Программные продукты и системы:)

Научно-исследовательский институт «Ц е н т р п р о г р а м м с и с т е м»

Программные продукты и системы МЕЖДУНАРОДНЫЙ НАУЧНО-ПРАКТИЧЕСКИЙ ЖУРНАЛ

№ 4 (104), 2013

Главный редактор С.В. ЕМЕЛЬЯНОВ, академик РАН

Тверь

SOFTWARE & SYSTEMS International research and practice journal

№ 4 (104), 2013

Head editor S.V. EMELYANOV, academician of RAS

Tver

R&D Institute CENTRPROGRAMMSYSTEM

 ПРОГРАММНЫЕ ПРОДУКТЫ И СИСТЕМЫ

Издается МНИИПУ, Главной редакцией международного журнала и НИИ “Центрпрограммсистем”

Международное научно-практическое приложение к международному журналу “ПРОБЛЕМЫ ТЕОРИИ И ПРАКТИКИ УПРАВЛЕНИЯ”

Главный редактор С.В. ЕМЕЛЬЯНОВ, академик РАН (г. Москва) Научные редакторы номера В.П. КУПРИЯНОВ, доктор экономических наук, профессор (г. Тверь) В.Н. РЕШЕТНИКОВ, доктор физико-математических наук, профессор (г. Москва)

Журнал зарегистрирован в Комитете Российской Федерации по печати 26 июня 1995 г.

Регистрационное свидетельство № 013831

Рецензенты номера: В.Б. Бетелин, академик РАН, НИИСИ РАН (г. Москва) В.Н. Решетников, д.ф.-м.н., профессор МАТИ (г. Москва) В.Б. Тарасов, к.т.н., профессор МГТУ (г. Москва) Д.Ш. Сулейманов, д.т.н., академик АН Татарстана (г. Казань) Ф.А. Мурзин, к.ф.-м.н., ИСИ СО РАН (г. Новосибирск) А.В. Язенин, д.ф.-м.н., профессор ТГУ (г. Тверь)

Подписной индекс в каталоге Агентства “Роспечать” 70799 ISSN 0236-235X

МЕЖДУНАРОДНАЯ РЕДАКЦИОННАЯ КОЛЛЕГИЯ Куприянов В.П. – д.э.н., профессор, генеральный директор НИИ «Центрпрограммсистем», первый заместитель главного редактора (г. Тверь, Россия) Семенов Н.А. – д.т.н., профессор Тверского государственного технического университета, заместитель главного редактора (г. Тверь, Россия) Решетников В.Н. – д.ф.-м.н., профессор Российского государственного технологического университета им. К.Э. Циолковского, заместитель главного редактора (г. Москва, Россия) Арефьев И.Б. – д.т.н., профессор Морской академии Польши (г. Щецин, Польша) Батыршин И.З. – д.т.н., профессор Мексиканского института нефти (г. Мехико, Мексика) Вагин В.Н. – д.т.н., профессор Московского энергетического института (технического университета) (г. Москва, Россия) Валькман Ю.Р. – д.т.н., Институт кибернетики им. В.М. Глушкова НАН Украины (г. Киев, Украина) Голенков В.В. – д.т.н., профессор Белорусского государственного университета информатики и радиоэлектроники (г. Минск, Беларусь) Еремеев А.П. – д.т.н., профессор Московского энергетического института (технического университета) (г. Москва, Россия) Кузнецов О.П. – д.т.н., профессор Института проблем управления РАН (г. Москва, Россия) Курейчик В.М. – д.т.н., профессор Технологического института Южного федерального университета (г. Таганрог, Россия) Лисецкий Ю.М. – к.т.н., генеральный директор «S&T Ukraine» (г. Киев, Украина) Нгуен Тхань Нги – д.ф.-м.н., профессор, проректор Ханойского открытого университета (г. Ханой, Вьетнам) Осипов Г.С. – д.ф.-м.н., профессор, заместитель директора Института системного анализа РАН (г. Москва, Россия) Палюх Б.В. – д.т.н., профессор Тверского государственного технического университета (г. Тверь, Россия) Попков В.К. – д.ф.-м.н., профессор, академик МАИ (г. Новосибирск, Россия) Поспелов Д.А. – д.т.н., профессор, академик РАЕН (г. Москва, Россия) Рахманов A.A. – д.т.н., профессор, заместитель генерального директора Концерна «РТИ Системы» (г. Москва, Россия) Серов В. – профессор Университета прикладных наук Оулу (г. Оулу, Финляндия) Сотников А.Н. – д.ф.-м.н., профессор, Межведомственный суперкомпьютерный центр РАН (г. Москва, Россия) Сулейманов Д.Ш. – академик АН Республики Татарстан, д.т.н., профессор Казанского государственного технического университета (г. Казань, Республика Татарстан, Россия) Тарасов В.Б. – к.т.н., Московский государственный технический университет им. Н.Э. Баумана (г. Москва, Россия) Федотов А. – д.филол.н., профессор Софийского университета им. Св. Климента Охридского (г. София, Болгария) Хорошевский В.Ф. – д.т.н., профессор Московского физико-технического института (технического университета) (г. Москва, Россия) Шейнман А. – к.т.н., корпорация «Motorola» (г. Чикаго, США) Язенин А.В. – д.ф.-м.н., профессор Тверского государственного университета (г. Тверь, Россия)

АССОЦИИРОВАННЫЕ ЧЛЕНЫ РЕДАКЦИИ Московский энергетический институт (технический университет), г. Москва Технологический институт Южного федерального университета, г. Таганрог Тверской государственный технический университет, г. Тверь Научно-исследовательский институт «Центрпрограммсистем», г. Тверь

АДРЕС РЕДАКЦИИ Россия, 170024, г. Тверь, пр. 50 лет Октября, 3а Телефон (482-2) 39-91-49 Факс (482-2) 39-91-00 E-mail: red@cps.tver.ru www.swsys.ru

Подписано в печать 27.11.2013 г. Отпечатано ООО ИПП “Фактор и К” Россия, 170028, г. Тверь, ул. Лукина, д. 4, стр. 1 Заказ № 128 Выпускается один раз в квартал Год издания двадцать шестой Формат 6084 1/8 Тираж 1000 экз. Объем 320 стр. Цена 198 руб.

Автор статьи отвечает за подбор, оригинальность и точность приводимого фактического материала. Авторские гонорары не выплачиваются. При перепечатке материалов ссылка на журнал обязательна.

 SOFTWARE & SYSTEMS

Issued by International Scientific and Research Institute for Management Issues, the Chief Editorial Board of International Magazine and R&D Institute CENTRPROGRAMMSYSTEM

(PROGRAMMNYE PRODUKTY I SYSTEMY) International research and practice supplement for International magazine THEORETICAL AND PRACTICAL ISSUES OF MANAGEMENT

Head editor S.V. EMELYANOV, academician of RAS (Mosсow, Russian Federation) Science editor of the issue

The magazine is on record in Russian committee on press 26th of June 1995

V.P. KUPRIYANOV, Dr.Sc. (Economics), professor (Tver, Russian Federation) V.N. RESHETNIKOV, Dr.Sc. (Physics and Mathematics), professor (Mosсow, Russian Federation)

Reviewers of the issue: V.B. Betelin, academician of RAS, professor, SRISA RAS (Mosсow, Russian Federation) V.N. Reshetnikov, Dr.Sc. (Physics and Mathematics), professor, MATI (Mosсow, Russian Federation) V.B. Tarasov, Ph.D. (Technical), professor, Bauman MSTU (Mosсow, Russian Federation) D.Sh. Suleimanov, academician of TAS, professor, Kazan STU (Kazan, Russian Federation) F.A. Murzin, Ph.D. (Physics and Mathematics), IIS RAS, Siberian Branch (Novosibirsk, Russian Federation) A.V. Yazenin, Dr.Sc. (Physics and Mathematics), professor, TSU (Tver, Russian Federation)

Registration certificate № 013831 Subscription index in catalogue of Agency Rospechat 70799 ISSN 0236-235X

INTERNATIONAL EDITORIAL BOARD Kupriyanov V.P. – Dr.Sc. (Economics), professor, CEO of R&D Institute CENTRPROGRAMMSYSTEM, first deputy of the head editor (Tver, Russian Federation) Semenov N.A. – Dr.Sc. (Technical), professor of Tver State Technical University, deputy of the head editor (Tver, Russian Federation) Reshetnikov V.N. – Dr.Sc. (Physics and Mathematics), professor of Russian State Technological University (MATI), deputy of the head editor (Mosсow, Russian Federation) Arefev I.B. – Dr.Sc. (Technical), professor of Poland Szczecin Maritime Academy (Szczecin, Poland) Batyrshin I.Z. – Dr.Sc. (Technical), professor of Mexican Institute of Petroleum (Mexico City, Mexico) Vagin V.N. – Dr.Sc. (Technical), professor of Moscow Power Engineering Institute (Technical University) (Mosсow, Russian Federation) Valkman Yu.R. – Dr.Sc. (Technical), V.M. Glushkov Institute of Cybernetics of National Academy of Sceinces of Ukraine (Kiev, Ukraine) Golenkov V.V. – Dr.Sc. (Technical), professor of Belarusian State University of Informatics and Radioelectronics (BSUIR) (Minsk, Republic of Belarus) Eremeev A.P. – Dr.Sc. (Technical), professor of Moscow Power Engineering Institute (Technical University) (Moscow, Russian Federation) Kuznetsov O.P. – Dr.Sc. (Technical), professor of the Institute of Control Sciences of RAS (Moscow, Russian Federation) Kureichik V.M. – Dr.Sc. (Technical), professor of Technology Institute at Southern Federal University (Taganrog, Russian Federation) Lisetskiy Yu.M. – Dr.Sc. (Technical), CEO of S&T Ukraine (Kiev, Ukraine) Nguyen Thanh Nghi – Dr.Sc. (Physics and Mathematics), professor, vice-principal of Hanoi Open University (Hanoi, Vietnam) Osipov G.S. – Dr.Sc. (Physics and Mathematics), professor, deputy of the principal of Institute of Systems Analysis of RAS (Mosсow, Russian Federation) Palyukh B.V. – Dr.Sc. (Technical), professor of Tver State Technical University (Tver, Russian Federation) Popkov V.K. – Dr.Sc. (Physics and Mathematics), professor, academician of IIA (Novosibirsk, Russian Federation) Pospelov D.A. – Dr.Sc. (Technical), professor, academician of RANS (Mosсow, Russian Federation) Rakhmanov A.A. – Dr.Sc. (Technical), professor, deputy of the CEO of Concern RTI Systems (Mosсow, Russian Federation) Serov V. – Dr.Sc., professor of the Oulu University of Applied Sciences (Oulu, Finland) Sotnikov A.N. – Dr.Sc. (Physics and Mathematics), professor, Joint Supercomputer Center of RAS (Moscow, Russian Federation) Suleimanov D.Sh. – academician of TAS, Dr.Sc. (Technical), professor of Kazan State Technical University (Kazan, Republic of Tatarstan, Russian Federation) Tarasov V.B. – Ph.D. (Technical), Bauman Moscow State Technical University (Mosсow, Russian Federation) Fedotov A. – Dr.Sc. (Philology), professor of the Sofia University St. Kliment Okhridski (Sofia, Bulgaria) Khoroshevskiy V.F. – Dr.Sc. (Technical), professor of Moscow Institute of Physics and Technology (Moscow, Russian Federation) Sheynman А. – Ph.D. (Technical), Corporation Motorola (Chicago, USA) Yazenin A.V. – Dr.Sc. (Physics and Mathematics), professor of Tver State University (Tver, Russian Federation)

ASSOCIATED EDITORIAL BOARD MEMBERS Moscow Power Engineering Institute (Technical University), Moscow Technology Institute at Southern Federal University, Taganrog Tver State Technical University, Tver R&D Institute CENTRPROGRAMMSYSTEM, Tver EDITORIAL OFFICE ADDRESS 50 let Octyabrya Av., 3а, Tver, 170024, Russia Phone: (482-2) 39-91-49 Fax: (482-2) 39-91-00 E-mail: red@cps.tver.ru www.swsys.ru

Passed for printing 27.11.2013 Printed in printing-office “Faktor i K” Lukina St., 4/1, Tver, 170028, Russian Federation Prod. order № 128 Published quarterly 26th year of publication Format 6084 1/8 Circulation 1000 copies Wordage 320 pages Price 198 rub.

Программные продукты и системы

№ 4, 2013 г.

УДК 519.68

ОТЕЧЕСТВЕННЫЕ СУПЕРКОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ ЭКЗАФЛОПСНОГО КЛАССА – НЕОБХОДИМОЕ УСЛОВИЕ ОБЕСПЕЧЕНИЯ ТЕХНОЛОГИЧЕСКОЙ КОНКУРЕНТОСПОСОБНОСТИ РОССИИ В XXI ВЕКЕ В.Б. Бетелин, академик РАН, д.ф.-м.н., профессор, директор (Научно-исследовательский институт системных исследований РАН (НИИСИ РАН), Нахимовский просп., 36, корп. 1, г. Москва, 117218, Россия, niisi@niisi.msk.ru) Владение технологиями предсказательного суперкомпьютерного моделирования при разработке высокотехнологичной продукции в настоящее время является необходимым условием конкурентоспособности страны на высокотехнологичных мировых рынках. Эти технологии относятся к категории стратегических и недоступны на коммерческой основе. Именно данное обстоятельство определило опасное технологическое отставание России от мировых лидеров в авиационной, автомобильной, космической, энергомашиностроительной отраслях. Позиция нашей страны на мировом энергетическом рынке сегодня вполне значима. И именно эта позиция – основа ее экономической, военной и политической безопасности. Поэтому Россия должна выстроить такую стратегию технологического развития, чтобы удержать в третьем тысячелетии долю мирового энергетического рынка, достаточную для своего устойчивого социально-экономического развития. А это невозможно без создания отечественных технологий комплексного предсказательного суперкомпьютерного моделирования процесса извлечения и переработки углеводородов. Использование новейших технологий суперкомпьютерного моделирования в высокотехнологичном промышленном производстве и добыче углеводородов требует применения суперкомпьютеров производительностью порядка 10 18 оп./с (экзафлопс) и, как следствие, разработки отечественных технологий создания таких суперкомпьютеров, новых физикоматематических моделей, численных методов, расчетных схем и методик, а также новых технологий создания прикладных программных систем. Ключевые слова: суперкомпьютер, экзафлопс, предсказательное моделирование, высокотехнологические продукты, мировой энергетический рынок, доля мирового рынка, отечественные суперкомпьютерные технологии.

RUSSIA NEEDS TO DEVELOPE ORIGINAL SUPERCOMPUTING TECHNOLOGY TO COMPETE ON THE GLOBAL HIGH TECH PRODUCTION MARKET Betelin V.B., academician of RAS, Dr.Sc. (Physics and Mathematics), professor, director (Scientific Research Institute for System Analysis of the Russian Academy of Sciences (SRISA RAS), Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation, niisi@niisi.msk.ru) Аbstract. Nowadays mastering predictive supercomputer modelling while developing the high-tech products is nessesary for the country to competie in the global high-tech markets. These technologies are classified as strategic and are not available on a commercial basis. This circumstance has determined the dangerous technological gap between Russia and the world leaders in aerospace, automotive, power engineering industries. Russia has quite significant position in the global energy market. And this position is the basis of economic, military and political security of the country. Therefore, Russia should build a technological development strategy to keep the share of the global energy market that is sufficient for sustainable socio -economic development of the country. It is impossible without creating national predictive supercomputing technologies for modeling of extraction and processing of hydrocarbons. Using the latest technologies in high-tech supercomputer simulation in industrial production and hydrocarbon production requires the use of supercomputing with a productivity rate of 1018 operations per second (exaflops). As a consequence, it also motivates to develop domestic technologies for the creation of supercomputers, new physical and mathematical models, numerical methods, computational schemes as well as new technologies to create application software systems.

Keywords: supercomputer, exaflops, predictive modeling, high-tech products, the global energy market, the share of the world market, domestic supercomputer technologies.

Технологии создания сложных технических систем (самолетов, двигателей, систем вооружения и т.д.), сформировавшиеся к 40-м гг. XX века, принципиально основывались на возможности непосредственного измерения основных параметров функционирования нового изделия в процессе стендовых и натурных испытаний как основных инструментов его отработки. Роль инженерных расчетов в рамках этих технологий в основном ограничивалась предварительными оценками ключевых параметров нового изделия и уточнением этих параметров на базе результатов стендовых и натурных испытаний. Однако существующие технологии оказались неприменимыми к созданию атомного оружия 4

ввиду принципиальной невозможности непосредственного измерения сверхвысоких скоростей, давлений и температур физических процессов, развивающихся при его функционировании, а также из-за некорректности инженерных расчетов. Поэтому в рамках атомных проектов и СССР, и США фактически были заложены основы принципиально новых технологий создания сложных технических систем, базирующихся как на натурных и стендовых, так и в возрастающей степени на компьютерных испытаниях, – расчетных технологиях, обеспечивающих априорное численное предсказание изменения ключевых параметров сложных физических процессов во времени. Получение приемлемой точности таких предсказаний

Программные продукты и системы

требовало выполнения огромного объема вычислений, а следовательно, применения самых высокопроизводительных на тот момент ЭВМ, а также создания чрезвычайно больших и сложных программных комплексов моделирования физических процессов. До начала 90-х годов прошлого века производительность используемых ЭВМ не превосходила 108–109 оп./с, и в этих условиях все еще требовалось проведение значительных объемов как стендовых, так и натурных испытаний. Запрет натурных испытаний ядерного оружия инициировал в конце 90-х–начале 2000-х гг. разработку принципиально нового поколения технологий создания сложных технических систем, базирующихся на компьютерных испытаниях как на основном инструменте отработки нового изделия. Основная задача стендового оборудования в рамках этих технологий – проведение зачетных испытаний, подтверждающих достоверность результатов компьютерных испытаний. Создание таких технологий потребовало применения ЭВМ производительностью не менее чем 1012 оп./с, а также разработки принципиально новых физико-математических моделей, численных методов, расчетных схем и методик. Владение технологиями компьютерных и зачетных испытаний уже в настоящее время является необходимым условием конкурентоспособности страны на высокотехнологичных мировых рынках, поэтому они относятся к категории стратегических и недоступны на коммерческом рынке. Именно это обстоятельство определило технологическое отставание авиационной, автомобильной, космической и энергомашиностроительной отраслей России от мировых лидеров. Лидерство этих отраслей на мировых высокотехнологичных рынках в XXI веке невозможно без создания отечественных технологий полномасштабных компьютерных испытаний (полет самолета во всех режимах и допустимых условиях), предусматривающих радикальное уменьшение объемов зачетных испытаний. Такие технологии требуют применения суперЭВМ производительностью 1018 оп./с (экзафлопс) и, как следствие, разработки отечественных технологий создания таких ЭВМ, новых физико-математических моделей, численных методов, расчетных схем и методик, а также новых технологий создания прикладных программных систем [1]. Проблема обеспечения энергетической безопасности России в XXI веке На мировом энергетическом рынке Россия занимает вполне достойное место. И сегодня это основа ее экономической, военной и политической безопасности. Поэтому надо выстроить такую стратегию технологического развития, которая и в будущем позволила бы удержать достаточную для

№ 4, 2013 г.

устойчивого социально-экономического развития страны долю этого рынка. В США для обеспечения энергетической безопасности интенсивно развиваются альтернативные технологии добычи углеводородов из низкокалорийного сырья, каковым являются битуминозные пески, горючие сланцы, сланцевый газ и т.д. Ведется разработка новых технологий получения топлива из этого сырья, включая разработку режимов эффективного и малоотходного горения топлива в камерах сгорания и разработку низкотемпературных двигателей. Новые технологии принципиально основаны на использовании суперЭВМ экзафлопсного класса (1018 оп./с). Поскольку запасы низкокалорийного сырья существенно превышают запасы высококалорийного и имеются практически во всех странах, создание таких технологий неизбежно приведет к существенному сокращению объемов потребления, а следовательно, и добычи высококалорийного сырья в пользу низкокалорийного. Другими словами, спровоцирует масштабный передел мирового энергетического рынка и существенное снижение доли рынка, контролируемой традиционными поставщиками высококалорийного углеводородного сырья, включая и Россию. В условиях этой реальной угрозы сохранение контроля над сегментом мирового энергетического рынка, достаточного для обеспечения устойчивого социально-экономического развития России в третьем тысячелетии, уже сегодня является ключевой стратегической задачей. Решить ее без создания собственных суперкомпьютерных технологий экзафлопсного класса практически невозможно. Работы в области экзафлопсных технологий за рубежом За 10–12 лет производительность суперкомпьютеров возрастает в среднем в 1 000 раз. Очередным этапом является достижение производительности 1 экзафлопс/с (1018 оп./с), планируемое на 2018–2020 гг. Основные трудности в этом процессе – необходимость эффективного задействования 108–109 процессорных ядер и преодоление физических ограничений, обусловленных энергопотреблением, надежностью и конструктивными размерами. В США в 2009 г. по указанию президента с целью сохранения лидирующих позиций в области суперкомпьютерных технологий, их внедрения в науку, промышленное производство и социальные сферы разработан план действий под названием Exascale Initiative [2]. Объем ежегодного финансирования исследовательских работ по этому экзафлопсному проекту превышает $100 млн [3]. Кроме того, министерство энергетики США является одним из основных учредителей международного проекта International Exascale Software 5

Программные продукты и системы

Project (IESP) [4]; соучредителем проекта выступает Национальный научный фонд (NSF) США. Цель проекта – создание программной базы для суперкомпьютеров экзафлопсного уровня, появление которых ожидается в 2018–2020 гг. На пути к экзафлопсным производительностям департамент энергетики США планирует отказаться от принятой модели развития и внедрения технологий высокопроизводительных вычислений, в основе которой лежат взаимоотношения производителя-продавца, разрабатывающего возможно более универсальные суперкомпьютеры, и потребителя-покупателя, пытающегося приспособиться к приобретенной аппаратуре для решения насущных прикладных задач. От этой методики департамент энергетики (да и значительная часть университетской науки) стремится перейти к новой методике соразработки (англ. co-design, в России используется термин «встречнaя оптимизация»). Переход к такой методике вызван тем, что, по мнению авторитетных американских ученых, инженеров и администраторов, текущие научные стратегии разработки приложений для суперкомпьютеров устарели и неработоспособны, поскольку образовался гигантский разрыв между целями и компетенциями разработчиков приложений и разработчиков аппаратных средств и системного ПО. Для ликвидации этого разрыва предлагается внедрить новую методику, соразработку – процесс, в котором инженеры компьютерных наук, прикладные математики и эксперты в конкретной предметной научной области сотрудничают, чтобы делать научные открытия с помощью суперкомпьютеров. Переход к ней запоздал и не будет легким. Дело в том, что лишь немногие ученые в каждой конкретной предметной области обладают кругозором и техническими навыками, позволяющими продумывать/организовывать процесс решения прикладной задачи от аппаратного до прикладного уровня, без чего нельзя воспользоваться возможностями, открываемыми экзафлопсными технологиями. Успех использования следующего поколения суперкомпьютеров станет возможным только при организации тесного сотрудничества между учеными конкретных предметных областей, прикладными математиками, программистами и, наконец, производителями аппаратных средств. В Европе экзафлопсные технологии реализуются в проекте PRACE (он предусматривает появление экзафлопсного компьютера в 2019 г.) [5] и в финансируемых Евросоюзом проектах European Exascale Software Initiative (EESI) [6] и Towards EXascale ApplicaTions (TEXT) [7], направленных на разработку программных технологий, предназначенных для использования в экзафлопсных компьютерах. Общеевропейская программа PRACE является лишь одной из многих интегрирующих программ 6

№ 4, 2013 г.

по развитию новых, в том числе и информационно-коммуникационных, технологий в Евросоюзе. Но было бы ошибкой думать, что эта или аналогичные программы определяют успех реальных процессов развития и внедрения суперкомпьютерных технологий в Евросоюзе. Прежде всего следует отметить, что бюджет всеобъемлющей рамочной программы FP7 составляет всего лишь 7,5 % гражданских (невоенных) затрат Евросоюза на R&D. Кроме того, если посмотреть на детали реализации партнерства PRACE AISBL на период 2011– 2015 гг., то выяснится, что на нужды программы PRACE будет распределено не более 30 % вычислительной мощности лучших (Tier0) компьютеров четырех главных государств-партнеров, в то время как более 70 % мощностей будет выделено на национальные программы под конкретные научные и промышленные проекты. Тем самым программа PRACE, опирающаяся на горизонтальные механизмы экспертной оценки в профессиональной среде, нацелена на поддержку краткосрочных перспективных проектов с высокой степенью оригинальности и риска и не ориентирована на решение более долговременных задач обеспечения панъевропейской военной или экономической безопасности. Следует отметить, что у Японии специального экзафлопсного проекта пока не существует, но, согласно Investigation Report on Existing HPC Initiatives. CSA-2010-261513 European Exascale Software Initiative CONTRACT NO EESI 261513, в планах технологического развития на 2011–2015 гг. есть пункт, включающий разработку HPC-технологий экзафлопсного класса. Возможно тесное сотрудничество с Южной Кореей. Китай о своих планах не сообщает, но, по мнению экспертов, способен создать суперЭВМ экзафлопсного класса на собственной элементной базе в 2020 году. Вышеизложенное свидетельствует об интенсивных действиях ведущих государств мира по созданию экзафлопсных технологий и о необходимости создания к 2020 г. специализированных элементов суперЭВМ на отечественной элементной базе для моделирования многомасштабных процессов экзафлопсного уровня сложности. СуперЭВМ экзафлопсного класса – совокупность универсальных и специализированных вычислительных сегментов Межведомственной рабочей группой по развитию индустрии суперкомпьютеров в Российской Федерации в 2010–2011 гг. была разработана Концепция развития технологий высокопроизводительных вычислений на базе суперЭВМ экзафлопсного класса (далее Концепция).

Программные продукты и системы

Приведенный в Концепции анализ показывает, что с использованием доступных коммерческих комплектующих к 2015 г. возможно собрать в России гибридный (неоднородный) суперкомпьютер с пиковой производительностью не выше 10–20 Пфлопс. Экстраполируя мировые тенденции, можно предположить, что к 2018 г. на коммерческих комплектующих в России можно будет собрать гибридный суперкомпьютер с пиковой производительностью не выше 50–100 Пфлопс. Российские суперкомпьютеры 2018–2020 гг. смогут достичь производительности 50–100 Пфлопс только за счет гибридности, то есть высокая производительность может достигаться лишь благодаря использованию графических или многоядерных процессоров-ускорителей. А это значит, что эффективное использование в России введенных в эксплуатацию к 2018 г. суперкомпьютерных мощностей будет возможно только при условии организации ресурсоемкой многолетней работы по модернизации/переписыванию накопленного на сегодня ПО, рассчитанного на стандарт MPI. Разработка новых видов топлива и повышение эффективности сжигания традиционных видов топлива, повышение нефтеотдачи месторождений на территории России требуют эффективного решения комплексной задачи многомасштабного моделирования процессов горения, в частности, сгорания новых видов топлива в двигателях новых конструкций, моделирования тепловых, механических воздействий на нефтяные залежи. Моделирование этих процессов в двигателях требует предсказательного многомасштабного моделирования от течения реакции на уровне отдельных молекул до образования вихрей при подаче топлива в камеру сгорания. В едином моделирующем коде должны одновременно совместно работать различные вычислительные алгоритмы, как-то: квантовая молекулярная динамика, классическая молекулярная динамика, кинетический метод Монте-Карло, имитационное моделирование, моделирование больших вихрей, методы с усреднением числа Рейнольдса и др. Именно многомасштабность процессов горения не позволяет провести их прямое численное моделирование с использованием существующих суперЭВМ тера- и петафлопсного классов и требует достижения производительности экзафлопсного уровня. Аналогично дело обстоит и с моделированием, например, процессов внутрипластового подземного горения и подземной гидродинамики, а также с моделированием целого ряда других природных и рукотворных многомасштабных процессов. Одна из основных причин этих проблем заключается в том, что современные суперЭВМ тера- и петафлопсного классов основаны на массовых коммерческих универсальных решениях (микропроцессор, вычислительный и коммуникационный узлы), которые достаточно

№ 4, 2013 г.

оптимизированы только для решения задач линейной алгебры, в то время как оптимальная реализация на суперЭВМ совокупности моделей, численных методов и алгоритмов для разных масштабов даже одного процесса (например горения), вообще говоря, требует достаточно различных подходов к реализации архитектуры и микропроцессоров, и вычислительных и коммуникационных узлов. Одним из возможных путей решения проблемы моделирования многомасштабных процессов экзафлопсного уровня сложности является создание гетерогенной суперЭВМ, которая наряду с базовым вычислительным сегментом на массовых коммерческих универсальных микропроцессорах включает еще и ряд сегментов на специализированных микропроцессорах, оптимизированных с учетом требований различных масштабов моделирования (например, сегменты моделирования процессов внутрипластового горения, подземной гидродинамики, рабочих процессов в двигателе внутреннего сгорания и т.д.). В едином цикле совместно проектируются и аппаратная, и программная составляющие каждого сегмента на основе принципа встречной оптимизации, то есть взаимосогласованной оптимизации методов, алгоритмов, программ и архитектуры микропроцессора для решения данного класса задач. Это, в частности, означает, что процессоры в разных сегментах при наличии единой базовой универсальной составляющей могут значительно отличаться не только набором дополнительных специальных функций, но и способом реализации таких стандартных механизмов, как канал прямого доступа к общей памяти. Имеющийся опыт позволяет утверждать, что при одних и тех же нормах проектирования и изготовления эффективная производительность такого специализированного микропроцессора на данном классе задач будет в 5–10 раз выше эффективной производительности универсального коммерческого микропроцессора. В частности, это подтверждается достаточно широким использованием в существующих суперЭВМ сегментов на основе массовых коммерческих специализированных графических микропроцессоров для эффективного решения задач предсказательного моделирования методами молекулярной динамики и Монте-Карло. Поэтому очевидно, что одной из первоочередных задач на пути решения экзафлопсной проблемы является создание аппаратно-программных сегментов суперЭВМ на основе существующих коммерческих графических микропроцессоров для моделирования тех взаимодействий и процессов в технических системах и природе, для которых потоковая архитектура обеспечивает существенно более эффективную реализацию расчетных схем, чем архитектура универсальных микропроцессоров, например, моделирование химических взаи7

Программные продукты и системы

модействий между молекулами реагентов и необходимых для этого потенциалов взаимодействия между молекулами различных веществ применительно к проблеме моделирования процесса горения. Основная практическая цель создания таких сегментов – обеспечить возможность многомасштабного моделирования при использовании программных моделирующих комплексов тера- и петафлопсного уровней, реализованных на основе только коммерческих универсальных микропроцессоров. Другими наиболее важными результатами этой работы должны быть комплекс требований к архитектуре потоковых микропроцессоров, обеспечивающей наиболее высокую реальную производительность, и оценка на этой основе архитектур перспективных графических процессоров, планируемых к выпуску к 2015 г. Это дает возможность создания к 2015 г. новой оригинальной архитектуры потокового микропроцессора, обеспечивающей значительно более высокую производительность на данном классе задач. В Концепции приводятся планируемые технико-экономические показатели вычислительной подсистемы отечественного суперкомпьютера 2015 г. производительностью 10 Пфлопс на базе отечественного гибридного микропроцессора с 16 универсальными суперскалярными ядрами и 128 потоковыми ядрами. Система включает 1 600 однородных вычислительных узлов на базе шестипроцессорного модуля с памятью 256 Гб. Тактовая частота микропроцессора равна 1 ГГц, производительность – 1 Тфлопс. Концептуально коммуникационная система специализированного сегмента также должна быть оптимизирована с учетом специфики решаемых этим сегментом задач. Возможный прототип – архитектура коммуникационных систем Blue Gene в части следующих принципиальных решений: наличие нескольких типов коммуникационных сетей, фиксированная топология сети общего назначения, размещение на одном кристалле нескольких процессорных ядер, контроллера динамической памяти и контроллеров всех коммуникационных сетей. При интеграции вычислительных ядер и коммуникационных контроллеров в одном кристалле требования к коммуникационной системе специализированного сегмента «моделирование процессов горения» должны быть сформулированы одновременно с требованиями к специализированным вычислительным ядрам системы на кристалле. Реализация такого подхода на основе имеющихся в России научно-технологических заделов обеспечит поддержание до 2020 г. паритета с США в области предсказательного моделирования важнейших классов задач. Рубеж производительности в 50–100 Пфлопс представляется достаточным для поддержания до 8

№ 4, 2013 г.

2020 г. паритета с США на нескольких заранее фиксированных классах задач. Действительно, США планируют к 2020 г. создать и освоить универсальные суперкомпьютеры пиковой производительностью 1 экзафлопс. Планируется, что реальная производительность таких суперкомпьютеров на широком спектре научных и инженерных задач будет достигать 10 %. Задача специализации суперкомпьютера экзафлопсного класса с целью достижения более высокой эффективности специалистами США не ставится. Это означает, что оптимизированный на фиксированный класс задач отечественный суперкомпьютер пиковой производительностью 100 Пфлопс при обеспечении эффективности 70–80 % сможет решать задачи экзафлопсного класса, то есть задачи, доступные неспециализированному суперкомпьютеру пиковой производительностью 1 экзафлопс. Высокопроизводительная вычислительная система для решения задач когерентной обработки данных В течение ряда лет НИИСИ РАН ведет работы по созданию технологии высокопроизводительных вычислений на основе принципа встречной оптимизации – ориентации архитектуры микропроцессора на класс решаемых задач в рамках программ фундаментальных исследований Президиума РАН и отделения нанотехнологий и информационных технологий РАН. Важным классом задач, на котором реальная производительность универсальных микропроцессоров составляет проценты от пиковой, являются задачи когерентной (согласованной) обработки больших объемов данных, описывающих классические, или квантовые, волновые процессы. К ним относятся задачи: – акустики и гидроакустики; – прямые и обратные задачи оптики, возникающие в микроэлектронике, в частности, поддержка технологии ОРС (optical proximity correction), изготовление масок для производства микропроцессоров; – молекулярного моделирования в области химии, материаловедения, биологии и фармакологии. Благодаря использованию технологии встречной оптимизации программного и аппаратного обеспечения для задач когерентной обработки разработаны архитектура неоднородного многоядерного микропроцессора К128 (не имеющего аналогов в мире), включающего универсальное ядро и комплекс специализированных ядер с оригинальной подсистемой транспорта данных внутри и вне микропроцессора. Изготовлены опытные образцы микропроцессора, вычислительного узла и вычислительного комплекса, производитель-

Программные продукты и системы

№ 4, 2013 г.

ность которого на реальных задачах когерентной обработки составила 80 % от пиковой. Для сравнения отметим, что реальная производительность К128, изготовленного по технологии 65 нм на данном классе задач, будет в 2–3 раза выше производительности графического процессора NVIDIA, изготовленного по технологии 28 нм. На основе этого научно-технологического задела к 2015 г. может быть создан суперкомпьютер производительностью 10 Пфлопс. Планируемые технико-экономические показатели такого суперкомпьютера на базе отечественного гибридного микропроцессора с 16 универсальными суперскалярными ядрами и 128 потоковыми ядрами приведены в таблице. Техникоэкономический показатель Производительность, Тфлопс Объем ОЗУ Энергопотребление Энергоэффективность Стоимость ОЗУ Стоимость комплектующих вычислительной подсистемы Стоимость ЭВМ в целом Энергопотребление ЭВМ в целом

Узел 6MP

Стойка 40узел

Вычислительная подсистема 40стойка 10 Пфлопс

6

240

256 1,5

10 Тбайт 0,4 Пб 60 2,4 МВт 4 Гфлопс/Вт

$6,4К $12,8К

$250K $500К

Помимо этого необходимо – разработать и изготовить микропроцессорные и коммуникационные СБИС для суперкомпьютера 100 Пфлопс (200 тыс. чипов); – изготовить сегменты опытного образца суперкомпьютера производительностью 100 Пфлопс/с на отечественной элементной базе, ориентированные на решение специализированных задач горения; – установить прикладной программный комплекс на суперкомпьютер производительностью 100 Пфлопс/с и выполнить сравнительные исследования пиковой производительности на специальном классе задач. В результате должен быть создан опытный образец специализированного сегмента суперкомпьютера, который на задачах горения и подземной гидродинамики по производительности не будет уступать универсальному суперкомпьютеру пиковой производительностью 1 000 Пфлопс/с. Литература

$10M $20М

$40М Не более 4,8 МВт

Система включает 1 600 однородных вычислительных узлов на базе шестипроцессорного модуля с памятью 256 Гб на отечественном микропроцессоре с тактовой частотой 1 ГГц производительностью 1 Тфлопс. Предполагается, что стоимость отечественного процессора 2015 г. составит $1 000. Для создания специализированного сегмента суперЭВМ необходимо определить алгоритмы и архитектуру, позволяющие получить максимальное быстродействие по сравнению с универсальными суперкомпьютерами, а также сформулировать требования к арифметическим ускорителям, выяснить параметры для решения указанных задач. Необходимо также разработать – аппаратуру и программный эмулятор для исследования поведенческой модели требуемого специализированного процессора; – вычислительную модель для каждого масштаба моделируемого процесса; – архитектуры сегментов суперЭВМ, ориентированные на решение задач каждого масштаба; – программный комплекс для решения задач горения и подземной гидродинамики, ориентированных на специализированную суперЭВМ экзафлопсного класса.

1. Велихов Е.П., Бетелин В.Б. Отечественные технологии полномасштабных компьютерных испытаний – ключевой фактор устойчивого экономического развития России в XXI веке. Новая экономика. Инновационный портрет России. М.: Центр стратегического партнерства, 2012. С. 105–108.

2. Stevens R. and White A. A DOE Laboratory plan for providing exascale applications and technologies for critical DOE mission needs. URL: http://computing.ornl.gov/workshops/ SCIDAC2010/r_stevens.pdf (дата обращения: 15.07.2013).

3. Koonin S.E. Under Secretary for Science. Simulations, Exascale, and the Broader Energy Contex. (8 March 2011). ASCR ExascaleResearch Kickoff Meeting. URL: www.energy.gov/ascr/ kickoffmeeting (дата обращения: 15.07.2013).

4. International Exascale Software Project. URL: www.exascale.org (дата обращения: 15.07.2013).

5. PRACE. URL: www.prace-project.eu (дата обращения: 15.07.2013).

6. European Exascale Software Initiative (EESI) European roadmap for Exascale. URL: http://www.eesi-project.eu/ (дата обращения: 15.07.2013).

7. Towards EXascale ApplicaTions (TEXT) Project Overview. URL: http://www.project-text.eu (дата обращения: 15.07.2013).

References 1. Velikhov Ye.P., Betelin V.B. National technologies of full-sized computer tests is a key factor of sustainable development of Russia in 21 century. Novaya ekonomika. Innovatsionny portret Rossii [New economy: an innovative portrait of Russia], Moscow, Tsentr strategicheskogo partnerstva, 2012, pp. 105–108 (in Russ.).

2. Stevens R., White A. A DOE Laboratory plan for providing exascale applications and technologies for critical DOE mission needs. Available at: http://computing.ornl.gov/workshops/ SCIDAC2010/r_stevens.pdf (accessed 15 July 2013).

3. Koonin S.E. ASCR Exascale Research Kickoff Meeting (8 March 2011). Available at: www.energy.gov/ascr/kickoffmeeting (accessed 15 July 2013).

4. International Exascale Software Project. Available at: www.exascale.org (accessed 15 July 2013).

5. PRACE. Available at: www.prace-project.eu (accessed 15 July 2013).

6. European Exascale Software Initiative (EESI) European roadmap for Exascale. Available at: http://www.eesi-project.eu/ (accessed 15 July 2013).

7. Towards EXascale ApplicaTions (TEXT) Project Overview. Available at: http://www.project-text.eu (accessed 15 July 2013).

9

Программные продукты и системы

№ 4, 2013 г.

УДК 519.8

ОБ ОДНОМ ПОДХОДЕ К ОЦЕНКЕ КАЧЕСТВА ОБРАБОТКИ ВИДЕОГРАФИЧЕСКОЙ ИНФОРМАЦИИ П.П. Кольцов, д.т.н., зам. директора (НИИСИ РАН, Нахимовский просп., 36, корп. 1, г. Москва, 117218, Россия, koltsov@niisi.msk.ru) В статье изложена разработанная в НИИСИ РАН идеология построения универсальной оценки качества работы компьютерных программ, реализующих тот или иной метод решения некоторой задачи обработки видеографической информации. Такая оценка позволяет сравнивать на сопоставимой основе эффективность работы программ с целью выбора среди них наиболее адекватных условиям применения. Разработчикам практических систем обработки видеографической информации изложенный подход позволит уже на стадии проектирования системы сделать обоснованный выбор программной реализации для решения стоящей перед ними задачи. Рассмотрены примеры применения изложенного подхода для сравнительной оценки ряда широко используемых программных реализаций решения задач выделения границ, реставрации, уточнения контуров, сегментации, текстурного анализа, а также исследование их устойчивости относительно аффинных преобразований. Внешние условия моделировались зашумлением и размытием стандартизованного набора эталонных изображений. В роли универсальной оценки качества в примерах были рассмотрены статистические и размытые меры, метрики Евклида и Хаусдорфа. Эти примеры позволили выявить особенности поведения программных реализаций и получить области их предпочтительного применения. Ключевые слова: обработка изображений, эталонные изображения, выделение границ, реставрация изображений, сегментация, чувствительность, специфичность.

ON AN APPROACH TO ESTIMATION OF VIDEO-GRAPHICAL INFORMATION PROCESSING QUALITY Koltsov P.P., Dr. Tech. Sc., deputy director (SRISA RAS, Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation, koltsov@niisi.msk.ru) Аbstract. The paper describes the ideology of universal performance evaluation of computer programs. It is developed in SRISS RAS and implements one or another method of solving a problem of video-graphical information processing. It enables comparing programs effectiveness on a consistent basis to choose the most appropriate for use. The stated approach will allow developers of practical systems for video-graphical information processing to chose reasonably one or another software implementation to achieve the developer's task at the stage of the system's design. There are examples of the approach application for a comparative estimation of widely used computer implementations of solving tasks: edge detection, restoration, the boundaries clarifying, segmentation and texture analysis. Their stability for affine transformations is also investigated. External conditions were simulated by noising and a blurring of standardized set of reference images. The statistical and fuzzy measures, Euclidean and Hausdorff metrics are considered as universal performance evaluation. The given examples have allowed revealing the special features of the reviewed computer implementations and get their preferred application fields.

Keywords: image processing, reference images, edge detection, image restoration, segmentation, sensitivity, specificity.

В данной работе описывается подход к обработке видеографической информации, сложившийся к настоящему времени в отделе обработки и распознавания видеографической информации НИИСИ РАН. Сначала тематика исследовательских работ отдела, созданного четверть века назад, была ориентирована на конкретные прикладные проблемы, связанные с попытками создания автоматических и автоматизированных технических систем для решения задач интеллектуальной обработки видеографической информации. На основе созданной в отделе 3D-модели отображения земной поверхности в реальном масштабе времени [1] был разработан многомашинный макет автоматизированной системы мониторинга земной поверхности ДЕДАЛ [2], предназначенной для дистанционного обнаружения и распознавания движущихся объектов. Необходимо также отметить разработанную компьютерную систему ПРИЗМА [3], позволяющую по заданному набору изображений и эталонов подбирать методы их обработки, а также генерировать предметно-ориентированную систему понимания изображений.

10

Логика исследовательских работ отдела привела к пониманию необходимости построения системы оценки качества работы программных средств обработки видеографической информации, позволяющей делать обоснованный выбор из них наиболее адекватных условиям решения задачи. В рамках построения такой системы была выработана идеология сравнительного исследования разнообразных методов обработки растровых изображений, позволяющая реализовать адаптивную технологию проектирования прикладных технических систем понимания изображений. Эта идеология, являющаяся своеобразным результатом исследовательской активности отдела, и будет представлена в данной статье. Эталонные изображения. Основным требованием к такой универсальной оценке является возможность ее получения вне зависимости от конкретного метода, используемого для решения задачи обработки видеографической информации. Это требование может быть удовлетворено, если все методы оцениваются на одном и том же видеографическом материале. Но возникает вопрос,

Программные продукты и системы

как формировать этот материал. В основу формирования такого материала, называемого эталонными, или тестовыми, изображениями, легли следующие принципы.

1. Эталонные изображения должны содержать максимально полный набор сложных для работы рассматриваемых методов обработки видеографической информации элементов.

2. Эталонные изображения должны содержать максимально полный набор элементов изображения, являющихся типовыми для задачи, решаемой рассматриваемыми методами обработки видеографической информации.

3. Для эталонных изображений должна существовать возможность внесения контролируемых деградаций, позволяющих выявлять особенности поведения рассматриваемых методов обработки видеографической информации при различных внешних условиях.

4. Для всех эталонных изображений известно заданное априори точное решение задачи обработки видеографической информации – ground truth. Формирование набора эталонных изображений для конкретных задач обработки видеографической информации, удовлетворяющих этим принципам, по сути является неформальной задачей, поскольку и полнота, и сложность плохо поддаются формализации. В такой ситуации разработка эталонных изображений основана на практическом опыте разработчика, а сам набор изображений является открытым. Необходимость внесения контролируемой деградации в эталонные изображения связана с тем, что реальные изображения, как правило, подвержены искажениям, привносимым внешними условиями и особенностями получения изображения в цифровом виде. Обычными источниками деградации являются зашумление и размытие. Оценка качества. Для эталонных изображений, подобранных в соответствии с описанными принципами, в качестве универсальной оценки качества решения задачи обработки видеографической информации можно взять некоторую меру отличия результатов обработки этой информации от ground truth. Необходимо отметить, что выбор конкретной меры определяет содержательную интерпретацию получаемых оценок. В частности, можно брать меры отличия, полученные на основе метрик Евклида, Хаусдорфа, статистических, нечетких мер и т.п. Рассмотрим реализацию декларированного выше подхода для получения универсальной оценки качества работы ряда программных реализаций известных методов решения задач выделения границ и реставрации изображений. Выделение границ. В качестве набора искусственных изображений для оценки программных реализаций методов выделения границ был взят набор, приведенный на рисунках 1–3.

№ 4, 2013 г.

Для эталонных изображений на рисунках 1 и 2 границами являются прямые линии, а величина скачка яркости вдоль границы изменяется по линейному закону. Эталонное изображение в левой части рисунка 3 имеет границу переменной кривизны и изменение скачка яркости, аналогичное приведенному выше. В правой части рисунка 3 приведено эталонное изображение с пересекающимися линейными границами.

Рис. 1. Исчезающий уступ (слева) и изменяющийся горб I (справа)

Рис. 2. Изменяющийся горб II (слева) и исчезающий излом (справа)

Рис. 3. Улитка (слева) и узел (справа)

Слабоконтрастные границы, близкое расположение разных объектов, схождение нескольких границ в одной точке усложняют работу программ, предназначенных для решения задачи выделения границ. Эти факторы имеют место в рассматриваемых эталонных изображениях. Вместе с тем описанные ситуации являются вполне типичными для естественных изображений. Кроме того, приведенные выше эталонные изображения можно довольно просто подвергать контролируемой деградации, внося аддитивный шум или размытие с известными параметрами.

11

Программные продукты и системы

№ 4, 2013 г.

Рис. 4. Чувствительность (слева) и специфичность (справа)

Поскольку программы решения задачи реставрации изображений должны хорошо сохранять резкие перепады яркости и подавлять шум на естественных изображениях, все перечисленные эталонные изображения можно использовать и для оценки качества работы этих программ. Для решения задачи выделения границ были рассмотрены программы, реализующие широко известные методы, названные по именам их авторов: Canny, Heitger, Rotwell, Black, Iverson, Smith [4]. Приведем примеры полученных оценок качества работы данных программ, реализующих эти методы, на эталонных изображениях. В качестве меры отличия результатов обработки изображений от ground truth были взяты статистические меры чувствительность (Se) и специфичность (Sp): n( B  A) n( B  A) , где A – пикселы Se  ; Sp  n( A) n( B ) границы ground truth, то есть идеальная граница; B – пикселы границы, полученные в результате работы программы. На рисунке 4 приведены оценки, полученные при обработке эталонного изображения исчезающий уступ. По оси абсцисс отложена дисперсия белого шума, добавляемого к изображению, по оси ординат – чувствительность и специфичность (в процентах). Можно видеть, что программные реализации Canny и Heitger имеют хорошую чувствительность и более устойчивы к белому шуму, то есть меньше теряют истинных граничных точек по сравнению с другими реализациями. К тому же программные реализации Canny и Rothwell обладают явно лучшей специфичностью, в то время как все остальные показывают примерно в равной степени плохие результаты, то есть на каждую найденную ими точку истинной границы приходится слишком много точек, к границе не относящихся, но отнесенных к ней программами. Реставрация. В рамках описываемого подхода к оценке качества решения задачи обработки изображений были рассмотрены программные реализации часто используемых энергетических методов Мамфорда–Шаха, Гемана–Рейнольдса и метода с кусочно-линейной функцией [5], решающих 12

задачу реставрации. Мера отличия результатов обработки изображений от ground truth находилась в метрике Евклида. Пример результатов, полученных при исследовании этих реализаций, приведен на рисунке 5. В качестве эталонного изображения взят изменяющийся горб II, имеющий границу с изменяющимся контрастом. В левой части рисунка приведен пример эталонного изображения, подвергнутого аддитивному гауссову зашумлению с вариацией, равной 30. В правой части по оси абсцисс отложены значения вариации гауссова зашумления от 0 до 30. По оси ординат – значения расстояния между ground truth и результатом работы трех программ. Пунктирная линия отображает ожидаемую линейную связь между вариацией шума и евклидовым расстоянием между защумленным и незашумленным эталонными изображениями. Угол в 45 для этой линии определяется выбором удобной нормировки.

а)

б)

Рис. 5. Пример реализаций: а) эталонное изображение, б) работа трех программ: 1 – методом Мамфорда–Шаха, 2 – Гемана– Рейнольдса, 3 – с кусочно-линейной функцией

Из рисунка видно, что все программные реализации обеспечивают подавление шума, поскольку графики в основном располагаются ниже пунктирной линии. Таким образом, обработанное изображение ближе к ground truth, чем зашумленное. Кроме того, программные реализации методов Гемана–Рейнольдса и метода с кусочно-линейной функцией эффективнее реализации метода Мамфорда–Шаха при сильном шуме. В свою очередь, реализация метода Мамфорда–Шаха лучше работает при малых шумах.

Программные продукты и системы

№ 4, 2013 г.

Уточнение контуров. В качестве примера использования описанного выше подхода к получению универсальной оценки качества работы программ обработки видеографической информации рассмотрим задачу уточнения контуров объекта. Эта задача обычно решается с помощью программ на основе так называемого метода активного контура [6], для реализаций которого трудными являются ситуации, когда контур объекта имеет большую кривизну. Поэтому в набор эталонных изображений для оценки качества работы соответствующих программ уточнения контуров были включены контуры с широким диапазоном изменений кривизны. На рисунке 6 приведен пример набора объектов на основе окружности, на рисунке 7 показаны два типа контуров, построенных с использованием квадрата и окружности. Следует отметить, что типичной ситуацией, влияющей на результаты работы программ, решающих задачу уточнения контуров объектов, является сложность фона. Поэтому к набору эталонных контуров добавляются и образцы фона. В таком случае эталонные изображения состоят из фона и наложенных на него границ объектов. Примеры использованных фонов показаны на рисунке 8.

Рис. 6. Объекты с изменением размера выступов и впадин

Рис. 7. Контуры на основе квадрата и окружности

В качестве программных реализаций метода активного контура взяты GSNAKE и GVF [7, 8], а в качестве меры ошибки решения – хаусдорфово расстояние в пикселах между результирующим и истинным контурами. На рисунке 9а показана зависимость С этой ошибки от нормализованного контраста фона и объектов для левого эталонного изображения на рисунке 7 (С=Dфон/(Mфон–Mобъект), где D – дисперсия, M – среднее). Обе реализации близки по качеству работы и с ростом С начинают выбирать ложные границы. На рисунке 9б представлена зависимость ошибки от относительной величины углубления a/H – отношение величины

углубления a к величине объекта H – для эталонных изображений на рисунке 6 при С=0,225. Видно, что метод GVF дает лучшие результаты при любой величине углубления.

12

3

10

2,5

8

2

6

1,5

4

1

2

0,5

0 0

0,15 GSNAKE

0,3

0 0

C GVF

0,1

0,2

0,3

GSNAKE

а)

a/H

GVF

б)

Рис. 9. Зависимость величины ошибки а) от контраста, б) от углубления

Аффинные преобразования. Рассматриваемый подход к получению универсальной оценки качества работы программ обработки видеографической информации можно применить для изучения устойчивости работы программ выделения границ относительно аффинных преобразований исходных изображений. Актуальность таких исследований очевидна, поскольку ориентация объектов на изображении относительно краев может быть произвольной, а реализации методов выделения границ к этим краям привязаны. В качестве эталонных изображений естественно было взять изображения, использованные при исследовании программ выделения границ, а аналогом деградации в рассматриваемом случае являются собственно аффинные преобразования. На рисунке 10 приведены пример эталонного изображения узел и результаты его обработки методом Smith до и после поворота на 45.

а)

б)

в)

Рис. 10. Аффинные преобразования а) эталонное изображение узел, б) и в) результаты его обработки детектором Smith до и после поворота на 45 соответственно

В этом случае чувствительность Se, специфичность Sp и расстояние Хаусдорфа H принимают значения, приведенные в таблице 1. Таблица 1 Узел

Рис. 8. Примеры фона

Se

Мера Sp

H

Без поворота

0,869

1,00

26,1

Поворот на 45

0,5969

0,86

126

13

Программные продукты и системы

малых углах наоборот. Эти графики приведены для случая отсутствия деградации изображений.

40 Расстояние, пикселы

Как видим, поворот эталона на 45 существенно ухудшает качество работы программной реализации метода Smith. Особенно четко это демонстрирует метрика Хаусдорфа, обладающая высокой чувствительностью к различиям между сравниваемыми множествами. Изучение поведения всех ранее упомянутых программных реализаций методов выделения границ не выявило среди них абсолютного лидера. Сегментация изображений. Для задач сегментации изображений хорошие программы сегментации – так называемые сегментаторы – должны выделять те области на изображении, в которых могут находиться содержательно значимые объекты. Желательно, чтобы эти области содержали смысловые объекты изображения, а границы между областями соответствовали реальным границам объектов. В качестве сегментаторов, для которых была построена универсальная оценка качества их работы, рассмотрены EDISON, JSEG, EDGEFLOW и MULTISCALE [9]. Одним из сложных случаев для сегментаторов является наличие углов на изображении. И такие ситуации нельзя считать исключительными. В этой связи в набор эталонных изображений были включены соответствующие изображения, примеры которых приведены на рисунке 11.

№ 4, 2013 г.

20

0

0

EDGEFLOW,

180 Угол, град.

JSEG

Рис. 13. Сохранение углов при сегментациях

EDGEFLOW и JSEG Было также рассмотрено поведение сегментаторов на областях с медленно изменяющейся яркостью, обычно приводящее к выделению сегментаторами ложных границ объектов. В качестве контролируемой деградации рассматривались зашумление и размытие. В этом случае лучшее качество показал сегментатор JSEG. Использование размытых метрик. Методы решения задач с помощью средств вычислительной техники часто базируются на выделении некоторых узловых точек для последующей связи их в границы объекта. Для выявления способности различных программ, выделяющих границы, улавливать такие узловые точки был разработан подход на основе нечеткого сходства [10] с использованием нечетких метрик и нечетких ground truth эталонных изображений. На рисунке 14 приведены эталонное изображение – темный квадрат размером 55 пикселов на светлом фоне и результаты применения к нему программных реализаций Canny и Rothwell.

Рис. 11. Углы

Обрабатываемые изображения обычно имеют слабый контраст между яркостью и фоном. Это обстоятельство обусловило расширение набора эталонных изображений. Примеры таких изображений приведены на рисунке 12. а)

б)

в)

Рис. 14. Использование размытых метрик: а) – эталонное изображение, б) – границы по Canny, в) – границы по Rothwell

Рис. 12. Круги с различной контрастностью относительно фона

На рисунке 13 приведен график зависимости от величины угла расстояния между истинным положением вершины угла и ближайшей точкой угла после работы сегментатора. Как видим, чем острее угол, тем больше могут быть искажения. При этом сегментатор EDGEFLOW при больших углах предпочтительнее сегментатора JSEG, а при 14

Как видим, только программная реализация Canny позволила выявить все угловые точки, являющиеся узловыми для данного изображения. Однако при использовании оценок Se, Sp и H качество результатов работы неразличимо. Таким образом, использование классических метрик не выявляет преимущество программной реализации метода Canny, не пропустившей угловые точки квадрата. В этом случае введение понятия нечеткого эталонного изображения и использование нечетких метрик позволили получить оценки качества для различных реализаций методов выде-

Программные продукты и системы

№ 4, 2013 г.

ления границ, обладающих особенностями, сложными для их работы. Как и в случае обычных эталонных изображений, выбор нечеткого эталонного изображения является неформальной задачей. Поскольку использование нечеткой метрики основывается на функции принадлежности, определяющей в данном случае степень истинности факта принадлежности пиксела к границе, для превращения эталонных изображений в нечеткие необходимо снабдить их этими функциями. Очевидно, что если эти функции принадлежности будут подчеркивать значимость пикселов в особенностях границы объекта, то нечеткие метрики должны уловить различие в работе программ, выделяющих границы, относительно этих особенностей. Рассмотрим приведенный на рисунке 14а квадрат 55 пикселов. Можно видеть, что граничные точки относятся к двум классам: A1 – вертикальные и A2 – горизонтальные. Определим для этих классов две функции принадлежности, которые на всех граничных пикселах равны 0,8, а в угловых – 1. Формирование нечеткого эталонного изображения завершено. В качестве меры близости между результатами работы программ и нечетким эталоном рассматривались введенные в [11] величины ОА1 и ОА2: 2

OA1 ( A, B) 

  ( f Ak ( x)  f Bk ( x))

k 1 2

x

k 1

x

  ( f Ak ( x)  f Bk ( x))

,

2

OA2 ( A, B) 

2   ( f Ak ( x)  f Bk ( x)) k 1 2

x

  ( f Ak ( x)  f Bk ( x))

k 1

,

x

где fAk(x) – функции принадлежности нечеткого эталона классу Ak; fBk(x) – функции принадлежности для результатов работы программы выделения границ; x – пикселы. Отметим, что в рассматриваемом примере функция принадлежности результатов работы программ является вырожденной, принимающей значение 1 только на определенных программой граничных пикселах. Полученные данные приведены в таблице 2. Таблица 2 Метод Canny Rothwell

Текстурный анализ. Рассмотрим применение идеологии получения универсальной оценки качества работы различных программных реализаций методов, используемых при решении задач текстурного анализа, например, задачу выделения на изображении текстур. В качестве эталонных изображений, представляющих сложность для работы программ выделения текстур, взяты естественные и искусстизображеРис. 15. Пример эталонного венные ния. На рисунке 15 изображения приведен пример из набора искусственных эталонных изображений. Для сложных ситуаций в работе программ выделения текстурных областей набор искусственных эталонных изображений создан таким образом, чтобы в пределах текстурных областей могли меняться размер текстуры, а также контраст границы между текстурной и бестекстурной областями. Для получения значений универсальной оценки качества работы были взяты программные реализации метода плотности локальных экстремумов, метода MAXDIF и метод плотности граничных точек [12]. Для численной оценки качества работы этих программ использован модифицированный показатель качества Пратта (FOM) [12], обычно используемый в текстурном анализе: 1 N 1 , FOM   N i 1 1  di2 где N – число пикселов изображения; di – евклидово расстояние между i-м пикселом изображения после работы метода и его истинной областью (текстурной или бестекстурной); γ – постоянный шкалирующий множитель, который может использоваться для изменения вклада ошибок в FOM. Контролируемая деградация в эталонные изображения не вносилась. На рисунке 16 приведены полученные результаты для реализаций ме-

Мера OA1 0,61 0,41

1

OA2 0,75 0,58

0,941

0,934

0,9 0,837 0,8

Программная реализация метода Canny дает более предпочтительные результаты, чем программная реализация метода Rothwell, что вполне согласуется с визуальным восприятием этих результатов. Таким образом, можно утверждать, что использование нечетких мер сходства и расширение понятия эталонных изображений до нечетких позволяют более полно выявлять особенности сравниваемых программ.

FOM

0,7 0,6 0,5

1

2

3

Рис. 16. Результаты методов

15

Программные продукты и системы

тодов плотности граничных точек (1), плотности локальных экстремумов (2) и MAXDIF (3). Видно, что различия между качеством работы программ реализации методов плотности граничных точек и MAXDIF несущественны, тогда как программа реализации метода плотности локальных экстремумов показала худший результат. Инструментальные средства. Изложенные выше результаты исследований по оценке качества работ программ, решающих разнообразные задачи обработки видеографической информации, были получены с помощью специально разработанных инструментальных систем PETRA (Performance Evaluation of Texture Recognition Algorithms) [12] и PICASSO (PICture Algorithms Study SOftware) [4]. Система PETRA ориентирована на работу с программами обработки текстур и включает следующие этапы.

1. Выбор программ, подлежащих сравнительному исследованию.

2. Выбор из базы эталонных изображений или генерация искусственных эталонных изображений, моделирующих текстуру, определяемую пользователем системы.

3. Выделение текстурных областей исследуемыми программами на эталонных изображениях.

4. Измерение качества получаемых результатов с помощью выбранной метрики. Статистическая обработка результатов. Система PICASSO ориентирована на работу с программами предварительной обработки изображений (выделение границ, реставрация, сегментация и т.п.) и имеет следующую структуру.

1. Выбор программ, подлежащих сравнительному исследованию.

2. Выбор из базы эталонных изображений или генерация искусственных эталонных изображений, моделирующих требуемые ситуации, определяемые пользователем системы.

3. Выбор вариантов деградации эталонных изображений.

4. Решение задач предварительной обработки изображений исследуемыми программами.

5. Измерение качества получаемых результатов с помощью выбранной метрики.

6. Статистическая обработка результатов. Отметим, что отсутствие возможности выполнить деградацию (обычно зашумление) эталонных текстурных изображений связано с известной высокой неустойчивостью программ обработки текстур к такому воздействию. Инструментальные системы PETRA и PICASSO являются практической реализацией рассмотренной в данной статье системы оценки качества работы программных средств обработки видеографической информации. Обе системы успешно прошли апробацию и подтвердили эффективность предложенного подхода, результаты которого отражены в публикациях [13, 14].

16

№ 4, 2013 г.

В заключение отметим следующее. В работе изложена идеология прямого тестирования программ обработки видеографической информации. На базе стандартизованного набора изображений, называемых эталонными, находится универсальная оценка качества результатов работы программ обработки видеографической информации. Полученные сопоставимые оценки качества позволяют ранжировать эти программы для последующего отбора наиболее эффективных. Внесение контролируемых деградаций в эталонные изображения дает возможность прогнозировать качество работы программ в условиях реальной эксплуатации. Исследование результатов работы фиксированной программы при варьировании ее управляющих параметров позволяет выявлять границы применимости программы. Изложенная идеология прямого тестирования программ обработки видеографической информации может быть распространена и на иные программные продукты, если существует множество моделей решения одной и той же задачи обработки информации. Следует упомянуть, что нацеленность работ, выполняемых в отделе, на практическое применение привела к расширению тематики тестирования программных изделий для обработки видеографической информации до тестирования изделий микроэлектроники [15]. Литература 1. Арабов И.И., Захаров А.В., Кольцов П.П., Котович Н.В., Кравченко А.А., Куцаев А.С., Николаев В.К., Павловская Е.Я. Реализация и исследование пространственного изображения в реальном времени. М.: НИИСИ РАН, 1994. 14 c.

2. Грибков И.В., Захаров А.В., Кольцов П.П., Котович Н.В., Кравченко А.А., Куцаев А.С., Николаев В.К. Автоматизированная система мониторинга земной поверхности DEDAL-2 // Интегральная геометрия. Математические модели. Понимание изображений. М.: НИИСИ РАН, 2001. С. 5–50.

3. Gribkov I., Koltsov P., Kotovich N., Kravchenko A., Koganov A., Kutsaev A., Nikolaev V., Zakharov A. PRIZM: Generator of Image Understanding Systems, Pattern Recognition and Image Analysis Systems, 2000, vol. 10, no. 1, pp. 143–149.

4. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Kutsaev A.S., Nikolaev V.K., Zakharov A.V. PICASSO – system for evaluating edge detection algorithms, Pattern Recognition and Image Analysis, 2003, vol. 13, no. 4, pp. 617–622.

5. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Kutsaev A.S., Nikolaev V.K., Zakharov A.V. Testing of Energy Minimizing Methods in Image Preprocessing Using the PICASSO System, Proc. 8th World MultiConf. on Systemics, Cybernetics and Informatics, 2004, vol. 6, pp. 233–238.

6. Isard M., Blake A. Active Contours: The Application of Techniques from Graphics, Vision, Control Theory and Statistics to Visual Tracking of Shapes in Motion. Berlin, Springer, 2000.

7. Kass M., Witkin A., Terzopoulos D. Snakes: Active Contour Models, Int'l J. Computer Vision, 1988, vol. 1, no. 4, pp. 321–331.

8. Xu Ch., Prince J.L. Snakes, Shapes and Gradient Vector Flow. IEEE Transactions on Image Processing, 1998, vol. 7, no. 3, pp. 359–369.

9. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Kutsaev A.S., Osipov A.S., Zakharov A.V. Study of Noisy and Blurry Images Segmentation. Proc. 9 Int. Conf. on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-9-2008), 2008, vol. 1, pp. 193–196.

Программные продукты и системы 10. Pal S.K., Madjumadar D.D. Fuzzy Mathematical Approach to Pattern Recognition. NY, Wiley, 1986.

11. Jäger G., Benz U. Measures of Classification Accuracy Based on Fuzzy Similarity. IEEE Trans. On Geoscience and Remote Sensing, 2000, vol. 38, no. 3, pp. 1462–1467.

12. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Kutsaev A.S., Osipov A.S., Zakharov A.V. Performance evaluation of Texture Segmentation Methods. Proc. 13th World MultiConf. on Systemics, Cybernetics and Informatics, 2009, vol. 4, pp.

137–142.

13. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Kutsaev A.S., Osipov A.S., Zakharov A.V. Comparative Study of Image Segmentation Algorithms. Proc. 8th WSEAS Int. Conf. on Signal, Speech and Image Processing, 2008, pp. 21–28.

14. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Kutsaev A.S., Osipov A.S., Zakharov A.V. Affine Invariance Study of Edge Detection Algorithms by Means of PICASSO 2 System. Proc. 6th WSEAS Int. Conf. on Signal, Speech and Image Processing, 2006, pp. 11–16.

15. Грибков И.В., Захаров А.В., Кольцов П.П., Коганов М.А., Котович Н.В., Кравченко А.А., Куцаев А.С., Осипов А.С., Хисамбеев И.Ш. Развитие системы стохастического тестирования микропроцессоров INTEG // Программные продукты и системы. 2010. № 2. С. 14–23.

References 1. Arabov I.I., Zakharov A.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Koutsaev A.S., Nikolaev V.K., Pavlovskaya E.Ya. Realizatsiya i issledovanie prostranstvennogo izobrazheniya v realnom vremeni [Real-time implementation and study of the spatial image]. Moscow, NIISI RAN Publ., 1994, 14 p.

2. Gribkov I.V., Zakharov A.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Koutsaev A.S., Nikolaev V.K. Automated system of ground surface monitoring DEDAL-2. Integralnaya geometriya. Matematicheskie modeli. Ponimanie izobrazheny [Integral geometry. Mathematical models. Images Understanding].

Moscow, NIISI RAN Publ., 2001, pp. 5–50 (in Russ.).

3. Gribkov I., Koltsov P., Kotovich N., Kravchenko A., Koganov A., Kutsaev A., Nikolaev V., Zakharov A. PRIZM: Generator of Image Understanding Systems. Pattern Recognition and Image Analysis. 2000, vol. 10, no. 1, pp. 143–149.

4. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Koutsaev A.S., Nikolaev V.K., Zakharov A.V. PICASSO

№ 4, 2013 г.

– A system for evaluating edge detection algorithms. Pattern Recognition and Image Analysis. 2003, vol. 13, no. 4, pp. 617–622.

5. Gribkov I.V., Koltsov P.P, Kotovich N.V., Kravchenko A.A., Koutsaev A.S., Nikolaev V.K., Zakharov A.V. Testing of Energy Minimizing Methods in Image Preprocessing Using the PICASSO System. Proc. 8th World MultiConf. on Systemics, Cybernetics and Informatics. 2004, vol. 6, pp. 233–238.

6. Isard M., Blake A. Active Contours: The Application of Techniques from Graphics, Vision, Control Theory and Statistics to Visual Tracking of Shapes in Motion. Springer, 2000, 352 p.

7. Kass M., Witkin A., Terzopoulos D. Snakes: Active Contour Models. International Journal of Computer Vision, 1988, vol. 1, no. 4, pp. 321–331.

8. Xu Ch., Prince J.L. Shapes and Gradient Vector Flow.

IEEE Transactions on Image Processing, 1998, vol. 7, no. 3, pp. 359–369.

9. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Koutsaev A.S., Osipov A.S., Zakharov A.V. Study of Noisy and Blurry Images Segmentation. Proc. 9th int. conf. on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-9-2008), 2008, vol. 1, pp. 193–196.

10. Pal S.K., Madjumadar D.D. Fuzzy Mathematical Approach to Pattern Recognition. NY, Wiley, 1986, 280 p.

11. Jäger G., Benz U. Measures of Classification Accuracy Based on Fuzzy Similarity. IEEE Trans. on Geoscience and Remote Sensing, 2000, vol. 38, no. 3, pp. 1462–1467.

12. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Koutsaev A.S., Osipov A.S., Zakharov A.V. Performance evaluation of Texture Segmentation Methods. Proc. 13th World multiconf. on Systemics, Cybernetics and Informatics, 2009, vol. 4, pp. 137–142.

13. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Koutsaev A.S., Osipov A.S., Zakharov A.V. Proc. 8th WSEAS Int. Conf. on Signal, Speech and Image Processing. 2008, pp. 21–28.

14. Gribkov I.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Kutsaev A.S., Osipov A.S., Zakharov A.V. Proc. 6th WSEAS Int. Conf. on Signal, Speech and Image Processing. 2006, pp. 11–16.

15. Gribkov I.V., Zakharov A.V. Koltsov P.P., Koganov M.A., Kotovich N.V., Kravchenko A.A., Koutsaev A.S., Osipov A.S., Khisambeev I.Sh. The development of the system for microprocessor random testing INTEG. Programmnye produkty i sistemy [Software & Systems]. 2010, no. 2, pp. 14–23.

УДК 535.8, 537.29

РАДИКАЛЬНЫЕ ИЗМЕНЕНИЯ ДИЭЛЕКТРИЧЕСКОЙ ПРОНИЦАЕМОСТИ НАНОРАЗМЕРНЫХ ПЛЕНОК СЕРЕБРА ПОД ВОЗДЕЙСТВИЕМ ПРИЛОЖЕННОГО НАПРЯЖЕНИЯ Б.В. Крыжановский, д.ф.-м.н., член-корр. РАН, руководитель центра; А.Н. Палагушкин, зав. отделом; С.А. Прокопенко, зав. сектором; А.П. Сергеев, зав. сектором (НИИСИ РАН, Нахимовский просп., 36, корп.1, г. Москва, 117218, Россия, kryzhanov@mail.ru, iontras@yandex.ru); А.О. Меликян, д.ф.-м.н., профессор (Институт математики и высоких технологий, Российско-армянский (Славянский) университет, ул. Эмина, 123, г. Ереван, 0051, Армения, armen_melikyan@hotmail.com) Методом поверхностного плазмонного резонанса обнаружено значительное изменение диэлектрической проницаемости пленки серебра под влиянием приложенного постоянного напряжения к наноразмерной структуре металлдиэлектрик-металл. Структура изготовлена в виде конденсатора с пленками Ag толщиной 49 нм и 37 нм в качестве обкладок и пленкой Al2O3 толщиной 177 нм в качестве диэлектрика. Эффект проявляется в значительном изменении коэффициента отражения световой волны при подаче на электроды напряжения до 30 V. Хорошее соответствие тео-

17

Программные продукты и системы

№ 4, 2013 г.

рии результатам эксперимента достигается, если принять, что оптические параметры Ag на аноде и катоде изменяются по-разному, а в слое диэлектрика Al2O3 появляется поглощение. Показано, что при напряжении свыше 16 V величина показателя преломления катодного слоя серебра обращается в нуль. Ключевые слова: плазмонный резонанс, наноразмерные пленки, напряжение, диэлектрическая проницаемость.

REVOLUTIONIZING OF DIELECTRIC CONSTANT OF A SILVER NANOFILM UNDER VOLTAGE Kryzhanovskiy B.V., Dr.Sc. (Physics and Mathematics), corresponding member of RAS, head of center; Palagushkin A.N., head of department; Prokopenko S.A., head of sector; Sergeev A.P., head of sector (SRISA RAS, Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation, kryzhanov@mail.ru, iontras@yandex.ru); Melikyan A.O., Dr.Sc. (Physics and Mathematics), professor (Departament of Physical Engineering, Russian-Armenian (Slavonic) University, Hovsep Emin St., 123, Yerevan 0051, Republic of Armenia, kryzhanov@gmail.com) Abstract. The surface plasmon resonance (SPR) technique is used to detect a considerable change of the dielectric constant of a silver film when a constant voltage is applied to a MDM nanostructure. The structure looks like a capacitor with Ag films 49 nm and 37 nm thick as capacitor plates and a 177-nm Al2O3 film as the dielectric. The effect is a significant change of light reflectance when applied voltage is up to 30 V across the electrodes. A good match between the theory and experiment can be achieved with the assumption that the optical properties of silver change differently at the cathode and the anode, and the Al2O3 dielectric layer begins absorbing the light. The refraction of the cathode silver layer is shown to become zero when the voltage is greater than 16 V. Keywords: surface plasmon resonance, nanoplates, DC voltage, dielectric constant.

18

Методика эксперимента

63 2.

8

nm

Электронно-лучевым нанесением слоев в высоком вакууме были изготовлены экспериментальные макеты плазмонных МДМ-структур на основе четырехслойных нанопокрытий Al2O3/Ag/ Al2O3/Ag. На рисунке 1 показана структура с толщиной слоев d=12/49/177/36 нм соответственно с определенными оптическими свойствами. При нанесении слоев использовалась относительно низкая (~150 С ) температура кварцевой подложки. Такая технология позволяет уменьшить размеры кристаллитов осаждаемых слоев и толщину переходных слоев, хотя и несколько снижает плотность диэлектрика. Внешний слой Al2O3 (d=12 нм) служил защитой от окисления Ag. Дополнительные адгезионные подслои не применялись. Для возбуждения SPR использовался лазер с длиной волны =632,8 нм. При этом такая структура одновременно представляла собой металлодиэлектрический плазмонный оптический волновод, в котором существуют два резонанса SPR при углах 1=43 и 2=56,3.



Оптические свойства тонких слоев металлов обусловливают их применение в самых различных устройствах: от зеркал и сверхчувствительных сенсоров [1], позволяющих регистрировать изменения показателя преломления порядка 10-7 [2], до оптических затворов и систем обработки информации [3]. Принято считать, что эти свойства весьма устойчивы к внешним воздействиям и только при переходе от макроскопических образцов к наноразмерам обнаруживается изменение спектра поглощения. Последний эффект связан с коллективными колебаниями электронов (так называемыми плазмoнными колебаниями) в наночастицах с размерами, меньшими длины свободного пробега электронов в массивных образцах. Замечено, что статическая поляризуемость металлических кластеров, определяющая частоту коллективных колебаний, сильно отличается от макроскопической поляризуемости для кластеров, содержащих несколько десятков атомов [4]. Кроме того, расчеты показывают, что в кластерах Ag диаметром в 1–2 нм дополнительные 1–3 заряда электрона должны вызвать сдвиг линии плазмонного поглощения примерно в 5 нм, а уже для кластеров диаметром в 10 нм этот сдвиг ничтожен [5]. Это можно понять, поскольку сдвиг обусловлен изменением плотности заряда, которое заметно в случае малых кластеров и ничтожно мало в случае больших. Вместе с тем известно, что плазмонные частоты существенно зависят от формы и размера наночастиц. Приведенные примеры говорят о том, что существенного изменения оптических свойств металлических наноразмерных образцов без изменения их геометрии добиться очень трудно. В настоящей работе приводятся результаты экспериментов, однозначно указывающие на значительное изменение эффективной диэлектрической восприимчивости на оптической частоте пленок Ag в наноразмерной структуре металлдиэлектрик-металл (МДМ).



Рис. 1. Плазмонная МДМ-наноструктура

Слои наносились через маски так, что сформировалась структура тонкопленочного конденсатора. Диаметр внешнего электрода из Ag составлял 3 мм. К такому конденсатору прикладывалось постоянное электрическое поле. Устойчивость

Программные продукты и системы

№ 4, 2013 г.

структур к электрическому пробою составляла до 30 V, что соответствует напряженности поля в слое диэлектрика до 1,7106 V/см при диэлектрической проницаемости корунда =10. Однако в ряде случаев наблюдались снижение пробивного напряжения и возрастание токов утечки структур при повышенной влажности окружающей среды. В ходе эксперимента измерялся спектр SPR – угловой спектр отражения от изготовленной МДМ-структуры. Измерения проводились методом поверхностного плазмонного резонанса по схеме Крейчмана [6]. Для измерения угловой зависимости нарушенного полного отражения использовался автоматический –2 гониометр с полуцилиндром и дополнительной цилиндрической оптикой, обеспечивающей плоский фронт волны на образце. Результаты эксперимента приведены на рисунке 2, где показано, как изменяется вид спектра отражения при изменении напряженности электрического поля от 0 до 30 V. Анализ кривых показывает, что при напряжении более 4 V происходит заметное изменение коэффициента отражения, которое при U16 V достигает насыщения. Ширина резонансов с ростом U существенно возрастает, однако их угловое смещение относительно исходных значений 1=43 и 2=56,3 не происходит. Коэффициент отражения при этом сильно изменяется: при увеличении напряжения до значений U>20 V он уменьшается более чем в 4 раза вблизи первого резонанса (при SPR=42,9) и увеличивается более чем в 5 раз в области второго резонанса (при SPR=55,8). На рисунке 2 видно, что можно условно выделить три группы кривых: первая соответствует интервалу напряжений U[0, 6] V, 100.0

вторая и третья – интервалам U[8, 16] V соответственно. Обоснование такой группировки дается в следующем разделе при анализе зависимости оптических параметров от напряжения. Кроме того, имеются две точки, в которых величина отражения не зависит от приложенного напряжения: R11,6 % при SPR=53,95 и R11,8 % при SPR=57,39 для любых U. Существование этих точек трудно объяснить, однако их можно использовать для проверки результатов: теоретические кривые тоже должны пересекаться в этих точках. Полученные кривые зависимости R=R() коэффициента отражения R от угла падения  позволили рассчитать оптические параметры всех слоев МДМ-структуры (значения оптической толщины, показатели преломления n и коэффициенты поглощения k) как функции приложенного напряжения U[0, 30] V. При этом эффективные оптические параметры слоев структуры определялись по наилучшему соответствию экспериментальных и теоретических угловых зависимостей величины отражения. Моделирование углового спектра отражения проводилось стандартным способом с использованием известных пакетов прикладных программ (методика подробно описана в [7, 8]). Причем в отсутствие напряжения в качестве начальных значений для теоретической модели использовались оптические константы Ag и Al2O3 из базы SOPRA и толщина слоев, измеренная в ходе изготовления МДМ-структуры. Затем значения толщины покрытий корректировались расчетом по наилучшему совпадению модельной кривой R=R() с экспериментальной зависимостью отражения и фиксировались для последующих расчетов.

100.0

U 0

U=0 80.0

80.0

60.0

60.0

40.0

40.0

U  30V

20.0

20.0

0.0 30

35

40

45

Reflactance (%)

50

vc

55

60

65

Angle (deg)

Рис. 2. Изменение спектра отражения при приложении напряжения к МДМ-структуре (кривые сверху вниз соответствуют изменениям U от 0 до 28 V с шагом 4 V, а самая нижняя кривая соответствует предпробойному напряжению U=30 V)

0.0 30

35

40

45

Reflactance (%)

50

vc

55

60

65

Angle (deg )

Рис. 3. Спектр SPR в отсутствие постоянного электрического поля (линия – расчет, маркер – эксперимент)

Результаты моделирования при U=0 показаны на рисунке 3 и приведены в таблице 1.

19

Программные продукты и системы

№ 4, 2013 г.

Таблица 1 Исходные оптические параметры слоев (U=0) Материал Коэффициент Коэффициент Толщина слоя преломления n поглощения k слоя (нм) Al2O3 1,659 0 12,02 Ag 0,136 4,011 49,20 Al2O3 1,659 0 177,36 Ag 0,136 4,011 36,46 Подложка 1,525 0 -

При расчете спектров отражения с приложением внешнего поля (U>0) значения толщины слоев считались фиксированными (табл. 1), а эффективные оптические параметры слоев Ag и Al2O3 (коэффициенты преломления n и коэффициенты поглощения k) варьировались до достижения наилучшего совпадения с экспериментальным спектром. Причем все параметры верхнего защитного слоя Al2O3 (d=12 нм) также фиксировались в соответствии с таблицей 1, поскольку электрическое поле в нем должно отсутствовать. Сравнение экспериментальных и теоретических кривых позволяет сделать следующие выводы. Моделирование в отсутствие внешнего поля (рис. 3) близко к идеальному: исходные значения оптических параметров слоев при U=0 в точности соответствуют значениям, приведенным в оптической базе SOPRA. Моделирование при наличии напряжения требует большего внимания. Если принять, что оптические свойства обоих слоев Ag остаются одинаковыми при приложении электрического поля, то с увеличением напряженности будет наблюдаться все большее различие расчетных и экспериментальных данных, которое никак не устраняется вариацией величин n и k. Действительно, теоретические кривые на рисунке 4, построенные в этом предположении, очень плохо согласуются с экспериментальными. Очевидно, это вызвано тем, что при расчете не учитываются не100.0

линейные эффекты, которые могут присутствовать при сильных напряженностях электрического поля, а также поверхностные заряды при поляризации диэлектрика и изменения плотности электронной плазмы в металлических слоях. Значительно лучшее соответствие теории и эксперимента достигается, если принять, что свойства Ag на катоде и аноде могут кардинально отличаться друг от друга. Результаты моделирования Если оптические параметры верхнего (анод) и нижнего (катод) слоев Ag различны, их оптимизацию следует проводить раздельно. Такое разделение возможно из предположений о накоплении зарядов на границах раздела диэлектрика и металла, а также изменений плотности электронной плазмы по толщине слоев металла в сильном электрическом поле. Действительно, при толщине пленки диэлектрика d200 нм и напряжении U30 V поверхностная плотность заряда будет =U/4d0~40 CGSE (диэлектрическая проницаемость корунда 10). Если площадь пленки равна 1 см2, то число избыточных электронов на одной из пленок Ag (и недостающих на другой) будет ~1011, в то время как полное число электронов проводимости будет ~1018. Выясним, к чему может привести дефицит заряда на пленке. Очевидно, что потенциальная яма для всех электронов анода окажется углубленной на 30 эВ. Но при этом надо учесть также изменение зонной структуры. Дело в том, что дополнительная сила притяжения со стороны нескомпенсированного положительного заряда приведет к сдвигу зоны проводимости и, конечно, уровня Ферми EF вниз по шкале энергий. Соответственно, это приведет к понижению порога межзонного по100.0

U = 30V

U = 16V 80.0

80.0

60.0

60.0

40.0

40.0

20.0

20.0

0.0

0.0 30

35

40

45

Reflactance (%)

50

vc

55

60

Angle (deg)

65

30

35

40

45

Reflactance (%)

50

vc

55

60

Angle (deg)

Рис. 4. Спектры SPR при U=16 V и U=30 V (маркер – эксперимент, линия – расчет). Расчетные кривые построены в предположении, что оптические свойства обоих слоев Ag одинаковы. Видно, что эти кривые плохо согласуются с экспериментальными

20

65

Программные продукты и системы

№ 4, 2013 г.

глощения. Зона d-электронов при этом сдвигается гораздо меньше из-за более сильной связи с ядром. Это можно понять, сравнивая данные по работе выхода А и порогу межзонного поглощения Δ для благородных металлов Ag, Au и Cu. Закономерность такова: чем ниже Δ, тем больше А. Объяснение очевидно: валентный электрон сильнее связывается с d-электронами, что и затрудняет его удаление из металла. Зона d-электронов при этом сдвигается гораздо меньше из-за более сильной связи с ядром. Изменение порога межзонного поглощения приводит к изменению диэлектрической проницаемости металла и, следовательно, параметров n и k. Например, для золота выведена модельная функция () (см. [1]), которая учитывает два межзонных перехода, и с помощью одиннадцати подгоночных параметров (резонансные частоты,

катода. Для напряжения насыщения получим Us=610–12/l2 V. Предположим, что медленные электроны рассеиваются дефектами, концентрация которых составляет ~1018 см-3, при этом средняя длина свободного пробега будет ~10 нм, и напряжение насыщения оказывается порядка нескольких вольт. При дальнейшем возрастании U наступает динамическое равновесие, то есть число электронов, поступающих в единицу времени на катод, равно числу электронов, в единицу времени просачивающихся через диэлектрик. Таким образом, необходима независимая оптимизация оптических параметров верхнего (анод) и нижнего (катод) слоев Ag. Действительно, моделирование с независимой оптимизацией слоев анода и катода приводит к хорошему совпадению теоретических и экспериментальных кривых. На рисунке 5 приведены результаты моделирования

100.0

100.0

U = 30V

U = 16V 80.0

80.0

60.0

60.0

40.0

40.0

20.0

20.0

0.0

0.0 30

35

40

45

Reflactance (%)

50

vc

55

60

65

Angle (deg)

30

35

40

45

Reflactance (%)

50

vc

55

60

65

Angle (deg)

Рис. 5. Спектры SPR при U=16V и U=30V (маркер – эксперимент, линия – расчет). Расчетные кривые построены при независимой оптимизации параметров Ag на аноде и катоде

ширина резонансов, комплексные амплитуды, асимптотика и т.д.) удалось достичь хорошего совпадения с данными [9]. Для серебра до настоящего времени что-либо подобное не найдено, поэтому ограничимся приблизительной оценкой по формулам работы [1] для золота. Изменение порога Δ на 0,1 эВ приводит к изменению диэлектрической проницаемости примерно на единицу, что может быть обнаружно в экспериментах, аналогичных обсуждаемому. В то же самое время на катоде избыток электронов приводит к повышению порога межзонного поглощения. Лишние электроны не вылетают из металла до тех пор, пока сила притяжения со стороны зарядов-изображений превышает силу отталкивания со стороны лишних электронов. Условие равенства этих сил можно записать в виде e2/l2=eU/2d, где U/2d – напряженность поля на катоде (в самом конденсаторе она вдвое больше), l – расстояние, на которое удаляется электрон от

углового спектра SPR при напряжениях U=16 V и U=30 V. Сравнение с кривыми рисунка 4 показывает, что независимая оптимизация приводит к существенному улучшению согласия теории с экспериментом. Расчетные величины оптических параметров, полученные при таком моделировании, приведены в таблице 2. Во-первых, обращает на себя внимание то, что показатель преломления анодного слоя оказался меньше, чем на катоде. Этот ожидаемый результат совпадает с измерениями, проводимыми в процессе изготовления структуры, и объясняется тем, что при напылении на гладкую подложку качество слоя серебра всегда выше, чем при напылении на относительно рыхлый промежуточный слой. Во-вторых, с ростом напряжения в слое диэлектрика Al2O3 появляется небольшое поглощение, а его показатель преломления уменьшается. Возможно, это связано с просачиванием электронов в этот слой из катода. Во избежание недоразумений следует подчерк21

Программные продукты и системы

№ 4, 2013 г.

0.7

6.0

n

k

0.6

Ag, anode

5.0

0.5

4.0

Ag, anode 0.4

3.0 0.3

2.0 0.2

Ag, cathode

Ag, cathode

1.0

0.1

0.0

0.0 0

4

8

12

16

20

Reflactive index vc

24

28

0

32 U

4

8

12

16

20

Extinction koefficient vc

Voltage

24

28

32 U

Voltage

0.07

2.00

n

k

Al2O3

1.75

Al2O3

0.06

1.50

0.05

1.25 0.04

1.00 0.03

0.75 0.02

0.50

0.01

0.25

0.00

0.00 0

4

8

12

16

20

Reflactive index vc

24

28

32 UU

Voltage

0

4

8

12

16

20

Extinction koefficient vc

24

28

32 U

Voltage

Рис. 6. Показатели преломления и коэффициенты поглощения как функции напряжения U. Верхние панели – параметры Ag в катодном и анодном слоях, нижние панели – параметры диэлектрического слоя Al2O3

нуть, что при моделировании невозможно учесть шероховатость поверхностей, взаимопроникновение слоев и нелинейные эффекты, которые могут присутствовать при сильных напряженностях электрического поля. Поэтому приведенные в таблице 2 значения параметров n и k следует рассматривать как некоторые эффективные значения, в какой-то мере учитывающие эти недостатки теоретического описания. Таблица 2 Оптичеcкие параметры слоев МДМ-структуры U, V 0 4 8 12 16 20 24 28 30

Ag (anode) n k 0,1360 4,0110 0,1341 4,0109 0,5928 4,2967 0,5931 4,2969 0,5932 4,2970 0,3752 4,6909 0,3717 4,6840 0,3828 4,6885 0,3778 4,7022

Al2O3 n k 1,6908 0,0000 1,6592 0,0022 1,6593 0,0087 1,6533 0,0116 1,6531 0,0113 1,5059 0,0583 1,5064 0,0589 1,5122 0,0622 1,5161 0,0642

Ag (cathode) n k 0,1341 4,0100 0,1340 4,0100 0,0881 3,4853 0,0882 3,4852 0,0882 3,4852 0,0000 1,0263 0,0000 1,0308 0,0000 1,0619 0,0000 1,0816

Зависимость оптичеcких параметров слоев МДМ-структуры от напряжения показана на рисунке 6. Видно, что при напряжениях U8 V и 22

U16 V все оптические параметры слоев Ag претерпевают резкие изменения. Аналогичное скачкообразное поведение наблюдается и у параметров диэлектрического слоя Al2O3. В промежутках между скачками величины n и k ведут себя достаточно стабильно у всех слоев. Исключение составляет только коэффициент поглощения диэлектрического слоя Al2O3, который демонстрирует небольшой рост на отрезке U[20, 30] V. Интересно, что при напряжениях U16 V показатель преломления катодного слоя Ag падает до нуля, то есть диэлектрическая проницаемость становится строго отрицательной без мнимой компоненты. Следом за изменением величин n и k резко изменяется и коэффициент отражения. Наиболее сильные изменения в отражательной способности МДМ-структуры происходят при превышении напряжения U16 V. Эксперимент на данной МДМструктуре показал, что увеличение напряжения до значений U=20–30 V сопровождается уменьшением коэффициента отражения в 4,2 раза при SPR=42,9 и увеличением его в 5,4 раза при SPR=55,8. Расчет показывает, что контрастность отражательной способности можно резко увеличить, незначительно варьируя толщину слоев. На-

Программные продукты и системы

пример, увеличив толщину анодного слоя до 54 нм, получим структуру с нулевым отражением при угле падения SPR=60,5, коэффициент отражения которой поднимется до 20 % при повышении напряжения до U=30 V. Таким образом, удалось обнаружить значительное изменение диэлектрической проницаемости серебра под влиянием приложенного к оптической волноводной МДМ-наноструктуре постоянного напряжения до 30 V. Показано, что, изменяя напряжение, можно сильно модулировать величину коэффициента отражения. В перспективе данный эффект может быть использован при разработке электроуправляемых оптических ключей. Получить приемлемое теоретическое обоснование скачкообразного изменения оптических параметров МДМ-структуры авторам пока не удалось. Это будет темой дальнейших исследований. (Исследования проводились в рамках проектов №№ 1.8 и 2.1 Отделения нанотехнологий и информационных технологий РАН.) Литература 1. Maier S. Plasmonics: Fundamentals and Applications, Springer, 2007.

2. Mikaelian A.L., Kryzhanovskiy B.V., Palagushkin A.N., Prokopenko S.A., Sergeev A.P., Yudkin F.A., Arlamenkov A.N. Sensors Using Plasmon Nanostructures, Optical Memory&Neural Network, 2005, vol. 14, pp. 229–238.

3. Cohen E., Dolev S., Kryzhanovskiy B., Palagushkin A., Frenkel S., Palagushkin A., Rosenblit M., Zakharov V. Optical solver of combinatorial problems: nanotechnological approach, JOSA A. 2013, vol. 30, iss. 9, pp. 1845–1853.

4. Knight W.D., Clemenger K., de Heer W.A., Saunders W.A. Phys. Rev. B, 1985, vol. 31, pp. 2539–2540.

№ 4, 2013 г.

5. Quinten M. Optical Properties of Nanoparticle Systems.

Wiley-VCH Verlag & Co. KGaA. 2011.

6. Kretschmann E. Die Bestimmung optischer Konstanten von Metallen durch Anregung von Oberflachenplasmaschwingugen, Zeitschrift fűr Physic, 1971, Bd. 241, no. 4, pp. 313–324.

7. Palagushkin A.N., Prokopenko S.A., Sergeev A.P. Optical Memory and Neural Networks (Information Optics), 2007, vol. 16, pp. 288–294.

8. Palagushkin A.N., Prokopenko S.A., Sergeev A.P. Optical Memory and Neural Networks (Information Optics), 2009, vol. 18, pp. 156–163.

9. Etchegoin P.G., Le Ru E.C., Meyer M. Journ. of Chem, Physics, 2006, vol. 125, pp. 164–705.

References 1. Maier S. Plasmonics: Fundamentals and Applications.

Springer, 2007.

2. Mikaelian A.L., Kryzhanovskiy B.V., Palagushkin A.N., Prokopenko S.A., Sergeev A.P., Yudkin F.A., Arlamenkov A.N. Sensors Using Plasmon Nanostructures. Optical Memory&Neural Network. 2005, vol. 14, pp. 229–238.

3. Cohen E., Dolev S., Kryzhanovskiy B., Palagushkin A., Frenkel S., Palagushkin A., Rosenblit M., Zakharov V. Optical solver of combinatorial problems: nanotechnological approach.

JOSA A. 2013, vol. 30, iss. 9, pp. 1845–1853.

4. Knight W.D., Clemenger K., de Heer W.A., Saunders W.A. Phys. Rev. B. 1985, vol. 31, pp. 2539–2540.

5. Quinten M. Optical Properties of Nanoparticle Systems.

Wiley-VCH Verlag & Co, KGaA, 2011, 502 p.

6. Kretschmann E. Determination of the metal optical constants through exciting surface plasma waves. Zeitschrift fűr Physik [Journ. of Physics]. 1971, vol. 241, no. 4, pp. 313–324 (in German).

7. Palagushkin A.N., Prokopenko S.A., Sergeev A.P. Optical Memory and Neural Networks (Information Optics). 2007, vol. 16, pp. 288–294.

8. Palagushkin A.N., Prokopenko S.A., Sergeev A.P. Optical Memory and Neural Networks (Information Optics). 2009, vol. 18, pp. 156–163.

9. Etchegoin P.G., Le Ru E.C., Meyer M. Journ. of Chem.

Physics. 2006, vol. 125, pp. 164–705.

УДК 629.78

О ВОЗМОЖНОСТИ РЕАЛИЗАЦИИ МОБИЛЬНОЙ СЕТИ СПУТНИКОВОЙ СВЯЗИ СТАНДАРТА DVB-RCS С ПРОСТРАНСТВЕННО-ЧАСТОТНО-ВРЕМЕННЫМ РАЗДЕЛЕНИЕМ РЕСУРСА В Х-ДИАПАЗОНЕ (Работа поддержана грантом РФФИ, проект № 13-07-00057-а)

А.А. Генов, д.т.н., старший научный сотрудник; В.В. Осипов, к.т.н., старший научный сотрудник; С.Б. Савилкин, к.ф.-м.н., старший научный сотрудник (НИИСИ РАН, Нахимовский просп., 36, корп. 1, г. Москва, 117218, Россия, vlad_osipovv@mail.ru, savilkin@mail.ru) Спутниковые сети носимых земных станций в настоящее время реализуются через космические аппараты на геостационарной орбите, как правило, в режиме прямой ретрансляции с частотным разделением каналов (FDMA). Переход к стандарту DVB-RCS с пространственно-частотно-временным разделением каналов (MSF-TDMA) предполагает реализацию на борту космического аппарата многолучевых приемно-передающих антенн (гибридных многолучевых антенн или активных фазированных антенных решеток) и мультисервисных бортовых цифровых платформ стандарта DVB-RCS, обеспечивающих многоканальную демодуляцию сигналов земных станций. Использование стандарта DVB-RCS с MSF-TDMA позволяет существенно расширить функциональные характеристики сетей мобильной связи через космические аппараты на геостационарной орбите.

23

Программные продукты и системы

№ 4, 2013 г.

Для перехода к более высоким скоростям передачи информации, принятым в сетях спутниковой связи стандарта DVB-RCS, необходимо более чем на порядок увеличить энергетический потенциал спутниковых радиолиний космического аппарата «Стационар», что может быть обеспечено только путем создания на борту космического аппарата «Стационар» многолучевых приемно-передающих антенн. Модернизация «Стационар» путем введения его в состав мультисервисных бортовых цифровых платформ и многолучевых антенн позволит реализовывать в Х-диапазоне на базе земных станций типа «Белозер» сети мобильной спутниковой связи стандарта DVB-RCS (MSF-TDMA), в которых будет обеспечиваться возможность организации высокоскоростной прямой связи абонентских земных станций друг с другом. Ключевые слова: мобильная связь, распределенные ресурсы, DVB-RCS. THE POSSIBILITY IMPLEMENTING MOBILE DVB-RCS STANDARD SATELLITE COMMUNICATION NETWORK WITH THE SPATIAL FREQUENCY RESOURCE TIME DIVISION IN THE X-BAND Genov A.A., Dr. Tech. Sc., senior researcher; Osipov V.V., Ph.D. Tech. Sc., senior researcher; Savilkin S.B., Ph.D. (Physics and Mathematics), senior researcher (SRISA RAS, Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation, vlad_osipovv@mail.ru, savilkin@mail.ru) Аbstract. Nowadays satellite networks for mobile earth stations are implementing in the spacecrafts on geostationary orbit in direct relay mode with frequency-division multiplexing.

The DVB-RCS standard with a spatial frequency TDMA involves placing on board a spacecraft multipath receivingtransmitting antenna and multi-board DVB-RCS standard digital platforms, providing multi-channel demodulation of earth stations sygnals.

Using the DVB-RCS standard with MSF-TDMA can significantly extend the functional characteristics of mobile networks with satellites in a geostationary orbit.

To use higher data transmition rate that as in DVB-RCS standard satellite communication networks, there is a need to increase the energy potential of satellite radio links "Statsionar" spacecraft. It can be achieved only whem establish multibeam receiver-transmit antennas on-board the "Statsionar" spacecraft.

The "Statsionar" spacecraft modernisation is possible with the implementation of Multiservice onboard digital platforms and LAM in the spacecraft. It will allow using DVB-RCS (MSF-TDMA) mobile satellite communications standard in the X-band based on the AP-type "Belozer", which can help to organize high-speed direct connection between AP subscribers.

Keywords: mobile communication, distributed resources, DVB-RCS.

При создании мобильной сети спутниковой связи стандарта DVB-RCS с MSF-TDMA в качестве прототипа используется развернутая в настоящее время в Х-диапазоне и реализованная на космических аппаратах (КА) сеть носимых земных станций типа «Стационар» и земных станций типа «Белозер» [1, 2], работающих в режиме прямой ретрансляции с частотным разделением каналов FDMA. Станции «Белозер» в данной сети, несмотря на достаточно высокие функциональные и энергетические характеристики, для обеспечения прямой телефонной связи друг с другом вынужденно работают на минимально возможных (вокодерных) скоростях передачи информации. Для перехода к более высоким скоростям передачи информации, принятым в сетях спутниковой связи стандарта DVB-RCS [3–6], необходимо более чем на порядок увеличить энергетический потенциал спутниковых радиолиний КА «Стационар», что может быть обеспечено только путем создания на его борту многолучевых приемно-передающих антенн и мультисервисных бортовых цифровых платформ (МБЦП), реализующих функции центральных земных станций (HUB) спутниковой сети стандарта DVB-RCS [7–10]. Модернизация КА «Стационар» путем введения в его состав МБЦП и многолучевых приемнопередающих антенн позволит реализовывать в Х-диапазоне на базе земных станций типа «Белозер» сети мобильной спутниковой связи стандарта DVB-RCS (MSF-TDMA), в которых будет обеспечиваться возможность организации высокоскоро24

стной прямой связи абонентских земных станций друг с другом. Вариант модернизации КА «Стационар» Зона обслуживания КА «Стационар», обеспечивающая работу сети носимых земных станций типа «Белозер» в режиме FDMA, представляет собой эллипс, вытянутый с запада на восток и покрывающий практически всю европейскую часть России. При использовании в качестве многолучевой приемно-передающей антенны на борту КА «Стационар» многолучевой приемно-передающей активной фазированной антенной решетки (АФАР) в Х-диапазоне с размерами порядка 1,4×0,7 м и шириной луча порядка 3,5×1,75° можно обеспечить мобильную сеть спутниковой связи стандарта DVB-RCS с MSF-TDMA восемью фиксированными в пространстве приемными лучами и одним перенацеливаемым по зоне обслуживания передающим лучом АФАР практически на всей населенной территории России. Предлагаемая АФАР должна иметь 8 фиксированных по зоне обслуживания лучей в диапазоне 8 ГГц и один перенацеливаемый луч в диапазоне 7 ГГц. Время перенацеливания передающего луча – порядка 1 мс, период перенацеливания – порядка 15 мс, время полного обзора зоны обслуживания – порядка 0,125 с. Число приемно-передающих модулей (излучателей) АФАР – порядка 512.

Программные продукты и системы

№ 4, 2013 г.

реализованном амплитудно-фазовом распределении в раскрыве АФАР; – передача в МБЦП сигналов MSF-TDMA, поступивших от земных станций в заданном приемном луче АФАР. В передающем тракте групповой видеосигнал TDMA, сформированный 1 1 1 МБЦП, поступает на ДОС ПРМ-1 ... ... передатчика, где преобраДОС-1 512 8 зуется в радиосигнал на . несущей частоте передачи 1 . ПРД-1 . АФАР, усиливается до за. . . данного уровня и синфаз. . . . но распределяется на все . . .

512 канальных передатчи. . ков.

8 МБЦП 1 1 В ДОС передатчика во ... ... ПРМ-512 ДОС-8 взаимодействии с МБЦП 512 8 осуществляются также – обмен с МБЦП по 512 ПРД-512 межмашинным каналам обмена телеметрической информацией и командами 1 управления; ДОС ...

512 ПРД – расчет по командам МБЦП амплитуднорадиоканалы фазового распределения в каналы управления и телеметрическая информация раскрыве АФАР, обеспеприемные модули (излучатели) чивающего перенацеливапередающие модули (излучатели) ние передающего луча в заданный район зоны обРис. 1. Общая структура приемно-передающего тракта КА «Стационар» с многолучевой приемно-передающей АФАР и МБЦП служивания; – выдача на фазовраСигналы MSF-TDMA от каждого из 512 прищатели и аттенюаторы, установленные в каждом емных модулей поступают на канальные приемиз канальных передатчиков, команд для реализаники, где после предварительного усиления на неции заданного амплитудно-фазового распределесущей частоте переносятся на первую промежуния; точную частоту и дополнительно усиливаются на – выдача в МБЦП телеметрической инфорней. Далее сигналы с выходов приемных модулей мации о состоянии каналов передачи и о фактичепоступают на делители на 8 (по числу приемных ски реализованном амплитудно-фазовом распрелучей), а затем еще на 8 (по количеству диаграмделении в раскрыве АФАР; мообразующих схем (ДОС) приемного тракта), где – периодичная по командам МБЦП нормипереносятся на вторую промежуточную частоту и ровка амплитудно-фазового распределения отнодополнительно усиливаются на ней. сительно эталонного, заданного для формироваВ этих ДОС во взаимодействии с МБЦП осуния передающего луча по нормали к плоскости ществляются также следующие операции: раскрыва АФАР; – обмен с МБЦП по межмашинным каналам – последовательное перенацеливание по кообмена телеметрической информацией и команмандам МБЦП передающего луча АФАР на 1–8 дами управления; зон обслуживания.

– расчет по командам МБЦП амплитудноЭнергетический потенциал спутниковых рафазового распределения в раскрыве АФАР, фордиолиний КА «Стационар» с приемно-передаюмирующего заданный приемный луч этой антенщей АФАР при мощности канальных передатчиной решетки; ков порядка 0,25 Вт и при температуре шума (Тш) – выдача на фазовращатели и аттенюаторы, канальных приемников порядка 200 °С будет слеустановленные в каждом из 512 каналов приема, дующим: эквивалентная изотропно излучаемая команд для реализации заданного амплитудномощность (РперGпер) – 58 дБ/Вт; добротность фазового распределения; (Gпр/Тш) – 14 дБ, что на порядок выше соответст– выдача в МБЦП телеметрической инфорвующих характеристик действующих КА «Стамации о состоянии каналов приема и о фактически ционар». Д е л и т е л ь на 512

Дел. на 8

Дел. на 8

В качестве прототипа при разработке предлагаемой АФАР может быть использован опыт ее создания для КА «Метеор». Общая структура приемно-передающего тракта КА «Стационар» с многолучевой приемно-передающей АФАР и МБЦП показана на рисунке 1.

25

Программные продукты и системы

№ 4, 2013 г.

Структура МБЦП стандарта DVB-RCS с пространственно-частотно-временным распределением ресурса MSF-TDMA На вход МБЦП от ДОС приемного тракта по 8 каналам на второй промежуточной частоте поступают групповые сигналы с MSF-TDMA от сети земных станций по каждой из 8 зон обслуживания. В МБЦП сигналы, поступившие по каждому из 8 каналов, селектируются по частоте, декодируются, демодулируются канальными цифровыми приемными линейками и передаются для логической обработки в центральный бортовой процессор МБЦП. Центральный бортовой процессор осуществляет селекцию служебных и информационных сигналов, поступивших от земных станций по всем 8 приемным лучам, и формирует групповой видеосигнал TDMA для передачи на земные станции. Состав группового видеосигнала TDMA: – пилот-сигнал для синхронизации работы земных станций по зоне обслуживания; – информация управления для идентификации частотно-временного положения информационных пакетов для каждой из земных станций сети, выделенных ей в составе группового сигнала MSF-TDMA на линии Земля–борт и в составе группового сигнала борта с TDMA на линии борт– Земля; – собственно информационные пакеты для земных станций сети. Общая структура МБЦП стандарта DVB-RCS с MSF-TDMA представлена на рисунке 2. Каждая цифровая приемная линейка выделяет на фиксированной частоте в полосе приема данного луча одну несущую на второй ПЧ со скоростью передачи информации 512 кбит/с, в которой уплотнены по времени 32 канала по 16 кбит/с.

ДОС-1

MSF-TDMA

2

ЦПЛ-2

. . .

Вариант модернизации земной станции «Белозер» для обеспечения работы в мобильных сетях спутниковой связи стандарта DVB-RCS с MSF-TDMA

1

ЦПЛ-1

ГС ЗС

Всего в одном луче от земной станции данной зоны обслуживания может быть одновременно принято до 8 каналов по 512 кбит/с (64 канала по 64 кбит/с, 128 каналов по 32 кбит/с или 256 каналов по 16 кбит/с). Общая пропускная способность приемного тракта составляет 32,768 Мбит/с. Служебная информация (запросы на регистрацию в сети, на выделение ресурса и т.д.) от всех земных станций, работающих в сети, может передаваться в первых каналах 16 кбит/с в составе каждого из групповых сигналов 512 кбит/с, поступающих в МБЦП. Занятость служебных каналов определяется центральным бортовым процессором на соответствующих служебных временных позициях группового сигнала TDMA, передаваемого по линии борт–Земля в каждую зону обслуживания сети. В составе группового видеосигнала с TDMA, формируемого центральным бортовым процессором, уплотняются пилот-сигнал, информация управления и информационные пакеты данных, которые сбрасываются по линии борт–Земля на каждую зону обслуживания в течение 14 мс с периодом обзора всей зоны обслуживания 0,125 с. Скорость передачи информации передающего тракта на линии борт–Земля выше общей пропускной способности приемного тракта на 4,096 Мбит/с и составляет 36,864 Мбит/с, что позволяет компенсировать потери, связанные с циклическим обзором зоны облуживания и со временем, необходимым для перенацеливания передающего луча АФАР.

. . .

8

ЦПЛ-8

ГBС

ЦБП

. . .

1

ЦПЛ-1

ДОС-8

ГС ЗС MSF-TDMA

2

ЦПЛ-2

. . . ЦПЛ-8

TDMA

. . .

8

Рис. 2. Структура МБЦП стандарта DVB-RCS c MSF-TDMA

26

ДОС ПРД

Приемно-передающая антенна земной станции «Белозер» представляет собой однолучевую приемно-передающую АФАР в Х-диапазоне с эквивалентной изотропно излучаемой мощностью и добротностью, достаточной для обеспечения работы земной станции «Белозер» в мультисервисной сети связи стандарта DVB-RCS с MSF-TDMA. Недостатком данной АФАР является только то, что она не обеспечивает электронное управление лучом, а наведение его на КА осуществляется вручную. Модернизации должна быть подвергнута также аппаратура передающего тракта для обес-

Программные продукты и системы

№ 4, 2013 г.

печения непрерывной работы в режиме MSFработки телеметрической информации о состояTDMA и приемного тракта для обеспечения диснии каналов приема и о фактически реализованкретной (с периодом обзора зоны обслуживания ном амплитудно-фазовом распределении в рас0,125 с) работы в режиме TDMA. крыве АФАР; Учитывая, что в каждый конкретный момент – передача в модуль цифровой обработки земная станция работает в каком-то одном из фиксигналов с TDMA, поступивших от КА. сированных приемных лучей АФАР КА, фактичеВ передающем тракте групповой видеосигнал с ски в передающем тракте земных станций может MF-TDMA, сформированный модулем цифровой быть реализован стандартный режим их работы в обработки, поступает на ДОС передатчика, где сетях стандарта DVB-RCS с MF-TDMA. Аналопреобразуется в радиосигнал на несущей частоте гично в приемном тракте может быть реализован передачи АФАР, усиливается до заданного уровня стандартный режим работы земных станций с и синфазно распределяется на все 25 канальных TDMA на интервалах засветки заданного района передатчиков. обслуживания (14 мс) с периодом повторения инВ ДОС передатчика во взаимодействии с мотервалов засветки 125 мс. дулем цифровой обработки выполняются такие Общая структура модернизированной земной операции: станции «Белозер» представлена на рисунке 3.

– обмен с модулем цифровой обработки по В модернизированной земной станции «Беломежмашинным каналам обмена телеметрической зер» предполагается использовать фрагмент боринформацией и командами управления; товой АФАР с размерами порядка 22×22 см и ши– расчет по командам модуля цифровой обриной луча порядка 10°. работки амплитудно-фазового распределения в Сигналы TDMA от каждого из 25 приемных раскрыве АФАР, обеспечивающего наведение пемодулей поступают на канальные приемники, отредающего луча на КА; туда после предварительного усиления на несу– выдача на фазовращатели и аттенюаторы, щей частоте переносятся на первую промежуточустановленные в каждом из канальных передатчиную частоту и поступают на ДОС приемного ков, команд для реализации заданного амплитудтракта, а затем переносятся на вторую промежуно-фазового распределения; точную частоту и дополнительно усиливаются на – выдача в модуле цифровой обработки теленей. метрической информации о состоянии каналов В ДОС приемного тракта во взаимодействии с передачи и о фактически реализованном амплимодулем цифровой обработки осуществляются тудно-фазовом распределении в раскрыве АФАР. также следующие функции: Энергетический потенциал модернизирован– обмен с модулем цифровой обработки по ной земной станции «Белозер» при мощности камежмашинным каналам обмена телеметрической нальных передатчиков порядка 0,25 Вт и темпераинформацией и ко1 мандами управле. ния; ПРМ-1 . ДОС .

– расчет по ПРМ 25 командам модуля цифровой обработПРД-1 ки амплитуднофазового распреде. ления в раскрыве . Оператор АФАР, формиМЦО ЗС . рующего заданный приемный луч АФАР; 1 ПРМ-25 – выдача на . ДОС . фазовращатели и . ПРД аттенюаторы, устаПРД-25 25 новленные в кажрадиоканалы дом из 25 каналов приема, команд для каналы управления и ТМИ реализации заданприемные модули (излучатели) ного амплитуднопередающие модули (излучатели) фазового распределения; Рис. 3. Структура модернизированной земной станции «Белозер» – выдача в модуль цифровой об27

Программные продукты и системы

туре шума (Тш) канальных приемников порядка 60 °С будет следующим: эквивалентная изотропно излучаемая мощность (РперGпер) – 33 дБ/Вт, добротность (Gпр/Тш) – 6 дБ. Энергетические запасы в радиолиниях борт–Земля и Земля–борт По входу приемно-передающей АФАР КА на линии Земля–борт в каждом из 8 парциальных лучей реализуется принятый в стандарте DVB-RCS метод многостанционного доступа MF-TDMA. Доступ абонентских земных станций к КА на каждой из 8 несущих парциального луча в режиме TDMA обеспечивается со скоростью 512 кбит/с. Для сигналов земных станций на линии Земля– борт примем – кодирование/декодирование по «Витерби», FEC=3/4; – кодирование/декодирование Рида–Соломона, РС=47/51; – метод модуляции/демодуляции – QPSC. Энергетический запас в радиолинии Земля– борт составляет порядка 6 дБ. По входу приемно-передающей АФАР земных станций на линии борт–Земля в передающем луче АФАР КА реализуется принятый в стандарте DVB-RCS метод многостанционного доступа TDMA со скоростью 36,864 Мбит/с. Для группового сигнала КА на линии борт–Земля примем – кодирование/декодирование по «Витерби», FEC=3/4; – кодирование/декодирование Рида–Соломона, РС=47/51; – метод модуляции/демодуляции – QPSC. Энергетический запас в радиолинии Земля– борт составляет порядка 6 дБ. В заключение отметим, что предложенный в настоящей работе вариант модернизации КА «Стационар» путем установки на борту КА приемно-передающей многолучевой антенны и МБЦП, реализующих стандарт DVB-RCS с пространственно-частотно-временным разделением ресурса, позволяет обеспечить создание мобильных сетей спутниковой связи стандарта DVB-RCS через КА на геостационарной орбите. К сожалению, пока неясно, как можно на практике реализовать полученные результаты для отечественных КА, хотя создание перспективных КА с МБЦП стандарта DVB-RCS уже неоднократно обсуждалось и нашло воплощение в ряде зарубежных проектов. Для практической реализации указанных выше предложений наиболее сложно создать быстродействующие цифровые коммутаторы, являющиеся ключевым элементом МБЦП и многолучевых антенн для КА на геостационарной орбите, реализующих зональное обслуживание.

28

№ 4, 2013 г.

Литература 1. Степанов А. НПЦ «Вигстар» для Вооруженных сил РФ / Связь в Вооруженных силах РФ-2008. М., 2008. С. 45–47.

2. Степанов А. НПЦ «Вигстар» – 15 лет / Связь в Вооруженных силах РФ-2012. М., 2012. С. 47–50.

3. DVB-RCS – Product Description, ЕМС TECHNOLOGIES, Канада, 2004.

4. Sky Edge – Product Description. GILAT, Израиль, 2004.

5. Euro Sky Way. URL: http://www.euroskyway.it (дата обращения: 04.06.2013).

6. Astro Link. URL: http://www.Astrolink.com (дата обращения: 04.06.2013).

7. Генов А.А., Решетников В.Н. Некоторые результаты имитационного моделирования мультисервисных бортовых платформ стандарта DVB-RCS // Программные продукты и системы. 2008. № 3. С. 38-41.

8. Генов A.А. Бортовые цифровые платформы – технологический прорыв в повышении эффективности спутников связи и вещания // Broadcasting. Телевидение и радиовещание.

2002. №. 3.

9. Генов A., Горошков A., Перескоков В. Мультисервисные БЦП – технологический прорыв в повышении эффективности ССС // К 75-летию академика В.А. Мельникова: тр. науч.-технич. конф. М., 2003.

10. Макаров Е., Сапрыкин M.В., Георгадзе M.A., Попов И.В. Аппаратная платформа цифровой антенной решетки для работы в диапазонах 2,4–2,5 и 4,9–5,9 ГГц // Антенны.

2012. Вып. 3. С. 37–45.

11. Genov A. The conception of constructing FDMA telecommunication system. Proc.Forum of the IT, Spain, 1988.

12. Genov A., Ivanchuk N. The conception of constructing global spread-spectrum CDMA mobile telecommunication «Global-SS» system. Proc. Forum of the ITA, Moscow, 1997.

References 1. Stepanov A. Svyaz v vooruzhennykh silakh RF [Connection in Armed Forces of the Russian Federation]. Moscow, 2008, pp. 45–47.

2. Stepanov A. Svyaz v vooruzhennykh silakh RF [Connection in Armed Forces of the Russian Federation]. Moscow, 2012, pp. 47–50.

3. DVB-RCS – Product Description. EMS TECHNOLOGIES, Kanada, 2004.

4. Sky Edge – Product Description. GILAT, Izrail, 2004.

5. Euro Sky Way. 2003. Available at: http://www.euroskyway.it (accessed 4 June 2013).

6. Astro Link. 2003. Available at: http://www.Astrolink.com (accessed 4 June 2013).

7. Genov A., Reshetnikov V.N. Nekotorye rezultaty imitatsionnogo modelirovaniya multiservisnykh bortovykh platform standarta DVB-RCS [Some results of the simulation of multiplatform on-board DVB-RCS standard]. Programmnye produkty i sistemy [Software & Systems]. 2008, no. 3, pp. 38–41.

8. Genov A. Onboard digital platforms – technological breakthrough in satellite service efficiency upgrading. Broadcasting. Radio and TV. 2002, no. 3.

9. Genov A. Goroshkow A., Pereskokov V. Multiservice onboard digital platforms – technological breakthrough in satellite service efficiency upgrading. K 75-letiyu akademika V.A. Melnikova: trudy nauch.-tekhnich. konf. [Proc. of scientific and technical conf. for 75 y.o. academician V.A. Melnikov]. Moscow, 2003 (in Russ.).

10. Makarov E., Saprykin M.V., Giorgadze M.A., Popov I.V. Antenny [Antennes]. Moscow, 2012, iss. 3, pp. 37–45.

11. Genov A. The conception of constructing FDMA telecommunication system. Proc.Forum of the IT. Spain, 1988.

12. Genov A., Ivanchuk N. The conception of constructing global spread-spectrum CDMA mobile telecommunication «Global-SS» system. Proc. Forum of the ITA. Moscow, 1997.

Программные продукты и системы

№ 4, 2013 г.

УДК 681.325.5 + 621.396

ЭНЕРГЕТИЧЕСКИЕ ЗАТРАТЫ, БЫСТРОДЕЙСТВИЕ И ПРОБЛЕМА ТЕПЛООТВОДА В МИКРОПРОЦЕССОРАХ С.Г. Бобков, д.т.н., профессор, зав. отделением; А.Г. Мадера, д.т.н., профессор, зав. отделом (НИИСИ РАН, Нахимовский просп., 36, корп. 1, г. Москва, 117218, Россия, omm@niisi.ras.ru) В статье проанализированы физические принципы энергетических затрат в современных микропроцессорах, часть потребляемой энергии которых расходуется на совершение необходимых операций, а другая, значительная ее часть, необратимо диссипируется в виде тепла. Переход существенной доли потребляемой электроэнергии в тепловую приводит к нагреванию микропроцессоров, обусловливая как уменьшение надежности и изменение статических и динамических электрических параметров микропроцессоров, так и выход их эксплуатационных характеристик за пределы допусков, приводя к отказам, неправильному срабатыванию и пр. В силу противоречивого характера требований, предъявляемых к росту быстродействия микропроцессоров при одновременном снижении энергетических затрат, вопросу взаимосвязи между электрическими параметрами микропроцессоров и протекающими в них тепловыми процессами уделяется особое внимание. Приводятся оценки перспектив различных физических принципов отвода тепла от микропроцессоров при различных мощностях их тепловыделения. Полученные зависимости показывают, что оценки значений мощностей потребления микропроцессоров с точки зрения принципиальных возможностей различных способов охлаждения по снижению температуры еще весьма далеки от своих предельных физических ограничений. Ключевые слова: микропроцессоры, высокопроизводительные вычислительные системы, мощность потребления, энергопотребление, тепловые процессы.

ENERGY COSTS, SPEED AND HEAT SINK IN MICROPROCESSORS Bobkov S.G., Dr. Tech. Sc., professor, branch manager; Madera A.G., Dr. Tech. Sc., professor, head of department (SRISA RAS, Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation, omm@niisi.ras.ru) Аbstract. The paper analyzes the physical principles of energy expenditure in modern microprocessors. The most part of the energy consumption is irreversibly dissipated as heat and another is spent on making all necessary operations. Transition of consumed energy to the heat causes microprocessors heating. It results in reliability decreasing and changing static and dynamic electrical parameters of microprocessors, as well as overranging their performance charachteristics resulting in failures, malfunction, etc. Because of the controversial requirements for increase of microprocessors speed while reducing energy expenditure, the issue of the relationship between the electrical parameters of microprocessors and their thermal processes is given special attention. There are the estimates of the perspectives of the physical principles of heat sink in microprocessors at different heat output. From the point of view of the fundamental capabilities of different cooling methods the obtained dependences show that the assessment of the microprocessor power consumption is still far from reaching their maximum physical limitations.

Keywords: microprocessors, high-performance computing systems, power consumption, energy costs, thermal processes.

Обработка, хранение и отображение информации, необходимой для решения разнообразных проблем, выполняются с помощью высокопроизводительных вычислительных систем (ВВС) различного назначения, главными элементами которых являются микропроцессоры, построенные на полупроводниковых кристаллах. Операции с информацией в микропроцессоре сопровождаются неизбежными затратами энергии, которая, согласно законам термодинамики, лишь частично расходуется на производство необходимой информации, в то время как ее значительная часть рассеивается в виде тепловой энергии. Переход существенной доли потребляемой электрической мощности в тепловую приводит к нагреванию элементов и всей ВВС в целом. Поскольку полупроводниковая элементная база ВВС характеризуется большой температурной зависимостью своих электрических параметров, возникающие в процессе функционирования ВВС температурные поля приводят к тому, что важнейшие характеристики ВВС – статические и динамические электрические па-

раметры микросхем, надежность, быстродействие, помехоустойчивость и так далее – претерпевают существенные изменения. Эти изменения, в свою очередь, ведут к выходу эксплуатационных параметров микропроцессоров и всей ВВС за пределы допусков, инициируя отказы и несрабатывания, а также к снижению их надежности и помехоустойчивости. Образование на полупроводниковых кристаллах микропроцессоров и других микросхем в ВВС избыточных температур и температурных градиентов является одним из главных препятствий на пути к достижению заданных характеристик микропроцессоров и обеспечению их конкурентоспособности. Цель, преследуемая в процессе развития микроэлектронной элементной базы, состоит в достижении высокого быстродействия при низких энергетических затратах, которая, однако, носит противоречивый характер, поскольку сокращение одного влечет за собой увеличение другого. Так, повышение скорости микропроцессора требует увеличения энергетических затрат, в то время как 29

Программные продукты и системы

энергия потребления может быть уменьшена за счет снижения быстродействия микропроцессора. Поэтому уровни потребляемой мощности и перепадов температуры являются решающими при получении требуемых характеристик микропроцессоров. Отметим, что снижение мощности и температуры кристалла микросхемы достигается посредством различных схемотехнических, технологических и конструкционных решений, однако главными при этом являются создание и разработка высокоэффективных систем охлаждения и отвода тепла от элементов, узлов и устройств ВВС, причем актуальность проблемы теплоотвода повышается вместе с ужесточением требований к плотности компоновки ВВС, степени микроминиатюризации, быстродействию и надежности микропроцессоров. Энергопотребление микропроцессоров Затраты энергии и скорость обработки информации в микропроцессоре как цифровом полупроводниковом устройстве тесно связаны. Базовые единицы цифровой интегральной схемы представляют собой электронные вентили, выполненные по микроэлектронной технологии на полупроводниковом кристалле и предназначенные для накопления и передачи электрических сигналов различных уровней. При осуществлении этих процессов каждый вентиль потребляет от внешних источников питания определенную энергию. Причем при смене (переключении) уровней двоичной информации вместе с переключением вентилей происходит формирование различных конфигураций электрических цепей вентилей в различные моменты времени. Вследствие этого происходит также формирование динамических энергетических потоков, сформированных в каждый момент времени цепей, которые рассеиваются затем в виде тепловых потоков на кристалле микропроцессора. Процессы потребления, накопления электрической энергии и последующая диссипация ее в тепловую энергию и определяют энергетический режим создания определенного быстродействия электронной схемы, составленной из вентилей, выполненных на одном или нескольких полупроводниковых кристаллах, конструктивно заключенных в единый корпус. С точки зрения подходов к минимизации энергии, потребляемой при функционировании логических элементов, можно ввести следующую классификацию составляющих частей потребляемой энергии: 1) рассеивание энергии из-за токов утечек в статическом режиме; 2) рассеивание энергии из-за протекания токов в динамическом режиме; 3) энергия формирования логического состояния элемента.

30

№ 4, 2013 г.

Статическое рассеивание определяется суммарными токами утечки закрытых n- и p-канальных транзисторов при отсутствии тактирующих сигналов, когда схема находится в определенном, стабильном состоянии. Для норм выше 65 нм цифровых КМОП-схем влияние токов в статическом состоянии можно считать пренебрежимо малым и не оказывающим значительного влияния на общую потребляемую мощность [1]. Для норм 65 нм токи в статическом состоянии становятся уже заметными, а для норм 45 нм и ниже значения токов утечки становятся значительными. Токи утечки эффективно снижаются за счет создания специальной библиотеки логических элементов на основе транзисторов с разными порогами. МОП-транзисторы с пороговым напряжением, увеличенным на 120–150 мВ, имеют ток утечки в 10–20 раз меньше тока транзисторов с номинальным пороговым напряжением 0,25–0,3 В. Увеличение порогового напряжения достигается с помощью увеличения толщины подзатворного диэлектрика и изменения профиля легирования кармана. Однако это приводит к снижению быстродействия и нагрузочной способности транзисторов. Схемотехнические методы снижения энергии статического потребления направлены на снижение токов утечек главным образом за счет последовательного включения в стоковую цепь элементов дополнительных транзисторов, ограничивающих величину тока стока. Подобные меры по ограничению тока стоковой цепи способствуют увеличению времени переключения элемента из одного логического состояния в другое. Для решения этой проблемы применяются различные схемы управления дополнительными транзисторами, которые в зависимости от режима работы элементов (частоты изменения его выходных логических состояний, продолжительности нахождения в каком-либо одном логическом состоянии) задают повышенный или пониженный ток стока элемента. Подобные подходы имеют наибольшую эффективность снижения энергии потребления в статическом режиме (в 2–5 раз), если частота переключения логических элементов не превышает нескольких сотен МГц [2]. Динамическое рассеивание происходит в моменты переключения в логических элементах схемы. Основная причина наличия динамического тока в КМОП-схемах – это перезаряд внутренних емкостей СБИС, величина которых определяется размерами топологических элементов, формируемых в процессе создания транзисторов и межсоединений [3, 4]. Заряд и разряд емкостей происходят через коммутируемые n- и p-канальные транзисторы, в которых происходит рассеяние потребляемой динамической энергии. Потребляемую элементом мощность можно рассчитать исходя из следующей формулы:

Программные продукты и системы

P=Pin+Pst+Pl, (1) 2 C U где Рl  (2) K f , 2 Pin=E(tf, C)Kf, (3) Pin – внутренняя мощность элемента, определяемая сквозными токами и как энергия переключения элемента E(tf, C), которая зависит от фронта сигнала на входе и от нагрузки, умноженная на коэффициент переключений (K) и на частоту (f); Pst – мощность, потребляемая в статическом режиме; Pl – мощность, затрачиваемая на перезаряд нагрузки, определяемая энергией перезаряда емкости нагрузки, умноженная на коэффициент переключений K и на частоту f. Выбор коэффициента K во многом определяет правильность расчета потребляемой мощности и может осуществляться следующими способами: – K=const и определяется из статистики; – K=var и определяется из конкретного теста конкретной микросхемы; – K=var и определяется эвристическими алгоритмами вычисления вероятности переключения, определяемыми САПР [5]. На рисунке 1 V показана эквивалентная схема заряда и разряда выRs ходной емкости CL при переключении КМОП-элемента. Ключ моделирует циклы заряда и разряда, V – идеRd CL альный источник напряжения питания, Rs и Rd – эквивалентные сопротивления открытых n- и p-ка- Рис. 1. Эквивалентная схема нальных транзи- заряда и разряда конденсатора сторов. Если заряжать и разряжать конденсатор CL с частотой f циклов в секунду, общая мощность рассеивания системы составит PlCLV2f.

(4) Уравнение (4) служит для оценки мощности рассеивания цифровых КМОП-схем. Необходимо отметить, что при этом были сделаны следующие допущения: мкость нагрузки CL и напряжение питания V постоянны, емкость успевает полностью зарядиться и разрядиться. Если частота переключения f одинакова для всех этих узлов, общую мощность потребления P можно представить как PlCtotalV2f, (5) где Ctotal – эквивалентная емкость, определяемая суммарной величиной емкостей всех узлов СБИС, заряжаемая и разряжаемая в процессе функционирования микросхемы.

№ 4, 2013 г.

Все существующие методы снижения энергопотребления цифровых схем направлены на уменьшение величины параметров, входящих в формулу (5). По каждому из варьируемых параметров необходим поиск его оптимального значения, поскольку выигрыш по рассеиваемой мощности сопровождается определенными потерями по другим параметрам микросхем или системным характеристикам. При уменьшении величины емкостей (например, при увеличении степени интеграции и уменьшении топологических размеров элементов структур) уменьшаются коммутируемые заряды и потребляемая динамическая мощность СБИС. Однако уменьшение величины заряда в емкости элемента хранения информации приводит к уменьшению устойчивости данного элемента, так как меньший по величине паразитный заряд вызовет сбой этого элемента. Определение оптимальных для конкретных применений параметров библиотечных элементов, в том числе емкостей элементов памяти, требует проведения исследований условий работы с учетом сбое- и отказоустойчивости СБИС. Квадратичная зависимость от напряжения питания V определяет высокую эффективность уменьшения V для снижения потребляемой мощности. Это определяет тенденцию уменьшения напряжения питания до значений ниже 2,0–1,2 В. Но такое решение возможно только при условии уменьшения величины пороговых напряжений транзисторов, что вызывает снижение помехоустойчивости и, следовательно, ужесточает требования к условиям работы системы. Величина напряжения питания, необходимая для выполнения операций с минимальной или максимальной скоростью, может отличаться в несколько раз. Это позволяет использовать динамическое управление величиной напряжения питания СБИС или даже ее отдельных узлов в разных режимах работы с целью уменьшения энергопотребления. Для повышения быстродействия требуемых блоков в необходимых случаях используют или локальное повышение напряжения питания и/или управление величиной пороговых напряжений транзисторов, уменьшая их до предельно допустимых значений, ограниченных возрастанием токов утечек, соизмеримых со значением динамических токов. Иногда повышение быстродействия СБИС с одновременным снижением величины коммутируемых зарядов, а значит, и с уменьшением потребления, достигается уменьшением перепада напряжения заряженной и разряженной емкостей (неполного перезаряда). Отдельное направление занимает снижение энергопотребления с помощью программных средств [6], а также с помощью технологических приемов, например, за счет применения технологии «кремний на изоляторе» [7], которая характе31

Программные продукты и системы

ризуется меньшими значениями емкостей элементов топологических структур, изолированных слоем диэлектрика. Учитывая сказанное, можно классифицировать методы снижения энергопотребления как направленные на снижение напряжения питания, снижение суммарной емкости схемы и снижение частоты переключения. Имеются также методы снижения потребляемой энергии в динамическом режиме, рассеиваемой транзисторами в тепло, выделенные в отдельное направление – проектирование адиабатических элементов. Разработка таких элементов включает в себя специальную схемотехнику и организацию функционирования, благодаря которым исключается протекание сквозных токов в динамическом режиме и снижается количество рассеиваемой энергии при смене логического состояния. Причем на пониженных частотах функционирования (десятки и сотни МГц) эффективность снижения рассеиваемой энергии при изменении логического состояния у адиабатических элементов значительно выше, чем у обыкновенных статических КМОП-элементов. Энергия логического состояния определяется величиной емкости выходного узла, на котором электрический заряд создает разность потенциалов между выходом и шиной питания или общей шиной. Смена логического состояния приводит к рассеиванию этой энергии в тепло на транзисторах элемента. Процесс переключения является необратимым, и для формирования очередного логического состояния требуется такое же количество энергии. Задача по сохранению энергии логического состояния заключается в организации такой работы логической схемы, при которой информация о входных сигналах не теряется в процессе логических операций и для определения значения входных сигналов не требуется затрачивать дополнительную энергию на формирование новых логических уровней. Логический элемент, обладающий такими функциональными свойствами, называется обратимым. В отличие от обратимых элементов методы понижения динамического энергопотребления, применяемые в адиабатических элементах, направлены на минимизацию рассеивания энергии логического состояния в тепло, а не на сохранение логического состояния. Это означает, что основная проблема обратимых вычислений заключается в исследовании причин потери логических состояний при совершении логических операций (смена логического состояния с потерей информации об этом логическом состоянии), а основная проблема адиабатических вычислений заключается в минимизации последствий смены логического состояния (рассеивание энергии логического состояния в тепло). Несмотря на всестороннее применение рассмотренных выше методов, современные микро32

№ 4, 2013 г.

процессоры характеризуются очень большим энергопотреблением, мощность которого достигает 100–200 Вт, что в условиях повышенных требований к плотности компоновки электронных модулей и крейтов, а последних – в стойках ВВС, вызывает серьезные проблемы отвода тепла и снижения температуры микропроцессоров до приемлемого уровня [8]. Закономерности теплообмена в микропроцессорах Количество тепловой энергии, диссипируемой микропроцессором при энергопотреблении, определяется многими системными, физическими и конструктивными факторами: – конструкцией корпуса, внутри которого заключен полупроводниковый кристалл микропроцессора; – применяемыми материалами конструкции; – физическими принципами работы теплоотвода и его конструктивным исполнением; – характеристиками применяемых для теплоотвода и охлаждения холодоносителей; – типом системы охлаждения: кондуктивной, свободно- или принудительно-конвективной как в воздушной, так и в жидкостной среде, испарительной, конденсаторной, испарительно-конденсаторной, погружного типа в диэлектрические жидкости. От решения проблемы теплоотвода в значительной степени зависят как эксплуатационные и надежностные характеристики микропроцессоров, так и производительность создаваемых на микропроцессорах суперкомпьютеров. В этой связи было бы целесообразно оценить перспективы различных физических принципов и типов теплоотводов, способных по своему физическому разрешению отводить то или иное количество тепловой энергии, потребляемой микропроцессором. Величина теплового потока Q, или тепловая мощность, которая может быть передана от тела со средней температурой поверхности T в среду с температурой Ta, определяется следующим балансовым соотношением: Q=Sт(T–Ta), (6) где  – коэффициент теплоотдачи, зависящий от физических принципов осуществления теплообмена; Sт – поверхность тела, участвующая в теплообмене [9]. Из соотношения (6) следует, что количество отводимого теплового потока определяют три основных фактора.

1. Физические принципы протекания теплообмена при теплоотводе и охлаждении, сконцентрированные в коэффициенте теплоотдачи  (их приблизительные значения в зависимости от физических условий теплообмена приведены в таблице [10].

Программные продукты и системы

№ 4, 2013 г.

Коэффициент теплоотдачи  в зависимости от условий теплообмена Условия теплообмена Свободная конвекция: – в газах – диэлектрической жидкости – в масле и других жидкостях той же плотности – в воде Принудительная конвекция: – в газах – воздуха при струйном течении или большой скорости – диэлектрических жидкостей – в масле и других жидкостях той же плотности – в воде Изменение агрегатного состояния: – кипение хладагентов – испарительно-конденсаторные процессы в тепловой трубе с водным наполнителем – капельная конденсация водяных паров – конденсация органических паров

, Вт/(м2К) 2–10 10–300 200–300 200–600 20–100 50–1 000 300–3 500 300–1 000 1 000–3 500 500–120 000 5 000–10 000 500–45 000

4 000–12 000 500–2 000

2. Площадь Sт, участвующая в процессах теплообмена между нагретым телом и средой. Из (6) следует, что с ростом площади Sт теплоотводимая мощность также растет. Поскольку увеличить собственно площадь охлаждаемого тела невозможно, прибегают к ее искусственному увеличению путем крепления к поверхности тела теплообменника с развитой, то есть увеличенной, поверхностью теплообмена. Теплообменники в виде радиаторов различных конструкций (пластинчатые, ребристые, игольчато-штыревые и пр.), выполненные из высокотеплопроводных материалов, широко используются при охлаждении радиоэлектронных компонентов, в частности, интегральных микросхем с малой мощностью тепловыделения.

3. Перепад температуры T=T–Ta между поверхностью охлаждаемого тела и омывающей ее средой. Для уменьшения перепада температуры при сохранении величины отводимого теплового потока P необходимо применять более интенсивные физические принципы охлаждения (см. табл.) и одновременно более развитые поверхности теплообмена. Таким образом, количество отводимой от нагретого тела тепловой мощности определяется физическими принципами охлаждения (коэффициент теплоотдачи ), площадью теплообмена теплообменника (Sт) и перепадом температуры между поверхностью тела и средой (T). Причем, если коэффициент теплоотдачи  и перепад температуры T определяются путем моделирования процессов теплообмена, площадь теплообменника Sт при данных значениях  и T является предметом те-

плового проектирования при создании системы теплоотвода и охлаждения. Для моделирования процессов теплообмена, протекающих в микропроцессоре при различных физических условиях охлаждения и теплоотвода, необходимо знать площадь теплоотдающей поверхности Sт. Конструкции теплообменников отличаются большим разнообразием, поэтому введем в рассмотрение обобщенный теплообменник, который учитывает то, что эффективность теплоотдающей способности теплообменника существенно зависит от теплопроводности используемых материалов, поскольку с ростом теплопроводности площадь растекания тепла по конструкции теплообменника увеличивается и, как следствие, увеличивается эффективная площадь теплоотдающей поверхности Sт. В качестве обобщенного теплообменника примем пространственную структуру в виде полой сферы, образованную в радиальном направлении игольчатыми стержнями, основания которых расположены на внутренней сферической поверхности теплообменника, а их противоположные концы образуют внешнюю сферическую поверхность. Внутренняя сфера теплообменника равна внешней поверхности корпуса Sкорп охлаждаемого микропроцессора. Процессы теплопереноса от корпуса микропроцессора в среду через конструкцию обобщенного теплообменника протекают следующим образом. Тепловой поток от микропроцессора мощностью P поступает на внутреннюю поверхность сферы теплообменника радиуса a и растекается теплопроводностью вдоль радиальных стержней диаметром d и длиной l, установленных своими основаниями на внутренней сферической поверхности теплообменника. Одновременно с растеканием тепла теплопроводностью вдоль радиальных стержней тепловой поток передается в среду путем того или иного физического принципа теплообмена, информацию о котором несет коэффициент теплоотдачи  (см. табл.). Полная теплоотдающая поверхность обобщенного теплообменника складывается из поверхностей всех радиальных стрежней конструкции. Уравнение теплового баланса [11] приводит к следующему соотношению, связывающему между собой тепловой поток Q(a), входящий через внутреннюю сферическую поверхность теплообменника, кондуктивный тепловой поток Q(a+l) на противоположном конце стрежней, распространяющийся по длине стержней и уносимый в среду с внешних торцов, и тепловой поток теплоотдачи в среду (6): Q(a)–Q(a+l)=Sт(T–Ta).

(7) Растекание тепла теплопроводностью вдоль радиальных стержней подчиняется закону Фурье [9], поэтому тепловой поток, входящий в стержни, основания которых расположены на сфере радиуса а теплообменника, и растекающийся по их длине l, может быть записан в виде 33

Программные продукты и системы

№ 4, 2013 г.

T (a)  T (a  l ) , (8) l где  – коэффициент теплопроводности материала стержней; Sсеч – полная площадь сечения теплообменника, которую пронизывает кондуктивный тепловой поток. Можно показать, что теплоотдающая поверхность обобщенного теплообменника равна Sт=4Sкорпl/d, а отношение площадей теплообмена и сечения теплообменника равно Sт/Sсеч=4l/d. Подставляя (8) в (7), учитывая, что d<<l, так что потоком Q(a+l) можно пренебречь по сравнению с потоком Q(a), получим следующее уравнение теплоT (a)  T (a  l ) вого баланса:   Sсеч  = Sт (T–Ta). l Выражая отсюда длину l радиальных стержней теплообменника, изменяющуюся при изменении коэффициента теплопроводности материала, подставляя ее в выражение для площади теплообменника Sт, а последнюю в (7) и учитывая, что Q(a)=Р, получим окончательное выражение для потребляемой мощности микропроцессора, рассеиваемой в виде тепла, которая в принципе может быть отведена с поверхности корпуса микропроцессора посредством обобщенного теплообменника: Q(a)=   Sсеч 

   P= 2  Sкорп  (T (a)  T (a  l ))(T  Ta )  . (9) d   Задавая требуемые перепады температуры между концами радиальных стержней теплообменника T(a)–T(a+l), между средней температурой конструкции теплообменника и средой T–Ta, а также различные диаметры стержней d теплообменника и коэффициенты теплопроводности , получим различные значения тепловой мощности микропроцессора Р. На рисунке 2 приведены зависимости мощности процессора Р для следую1/ 2

Мощность потребления микропроцессора Р , Вт

450

400

350

300

250

200

150

100

50

0 10

500

1000

1500

2000

2500

3000

3500

Коэффициент теплоотдачи a , Вт/кв.м*К

Рис. 2. Мощность, отводимая от микропроцессора при различных способах охлаждения и отвода тепла и теплопроводности материала теплообменника: 200 Вт/м2К – сплошная линия, 400 Вт/м2К – пунктирная линия

34

щих данных, которые могут иметь место на практике: перепады температуры T(a)–T(a+l)=5 °С и T–Ta=5 °С; теплопроводности материала теплообменника =200 Вт/м2К (алюминий), 400 Вт/м2К (медь); диаметр стержней 2,5 мм; кристалл микропроцессора заключен в корпус с площадью поверхности 4,24,2 см2. Значения коэффициентов теплоотдачи соответствуют различным способам охлаждения, приведенным в таблице. Необходимо отметить, что в рассматриваемой модели теплообмена микропроцессор расположен в открытом пространстве, не ограничивающем габариты теплообменника. Между тем на практике микропроцессоры размещаются в пространстве ВВС, ограниченном габаритами электронного модуля, крейта и стойки, а также требованиями, предъявляемыми к длине линий связи и плотности компоновки ВВС. Поэтому полученные данные должны рассматриваться как принципиально достижимые при данных условиях охлаждения микропроцессора и выбранной конструкции обобщенного теплообменника. Из полученных зависимостей (рис. 2) следует, что отводимая от микропроцессора мощность P, помимо условий охлаждения (коэффициент ), существенно зависит и от теплопроводности материала конструкции теплообменника. Так, для условий охлаждения микропроцессора, соответствующих принудительной конвекции в воздухе, мощность Р составляет 50 Вт для алюминиевой конструкции теплообменника и 70 Вт для конструкции, выполненной из меди. Физический принцип охлаждения оказывает решающее влияние на уровни отводимой мощности. Действительно, для теплообменника, выполненного из меди, от микропроцессора может быть отведена мощность Р=22 Вт при свободной конвекции в воздух и 120 Вт при свободной конвекции в диэлектрическую жидкость, например, при погружном жидкостном способе охлаждения. Переход к принудительной конвекции позволяет значительно поднять уровень мощности теплосъема. Так, принудительная конвекция в воздух позволяет отвести от микропроцессора мощность до 70 Вт, а в диэлектрическую жидкость – до 420 Вт. Отметим, что применение принудительного конвективного теплообмена в жидкость требует конструирования каналов для нагнетания жидкости, а также создания теплообменников снаружи ВВС, которые эту жидкость будут охлаждать до требуемой температуры и нагнетать обратно в контуры системы охлаждения ВВС. Применение новых физических принципов позволяет еще больше повысить отводимую от микропроцессора мощность. Например, конструкция теплообменника, выполненная с применением тепловых трубок, позволяет (теоретически) довести мощность, отводимую от микропроцессора, до 80 Вт при свободной конвекции в воздух, до 250 Вт при принудительной воздушной

Программные продукты и системы

конвекции и до 1 500 Вт в диэлектрической жидкости. Исследования процессов теплообмена микропроцессоров позволяют сделать вывод, что значения мощностей, потребляемых микропроцессорами, с точки зрения принципиальной возможности отвода тепла и охлаждения еще весьма далеки от своих предельных физических ограничений. Однако при выборе физического принципа теплоотвода и охлаждения микропроцессоров, электронных модулей и ВВС в целом необходимо также принимать во внимание требования, предъявляемые к параметрам ВВС различного назначения, включая и те, что находят применение в системах космических телекоммуникаций [12], а именно: по плотности компоновки, значениям электрических и эксплуатационных параметров, энергопотреблению, массе и габаритам, надежности. Литература 1. Адамов Д. Учет особенностей микроэлектронных нанотехнологий при проектировании СБИС // Электроника: Наука. Технология. Бизнес. 2007. № 7. С. 98–105; 2007. № 8. С. 114–118.

2. Abdollahi A., Fallah F., Pedram M. Leakage Current Reduction in CMOS VLSI Circuits by Input Vector Control, Proc.

ISLPED, 2002.

3. Chandrakasan A., Sheng S., Broersen R. Low-power CMOS Digital Design, IEEE Journ. of Solid-State Circuits, 1999, vol. 27 (4), pp. 473–484.

4. Chatzigeorgiou A. and Stephanides G. Energy Issues in Software Design of Embedded Systems, 2nd WSEAS Intern. Conf. on Applied Informatics, Rethymnon, Crete, Greece, 2002, July 7–14.

5. Jin H.S., Jang M.S., Song J.S., Lee J.Y., Kim T.S., Kong J.T. Dynamic power estimation using the probabilistic contribution measure (PCM), ISLPED'99: Proc. of the 1999 Intern. symposium on Low power electronics and design, Chulalongkorn Univ., Bangkok, Thailand, 1999.

6. Kougia S., Chatzigeorgiou A., Nikolaidis S. Evaluating Power Efficient Data-Reuse Decisions for Embedded Multimedia Applications: an Analytical Approach, Journ. of Circuits, Systems and Computers, 2004, February, vol. 13, no. 1.

7. Борошко С.И., Иванов С.Г., Ивлев А.А., Ильягуев В.Н., Калашников О.А., Осипенко П.Н., Пекач Ю.В. Способы уменьшения токов потребления КМОП СБИС // Радиационная стойкость электронных систем. «Стойкость-2004»: тез. докл. 7-й конф. М.: СПЭЛС, 2004. Вып. 7. С. 77–78.

8. Бобков С.Г. Архитектурные и конструктивные решения вычислительных систем с производительностью 1–100

№ 4, 2013 г. Тфлопс // Информационные технологии. 2011. № 10. С. 26–30.

9. Михеев М.А., Михеева И.М. Основы теплопередачи. М.: Бастед, 2010.

10. Резников Г.В. Расчет и конструирование систем охлаждения ЭВМ. М.: Радио и связь, 1988.

11. Мадера А.Г. Моделирование теплообмена в технических системах. М.: Науч. фонд им. акад. В.А. Мельникова, 2005.

12. Решетников В.Н. Космические телекоммуникации. Системы спутниковой связи и навигации. СПб: 2010. 134 с.

References 1. Adamov D. Considering feachers of microelectronic nanotechnologies while designing VLSI. Elektronika: NTB [ELECTRONICS: Science, Technology, Business]. 2007, no. 7, pp. 98–105; 2007, no. 8, pp. 114–118 (in Russ.).

2. Abdollahi A., Fallah F., Pedram M. Leakage Current Reduction in CMOS VLSI Circuits by Input Vector Control. Proc.

ISLPED, 2002.

3. Chandrakasan A., Sheng S., Broersen R. Low-power CMOS Digital Design. IEEE Journ. of Solid-State Circuits, 1999, vol. 27 (4), pp. 473–484.

4. Chatzigeorgiou A., Stephanides G. Energy issues in software design of embedded systems. 2nd WSEAS Int. conf. on Applied Informatics. Rethymnon, Crete, Greece, July 7–14, 2002.

5. Jin H.S., Jang M.S., Song J.S., Lee J.Y., Kim T.S., Kong J.T. Dynamic power estimation using the probabilistic contribution measure (PCM). ISLPED '99: Proc. of the 1999 int. symp. on Low power electronics and design. Chulalongkorn Univ., Bangkok, Thailand, 1999.

6. Kougia S., Chatzigeorgiou A., Nikolaidis S. Evaluating Power Efficient Data-Reuse Decisions for Embedded Multimedia Applications: An Analytical Approach. Journ. of Circuits, Systems and Computers. February, 2004, vol. 13, no. 1.

7. Boroshko S.I., Ivanov S.G., Ivlev A.A., Ilyaguev V.N., Kalashnikov O.A., Osipenko P.N., Pekach Yu.V. Ways of reduction in absorbed current KMOP SBIS. 7 konf. “Radiatsionnaya stoykost elektronnykh sistem. Stoykost-2004” [7th conf. “Resistance to radiation for electric systems Stoykost-2004”]. Report thesis, Moscow, SPELS, 2004, iss. 7, pp. 77–78 (in Russ.).

8. Bobkov S.G. Architectural and structural solution for computer systems with 1–100 Tflops capacity. Informatsionnye tekhnologii [Information technologies]. 2011, no. 10, pp. 26–30 (in Russ.).

9. Miheev M.A., Miheeva I.M. Osnovy teploperedachi [Heattransfer principles]. Moscow, Basted Publ., 2010.

10. Reznikov G.V. Raschet i konstruirovanie sistem ohlazhdeniya EVM [Calculation and construction of computer cooling system]. Moscow, Radio i svyaz Publ., 1988, 226 p.

11. Madera A.G. Modelirovanie teploobmena v tehnicheskih sistemah [Modeling heat exchange in technical systems]. Moscow, Nauchny Fond im. akad. V.A. Melnikova Publ., 2005.

12. Reshetnikov V.N. Kosmicheskie telekommunikatsii. Sistemy sputnikovoy svyazi i navigatsii [Space telecommunications.

Satellite communication and navigation systems]. Moscow, 2010.

УДК УДК 004.4'416

ПРОГРАММНАЯ КОНВЕЙЕРИЗАЦИЯ ЦИКЛОВ ДЛЯ УСКОРИТЕЛЯ ПЛАВАЮЩЕЙ АРИФМЕТИКИ В СОСТАВЕ ПРОЦЕССОРА КОМДИВ128-РИО Н.И. Вьюкова, старший научный сотрудник; В.А. Галатенко, д.ф.-м.н., зав. сектором; С.В. Самборский, старший научный сотрудник (НИИСИ РАН, Нахимовский просп., 36, корп. 1, г. Москва, 117218, Россия, niva@niisi.msk.ru, galat@niisi.msk.ru, sambor@niisi.msk.ru) Представлен метод программной конвейеризации циклов для специализированного ускорителя в составе процессора Комдив128-РИО архитектуры MIPS. Программирование ускорителя производится только на языке ассемблера,

35

Программные продукты и системы

№ 4, 2013 г.

поскольку создание компиляторов с языков высокого уровня для него невозможно из-за ряда архитектурных особенностей. Ручная разработка эффективных вычислительных циклов для ускорителя является сложной задачей, так как программист должен учитывать множество факторов, таких как отсутствие аппаратных задержек по неготовности данных, сложная структура регистрового файла, отсутствие ветвлений и ограниченный аппаратный стек. Целью работы является разработка автоматических средств программной конвейеризации циклов для специализированного ускорителя. Это позволяет программисту писать достаточно простые внутренние циклы, которые правильно реализуют вычисления, но могут быть неоптимальными. Затем исходный цикл трансформируется в конвейеризованный, на нем достигается максимальная или близкая к максимальной эффективность выполнения заданных программистом вычислений. Использование точного подхода, основанного на применении методов целочисленного линейного программирования, позволяет обеспечить оптимальную производительность кода. Основное внимание в статье уделено особенностям формулировки задачи целочисленного линейного программирования, связанным со спецификой архитектуры ускорителя. Рассмотрены вопросы точного подсчета числа требуемых регистров, а также проблема понижения кратности развертки конвейеризованных циклов. Ключевые слова: оптимизация программ, программная конвейеризация циклов, планирование по модулю, целочисленное линейное программирование (ЦЛП), ускоритель арифметических операций с плавающей запятой, архитектура сверхдлинного командного слова (VLIW), предикатное выполнение команд.

SOFTWARE PIPELINING OF LOOPS FOR A FLOATING POINT ACCELERATOR IN THE KOMDIV128-RIO PROCESSOR Vyukova N.I., senior researcher; Galatenko V.A., Dr.Sc. (Physics and Mathematics), head of sector; Samborskiy S.V., senior researcher (SRISA RAS, Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation, niva@niisi.msk.ru, galat@niisi.msk.ru, sambor@niisi.msk.ru) Аbstract. The paper presents a method of software pipelining for a specialized floating point accelerator in the Komdiv128-RIO processor with MIPS architecture. Programs for the accelerator may be developed in Assember only.

Implementation of a high level languages compiler is impossible due to architectural peculiarities of the accelerator. Manual writing of efficient computational loops for the accelerator is complicated. A programmer should keep in mind miltiple factors, such as lack of hardware delays on unready input data and complicated structure of the register file.

The purpose of the work is to develop an instrument for automated software pipelining of loops for the specialized accelerator. A programmer may write quite simple internal loops which implement the calculations correctly but probably inefficiently. The loop is then transforming to a pipelined one with maximal calculating efficiency or close to the maximal one. Use of a precise approach based on integer linear programming (ILP) methods allows achieving the optimal efficiency of a code. The article is focused on specific points of the ILP task formulation connected with peculiarities of the accelerator architecture. The authors discuss the issues of exact calculation of the number of required registers as well as a problem of reducing the unroll factor of pipelined loops.

Keywords: program optimization, software pipelining, modulo scheduling, integer linear programming (ILP), floating point accelerator, Very Large Instruction Word (VLIW), predicated execution.

В НИИСИ РАН разработан процессор К128РИО, в состав которого включен ускоритель плавающей арифметики – специализированный сопроцессор CP2, ориентированный на выполнение арифметических операций над комплексными числами или векторами длины 2, элементы которых являются значениями одинарной точности с плавающей запятой. Сопроцессор обладает собственной системой команд и накристальной программной памятью. Сопроцессор имеет параллелизм как на уровне команд, так и на уровне данных, что обеспечивает высокий потенциал производительности, однако эффективное использование этого потенциала представляет собой сложную задачу. Перечислим основные факторы, которыми определяется сложность программирования сопроцессора. Архитектура SIMD (single instruction – multiple data). Сопроцессор выполняет одни и те же команды в нескольких вычислительных секциях. Соответственно, в программе следует предусмотреть разделение данных для разных вычислительных секций и аккуратную обработку неполных (не кратных числу секций) наборов данных. Некоторые примеры программирования отражены в [1].

36

Суперскалярность. На каждом такте запускаются две команды: вычислительная (SIMD) и управляющая. Для их выполнения используются два конвейера, имеющих разную длину. Отсутствие аппаратных задержек по неготовности данных. Команда может прочитать значение своего входного регистра R до того, как оно было записано последней из предшествующих команд, модифицирующих R. Программист может сознательно использовать это свойство сопроцессора, чтобы считать предыдущее значение регистра. Это возможно, так как выполнение программы на сопроцессоре строго синхронно. Выполнение команды не может завершиться раньше, чем ожидается, поскольку отсутствуют какие-либо источники прерываний. Аппаратура также не отслеживает конфликты по записи, когда две команды одновременно записывают значение в один и тот же регистр, при этом результат не определен. Программист обязан учитывать эти аппаратные особенности, при необходимости вставляя в программу команды NOP. Отказ от аппаратного контроля подобных ситуаций позволяет значительно упростить сопроцессор; такое решение оправдано тем, что от за-

Программные продукты и системы

№ 4, 2013 г.

пускаемых на сопроцессоре программ ожидается максимальная производительность, которая может быть достигнута только при безостановочной работе конвейера. Особенности архитектуры сопроцессора и его система команд (отсутствие ветвлений, ограниченный аппаратный стек) не позволяют реализовать для него компиляторы с языков высокого уровня; поэтому программы для CP2 разрабатываются на ассемблере. Написание ассемблерных программ, эффективно использующих вычислительные ресурсы сопроцессора, является сложной задачей, требующей больших трудозатрат и высокой квалификации разработчиков. Целью настоящей работы является реализация программной конвейеризации внутренних циклов в программах для сопроцессора. Это позволяет программисту писать достаточно простые внутренние циклы, которые правильно реализуют вычисления, но могут быть неоптимальными. В результате конвейеризации исходный цикл трансформируется в конвейеризованный, на котором достигается максимальная или близкая к максимальной эффективность выполнения заданных программистом вычислений.

Архитектурные особенности ускорителя плавающей арифметики Основные элементы CP2. Специализированный сопроцессор CP2 в составе Комдив128-РИО ориентирован на задачи обработки сигналов с пиковой производительностью 8 Гфлопс. Перечислим основные элементы CP2 (рис. 1). Четыре вычислительные секции. Каждая секция имеет свой регистровый файл, управляющие регистры и память.  Регистровый файл (FPR) состоит из 64 64-разрядных регистров. Регистр FPR может содержать два 32-битных значения с плавающей запятой (которые могут рассматриваться как вектор или как комплексное значение) или два целочисленных 32-битных значения.  Из управляющих регистров вычислительных секций в контексте данной работы существенны регистры кодов условий (FCCR), которые содержат по 8 бит кодов условий. Коды устанавливаются командами сравнения и могут использоваться предикатно исполняемыми командами.  Память данных (ОЗУ) имеет объем 64 Кбайта (213 64-разрядных слов).

DMA

Команды

ЯДРО КОМДИВ128-РИО

FIFO

Вычислительная секция 0

Память инструкций

Управляющие регистры СР2 Вычислительная секция 1

Comm 16 общих регистров (GPR)

Control Status

Данные

Вычислительная секция 2

PC Регистры адресации ПЗУ

Устройство генерации адресов

Регистры организации циклов

Вычислительная секция 3 Адреса ПЗУ

ПЗУ коэффициентов

Адреса ОЗУ

Рис. 1. Структура CP2

37

Программные продукты и системы

Управляющая секция CP2, содержащая регистровый файл из 16 общих регистров (GPR). Устройство генерации адресов (AGU). Включает по 16 13-разрядных регистров адреса An, модификации Nn и режима Mn. Поле номера адресного регистра в командах чтения-записи и в командах модификации адресных регистров относится ко всем трем регистрам с указанным номером. Регистры инкрементации Nn определяют величину автоинкрементации соответствующего адресного регистра, а регистры режима адресации Mn – режим постмодификации адресного регистра. Поддерживаются режимы линейной адресации, бит-реверсной адресации и адресации по модулю (для работы с циклическими буферами). Память коэффициентов (ПЗУ) объемом 64 Кбайта. Регистры управления CP2: – PC – программный счетчик, – Comm – коммуникационный регистр для связи с управляющим процессором, – Control – регистр управления CP2, – Status – регистр состояния CP2, – PSP – указатель вершины стека подпрограмм, – LC, LA, LSP – регистры для организации циклов, – Rind, Rstep, Rmask – регистры для адресации ПЗУ, – стеки вызовов подпрограмм и организации циклов. Программная память объемом 64 Кбайта, вмещающая 213 64-разрядных командных слов. Командное слово включает VLIW-команду, содержащую одну команду управляющей секции и одну вычислительную команду, выполняющуюся на всех четырех вычислительных секциях. Каждая секция выполняет команду для данных, хранящихся в ее локальных ОЗУ и FPR. Система команд CP2. Команды сопроцессора условно разделены на две группы. Команды первой группы (арифметические операции) выполняются сразу во всех вычислительных секциях. К этой группе относятся – арифметические операции над комплексными, вещественными и целыми числами; – команды преобразования форматов данных, сравнения, а также для работы с регистрами FPR; – операция Nop. Команды второй группы (операции пересылки и управления) выполняются в управляющей секции. Эта группа команд включает – локальные обмены данными, – команды управления, – операцию Nop. VLIW-команда сопроцессора содержит две элементарные команды, принадлежащие к разным группам. Структура VLIW-команды представлена на рисунке 2.

38

№ 4, 2013 г.

Если поле «Признаки арифметической операции» ненулевое, команда первой группы выполняется условно в зависимости от значений битов регистра FCCR. Управляющие команды выполняются безусловно. Зависимости по данным и конфликты по ресурсам. Сопроцессор CP2 имеет три типа конвейеров для выполнения различных команд; длина конвейеров составляет от 3 до 8 тактов. Запись результата производится на последнем такте. Сопроцессор не отслеживает аппаратно зависимости по данным и не обеспечивает задержки по неготовности данных. Если некоторая команда требует результата предшествующей команды раньше, чем он будет записан, то используется предыдущее значение. Конфликт по ресурсам происходит, если две команды одновременно инициируют запись в один и тот же регистр. В такой ситуации результат выполнения команд не определен. Ассемблер для сопроцессора CP2 обеспечивает анализ входной программы на предмет конфликтов по ресурсам и выдает соответствующие диагностические сообщения (см. [2]). Задача программной конвейеризации циклов Метод планирования по модулю. Программная конвейеризация циклов – это метод оптимизации циклов, который может давать такой же эффект, как внеочередное исполнение (out-of-order execution) команд процессором, с той разницей, что переупорядочение выполняется не аппаратурой, а компилятором (или программистом при программировании на ассемблере). Результатом программной конвейеризации является цикл, который выполняет те же вычисления, что исходный, и совмещает в своем теле команды, относящиеся к разным итерациям исходного цикла. За счет такого совмещения обеспечивается скрытие латентностей команд и достигается эффективное использование параллелизма на уровне команд, присущего современным микропроцессорным архитектурам. Время выполнения конвейеризованного цикла (в тактах) называют обычно основным интервалом, или интервалом запуска, и обозначают II (Initiation Interval). Для обеспечения эквивалентности конвейеризованного цикла исходному перед входом в цикл и после выхода из него добавляются пролог и эпилог, в которых исполняются команды из соответственно начальных и конечных итераций исходного цикла.

63

31 Арифметическая операция

28 Признаки арифметической операции

Операция пересылки или управления

Рис. 2. Структура VLIW-команды CP2

0

Программные продукты и системы

Кроме того, должно быть скорректировано число повторений цикла. Подробнее эти и другие аспекты генерации кода для конвейеризованных циклов описаны в [3]. В большинстве современных компиляторов применяют метод программной конвейеризации, называемый методом планирования по модулю (modulo scheduling). Суть его в том, что для значений II из диапазона [IImin, IImax] последовательно делаются попытки построить расписание цикла, укладывающееся в II тактов. Расписание для минимального II, для которого это удалось сделать, и будет использовано при генерации кода. Как правило, построение расписаний для фиксированного II осуществляется при помощи эвристических алгоритмов, обзор которых дается в [3]. Это быстрые алгоритмы, позволяющие для универсальных целевых архитектур получать расписания, близкие к оптимальным. Однако для специализированных архитектур они не всегда дают приемлемые результаты. Поэтому для таких архитектур в условиях, когда имеются высокие требования к эффективности генерируемого кода, оправдано применение точных подходов, основанных на использовании методов математического программирования, в частности, методов целочисленного линейного программирования (ЦЛП) [4, 5]. Формулировка ЦЛП-задачи планирования циклического участка программы для сопроцессора CP2 Решением задачи должно быть расписание цикла, такое, что выполнение каждой итерации занимает заданное число тактов II и соблюдаются ограничения по числу требуемых регистров. Формулировка ЦЛП-задачи может включать входные параметры (константы), переменные, ограничения (линейные равенства и неравенства) и цель (минимизация или максимизация значения некоторой переменной). Введем необходимые параметры и переменные вместе с ограничениями, в которых они используются. Ограничения на расписание. Пусть T – множество тактов, T={0, …, II1}; Com – множество команд в теле исходного цикла. Введем множество переменных hc(t) для всех cCom, tT. Переменная hc(t) определяет, сколько раз команда c была запущена в прологе и в первой итерации цикла до такта t включительно. Расписание запуска команд в конвейеризованном цикле однозначно задается набором переменных hc(t). Удобно доопределить отображение h: ComTN0 (где N0 – множество неотрицательных целых чисел) следующим макросом:  H c (t  II )  1, t  0,  H c (t )   H c (t  II )  1, t  II , cCom. (1)  h (t ), t T,  c

№ 4, 2013 г.

Расписание должно удовлетворять очевидным ограничениям: – количество запущенных команд не может убывать: Hc(t+1)Hc(t)  cCom,  tT; – каждая команда запускается в прологе неотрицательное число раз: Hc(1)0  cCom. Версии регистров. Пусть Vreg – множество виртуальных регистров, которые изменяются в цикле. Можно считать, что Hc(t) задает номер версии последней выполненной команды c. Соответственно, можно говорить о номерах версий значений виртуальных регистров из Vreg, равных номерам версий производящих их команд. Если в исходном цикле есть зависимости с дистанцией 1, то соответствующие входные значения вычисляются до входа в цикл и имеют номера версий, равные 0. В конвейеризованном цикле время жизни значения на регистре может быть больше II, и тогда должно храниться несколько версий этого значения. Введем три набора переменных: nv, zv, ov, связанных с версиями значений регистров (далее называемыми для простоты версиями регистров): nv, zv, ov: VregTZ. Переменная nvv(t) обозначает номер самой свежей версии значения регистра v, доступной на такте t (от 0 до II–1), то есть в первой итерации конвейеризованного цикла. Переменные zvv(t) аналогично задают номера самых свежих версий, для которых должно быть выделено место среди физических регистров. (Обычно zvv(t)>nvv(t) тогда, когда команда, вычисляющая соответствующее значение, запущена, но результат еще не вычислен.) Переменная ovv(t) определяет номер версии регистра v, которая уже недоступна на такте t первой итерации цикла (значит, и все предшествующие ей версии тоже недоступны). Переменные ovv(t) могут быть отрицательными в случае зависимостей с ненулевыми дистанциями. Аналогично (1) определяем отображения NV, ZV, OV при помощи макросов общего вида:  XVv (t  II )  1, t  0,  XVv (t )   XVv (t  II )  1, t  II , vVreg,  xv (t ), t T ,  v где x из набора (n, z, o), X из набора (N, Z, O). Для версий регистров вводятся следующие ограничения: – неубывание номеров версий со временем: XVv(t+1)XVv(t) vVreg, tT, где X из набора (N, Z, O); – соотношения между версиями одного регистра: ZVv(t)NVv(t) vVreg, tT; NVv(t)OVv(t) vVreg, tT. Эти ограничения означают, что изготовление версии регистра происходит не раньше резервирования, а разрушение – не раньше изготовления. Ограничения, описывающие зависимости по данным. Зависимости по данным между команда39

Программные продукты и системы

ми цикла представляются при помощи следующих множеств: Write {(c, v, wt, zt) | cCom, vVreg, wtZ, ztZ }, Read{(c, v, rt, d) | cCom, vVreg, rtZ, dZ}, Destroy{(c, v, dt, d) | cCom, vVreg, dtZ, dZ}. Здесь (c, v, wt, zt)Write, если команда c записывает результат в регистр v; wt задает латентность записи; zt описывает латентность резервирования выходного регистра. Четверка (c, v, rt, d)Read, если команда c читает свой аргумент из регистра v; rt задает латентность чтения данного регистра в данной команде; d определяет дистанцию зависимости: d=0, если регистр v записывается в той же итерации, и d=1, если считывается значение, записанное в предыдущей итерации. Четверка (c, v, dt, d)Destroy, если команда c читает аргумент из регистра v и записывает результат в v. Значение dt задает латентность записи, d имеет тот же смысл, что и для Read. Множество Destroy описывает команды, которые записывают результат на место одного из аргументов, такие как команда инкрементации inc r1, r2, выполняющая вычисление r1=r1+r2. Такой метод представления зависимостей позволяет описывать команды, в которых некоторый регистр является входным и выходным, а также команды, имеющие более одного выходного регистра. Ключевым компонентом множеств Write и Destroy является v, то есть считается, что в каждой итерации только одна команда записывает или разрушает значение в регистре vVreg. Для элементов множеств Read и Destroy ключом является пара (c, v). Следующие ограничения обеспечивают соблюдение зависимостей по данным. Каждая запускаемая команда считывает свои входные значения не раньше, чем они изготовлены: NVv(t+rt)+dHc(t)  (c, v, rt, d)Read,  tT. Номер последней изготовленной версии регистра v на такте t совпадает с количеством запусков команды, записывающей этот регистр, на такте twt: NVv(t)=Hc(twt)  (c, v, wt, zt)Write,  tT. Номер последней зарезервированной версии регистра v на такте t совпадает с количеством запусков команды, записывающей этот регистр, на такте tzt: ZVv(t)=Hc(tzt)  (c, v, wt, zt)Write,  tT. Команда должна считать требуемые ей версии входных регистров до того, как они будут разрушены: OVv(t+rt+1)Hc(t)d  (c, v, rt, d)Read,  tT. В результате выполнения разрушающих команд происходит разрушение версии регистров: OVv(t+td)Hc(t)d (c, v, dt, d)Destroy, tT. Контроль кратности развертки цикла. В конвейеризованном цикле одновременно могут существовать несколько версий виртуального ре40

№ 4, 2013 г.

гистра. Если отсутствует аппаратная ротация регистрового файла, для обеспечения отображения версий виртуального регистра на физические регистры применяют метод развертки MVE (Modulo Variable Expansion) [3]. Минимальное требуемое число версий регистра v есть maxtT (ZVv(t)OVv(t)). Кратность развертки определяется как наименьшее общее кратное этих значений для всех vVreg. Например, если есть 3 регистра и количество их версий равно 3, 4, 5, то кратность развертки составит 60, что вряд ли приемлемо на практике. (Впрочем, можно уменьшить ее до 12, если развернуть регистры не в 5, а в 6 раз.) Для ограничения кратности развертки введем переменные lvv, задающие кратность развертки по каждому регистру. Эти переменные ограничивают сверху число одновременно хранящихся версий регистров: ZVv(t)OVv(t)lvv  vVreg,  tT. В условиях ЦЛП-задачи можно задать максимальную кратность развертки U и ввести ограничения на значения lvv так, чтобы они являлись делителями значения U. Например, при U=12 величины lvv должны принимать значения 1, 2, 3, 4, 6, 12. Существует стандартный способ задания принадлежности значения переменной фиксированному множеству. Далее вводятся переменные и ограничения, при помощи которых обеспечивается это условие. Введем массив переменных dvsv(d), принимающих значение 0 или 1, где vVreg, d{d: d|U}. Здесь запись d|U означает, что d является делителем U. Равенство dvsv(d)=1 свидетельствует, что lvv=d, то есть регистр v развернут в d раз. Следующие ограничения необходимы и достаточны для выполнения условий на значения переменных lvv:  dvsv (d )  1 vVreg, lvv   d  d |U

d |U

dvsv (d ) vVreg. Ограничения по числу доступных регистров. Пусть TP – множество классов регистров процессора. Так, например, в циклах для CP2 могут использоваться регистры следующих классов: FPR2 – парные регистры FPR (128 бит), FPR (64 бита) – регистры FPR, FPRH (32 бита) – старшие половины регистров FPR, FPRL (32 бита) – младшие половины регистров FPR, FCCR – регистры кодов условий, An – регистры адреса, Nn – регистры модификации, Mn – регистры режима. Определим Pv,tp как стоимость регистра v в классе tp  TP. Например, стоимость регистра FPR2 составляет 1 в классе FPR2, 2 в классах FPR, FPRH, FPRL и 0 в остальных классах. Тогда ограничения по числу доступных регистров записываются следующим образом:  Pv,tp  lvv  nreg (tp) tpTP, vVreg

где nreg(tp) – число регистров класса tp.

Программные продукты и системы

Ограничения по ресурсам (например, ограничение на число команд, запукаемых на каждом такте) в данной задаче аналогичны рассмотренным в работе [5]. Ограничения, связанные со спецификой CP2 Приведенная выше формулировка ЦЛП-задачи планирования циклических участков кода в целом эквивалентна формулировке, представленной в работе [5], и может быть использована для универсальных процессоров. По сравнению с [5] в ней изменен учет зависимостей и явно введены версии виртуальных регистров для упрощения описаний рассматриваемых далее ограничений, связанных со следующими особенностями сопроцессора CP2: – отсутствие аппаратных задержек по неготовности регистра или конфликтам по ресурсам; – условное выполнение арифметических команд; – контейнерная структура регистрового файла: команды CP2 могут читать или записывать пары соседних регистров, один регистр, старшую или младшую 32-битную часть регистра, что существенно с точки зрения учета зависимостей по данным и при подсчете числа требуемых регистров. Отметим, что отсутствие аппаратных задержек не усложняет, а упрощает формулировку задачи конвейеризации, так как позволяет отождествить задержки захвата регистра с задержкой записи. Описание условных команд основано на следующей идее: вычисление if(cond) a:=f(b, c) можно заменить на a:=(cond)?f(b, c): a, где условный оператор ?: рассматривается как обычная функция с тремя аргументами. Таким образом, условное выполнение арифметических команд может быть описано в определенных выше терминах следующим образом: – условная команда является читателем всех регистров, которые читает соответствующая безусловная команда, а также читает регистр условия; – дополнительно условная команда считается читателем всех выходных регистров, причем задержка чтения задается на 1 меньше задержки записи (то есть условная команда как бы читает старое значение перед безусловной записью нового); – условная команда должна быть не просто читателем выходных регистров, а последним читателем, как и команды с входными-выходными (in/out) аргументами, описанные в множестве Destroy. Более сложные проблемы возникают с составными регистрами, к компонентам которых происходят обращения как по отдельности, так и совместно. Выделим в множестве Vreg подмножества

№ 4, 2013 г.

Vsimple (простые регистры), Vinner (вложенные регистры), Vcont (регистры-контейнеры).

Vreg=VsimpleVinnerVcont. Регистры Vcont не входят в зависимости. Переменные lvv вводятся только для VsimpleVcont: H v ,tp  lvv  nreg (tp) tpTP.  vVsimple Vcont

Отображение Cont(v) ставит в соответствие регистру vVinner содержащий его регистр-контейнер. Заметим, что регистры-контейнеры также могут быть развернуты, то есть одновременно могут сосуществовать несколько их версий. Возникает вопрос о связи версий контейнеров и версий вложенных в них регистров. Версия вложенного регистра однозначно определяется версией контейнера, причем номер версии контейнера должен получаться из номера версии вложенного регистра прибавлением некоторого смещения. Введем переменные Shiftv, определяющие сдвиг между версиями внутреннего регистра и его регистра-контейнера, и опишем общие ограничения для этих переменных: ZVv(t)+Shiftv≤ZVCont(v)(t), OVv(t)+ShiftvOVCont(v)(t), vVinner, tT. Некоторые команды обращаются одновременно к нескольким вложенным регистрам одного контейнера. Необходимо, чтобы соответствующие версии вложенных регистров находились в одном и том же физическом регистре, то есть должны совпадать версии их регистра-контейнера с точностью до кратности развертки этого конвейера. Для этого определим три множества: Pwrite, Pread, Pread_write, описывающие команды, которые работают с двумя или более вложенными регистрами одного контейнера.

Pwrite описывает множество команд, пишущих одновременно в два или более вложенных регистра одного контейнера: Pwrite {(c, v1, v2) | cCom, v1Vinner, v2Vinner, Cont(v2)=Cont(v2)}. Аналогичным образом определяется множество Pread, описывающее команды, которые читают два или более вложенных регистра, и множество Pread_write, описывающее команды, которые читают v1Vinner и пишут v2Vinner, где Cont(v1)= =Cont(v2). Пусть (с, v1, v2)Pwrite. Тогда существуют (c, v1, wt1, zt1)Write, (c, v2, wt2, zt2)Write. Пусть cnt=Cont(v1)=Cont(v2). Должно выполняться ограничение Shiftv1Shiftv2(mod lvcnt). Заметим, что данное равенство не является линейным, так как представляет собой равенство по модулю переменной. Действительно, ab(mod l) эквивалентно a=b+k*l, где k – переменная. Если l – переменная, то k*l – нелинейный член. Тем не менее, если a–b можно ограничить по абсолютной величине, то можно применить технику, подобную той, которая использовалась выше при определении переменных lvv.

41

Программные продукты и системы

Сравнение по модулю необходимо, так как, с одной стороны, версии регистра, отличающиеся на коэффициент развертки, располагаются в одном физическом регистре, с другой стороны, существуют примеры циклов, в которых при задании точного равенства не удастся построить ни одного расписания ни при каком II. Пусть (с, v1, v2)Pread. Тогда существуют (c, v1, rt1, d1)Read, (c, v2, rt2, d2)Read. Пусть cnt=Cont(v1)=Cont(v2). Должно выполняться ограничение Shiftv1d1Shiftv2d2 (mod lvcnt). Пусть (с, vr, vw)Pread_write. Тогда существуют (c, vr, rt, d)Read, (c, vw, wt, zt)Write. Пусть cnt=Cont(v1)=Cont(v2). Должно выполняться ограничение ShiftvrdShiftv2(mod lvcnt). Есть еще одна проблема, связанная со сложными регистрами: могут быть использованы вложенные в один контейнер виртуальные регистры, пересекающиеся между собой как части контейнера. Очевидный пример: последовательное изменение компоненты сложного регистра дает разные виртуальные регистры, лежащие в одном месте контейнера. Естественно, они не могут сосуществовать одновременно. Точнее, не могут сосуществовать их версии, относящиеся к одной версии контейнера. Хорошего решения данной проблемы в настоящий момент нет, а в качестве необходимого (но, возможно, недостаточного) условия используется то, что для каждого множества пересекающихся регистров сумма числа их существующих версий (ZVv  OVv) на любом такте не превышает числа существующих версий регистра-контейнера. Цель задачи в принципе необязательна. Тем не менее цель можно определить как минимизацию суммы разностей ZVv(t)OVv(t) (числа одновременно хранящихся версий виртуальных регистров) по всем vVreg, tT. Это полезно, потому что иначе, при избытке регистров, генерируется избыточное расписание, в котором за счет использования большего числа регистров время жизни значений намного больше необходимого. При этом одни значения могут храниться, когда они уже не нужны ни одной команде, другие используются неоправданно поздно. Введение указанной цели позволяет генерировать программы, более простые для изучения, а также способствует снижению кратности развертки тела цикла при применении метода MVE. Пример конвейеризации цикла для сопроцессора CP2 Рассмотрим цикл, в котором каждый элемент вектора X, находящийся в заданном диапазоне, записывается в выходной массив Y, иначе в выходной массив записываются специальные константы: 42

№ 4, 2013 г. for(i = 0; i < n; i++) { if ( x[i] <= min_x ) y[i] = c1; else if ( x[i] >= max_x) y[i] = c2; else y[i] = x[i]; }

Этот цикл может быть записан на языке ассемблера для CP2 следующим образом: do g0, Loop lw f1,(r1)+1

## Чтение по адресу r1 в регистр f1 ## с постинкрементом регистра r1 nop ;; nop ;; nop c.le.ps 2,f1,f60 ## f1 <= f60(min,min) c.ge.ps 4,f1,f61 ## f1 >= f61(max,max) psprmsgn f10, f0, 0x0, 0x27 ## f10 = (0,x1) f11 = (0,x2) nop;; nop ;; nop ;; nop ;; nop ;; nop if(2) copy f11, f62 ## Если младшая половина регистра ## удовлетворяет условию if(3) copy f10, f62 ## Если старшая половина регистра ## удовлетворяет условию if(4) copy f11, f63 ## Если младшая половина регистра ## удовлетворяет условию if(5) copy f10, f63 ## Если старшая половина регистра ## удовлетворяет условию nop;; nop ;; nop ;; nop ;; nop ;; nop ;; nop psprmsgn f20, f10, 0x0, 0x27 nop ;; nop ;; nop Loop: sw f21,(r2)+1

Здесь на каждом такте запускается только одна команда, хотя можно запустить и две: арифметическую и управляющую. Кроме того, в программе присутствует большое число команд nop, необходимых для того, чтобы успели вычислиться аргументы следующей команды. Выполнение каждой итерации цикла занимает 29 тактов. После конвейеризации (с разверткой в 2 раза) получается следующее развернутое тело цикла: 1: 2: 3: 4: 5: 6: 1: 2: 3: 4: 5: 6:

if (fcc4) copy f11(0), f63; c.le.ps fcc2,f1(1),f60; c.ge.ps fcc4,f1(1),f61; if (fcc3) copy f10(1), f62; if (fcc5) copy f10(1), f63 if (fcc2) copy f11(1), f62 if (fcc4) copy f11(1), f63; c.le.ps fcc2,f1(0),f60; c.ge.ps fcc4,f1(0),f61; if (fcc3) copy f10(0), f62; if (fcc5) copy f10(0), f63 if (fcc2) copy f11(1), f62

sw f21,(r2)+1 psprmsgn f10(1), f0(0), 0x0, 0x27 psprmsgn f20, f10(1), 0x0, 0x27 lw f1(0),(r1)+1

sw f21,(r2)+1 psprmsgn f10(0), f0(1), 0x0, 0x27 psprmsgn f20, f10(0), 0x0, 0x27 lw f1(1),(r1)+1

Одна итерация конвейеризованного цикла занимает 12 тактов, то есть 6 тактов вместо 29 на один обрабатываемый элемент, что дает ускорение почти в 5 раз. Отметим высокую плотность полученного кода: отсутствие команд nop и большое число параллельно запущенных команд. В данном примере развертка в 2 раза вызвана тем, что многие регистры (которые следует рассматривать как виртуальные) были развернуты в 2 раза. В листинге это отражено в виде скобок после имени регистра: например, регистрам f11(0) и f11(1) должны соответствовать два разных физических регистра.

Программные продукты и системы

Такой синтаксис был выбран, чтобы использовать для этой замены препроцессор, определив имена развертываемых регистров (f11) как макросы. Осталось заметить, что в этом примере присутствуют сложные регистры, так как команды psprmsgn оперируют парами последовательных регистров (хотя это не отражено в синтаксисе команды). Таким образом, условные команды копирования модифицируют компоненты составных значений. В заключение можно сделать следующие выводы. Представленная в работе формулировка ЦЛП-задачи планирования циклов позволяет учитывать ряд свойств системы команд и архитектурных решений, используемых в аппаратных ускорителях. Описание условно исполняемых команд основано на определении условной операции как операции, сливающей старое и новое значения выходного регистра, и на аккуратном определении задержек чтения и задержек разрушения. Наибольшие сложности возникают при описании работы со сложными регистрами, допускающими чтение и запись отдельных компонент (те же проблемы возникают при описании команд, оперирующих парами последовательных регистров). Подобные архитектурные особенности широко распространены не только в сопроцессоре CP2: всевозможные операции, оперирующие старшими и младшими половинами целочисленного регистра, младшим байтом регистра, парами последовательных регистров с плавающей точкой, отдельными битами статус-регистра или компонентами вектора в векторных расширениях. Более того, любая арифметическая команда в традиционных процессорах модифицирует отдельные (необязательно все) биты условия (Z, N, O, C, ...), оперируя регистром условий как составным регистром. Для этих случаев предложена модель виртуальных ре-

№ 4, 2013 г.

гистров-контейнеров с вложенными в них виртуальными регистрами. В формулировке также предусмотрены возможности для ограничения кратности развертки циклов при применении метода MVE, что существенно для архитектур, не имеющих аппаратных средств ротации регистрового файла. Литература 1. Лесных А.А., Широков И.А. Оценки производительности суперЭВМ на основе сопроцессора вещественной арифметики на задачах обработки сигналов. М.: НИИСИ РАН, 2005. С. 20–49.

2. Ассемблер для специализированного сопроцессора (CP2) в составе микропроцессора Комдив128-РИО: руководство программиста. М.: НИИСИ РАН, 2011.

3. Вьюкова Н.И., Галатенко В.А., Самборский С.В. Программная конвейеризация циклов методом планирования по модулю // Программирование. 2007. № 6. С. 14–25.

4. Stoutchinin A. An Integer Linear Programming Model of Software Pipelining for the MIPS R8000 Processor, Proc. 4th Intern. Conf. on Parallel Computing Technologies (PaCT '97), 1997, September, pp. 121–135.

5. Самборский С.В. Формулировка задачи планирования линейных и циклических участков кода // Программные продукты и системы. 2007. № 3 (79). С. 12–16.

References 1. Lesnykh A.A., Shirokov I.A. Otsenki proizvoditelnosti superEVM na osnove soprotsessora veshchestvennoy arifmetiki na zadachakh obrabotki signalov [Benchmark test of super computer based on floating point arithmetics coprocessor for signal processing construct]. Moscow, NIISI RAN Publ., 2005, pp. 20–49.

2. Assembler dlya spetsializirovannogo soprotsessora (CP2) v sostave mikroprotsessora Komdiv128-RIO: rukovodstvo programmista [Assembler for specialized coprocessor (CP2) in Komdiv128-RIO microprocessor: programmer's manual]. Moscow, NIISI RAN Publ., 2011.

3. Vyukova N.I., Galatenko V.A., Samborskiy S.V. Software pipelining of loops by planning with module. Programmirovanie [Programming]. Moscow, iss. 6, 2007, pp. 14–25 (in Russ.).

4. Stoutchinin A. An Integer Linear Programming Model of Software Pipelining for the MIPS R8000 Processor. Proc. of the 4th int. conf. on parallel computing technologies (PaCT '97), 1997, pp. 121–135.

5. Samborskiy S.V. Formulirovka zadachi planirovaniya lineynykh i tsiklicheskikh uchastkov koda [Formulation of the linear and cyclic codes planning task]. Programmnye produkty i sistemy [Software & Systems]. 2007, vol. 79, iss. 3, pp. 12–16.

УДК 004.032.6

НОРМАТИВНАЯ БАЗА ПОСТРОЕНИЯ АЭРОКОСМИЧЕСКИХ ТРЕНАЖЕРНО-ОБУЧАЮЩИХ СИСТЕМ (Работа выполняется при поддержке РФФИ, грант № 11-07-00158-а)

К.А. Мамросенко, к.т.н., зав. отделом (НИИСИ РАН, Нахимовский просп., 36, корп. 1, г. Москва, 117218, Россия, kirillam@ya.ru) Международной организацией гражданской авиации (ICAO) разработан набор критериев для оценки и квалификации тренажеров Doc 9625. Назначение этого руководства – предоставить ведомствам гражданской авиации государств методы квалификационной оценки пилотажного тренажера путем первоначальной и последующих периодических оценок тренажера. Документ Flight Simulator Design and Performance Data Requirements, выпущенный

43

Программные продукты и системы

№ 4, 2013 г.

International Air Transport Association в 2009 г., связан с Doc 9625 и определяет требования к набору исходных данных (Data package) для проектирования тренажера. В дополнение к стандартам в том же году выпущено техническое руководство по квалификационной оценке Flight Simulator Evaluation Handbook, в котором описаны последовательности проведения тестов, необходимых для корректной сертификации. В России тоже разрабатывались подобные документы. После построения тренажера перед разработчиками встает задача проверки соответствия тренажера реальному устройству. Как правило, до 80 % времени разработки проекта затрачивается на проведение тестов математической модели объекта. Воспроизвести на тренажере все действия оператора, выполняемые на реальной системе, довольно сложно. Выходом из подобной ситуации может быть автоматическая подача входных сигналов на тренажер, взятых из записей работы реальной системы. Необходимо учитывать, что после присвоения тренажеру сертификата определенного уровня по стандартам FAA или JAA внесение изменений в элементы конструкций, программное обеспечение и т.д., в том числе обновление компонентов тренажера, может привести к изменениям характеристик всей системы, а сам тренажер может оказаться не соответствующим присвоенному ранее уровню. К сожалению, необходимый перечень требований и соответствующих нормативных документов к тренажернообучающим системам в данной области труднодоступен. Ключевые слова: тренажерно-обучающая система, распределенные вычисления, математическое моделирование, мультимедийные технологии.

THE REGULATORY BASE TO DESIGN AEROSPACE TRAINING SYSTEMS Mamrosenko K.A., Ph.D. Tech. Sc., head of department (SRISA RAS, Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation, kirillam@ya.ru) Аbstract. International civil aviation organization (ICAO) has developed a Manual of Criteria for the Flight Simulation Training Devices Qualification (Doc 9625). This guide was created for civil aviation authorities and is aimed to provide methods of flight simulator qualification using initial and recurrent evaluations of the simulator. The document “Flight Simulator Design and Performance Data Requirements”, 7th edn, issued by the International Air Transport Association (2009) is related to the Doc 9625 and defines the requirements to the set of initial data (Data package) for the simulator design. In addition to the standards there is a technical guideline for the qualification – “Flight Simulator Evaluation Handbook”, vol. 1, 4th edn, Royal Aeronautical Society, London 2009. It includes descriptions of tests sequence necessary for correct certification. Similar documents have already been developed in Russia.

After the simulator construction the developers must check if the simulator matches the real device. Up to 80 % of the project development time is spent on testing the mathematical model of object. It is quite difficult to reproduce all actions of the real system operator on the simulator.

In this situation, automatic signal input can be used for simulator testing with data from the real system.

It is necessary to pay attention to the fact that after assigning a certificate of a certain level by the FAA or JAA standards to the trainer, introduction of changes to the elements design, software, etc., including updating the components of the simulator, can lead to changes of all the systems characteristics.

The simulator may cease to comply with the earlier assigned level.

The information in this article is intended for organizations-developers, designing an architecture of the training systems.

Keywords: training systems, distributed computing, mathematic simulation, multimedia technologies.

Разработкой тренажерных систем занимаются организации по всему миру. Лидерами по количеству созданных средств подготовки персонала являются CAE (25 %), Thales (15 %), FSI (15 %), L-3 Link (11 %) (указан процент от общего количества разработанных средств). Доля российских производителей оценивается в 2 %. Для гражданской авиации значения отношения количества эксплуатируемых самолетов к количеству используемых тренажеров следующие: США – 14,1, Канада – 38,6, Евросоюз – 16,9, Россия – 77,0 [1]. Таким образом, задача создания тренажеров для подготовки персонала, отвечающих современным стандартам, в России является актуальной [2, 3]. Международной организацией гражданской авиации (ICAO) разработаны критерии для оценки и квалификации тренажеров [4]. В 2009 г. выпущено третье издание Руководства по критериям квалификационной оценки пилотажных тренажеров ICAO Doc 9625, которое носит рекомендательный характер. В этом руководстве устанавливаются требования к характеристикам и документации, необходимые для квалификационной 44

оценки самолетных пилотажных тренажеров, используемых для подготовки и периодических проверок членов летных экипажей. Назначение данного руководства – предоставить ведомству гражданской авиации государства методы квалификационной оценки пилотажного тренажера путем первоначальной и последующих периодических оценок тренажера. Описанные методы позволяют ведомствам гражданской авиации других государств признавать квалификационную оценку, данную государством, проводившим первоначальную и периодические оценки пилотажного тренажера. Международная организация гражданской авиации – специализированное учреждение ООН – создана в результате подписания в Чикаго 7 декабря 1944 г. Конвенции о международной гражданской авиации. ICAO – это постоянно действующий орган, осуществляющий заложенные в Конвенции принципы. ICAO устанавливает стандарты в области безопасности полетов, авиационной безопасности, эффективности и регулярности, а также охраны окружающей среды от воздействия авиации [5] (см. табл. 1 и работу [6]).

Программные продукты и системы

№ 4, 2013 г.

Таблица 1 Обобщение материалов стандарта ICAO Doc 9625 в части характеристик тренажеров самолетов Тип I II III IV V VI VII тренажера Характеристики PPL, MPL1, IR CR MPL2 TR, RO MPL3 TR, RL, RO, / тип свидетельCPL MPL4 ства пилота Кабина Закрытая, Общие Закрытая Закрытая Закрытая. характерная признаки, Полная имитация самолета для класса открытая самолетов Приборы Плоская панель и картинки Плоская панель Трехмерное и приборная высокого качества воспроизведедоска ние Визуализация Прямая Плоский Прямая Коллимированное экран изображение Подвижность Не нужна Нужна Нужна Мат. модель Характерная Только общие Характерная Только Полное соответствие самолету и рычаги для класса признаки для класса общие управления самолетов самолетов признаки Системы В основном соответствуют самолету Полное Полное соПолное самолета (для требуемых процедур) соответствие, ответствие, соответствие, все требуемые все процедуры процедуры процедуры Управление Не нужны Основные Не нужны Основные + связь собст- + автомат. изменение внешвоздушным элементы элементы венного само- ней ситуации, включая реакдвижением УВД и полУВД и пол- лета со всеми цию собственного самолета (УВД) ный контакт ный контакт окружающи(для фаз 3 и 4 MPL) и внешнее с моделируес модели- ми самолетаокружение мым руемым сами самолетом молетом

Документ Flight Simulator Design and Performance Data Requirements, выпущенный IATA в 2009 г., связан с Doc 9625 и определяет требования к набору исходных данных (Data package) для проектирования тренажера. Данные требования относятся только к пакетам данных для тренажеров подготовки летного состава самолетов гражданской авиации. Компанией IATA в 2002 г. выпущен документ Simulated Air and Ground Traffic Environment for Flight Training. В дополнение к стандартам в 2009 г. выпущено техническое руководство по квалификационной оценке Flight Simulator Evaluation Handbook, в котором описаны последовательности проведения тестов, необходимые для корректной сертификации. Данный документ может быть полезен и для уменьшения влияния субъективных факторов при оценке тренажера. Федеральное управление гражданской авиации США разработало свои документы: – 14 CFR FAR Part 60 – Requirements for the Evaluation, Qualification and Maintenance of Flight Simulation Training Devices 2008; – Advisory circular 120-40B – Aeroplane Simulator Qualification, Federal Aviation Administration 1991; – Advisory Circular 120-45A – Aeroplane Flight Training Device Qualification, Federal Aviation Administration 1992, Advisory Circular 120-40B

Helicopter Simulator Qualification, Federal Aviation Administration 1994; – Airline Transport Pilot and Type Rating Practical Test Standards, FAA-S-8081-5F, US Government Printing Office, Washington, DC, July 2008. Европейское объединенное управление гражданской авиации также разработало документ JAR-FSTD A: Aeroplane flight simulation training devices 2008, составленный путем объединения JAR-STD 1A, Aeroplane Flight Simulators, JARSTD 2A, Flight Training Devices, JAR-STD 3A, JAR-STD 4A. В документе JAR-FSTD A описываются четыре категории тренажерных систем группы full flight simulators level A–D, где тренажеры уровня Level D относятся к наивысшей квалификационной категории. Кроме того, классифицируются тренажерные системы группы flight training devices и flight & navigation procedures trainer по трем уровням, а также basic instrument training device. Разрабатывались и в России подобные документы: – Стандарт по квалификационной оценке авиационных тренажеров самолетов «Нормы годности авиационных тренажеров самолетов для подготовки авиаперсонала на воздушном транспорте»; – Требования к пакету исходных данных для проектирования авиационного тренажера в соот45

Программные продукты и системы

ветствии с IATA Flight Simulator Design and Performance Data Requirements 7th edition; – Методы оценки соответствия авиационных тренажеров самолетов требованиям НГАТ. В случае утверждения национальных стандартов возникает вопрос о процедуре подготовки специалистов на тренажерах, которые были построены до принятия стандарта. Существует одно из решений: проводить подготовку специалистов только по тем задачам, которые могут быть решены на таком тренажере в соответствии с требованиями ICAO [7]. Кроме того, в России также выпущены документы: – Приказ Минтранса РФ от 31.07.2009 № 128 (ред. от 22.11.2010) «Об утверждении Федеральных авиационных правил «Подготовка и выполнение полетов в гражданской авиации Российской Федерации»; – Приказ Минтранса РФ от 12.09.2008 № 147 «Об утверждении Федеральных авиационных правил «Требования к членам экипажа воздушных судов, специалистам по техническому обслуживанию воздушных судов и сотрудникам по обеспечению полетов (полетным диспетчерам) гражданской авиации»; – Приказ Минтранса РФ от 12.09.2008 № 147 «Об утверждении Федеральных авиационных правил «Требования к членам экипажа воздушных судов, специалистам по техническому обслуживанию воздушных судов и сотрудникам по обеспечению полетов (полетным диспетчерам) гражданской авиации»; – Приказ Минтранса РФ от 31.07.2009 № 128 (ред. от 22.11.2010) «Об утверждении Федеральных авиационных правил «Подготовка и выполнение полетов в гражданской авиации Российской Федерации»; – Приказ ФАС РФ от 29.01.1999 № 23 «О введении в действие Федеральных авиационных правил «Сертификация авиационных учебных центров»; – «Нормы годности авиационных тренажеров для подготовки авиационного персонала воздушного транспорта», утвержденные ФАС России 15.05.98 г. с Дополнением № 1 от 18.07.2000 г.; – ФАП «Сертификация авиационных учебных центров», утверждено ФАС России от 29.01.99 г. № 23.

18 мая 2010 г. на территории ЦАГИ в г. Жуковском прошло первое заседание секции «Авиационные тренажеры» научно-технического совета Министерства промышленности и торговли Российской Федерации, основными задачами которой являются развитие авиационного тренажеростроения в России, а также формирование системы экспертизы и сертификации авиатренажеров и других технических средств обучения (http://www.tsagi.ru/ cgibin/jet/viewnews.cgi?id=20100609070155775818).

46

№ 4, 2013 г.

После построения тренажера перед разработчиками встает задача проверки соответствия тренажера реальному устройству. До 80 % времени разработки тренажера, обеспечивающего адекватное моделирование, уходит на проведение тестов математической модели объекта. Зачастую причины выявленных ошибок сложно определить из-за большого количества взаимодействующих систем. Для проверки необходимо сравнивать данные, полученные при проведении испытаний реальной системы, с данными, генерируемыми тренажером. Для проведения сравнения довольно сложно воспроизвести на тренажере все действия оператора, выполняемые на реальной системе. Выходом из подобной ситуации может быть автоматическая подача входных сигналов на тренажер, взятых из записей работы реальной системы. В реальных системах могут быть предусмотрены дополнительные системы аварийной автоматики, которые, например, оповещают оператора о возможности возникновения опасной ситуации. Имитацию подобных систем также необходимо проверять на возможность ложных срабатываний и, что наиболее важно, осуществлять проверку на обязательное срабатывание оповещений при переходе системы в нежелательные или аварийные режимы работы. Процесс верификации модели условно можно разделить на два этапа: – проверка параметров моделирующих систем на соответствие замеренным параметрам на реальных системах (статические тесты); – проверка выходных параметров моделирующих систем в зависимости от подаваемых входных сигналов (динамические тесты). На этапе динамических тестов при заданном множестве параметров изменяется значение одного параметра и исследуется поведение системы. В процессе тестирования необходимо провести несколько измерений для каждого параметра в совокупности с изменяющимся входным множеством. Возникает ситуация, при которой проведение большого количества тестов увеличивает объем исследуемой информации и сложность ее обработки, с другой стороны, при недостаточном количестве тестов есть вероятность не выявить некорректное поведение модели. Следовательно, особое внимание необходимо уделить сбору информации при верификации: записывать номера версий всего ПО, весь массив входных параметров, возможно, реквизиты ответственного лица, проводившего испытания. Динамические тесты также включают в себя экспертную оценку операторов-инструкторов при выполнении определенных заданий на тренажере [8]. Задержки в контуре оператор–тренажер возникают по ряду причин. Первая – необходимо некоторое время (0,3–0,5 с), чтобы оператор получил информацию от тренажера, осмыслил ее и выпол-

Программные продукты и системы

№ 4, 2013 г.

нил некоторые действия. Предполагается, что время данной задержки при работе на тренажере и на реальной системе должно быть одинаковым (без учета психофизической составляющей при управлении реальной системой) и не учитывается при оценке параметров тренажера. Вторая причина задержки – процесс передачи и преобразования управляющих воздействий, при котором выполняется преобразование входных сигналов в сигналы, доступные для обработки в системе. Следующая причина – процесс получения и обработки входных сигналов в подсистеме моделирования. И последняя – процесс получения и обработки информации в подсистеме визуализации. В общем случае задержка – это время между вводом оператором информации и ответными действиями системы, выражающимися в изменении информационно-управляющего поля, причем важно знать наибольшее значение данного параметра. Например, если задержка составляет 20 мс, ее увеличение в некоторый момент времени выше допустимого значения снизит частоту обновления и, следовательно, может привести к увеличению погрешности расчетов. Для определения величины и источника задержек необходимо использовать диагностическое программное и аппаратное обеспечение. Следует учитывать, что в современных распределенных тренажерных системах задержка в 1-2 цикла обновления неизбежна. Например, в тренажерах гражданской авиации приемлемыми задержками считаются: – по ICAO 9625 A: 100 мс для тренажеров уровней V и VII, 200 мс для тренажеров уровней I, II, III, IV и VI; – по JAR-FSTD A: 150 мс для АТ уровней C и D, 300 мс для АТ уровней A и B. Для военной авиации этот параметр составляет 20–40 мс [9].

Сама процедура оценки времени задержки может искажать результаты. Следует учитывать, что вывод информации на экран, а также запись на устройство постоянного хранения отнимают ресурсы у подсистемы отображения и хранения данных. Целесообразно до конца цикла сбора информации хранить данные в оперативной памяти и только по окончании записи осуществлять вывод или сохранение. На основании ICAO Doc 9625 Manual of Criteria for the Qualification of Flight Simulation Training Devices (2009) сформированы обобщенные требования к подсистеме визуализации тренажерных систем гражданских самолетов (см. табл. 2). Для моделирования визуальных сигналов необходимо следующее: – полное соответствие – воспроизведение (повторение) реального визуального окружения в перспективе, создание условий для аккомодации глаз на бесконечность; – соответствие в главном – моделирование реального визуального окружения в перспективе; – общие признаки – общие признаки реального визуального окружения в перспективе, достаточные для выполнения простого полета по приборам, инструментальном заходе на посадку. Моделирование окружающей среды (аэродромы и земная поверхность): – полное соответствие – воспроизведение (повторение) реального окружения с максимально возможной точностью для любого заданного места; – соответствие в главном – моделирование реального окружения; – общие признаки – простое моделирование основных особенностей реального окружения.

Таблица 2 Обобщенные требования к подсистеме визуализации тренажерных систем гражданских самолетов Тип АТ VII

VI V IV III II I

Вид подготовки MPL4 – Advanced TR/ATPL Re RL/RO/IO/CQ MPL3 – Intermediate TR/ATPL/RL/RO/IO MPL2 – Basic CR IR CPL MPL1 – Core flying skills PPL

Тип подготовки T+TP TP T TP T+TP T T+TP T T T T T

Моделирование визуальных сигналов S S S S S R G R G R G R

Моделирование окружающей среды R R R R R R R G G G(S) G R(S)

Примечание: T – подготовка, TP – профессиональная подготовка, S – полное соответствие, R– общие признаки, G – соответствие в главном, G(S) – соответствие в главном, полное соответствие при выполнении подготовки по правилам визуального полета, R(S) – общие признаки, полное соответствие при выполнении подготовки по правилам визуального полета.

47

Программные продукты и системы

В России в Положении о Федеральном агентстве воздушного транспорта (ФАВТ) нет определения понятия квалификационной оценки тренажеров, поэтому работы по допуску в эксплуатацию новых тренажеров для подготовки авиаперсонала гражданской авиации в стране включают следующее: – экспертизу доказательной документации по результатам предварительных (заводских) испытаний тренажеров; – летную оценку характеристик тренажеров по субъективным критериям; – оценку возможности выполнения на тренажерах программ подготовки летного состава с учетом учебно-методических возможностей тренажеров; – оформление акта (заключения) о возможности и условиях выдачи разрешения Управлением летной эксплуатации ФАВТ на использование тренажера по утвержденным программам [10]. При выборе разработчика тренажера следует учитывать следующие параметры. Ограничения, а именно наличие в продукции разработчика – экспортных ограничений; – технологий, не позволяющих использовать их другими поставщиками тренажеров; – защищенной интеллектуальной собственности с ограничениями в использовании. Сроки: – срок разработки первого экземпляра FSTD с даты получения исходных данных и покупных комплектующих изделий по воздушному судну до RFT (тренажер готов к обучению); – период гарантийной послепродажной поддержки FSTD; – сроки поставки запчастей с даты запроса; – готовность разработчика к изменениям графика при задержках в предоставлении исходных данных и/или покупных комплектующих изделий. Поставка первого тренажера в конфигурации с актуальным бортовым оборудованием (особенно авионики) для самолета, только прошедшим стадию разработки, в некоторых случаях происходит с существенной задержкой. Для оперативной подготовки персонала допускается поставка тренажера более низкого уровня, например, без системы подвижности и коллимационной системы. Для ускорения разработки такого тренажера целесообразно использовать кабину пилотов одного из отработочных стендов (прочностных, технологических, птицестойкости и т.д.), закончивших программу испытаний, или возможна доработка инженерного тренажера. Требования к данным и ПО описываются в следующих отчетах Aeronautical Radio, Incorporated: 48

№ 4, 2013 г.

ARINC 440 – Руководство по предоставлению и поддержке данных, относящихся к оборудованию; ARINC 441 – Руководство по предоставлению программного обеспечения в двоичном формате для целей обучения и подготовки; ARINC 442 – Руководство по предоставлению моделей, работающих на основе управляющей карты/исходной программы, для целей обучения и подготовки; ARINC 610 – Руководство по проектированию оборудования и программного обеспечения, предназначенного для использования в авиационных тренажерах. При разработке математических моделей для тренажера использование специализированных программных комплексов может осложнять процедуру поддержания модели в процессе эксплуатации, так как специализированный программный комплекс является предметом интеллектуальной собственности компании-разработчика. При соответствующей договоренности разработчиков для успешного решения этой проблемы возможно создание математических моделей с использованием широко распространенных языков программирования, например С++. Фирме-изготовителю тренажера математическая модель может поставляться в исполняемых кодах (Soft Package) [11]. Автор благодарит заслуженного деятеля науки России, проф. В.Н. Решетникова и проф. А.Г. Бюшгенса за консультации и помощь при написании данной работы. Литература 1. Литвиненко А.А. Анализ состояния российского рынка авиационных технических средств обучения // Авиатренажеры, учебные центры и авиаперсонал-2012: IV Междунар. конф. М.: Динамика, 2012.

2. Решетников В.Н. Космические телекоммуникации (начала). Тверь: НИИ «Центрпрограммсистем», 2009. 128 с.

3. Решетников В.Н. Космические телекоммуникации. Системы спутниковой связи и навигации. СПб: Ленинградское изд-во, 2010. 132 с.

4. Бюшгенс А.Г. Современные тренажерные технологии в России // Аэрокосмический курьер. 2010. № 5.

5. International Civil Aviation Organization. Doc 9625AN/938 Manual of Criteria for the Qualification of Flight Simulation Training Devices, Montreal, Canada: International Civil Aviation Organization, 2009.

6. Шибаев В.М. Современные нормы годности авиационных тренажеров – залог безопасности полетов // Авиатренажеры, учебные центры и авиаперсонал-2012: IV Междунар. конф. М.: Динамика, 2012.

7. Шибаев В.М. Документ ICAO 9625 H – новый подход к формированию требований к характеристикам авиационного тренажера с учетом задач подготовки летного состава // Тренажерные технологии – резерв повышения безопасности полетов: круглый стол. М.: Крокус Экспо, 2011.

8. Allerton D. Principles of flight simulation. Chichester UK, Wiley, 2009.

9. Шибаев В.М., Аполлонов Д.В., Еркин И.Н. Методика определения запаздывания ответной реакции систем авиационного тренажера. Жуковский: ЦЭСАТ ЦАГИ, 2011. 12 с.

10. Кольцов С.Е. Результаты работ по допуску в эксплуатацию новых тренажеров для подготовки авиаперсонала гражданской авиации // Авиатренажеры, учебные центры и авиаперсонал-2012: IV Междунар. конф. М.: Динамика, 2012.

Программные продукты и системы 11. Карлин В.С. Опыт создания авиационных тренажеров в компании «Гражданские самолеты Сухого» // Авиатренажеры, учебные центры и авиаперсонал-2012: IV Междунар. конф. М.: Динамика, 2012.

References 1. Litvinenko A.A. A Russian market research in the field of avia aircraft technical. IV Mezhdunar. konf. “Aviatrenazhery, uchebnye tsentry i aviapersonal-2012” [4th int. conf. “Flight simulators, training centers and a flight crew”]. Moscow, Dinamika Publ., 2012 (in Russ.).

2. Reshetnikov V.N. Kosmicheskie telekommunikatsii (nachala) [Space telecommunications (basics)]. Tver, Centrprogrammsistem Publ., 2009, 128 p.

3. Reshetnikov V.N. Kosmicheskie telekommunikatsii. Sistemy sputnikovoy svyazi i navigatsii [Space telecommunications.

Satellite communications and navigation system]. St. Petersburg, Leningradskoe izd. Publ., 2010, 132 p.

4. Byushgens A.G. Modern training technologies in Russia.

Aerospace courier. 2010, no. 5 (in Russ.).

5. Doc 9625-AN/938, Manual of Criteria for the Qualification of Flight Simulation Training Devices. Montreal, Canada, Intern. Civil Aviation Organization Publ., 2009.

6. Shibaev V.M. Modern worthiness standards for aerosimulators is flights safety provision. IV Mezhdunar. konf. “Aviatrena-

№ 4, 2013 г. zhery, uchebnye tsentry i aviapersonal-2012” [4th int. conf. “Flight simulators, training centers and a flight crew”]. Moscow, Dinamika Publ., 2012 (in Russ.).

7. Shibaev V.M. ICAO 9625 H is a new approach to form requirements to the feachers of flight simulators considering instructional tasks for flight crew. Krugly stol “Trenazhernye tekhnologii – rezerv povysheniya bezopasnosti poletov” [A panel discussion “Simulators technologies is a way to increase flights safety”]. Moscow, MVC “Krokus Ekspo”, 2011.

8. Allerton D. Principles of flight simulation. Chichester, UK, Wiley, 2009, 471 p.

9. Shibaev V.M., Apollonov D.V., Erkin I.N. Metodika opredeleniya zapazdyvaniya otvetnoy reaktsii sistem aviatsionnogo trenazhera [A method for indicating delayed response of flight simulator systems]. Zhukovskiy, TsAGI Publ., 2011.

10. Koltsov S.E. The results of authorization for operation of new simulators to train a civil flight crew. IV Mezhdunar. konf.

“Aviatrenazhery, uchebnye tsentry i aviapersonal-2012” [4th Int. conf. “Flight simulators, training centers and a flight crew”].

Moscow, Dinamika Publ., 2012 (in Russ.).

11. Karlin V.S. An experience in developing flight simulators in the company “Sukhoi Civil Aircraft”. IV Mezhdunar. konf.

“Aviatrenazhery, uchebnye tsentry i aviapersonal-2012” [4th Int. Conf. “Flight simulators, training centers and a flight crew”].

Moscow, Dinamika Publ., 2012 (in Russ.).

УДК 621.377.037 (621.377.037, 621.377.624)

РАЗРАБОТКА ВЫСОКОНАДЕЖНЫХ МНОГОПРОЦЕССОРНЫХ МОДУЛЕЙ НА БАЗЕ ВЫСОКОСКОРОСТНЫХ КАНАЛОВ RapidIO С.Г. Бобков, д.т.н., зав. отделом; А.А. Еремин, зав. сектором; Н.В. Кондратьева, к.ф.-м.н., зав. сектором; О.В. Сердин, к.т.н., зам. зав. отделом

(НИИСИ РАН, Нахимовский просп., 36, корп. 1, г. Москва, 117218, Россия, bobkov@cs.niisi.ras.ru, eremin@cs.niisi.ras.ru, nvkondratyeva@mephi.ru, serdin@cs.niisi.ras.ru) Рассматриваются общие подходы к созданию сбоеустойчивых к внешнему воздействию радиационных факторов и к экстремальным тепловым режимам эксплуатации высокопроизводительных модулей на базе современных систем на кристалле с технологическими нормами изготовления 180 и менее нанометров и их реализация в многопроцессорном модуле ЦП-РИО-64, созданном на базе микросхемы 1890ВМ6Я. В разработанном модуле используется новый аппаратно-программный способ достоверного исполнения программ и реализована распределенная система управления восстановлением. Модуль ЦП-РИО-64 относится к вычислительной технике и может быть использован для построения цифровых вычислительных комплексов, выполняющих в реальном масштабе времени прием по высокоскоростным каналам потоков данных RapidIO, первичную обработку сигналов (пространственно-временной спектральный анализ, формирование частотных диапазонов, фильтрацию, пороговое обнаружение), вторичную, третичную и общекомплексную обработку информации, включая решение задач отображения, консервации, документирования и управления на рабочих местах операторов, а также обмен данными с другими приборами и системами. Ключевые слова: RapidIO LP-LVDS, RapidIO LP-Serial, коммутатор RapidIO, система на кристалле (СнК), повышение сбоеустойчивости, цифровой вычислительный комплекс (ЦВК).

DESIGN OF HIGH RELIABILITY MULTIPROCESSOR MODULES BASED ON HIGH-PERFORMANCE RAPIDIO INTERCONNECT ARCHITECTURE Bobkov S.G., Dr. Tech. Sc., head of department; Eremin A.A., head of sector; Kondrateva N.V., Ph.D. (Physics and Mathematics), head of sector; Serdin O.V., Ph.D. Tech. Sc., deputy head of department (SRISA RAS, Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation, bobkov@cs.niisi.ras.ru, eremin@cs.niisi.ras.ru, nvkondratyeva@mephi.ru, serdin@cs.niisi.ras.ru) Аbstract. The paper contains the description of general approaches for designing and creating high-performance modules tolerant to the impact of external radiation factors and extreme thermal operation modes. The modules are based on the modern System-on-a-Chip (SoC) with technology-specific rules 180 nanometers or less. The article introduces the realization of these principles in the multiprocessor CP-RIO-64 module based on a chip (SoC) – 1890VM6IA. A new hardware-software technique for reliable program execution and a distributed control system for recovery are realized in the high-performance CP-RIO-64 module with RapidIO Interconnect Architecture. The RapidIO Interconnect

49

Программные продукты и системы

№ 4, 2013 г.

Architecture is designed to be compatible with the most popular integrated communications processors, host processors and networking digital signal processors. It is a high-performance, packet-switched, interconnect technology. High Speed RISC Processor CP-RIO-64 module contains a RapidIO switch, several Systems-on-a-Chips, DDR SDRAM with ECC Support, Nand Flash memory blocks. The CP-RIO-64 module belongs to computer facilities. It can be used to create digital computer systems, which are carrying out real time data receiving by high speed RapidIO bus, preprocessing the signals (the spacetime spectral analysis, the frequency ranges formation, the filtration and threshold detection) and also secondary, tertiary and general information processing including data exchange with other devices and systems.

Keywords: RapidIO LP-LVDS, RapidIO LP-Serial, RapidIO switch, System-on-a-Chip (SoC), increasing stability, module reliability, High Speed RISC Processor Module (CPM), SRAM, DDR with ECC Support, computer system.

Усложнение современных технологических процессов обусловило необходимость повышения производительности систем контроля и управления. Основными путями решения данной задачи являются повышение производительности микропроцессоров за счет увеличения их рабочей частоты и создания систем на кристалле (СнК), а также создание на их базе многопроцессорных модулей. Повышение рабочих частот и создание СнК происходят в основном за счет перехода на низкие (менее 100 нм) технологические нормы изготовления кристаллов микросхем. Однако при таком переходе существенно повышается влияние радиационных факторов на надежность и долговечность микросхем, обусловленное структурными изменениями в кристаллах при воздействии высокоэнергетичных частиц и потоков атмосферных нейтронов. Это приводит к тому, что любая внешняя атака ионизирующих частиц способна приводить к сбою, поэтому конструкции модулей и сверхбольших (с 107 интеграцией) интегральных микросхем (СБИС) должны обеспечивать минимизацию вероятности подобного сбоя и возможность исправления произошедших ошибок. Соответственно, и схемотехника, и топология, и конструкция, и маршрут проектирования СБИС (с технологическими нормами изготовления 100 и менее нанометров) и модулей на их основе должны решать задачу не обороны, а исправления и излечения от локальных потерь данных. Перспективной является разработка высоконадежных многопроцессорных модулей с повышенной сбоеустойчивостью к внешнему воздействию радиационных факторов и экстремальным тепловым режимам эксплуатации. Высокопроизводительные модули обеспечивают возможность построения цифровых вычислительных комплексов (ЦВК), выполняющих в реальном масштабе времени прием по высокоскоростным каналам потоков данных RapidIO, первичную обработку сигналов (пространственно-временной спектральный анализ, формирование частотных диапазонов, фильтрацию, пороговое обнаружение и т.п.), вторичную, третичную и общекомплексную обработку информации, включая решение задач отображения, консервации, документирования и управления на рабочих местах операторов, а также обмен данными с другими приборами и системами. Для повышения сбоеустойчивости предлагается применять дублирование и тройное модульное 50

резервирование с использованием мультиплексирования, не ухудшающие быстродействие устройства. Используются несколько методов повышения сбоеустойчивости. Первый метод резервирования канала передачи информации заключается в наличии двух симметричных структур, которые за счет внутренних связей элементов сохраняют исходное логическое состояние в случае воздействия радиационных факторов. Использование резервирования функциональных блоков и схем мажоритарной выборки позволяет повысить сбоеустойчивость без существенного снижения быстродействия. Однако при избыточном аппаратном резервировании ухудшаются массогабаритные и стоимостные показатели, повышается потребляемая мощность и, как следствие, снижается надежность. В разработанном на базе микросхем 1890ВМ6Я модуле ЦПРИО-64 применены резервируемые каналы связи между микропроцессорами: параллельный интерфейс RapidIO LP-LVDS и последовательный интерфейс RapidIO LP-Serial (SRIO) (www.rapidio. org). Коммутация каналов параллельного RapidIO осуществляется отдельной микросхемой коммутатора 1890КП3Я. Коммутаторы последовательного интерфейса RapidIO встроены в каждую СнК – микросхему 1890ВМ6Я. В разработанном модуле ЦП-РИО-64 предусмотрены каналы ввода-вывода информации по интерфейсу RS-232C для диагностики и настройки подсистем модуля. Второй метод состоит в исправлении одиночных ошибок оперативного запоминающего устройства (ОЗУ) введением контроллера с использованием дополнительной микросхемы памяти. Третий метод заключается в мажоритарном исправлении ошибок (мажоритарной выборке). Приведенные методы повышения сбоеустойчивости применяются в разработанном модуле ЦП-РИО-64 на базе микросхемы 1890ВМ6Я, который может быть использован при создании высокопроизводительных однородных мультипроцессорных систем и систем цифровой обработки сигналов для сухопутной, морской, авиационной техники, аппаратуры космического и другого специального назначения. Функциональная схема разработанного на основе микропроцессоров 1890ВМ6Я с архитектурой «КОМДИВ» модуля ЦП-РИО-64 представлена на рисунке 1. Модуль ЦП-РИО-64, предназначен-

Программные продукты и системы

№ 4, 2013 г.

Х7 ПП RS-232

Шина ПЗУ

MII

SRIO

ПП ETH

NAND- Flash1

NAND- Flash2

РПЗУ 1

РПЗУ 2

ПЗУ SYS 1

ПЗУ SYS 2

ОЗУ1

ПП RS-232

Шина ПЗУ

Base-TX

Х6

ОЗУ2

СнК1 (1890ВМ6Я)

СнК2 (1890ВМ6Я) MII

5PRIO

ПП ETH

Мезонин 2 RMC

GPIO, SERVICE

3PRIO

2PRIO

1PRIO

Мезонин 1 RMC

0PRIO

7PRIO

6PRIO

ПП RS-232

GPIO, SERVICE

Коммутатор RapidIO

ПП RS-232

Base-TX

I2C

4PRIO

ППЗУ

PCI

0...3PRIO, JTAG, GPIO, SERVICE Рис. 1. Функциональная схема модуля ЦП-РИО-64 на основе микропроцессоров 1890ВМ6Я

ный для построения высокопроизводительных вычислительных комплексов широкого применения с коммутационной средой стандарта RapidIO, содержит – два микропроцессора 1890ВМ6Я – микросхемы СнК1 и СнК2; – ОЗУ1 динамического типа объемом 512 Мб с возможностью коррекции ошибок для СнК1; – ОЗУ2 динамического типа объемом 512 Мб с возможностью коррекции ошибок для СнК2; – восьмиканальный коммутатор RapidIO; – внутреннюю шину PCI (www.pci-sig.com) для подключения двух мезонинных модулей в стандарте PMC; – внутренние шины параллельного RapidIO для подключения двух мезонинных модулей в стандарте RMC; – перепрограммируемое запоминающее устройство (ППЗУ) конфигурации емкостью 4 Кбит для коммутатора RapidIO;

– системное постоянное запоминающее устройство (ПЗУ) SYS1 объемом 512 Кб, микросхему РПЗУ1 пользователя объемом 16 Мб, микросхему NAND-Flash1 пользователя объемом 1 Гб для СнК1; – системное ПЗУ SYS2 объемом 512 Кб, РПЗУ2 пользователя объемом 16 Мб, NANDFlash2 пользователя объемом 1 Гб для СнК2; – приемопередатчики Ethernet (ПП ETH) с интерфейсом MII для двух микропроцессоров 1890ВМ6Я; – приемопередатчики (ПП) RS-232 для каждого микропроцессора; – контроллер дискретных GPIO сигналов в составе каждого микропроцессора; – входы-выходы для технологического интерфейса JTAG; – сторожевой таймер в составе двух микропроцессоров; – вторичные преобразователи напряжения питания для СБИС микропроцессоров; 51

Программные продукты и системы

№ 4, 2013 г.

– СБИС коммутатора и СБИС ОЗУ; – супервизор напряжений питания. В состав каждой микросхемы 1890ВМ6Я включены коммутатор RapidIO, контроллер PRIO, контроллер последовательного канала Serial RapidIO 4x SRIO, оконечное устройство RapidIO, два контроллера интерфейса I2C, контроллер шины PCI, контроллер портов дискретных сигналов GPIO. Порт 0 микропроцессора № 0 по каналам параллельного RapidIO (PRIO) подключен к порту 5 коммутатора PRIO, порт 1 микропроцессора № 0 – последовательный RapidIO (SRIO) – выведен на внешний соединитель Х6, служебные и диагностические сигналы выведены на внешний соединитель Х7. В разработанном модуле ЦП-РИО-64 используется новый аппаратно-программный способ достоверного исполнения программ, размещаемых в РПЗУ1 и РПЗУ2 в условиях одиночных сбоев. Технически результат достигается использованием – высоконадежных микросхем ПЗУ SYS1 и ПЗУ SYS2; – дублирования склонных к сбоям микросхем РПЗУ1 и РПЗУ2; – дублирования микросхем NAND-Flash1 и NAND-Flash2;

СнК1 Контроллер

RapidIO

– сбоеустойчивых резервированных каналов RapidIO; – контроллеров RapidIO, интегрированных в СнК1 и СнК2 с целью уменьшения количества компонентов в модуле; – распределенной (между несколькими СнК) системы управления восстановлением после сбоя; – специального ПО. Функциональная схема распределенной системы управления восстановлением, включающая в себя СнК1 и СнК2, соединенные через микросхему коммутатора параллельного RapidIO, представлена на рисунке 2. Данная система управления состоит из программируемого сторожевого таймера в составе каждой СнК и блока достоверной загрузки. Блок достоверной загрузки внутри СнК включает в себя контроллер коротких сообщений RapidIO и контроллер аварийного маршрутизатора. Распределенная система управления восстановлением позволяет каждой управляющей СнК1 или СнК2 взять на себя функцию восстановления после сбоя. В разработанном модуле ЦП-РИО-64 микросхемы 1890ВМ6Я – СнК1 и СнК2 – могут соединяться между собой через объединительную плату и с помощью внешнего кабеля по последовательному RapidIO (SRIO).

Программа «Реаниматор»

ПЗУ SYS1

PПЗУ1

Контрольная сумма

Коммутатор параллельного

4PRIO

Шина ПЗУ1

5PRIO

Шина ПЗУ2

RapidIO

СнК2 Контроллер

RapidIO

Программа «Реаниматор»

ПЗУ SYS2

PПЗУ2

Контрольная сумма

Рис. 2. Функциональная схема распределенной системы управления восстановлением

52

NANDFlash1

NANDFlash2

Программные продукты и системы

№ 4, 2013 г.

В каждую СнК заводится географический адрес, идентифицирующий микросхему в многомодульной конструкции. Значение географического адреса одной СнК по каналам RapidIO доступно другой СнК. При выполнении и сбое программы какой-либо СнК срабатывает сторожевой таймер данной СнК. Статус о срабатывании сторожевого таймера доступен другой СнК через служебные пакеты, передаваемые по каналам RapidIO. Сигнал срабатывания сторожевого таймера воспринимает управляющая СнК, которая опросом статусов о срабатывании сторожевого таймера всех СнК выявляет, где произошел сбой.

В модуле применяются несколько систем хранения информации: сбоеустойчивые микросхемы ПЗУ SYS1 и ПЗУ SYS2 малого объема, две микросхемы флэш-памяти РПЗУ1 и РПЗУ2. Микросхемы ПЗУ SYS1 и ПЗУ SYS2 являются самыми надежными, они предназначены для размещения внутреннего ПО и содержат программы начальной инициализации «Реаниматор» для проверки правильности считываемой информации из РПЗУ1 (или из РПЗУ2). На рисунке 3 представлен алгоритм работы программы «Реаниматор». Правильность информации защищена контрольной суммой, которая располагается в ПЗУ

Старт/инициализация СнК1

Старт/инициализация СнК2

Чтение блока данных РПЗУ1 /инициализация СнК1

Чтение блока данных РПЗУ2 /инициализация СнК1

Подсчет контрольной суммы блока данных РПЗУ1

Нет

Сравнение вычисленной контрольной суммы и эталонной контрольной суммы блока данных РПЗУ2 Истинно

Нет

Истинно

Сравнение вычисленной контрольной суммы и эталонной контрольной суммы блока данных РПЗУ1

Подсчет контрольной суммы блока данных РПЗУ2

Чтение блока данных NAND-Flash1

Чтение блока данных NAND-Flash2

Подсчет контрольной суммы блока данных NAND-Flash1 /инициализация СнК1

Подсчет контрольной суммы блока данных NAND-Flash2 /инициализация СнК1

Сравнение вычисленной контрольной суммы и эталонной контрольной суммы блока данных NAND-Flash1

Сравнение вычисленной контрольной суммы и эталонной контрольной суммы блока данных NAND-Flash2

Нет

Чтение данных из ОЗУ2

Копирование NAND-Flash1 в сбоеустойчивое ОЗУ1

Нет

Чтение данных из ОЗУ1

Истинно

Копирование РПЗУ2 в сбоеустойчивое ОЗУ2

Истинно

Копирование РПЗУ1 в сбоеустойчивое ОЗУ1

Копирование NAND-Flash2 в сбоеустойчивое ОЗУ2

Рис. 3. Алгоритм работы программы «Реаниматор»

53

Программные продукты и системы

SYS1. В случае расхождения подсчитанных сумм с эталонной, хранимой в ПЗУ SYS1, программа «Реаниматор» переключается на работу с РПЗУ2. При положительном сравнении считываемая информация используется из РПЗУ2. При отрицательном результате сравнения и в РПЗУ1, и в РПЗУ2 программа «Реаниматор» использует резервируемые каналы связи параллельного RapidIO для получения информации из NAND-Flash2 СнК2. В случае доставки данных из РПЗУ1 СнК1 для загрузки другой СнК2 по сбоеустойчивому каналу RapidIO программа «Реаниматор» выполняет следующий алгоритм: 1) по каналу RapidIO информирует другую программу «Реаниматор» о необходимости получения достоверных данных; 2) при получении подтверждения о возможности удаленной загрузки принимает данные и размещает их в сбоеустойчивом ОЗУ2. Программа «Реаниматор» занимает объем 2 Кб и исполняется из ПЗУ SYS1 (или ПЗУ SYS2); блок коротких сообщений RapidIO в составе контроллера RapidIO в каждой СнК функционирует без использования ОЗУ1 (ОЗУ2) и имеет следующие отличия: – отправка пакета-запроса сообщения осуществляется через набор регистров контроллера под управлением программы, использующей внутренние регистры процессора; – прием и проверка на достоверность пакетаответа от получателя отправленного сообщения выполняются автоматически самим контроллером без участия процессора; – прием пакета-запроса осуществляется через набор регистров контроллера под управлением программы, использующей внутренние регистры процессора. Автоматическая маршрутизация пакетов RapidIO достигается через конфигурационное перепрограммируемое ППЗУ маршрутизатора. В случае истечения аварийного тайм-аута ожидания пакета-ответа, а также прихода неверного пакетаответа или прихода пакета-ответа с полем статуса «ошибка» контроллер аварийного маршрутизатора автоматически изменяет маршрут доставки пакетов RapidIO от одной СнК к другой. Перебор маршрутов доставки осуществляется до достижения устанавливаемой границы возможных переборов. Маршруты доставки при невозможности использовать параллельные каналы RapidIO включают последовательный SRIO канал RapidIO. Контроллер аварийного маршрутизатора вычисляет географический адрес получателя и посылает сформированный служебный пакет-запрос для изменения пути прохождения пакетов по каналам параллельного RapidIO. Отдаленным аналогом разработанного модуля ЦП-РИО-64 на базе СБИС микропроцессоров 54

№ 4, 2013 г.

1890ВМ6Я может быть модуль PM854 фирмы Dynatem, в состав которого входят одна двухъядерная СнК MPC8540 фирмы Freescale Semiconductor с частотой 1 ГГц, ОЗУ объемом 512 Мб с коррекцией ошибок, ПЗУ системное и ППЗУ пользователя типа флэш общим объемом 64 Мб, один канал Ethernet 100 Мбит/с, два канала Ethernet 1 Гбит/с, один канал параллельного RapidIO, один канал интерфейса PCI, два канала RS-232C и один канал I2C. Производительность модуля PM854 2310 MIPS, соотношение производительность/частота равно 1,15 MIPS/МГц. Модуль PM854 фирмы Dynatem выполнен в СОМ-стандарте в виде мезонинных конструкций. Результаты сравнения технических параметров разработанного модуля на базе микропроцессоров 1890ВМ6Я и модуля PM854 приведены в таблице. Сравнительные технические параметры модулей Технический параметр сравнения

Модуль Модуль РезульЦП-РИО-64 PM854 тат на основе фирмы сравнемикропро- Dynaния цессоров tem 1890ВМ6Я Количество ядер/ 2 2 Не уступроцессоров, шт. пает Соотношение произ1,00 1,15 Не устуводительность/частопает та, MIPS/МГц Соотношение 0,1 (20 Вт) потребляемая мощность/частота, Вт/МГц Общий объем ОЗУ, 1024 512 ПревосМб ходит Коррекция ошибок Есть Есть Не устув ОЗУ пает Количество внешних 4 1 Превосканалов параллельходит ного RapidIO, шт. Количество внешних 2 Превосканалов последоваходит тельного RapidIO, шт. Количество каналов 1 1 Не устуинтерфейса PCI, шт. пает Общий объем ПЗУ 2033 64 Превоссистемного и ППЗУ ходит пользователя, Мб Количество каналов 2 2 Не устуEthernet, шт. пает Количество каналов 2 1 ПревосI2C, шт. ходит Количество каналов 4 2 ПревосRS-232C, шт. ходит

Модуль ЦП-РИО-64 содержит устройства самодиагностики, позволяющие после подачи питания или после снятия сигнала сброса формировать сигнал готовности. Разработанный модуль содержит встроенное ПО, программы ПЗУ и тестовое

Программные продукты и системы

ПО. Модуль ЦП-РИО-64 позволяет обеспечить установку двух дополнительных мезонинных модулей в конструктиве РМС/XMC. Модуль ЦП-РИО-64, предназначенный для построения систем цифровой обработки сигналов и высокопроизводительных однородных многопроцессорных вычислительных комплексов широкого применения с коммутационной средой стандарта RapidIO в конструктиве Евромеханика 6U, разработан в нескольких исполнениях, отличающихся стойкостью к внешним воздействующим факторам, количеством микропроцессоров и тактовой частотой микросхем 1890ВМ6Я. Тактовая частота микропроцессоров 1890ВМ6Я, входящих в модуль ЦП-РИО-64, не менее 200 МГц в диапазоне рабочих температур от –60 оС до +85 оС при установке двух микропроцессоров; не менее 270 МГц в диапазоне рабочих температур от 0 оС до +60 оС при установке одного микропроцессора 1890ВМ6Я. Пиковая производительность разработанных модулей с двумя 200 МГц микропроцессорами составляет 4,8 Гфлопс (одинарная точность), с одним 270 МГц микропроцессором – 3,6 Гфлопс. Моделированием и расчетными методами было оценено повышение сбоеустойчивости разработанного модуля ЦП-РИО-64, которое составило не менее 23 %.

№ 4, 2013 г.

Совместное использование известных методов повышения производительности и сбоеустойчивости начальной загрузки с новым способом распределения функций восстановления после сбоя реализовано в многопроцессорном модуле ЦПРИО-64, работоспособность которого проверена в составе цифровых вычислительных комплексов в условиях разрушающего воздействия радиационных факторов при ограничении до 20 Вт на потребляемую мощность. Литература 1. Бобков С.Г., Косарев И.М. Методы повышения производительности вычислительных систем: прилож. к журналу «Информационные технологии». 2012. № 10.

2. Betelin V.B., Baranov S.V., Bobkov S.G., Krasnyuk A.A., Osipenko P.N., Stenin V.Ya., Cherkasov I.G., Chumakov A.I., Yanenko A.V. Prospects for Using Submicron CMOS VLSI in Fault-Tolerant Equipment Operating Under Exposure to Atmospheric Neutrons. // Russian Microelectronics, 2009, vol. 38, no. 1, pp. 43–47.

References 1. Bobkov S.G., Коsarev I.М. Methods of computer systems performance increasing. Informatsionnye tekhnologii [Information technology]. 2012, no. 10 (in Russ.).

2. Betelin V.B., Baranov S.V., Bobkov S.G., Krasnyuk A.A., Osipenko P.N., Stenin V.Ya., Cherkasov I.G., Chumakov A.I., Yanenko A.V. Prospects for using submicron CMOS VLSI in faulttolerant equipment operating under exposure to atmospheric neutrons. Russian Microelectronics. 2009, vol. 38, no. 1, pp. 43–47.

УДК 004.925.4

ПОДГОТОВКА ДЕТАЛИЗИРОВАННОЙ ТЕКСТУРЫ ПОВЕРХНОСТИ ДЛЯ ВЫСОКОРЕАЛИСТИЧНОЙ ВИЗУАЛИЗАЦИИ ЗЕМЛИ (Работа выполняется при поддержке Программы фундаментальных исследований ОНИТ РАН, проект № 2.9)

А.В. Мальцев, к.ф.-м.н., старший научный сотрудник (НИИСИ РАН, Нахимовский просп., 36, корп. 1, г. Москва, 117218, Россия, avmaltcev@mail.ru) Одним из основных критериев обеспечения высокой реалистичности изображений при визуализации модели Земли в имитационно-тренажерных комплексах подготовки космонавтов является использование в процессе рендеринга детализированной текстуры земной поверхности. В данной статье предлагаются технология подготовки такой текстуры из исходного набора тайлов (фотоизображений небольших участков земной поверхности) одинакового размера для ее дальнейшего применения в приложениях, созданных для визуализации моделей Земли и использующих системы распределенных вычислений, а также технология сверхбольших текстур. В рамках проблемы рассматривается решение ее наиболее существенных задач. Поскольку, как правило, исходные тайлы заданы в проекции Меркатора, в работе предлагается и подробно разбирается алгоритм преобразования текстуры с проекцией Меркатора в удобную для последующего использования текстуру с эквидистантной цилиндрической проекцией. Также рассматривается способ для бесшовного добавления в подготавливаемую текстуру водных поверхностей в случае их отсутствия в исходном наборе тайлов, заключающийся в использовании специальной текстурной маски в градациях серого цвета. Метод создания такой маски предложен и описан в одном из разделов данной статьи. Кроме того, в работе рассматривается созданный на основе предлагаемых технологий, методов и алгоритмов программный комплекс. Комплекс состоит из трех приложений, работающих под управлением операционной системы Microsoft Windows, и одного сценария для программы Adobe Photoshop, которые в совокупности позволяют пользователю за несколько шагов подготовить требуемую текстуру земной поверхности. Ключевые слова: высокореалистичная визуализация, модели планет, текстурирование, видеотренажеры.

PREPARATION OF DETAILED SURFACE TEXTURE FOR HIGH REALISTIC EARTH VISUALIZATION Maltsev A.V., Ph.D. (Physics and Mathematics), senior researcher (SRISA RAS, Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation, avmaltcev@mail.ru)

55

Программные продукты и системы

№ 4, 2013 г.

Аbstract. One of the main criteria for providing highly realistic images when Earth model is rendered in the simulationtraining complexes is to use Earth's detailed surface texture in visualization process. This paper proposes such texture preparation technology from initial set of same size tiles (photo images of Earth's small surface area). This texture can be subsequently used in applications that visualize Earth models and use distributed computing as well as ultra-large texture technology. The article consideres the decisions of the most important tasks regarding the described problem. Since original tiles are usually set in the Mercator projection, the algorithm is proposed to transform Mercator projection texture to equidistant cylindrical projection texture which is easier to use hereinafter. Also the way for seamless adding water surfaces to prepare texture is described if they are absent in the original set of tiles. It includes using special grayscale mask texture.

The method of such a mask creation is proposed and described in one of the sections of this article. In addition, in the paper describes the software complex that has been created based on proposed technologies, methods and algorithms. This complex consists of three applications for Microsoft Windows operating system and one script for the Adobe Photoshop program.

They allow user to prepare a required texture of Earth’s surface in a few steps.

Keywords: high realistic visualization, planet models, texturing, video trainers.

Важным требованием, предъявляемым к имитационно-тренажерным комплексам в различных научно-технических областях, является высокая реалистичность визуализируемых на компьютере трехмерных виртуальных моделей. В космических тренажерных системах к таким объектам относятся, например, Международная космическая станция (МКС), транспортные и грузовые корабли, Земля. Каждый из них играет существенную роль в правильном восприятии окружающей обстановки. Для обеспечения высокой реалистичности синтезируемых изображений Земли необходимо иметь детализированную текстуру ее поверхности. В данной статье рассматривается задача синтеза детализированной текстуры высокого разрешения для модели Земли, визуализируемой с использованием распределенных вычислительных систем и технологии сверхбольших текстур [1]. В качестве исходных данных берется набор тайлов – фотоизображений небольших участков земной поверхности. Все тайлы имеют одинаковый размер (в пикселах) и представлены в проекции Меркатора WGS84 (свойства данной проекции будут рассмотрены далее). Отметим, что обычно исходные наборы, как свободно распространяемые, так и доступные для коммерческого использования, не включают в себя крупные водные поверхности (озера, моря, океаны), что выражается в отсутствии тайлов, вообще не содержащих суши. В результате необходимо получить полную (то есть описывающую всю поверхность Земли) текстуру с эквидистантной цилиндрической проекцией. Для решения такой задачи в работе предлагаются алгоритм преобразования текстур высокого разрешения из проекции Меркатора в эквидистантную проекцию, а также технология бесшовного добавления в подготавливаемую текстуру отсутствующих в исходных данных водных поверхностей, обеспечивающая плавный переход между ними и сушей. Технология создания детализированной текстуры Земли Для решения задачи генерации детализированной текстуры Земли предлагается следующий алгоритм. На первом этапе необходимо осущест56

вить сборку имеющихся тайлов в единое изображение M высокого разрешения. При этом участки водной поверхности, для которых отсутствуют тайлы, заполним черным цветом. Для хранения и обработки текстуры М применим формат данных Photoshop RAW 24 бит/пиксел (по 8 бит на каждую из цветовых компонент R, G, B). Исходные изображения, а значит и текстура М, представлены в проекции Меркатора [2] – равноугольной картографической проекции, сохраняющей углы между направлениями. Меридианы в ней обозначаются параллельными равноотстоящими линиями, а параллели – параллельными линиями, расстояние между которыми увеличивается при движении от экватора к полюсам. В связи с тем, что формула отображения координат на эллипсоиде в координаты на плоскости содержит функцию тангенса, аргумент которой при приближении к полюсам стремится к π/2, сами полюсы не могут быть представлены на проекции Меркатора. Поэтому обычно такую карту ограничивают областями до 80–85° северной и южной широты. Масштаб на карте Меркатора не является постоянным, он увеличивается от экватора к полюсам (как обратный косинус широты). Для применения создаваемой текстуры при визуализации модели Земли удобно использовать другой вид проекции – эквидистантную цилиндрическую [2]. Она является равнопромежуточной, то есть и меридианы, и параллели представляют собой равноудаленные прямые линии, а масштаб сохраняется при движении от экватора к полюсам. В отличие от проекции Меркатора данная проекция охватывает широтный интервал от 90° северной до 90° южной широты, а значит, включает полюсы. Для преобразования имеющейся текстуры М с проекцией Меркатора в текстуру E с эквидистантной цилиндрической проекцией в данной статье предлагается специальный алгоритм. На втором этапе необходимо подготовить дополнительную текстуру T (такого же размера в пикселах, что и E), на основе которой будут добавляться водные поверхности к созданной текстуре Е. T является модифицированным вариантом так называемой текстуры маски земной поверхности, в которой белым цветом (1,0 в числовом эквиваленте) отображается суша, а черным

Программные продукты и системы

(0,0) – водные поверхности. Использование чернобелого варианта маски отразилось бы в ярко выраженных границах между сушей в текстуре E и добавленными к ней водными поверхностями. Чтобы избежать резких цветовых границ и получить сглаженные переходы от суши к воде, в данной работе предлагается применять маску T в градациях серого цвета (в отрезке [0,0, 1,0]). Метод ее получения из исходного черно-белого изображения описан далее. На третьем этапе выполняется добавление водных поверхностей к подготовленной на первом этапе детализированной текстуре E с использованием маски T. При этом новый цвет E'i,j пиксела (i, j) текстуры E вычисляется по формуле  Ei , j , если Ti , j  1, 0,  ' Ei , j   Ei , j (Ti , j )  Cw (1  Ti , j ), если 0, 0  Ti , j  1, 0 ,  Cw , если Ti , j  0, 0, где Ei,j – исходный цвет рассматриваемого пиксела; Ti,j – числовой эквивалент цвета соответствующего пиксела маски; Cw – цвет водной поверхности. Цвет Cw может быть задан постоянной величиной или браться из соответствующего пиксела дополнительной, менее детальной, но полной текстуры земной поверхности (в той же цилиндрической проекции), приведенной к эквивалентному Е размеру в пикселах. Добавление водных поверхностей осуществляется практически без швов и обеспечивает возможность сохранения цвета прибрежного шельфа, если он имеется в исходном наборе тайлов. Таким образом, приходим к следующей технологии создания текстуры земной поверхности.

I. Подготовка детализированной текстуры Земли без водных поверхностей: – сборка исходных тайлов в текстуру M; – преобразование М из проекции Меркатора в эквидистантную цилиндрическую проекцию с получением новой текстуры E. II. Подготовка текстуры маски: – приведение исходной черно-белой текстуры T ' маски к размеру E; – модификация T ' с получением маски в градациях серого, размывающей резкую цветовую границу между прибрежным шельфом в текстуре Е и добавляемой к ней водной поверхностью.

III. Добавление водных поверхностей с учетом подготовленной маски. Рассмотрим подробнее алгоритм преобразования текстуры с проекцией Меркатора в текстуру с эквидистантной цилиндрической проекцией, а также метод создания необходимой текстуры T маски в градациях серого цвета (рис. 1). Преобразование проекции Пусть М (рис. 1а) – текстура земной поверхности с проекцией Меркатора, имеющая размер

№ 4, 2013 г.

(xm, ym)

Ym (Jm)

(im, jm) φmax

Hm

Xm (Im)

Wm

a) текстура M в проекции Меркатора (λ, φ)

Ye (Je)

(ie, je)

(λ, φ) Xe (Ie)

He )

We

б) текстура E в эквидистантной проекции Рис. 1. Преобразование текстуры Земли

WmHm пикселов (Wm и Hm кратны 2); Xm и Ym – оси системы координат Меркатора; Im и Jm – оси системы координат для индексирования пикселов из M. Начальные точки обеих систем совпадают и находятся в середине карты M. Кроме того, пусть результирующая текстура E с эквидистантной цилиндрической проекцией (рис. 1б) имеет размер We He пикселов, Xe и Ye – оси широтно-долготной системы координат, Ie и Je – оси системы координат для индексирования пикселов из E. Начальные точки этих систем также совпадают и располагаются в центре текстуры E. Отметим, что для эквидистантной цилиндрической проекции характерно соотношение 2:1 ширины и высоты карты [2], то есть He=We/2. Чтобы при преобразовании сохранить исходное разрешение текстуры по оси абсцисс, возьмем We = Wm. Предположим, что имеющаяся текстура M создана с учетом эллипсоидной формы Земли. Поэтому для преобразования проекции возьмем за основу формулы перевода широты φ и долготы λ для эквидистантной цилиндрической проекции в координаты xm и ym карты Меркатора для эллипсоида [2, 3]: xm=a, e   2     1  e sin      , (1) ym  Y ()  a ln tg        4 2   1  e sin      57

Программные продукты и системы

№ 4, 2013 г.

Поскольку, как упоминалось ранее, представленные в карте Меркатора максимальная φmax и минимальная φmin широты составляют не более 85° северной и южной широты соответственно, при преобразовании проекции текстура M отобразится только в центральную область U (с индексами je[je,min, je,max]) текстуры E, содержащей широты φ[-90°, 90°] (рис. 2). Используя формулу (3),     получим je,min   min  , je,max   max  .  e   e  Области текстуры E, лежащие за пределами U, закрасим в черный цвет. Они будут обработаны в дальнейшем на этапе добавления водных поверхностей. Для формирования области U необходимо определить соответствие ее пикселов пикселам текстуры M. Поскольку и карта Меркатора, и эквидистантная проекция охватывают долготный диапазон [-π, π], We=Wm, а масштаб карты Меркатора по оси Y растет от экватора к полюсам, каждому пикселу (ie, je)U соответствует отрезок R из некоторого числа r пикселов (im, jm,k)М, где im=ie и k[0, r–1] (рис. 2). Чтобы определить границы jm,0 и jm,r-1 этого отрезка, используем формулы (1)–(3). Сначала из равенства (3) найдем значения широт, соответствующих верхней и нижней границам рассматриваемого пиксела (ie, je) текстуры E: top=e(je+1), bottom=e·je. Далее, подставляя их в формулу (1) и учитывая равенство (2), получим  Y  top    Y  bottom    , jm,0   (4) jm, r 1   .  m   m 

2

b где e  1    ; a и b – соответственно большая a и малая полуоси земного эллипсоида (в рассматриваемой системе WGS84 a=6378137,0, b=6356752,3142). Введем коэффициент масштабирования ρm для пересчета непрерывных координат ym карты Меркатора в дискретные координаты jm пикселов имеющейся у нас текстуры земной поверхности в Y  max   Y (0) проекции Меркатора: m  , где P H P  m , max – географическая широта, соответ2 ствующая верхней строке пикселов (с координаH той jm  m  1 ) текстуры M (рис. 1а). Тогда, зная 2 координату jm пиксела, легко найти для него ym, и наоборот: y  (2) ym  m  jm , jm   m  ,  e  где скобки обозначают целую часть числа. Аналогично пусть коэффициент масштабирования ρe для пересчета непрерывных широтных координат (в радианах) в дискретные координаты jе пикселов текстуры земной поверхности в эквидистантной цилиндрической проекции равен  , тогда по значению широты φ можно выe  He числить координату jе :  je    .

(3)  e 

Ym (Jm) M

R

Ye(Je) φtop

jе,max

E

… … … … … … … … … … … … … … … … … … … …

jm,r-1

φmax

jm,0

φbottom im=ie

Xm(Im)

(iе, jе)

U

jе,min

φmin

We=Wm

Wm Рис. 2. Отображение текстуры M на область U текстуры E

58

Xe (Ie)

Программные продукты и системы

№ 4, 2013 г.

Цвет пиксела (ie, je) текстуры E определим как среднее арифметическое цветов пикселов текстуры M, входящих в R: 1 r 1 (5) CE  ie , je    CM  ie , jm, k  . r k 0 Таким образом, рассмотрен следующий алгоритм преобразования текстуры из проекции Меркатора в эквидистантную цилиндрическую проекцию.  Определение области U (с индексами je[je,min, je,max]) текстуры E, на которую отображается текстура M.  Заполнение областей je<je,min и je>je,max черным цветом.  Для каждого пиксела (ie, je)U: – определение соответствующего отрезка R из r пикселов текстуры M, – поиск границ R по формуле (4), – вычисление цвета пиксела (ie, je) по формуле (5). Создание текстуры маски Рассмотрим процедуру создания модифицированной текстуры T маски, необходимой для бесшовного добавления водных поверхностей, отсутствующих в подготовленной на предыдущем этапе текстуре E. Пусть T ' – исходная текстура маски в эквидистантной цилиндрической проекции. Белым цветом в ней отображается суша, а черным – водные поверхности. Для создания текстуры T необходимо осуществить размытие границ областей суши в пределах 0,0003–0,0005 % от большего из размеров текстуры T '. Чтобы береговая линия после слияния E и текстуры водной поверхности осталась четкой, размытие должно производиться непосредственно от границ белых областей в направлении черных. На рисунке 3 процесс размытия границ проиллюстрирован на примере отдельного участка текстуры T '. Область размытия G для данного участка выделена пунктиром (рис. 3а). Половину данной области, прилежащую к суше, заполним серым цветом с числовым эквивалентом 0,5 (рис.

3б), после чего применим к G фильтр размытия по Гауссу. В результате использования фильтра получаем участок требуемой текстуры T (рис. 3в) – модифицированной маски.

Указанные операции с текстурой удобно выполнять в графическом редакторе Adobe Photoshop, используя заранее подготовленный сценарий, описывающий необходимые действия. Практическое использование описанных решений На базе предложенных в данной статье технологий и алгоритмов разработан программный комплекс, выполняющий синтез высокодетализированной текстуры земной поверхности (из набора тайлов в проекции Меркатора) для ее последующего использования при визуализации модели Земли в имитационно-тренажерных системах. Комплекс состоит из трех приложений: Map creator, Map converter, Map merger, работающих под управлением операционной системы Microsoft Windows, и одного сценария для программы Adobe Photoshop. Приложения ориентированы на решение подзадач, составляющих описанную технологию. Map creator отвечает за сборку текстуры высокого разрешения из набора тайлов формата BMP в несжатый RAW-файл, а также при необходимости за нарезку такой текстуры на тайлы (поддерживаются несколько форматов записи). Map converter обеспечивает преобразование текстуры в формате RAW из проекции Меркатора в эквидистантную цилиндрическую проекцию. Добавление водных поверхностей осуществляется с помощью Map merger. Сценарий, в свою очередь, обеспечивает возможность создания в Photoshop необходимой для Map merger текстуры маски. Данный программный комплекс апробирован при подготовке текстуры поверхности для модели Земли, разработанной в ЦВИСИТ НИИСИ РАН. На рисунке 4 представлено изображение, сгенерированное системой визуализации реального времени «GLView» [4], также созданной в ЦВИСИТ, в результате рендеринга моделей Земли и МКС.

Рис. 4. МКС и модель Земли с текстурой поверхности

a)

б)

в)

Рис. 3. Размытие границ в текстуре маски

Таким образом, в данной статье предложены технология и алгоритмы создания высокодетализированной текстуры земной поверхности. Рассмотрены сборка текстуры из набора тайлов, преобразование текстуры с проекцией Меркатора в текстуру с эквидистантной цилиндрической про59

Программные продукты и системы

екцией, добавление отсутствующих в исходных данных водных поверхностей. На основе описанных подходов разработан программный комплекс из трех приложений и одного сценария для Adobe Photoshop, позволяющий готовить такую текстуру за несколько шагов. Литература 1. Тимохин П.Ю. Технология визуализации ландшафтов с использованием сверхбольших текстур // Гагаринские чтения: науч. тр. XXXIX Междунар. молодеж. науч. конф. М.: МАТИ, 2013. Т. 2. С. 130–131.

2. Osborne P. The Mercator projections, Edinburgh, 2013.

URL: http://www.mercator99.webspace.virginmedia.com/mercator.pdf (дата обращения: 05.06.2013).

3. Evenden G.I. Libproj4: A Comprehensive Library of Cartographic Projection Functions. Falmouth, MA, USA, 2008.

№ 4, 2013 г.

4. Михайлюк М.В., Торгашев М.А. Система «GLView» визуализации для моделирующих комплексов и систем виртуальной реальности // Вестн. РАЕН. 2011. Т. 11. № 2. С. 20–28.

References 1. Timokhin P.U. Tekhnologiya vizualizatsii landshaftov s ispolzovaniem sverkhbolshikh tekstur. Gagarinskie chteniya: Nauchnye trudy XXXIX Mezhdunar. molodezhnoy nauchnoy konf. [Gagarin readings: proc. of 39th youth scientific conf.]. Moscow, Russian State Technol. Univ. (MATI) Publ., 2013, vol. 2, pp. 130–131.

2. Osborne P. The Mercator projections. Edinburgh, 2008.

Available at: http://www.mercator99.webspace.virginmedia.com/ mercator.pdf (accessed 5 June 2013).

3. Evenden G.I. Libproj4: A Comprehensive Library of Cartographic Projection Functions. Falmouth, MA, USA, 2008.

4. Mikhaylyuk M.V., Torgashev M.A. Visualisation system «GLView» for modeling complexes and virtual reality system.

Vestnik RAEN [RANS bulletin]. 2011, vol. 11, no. 2, pp. 20–28.

УДК 621.3.049.77

ПРОБЛЕМЫ СХЕМОТЕХНИЧЕСКОГО МОДЕЛИРОВАНИЯ НАНОТРАНЗИСТОРОВ СО СТРУКТУРОЙ «КРЕМНИЙ НА ИЗОЛЯТОРЕ» Н.В. Масальский, к.ф.-м.н., зав. сектором (НИИСИ РАН, Нахимовский просп., 36, корп. 1, г. Москва, 117218, Россия, volkov@niisi.ras.ru) Обсуждаются особенности физического моделирования, ориентированного на задачи схемотехнического проектирования. Особое внимание уделено принципам построения физических моделей «кремний на изоляторе» нанотранзистора для схемотехнических целей применительно к программе схемотехнического моделирования SPICE. Описана процедура адаптации новых оригинальных моделей транзистора к схемотехническим средствам HSPICE, осуществляемая посредством открытого интерфейса данной программы. Рассматривается методика оптимизации топологических и электрофизических параметров двухзатворных нанотранзисторов с использованием технологии «кремний на изоляторе» с тонкой нелегированной рабочей областью, без перекрытия областей затвора и стока/истока с учетом физических ограничений и технологических требований. На основании результатов численного моделирования обсуждаются критерии выбора ключевых топологических параметров транзисторов для реализации требований в соответствии с программой «International technology roadmap for semiconductor 2012 edition» для перспективных приложений с низким уровнем потребляемой мощности. Совокупный анализ вольт-амперной характеристики транзисторов и таких характеристик логических вентилей, как временная задержка переключения, активная и статическая мощность, показывает, что прототипы рассматриваемых устройств применимы для реализации проектов высокопроизводительных СБИС. Ключевые слова: схемотехническое моделирование, HSPICE, кремний на изоляторе (КНИ), КНИ-нанотранзистор, логический вентиль, низкая потребляемая мощность.

NANOTRANSITORS CIRCUITRY SIMULATION PROBLEMS WITH SILICON-ON-INSULATOR STRUCTURE Masalskiy N.V., Ph.D. (Physics and Mathematics), head of sector (SRISA RAS, Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation) Аbstract. The paper discusses the features of physical simulation oriented on circuit CAD. The article is focused on the principles of constructing physical models of SOI MOSFET nanotransistor with reference to the circuit simulation SPICE program. The capabilities of actuation in the SPICE program of original SOI MOSFET nanotransistor models are analyzed.

The procedure to adapt a transistor model for HSPICE circuit simulation means using the Opened interface of the given program is described.

The author discusses a procedure allowing to optimize topological and electrophysical parameters of double gate SOI nanotransistors with a thin unalloyed working area, with underlap gate and drain/source regions considering the physical restrictions and process requirements. The selection criteria of the key topological parameters of transistors to implement the requirements according the International Technology Roadmap for Semiconductor 2012 Edition program for promising applications with a low power consumption level are discussed based on the numerical simulation results. The complex analysis of the transistor VACs and gate characteristics, such as a time switching delay, active and static power, shows that prototypes of the considered units are applicable for high-performance VLSI projects.

Keywords: circuitry simulation, HSPISE, SOI nanotransistor, logic gate, low supply power.

Широкое применение технологии «кремний на изоляторе» (КНИ) для производства микросхем 60

обусловило начало эры нанотранзисторов. На современном этапе развитие полупроводниковой

Программные продукты и системы

техники определяют две глобальные взаимосвязанные тенденции. До настоящего времени характерный топологический размер отдельного полупроводникового элемента уменьшился более чем в пять раз, со 130 нм до 22 нм, а число компонентов в одном кристалле соответственно увеличивалось экспоненциально во времени, данный процесс будет продолжаться и в обозримом будущем (http://public.itrs.net). С увеличением степени интеграции микросхем, а также с ростом тактовой частоты наметилась явно выраженная тенденция к увеличению мощности тепловых потерь [1]. Создание высокопроизводительных электронных устройств с пониженным напряжением питания и малой рассеиваемой мощностью является одним из генеральных направлений развития микроэлектроники на современном этапе [1, 2]. Мировое развитие полупроводниковой индустрии регламентируется объединенной программой «International technology roadmap for semiconductor 2012 edition» (ITRS), где в единый пул связаны разработчики, технологи и непосредственно производители микросхем, что обусловливает практическую значимость поисковых исследований в соответствии с этой программой. Решение задачи экономии энергетических ресурсов, важной даже для крупных высокопроизводительных вычислительных комплексов, которые в перспективе могут содержать несколько триллионов транзисторов, должно опираться на подгруппы перспективных технологий из ITRS, предназначенные для приложений с низким уровнем потребляемой мощности, таких как Low standby power (LSTP) с низкой потребляемой мощностью в режиме ожидания и Low operation power (LOP) с низкой операционной мощностью. Рост степени интеграции устройств неизбежно связан с уменьшением их характерных размеров и снижением напряжения питания. Однако по мере уменьшения длины канала полевого транзистора физические свойства последнего начинают резко отличаться от свойств обычных объемных приборов. Эти отличия так называемых коротко-канальных эффектов (ККЭ) связаны с проявлением существенного двухмерного характера распределения электрических полей в рабочей области транзистора, а также со сравнительно высокими абсолютными значениями напряженностей полей [3, 4]. Одновременно осуществляется масштабирование к более низким значениям и других топологических параметров транзисторов, приводящее к более высокой производительности и степени интеграции электронных устройств. Следовательно, возрастает актуальность поисковых исследований и разработки с учетом квантовых эффектов и технологических требований физических моделей компонентов нанотранзисторных микросхем, что определяется прежде всего возможностями проектирования микросхем с низким напряжени-

№ 4, 2013 г.

ем питания и уменьшенным значением потребляемой мощности на единицу площади [1, 5]. С точки зрения схемотехнического проектирования важную роль играют модельные представления, заложенные в САПР, в частности, физические модели полевых транзисторов. Эволюция физических моделей транзисторов, включенных в программные пакеты схемотехнического моделирования, идет главным образом по пути усложнения. Моделирование КНИ-нанотранзисторов на физическом уровне важно как для понимания физических процессов в нем, так и для оптимизации их конструкции с целью достижения необходимых характеристик, а также оптимизации технологического маршрута для повышения степени интеграции и быстродействия без одновременного ухудшения надежности и тепловых потерь. В настоящей работе обсуждаются особенности физического моделирования, ориентированного на задачи схемотехнического проектирования. Особое внимание уделяется принципам построения физических моделей для схемотехнических целей применительно к программе схемотехнического моделирования SPICE. Анализируются возможности включения в программу SPICE новых оригинальных моделей полевых нанотранзисторов со структурой КНИ [1, 6]. Технология адаптации оригинальной модели полевого транзистора к программе HSPICE Программа HSPICE (рис. 1), разработанная фирмой Meta Software, как и многие другие программы моделирования семейства SPICE, является прямым потомком Berkeley SPICE. Ядро программы моделирования микросхем SPICE было разработано в начале 70-х годов в Калифорнийском университете. По мере развития полупроводниковой технологии оно постоянно модернизировалось, но его основная структура по существу оставалось неизменной. Программа HSPICE – мощное коммерческое средство моделирования с огромными возможностями как собственно моделирования, так и измерения различных параметров схемы, ее оптимизации, анализа температурных и мощностных характеристик и даже статистического анализа. Она включает большую библиотеку моделей стандартных элементов. За счет таких широких возможностей HSPICE приобрела репутацию надежной, удобной среды моделирования, а вместе с тем получила широкое распространение в области проектирования СБИС. Программа HSPICE используется многими фирмами, производящими СБИС, как стандартное средство промышленного моделирования. Имея столь широкое распространение, она предоставляет универсальную возможность фирмам, разрабатывающим свои собственные мо61

Программные продукты и системы

№ 4, 2013 г.

Лист задания Start()

Библиотека моделей элементов

Препроцессор инициализации исходных данных Исходные данные Uterm, X

AssignModelParam()

Резистор Открытый интерфейс Транзистор

AssignInstanceParam()

SetupInstance()

Математическое ядро

Стандартный Template Output Графический постпроцессор

SetupModel()

Совокупность уравнений вида: I=f(Uterm, X), где Uterm – напряжение на контактах транзистора, X – параметры модели транзистора

Набор стандартных процедур

DiodeEval()

Evaluate()

Conclude()

Рис. 1. Структурная схема HSPIСE

дели, в частности, модели МОП-транзисторов для новых технологий, подключать их к библиотеке внутренних моделей посредством открытого интерфейса (см. рис. 1). С программной точки зрения новая модель оформляется как динамически подгружаемый программный модуль. В этом модуле должны быть реализованы все стандартные процедуры интерфейса, через которые осуществляется взаимодействие модели и программы моделирования. Набор этих процедур и является моделью транзистора. К основным процедурам, требующим открытого интерфейса HSPICE, относятся процедуры считывания параметров модели и элементов (AssignМodelParam, AssignInstanceParam), инициализации модели и элемента (SetupModel, SetupInstance), вычисления электрических параметров (EvaIDiode, Evaluate). Таким образом, для создания собственной модели МОП-транзистора от разработчика требуется написание некоторого количества процедур на языке С. Каждая из этих процедур выполняет определенную интерфейсную функцию. Центральное место занимает процедура вычисления электрических параметров элемента Evaluate, в которой реализуются модельные уравнения. На вход этой процедуре подается структу62

ра, содержащая напряжения на истоке, стоке, затворе и подложке транзистора, температуру, а на выходе Evaluate должна предоставить HSPICE вновь вычисленные значения электрических параметров. Список требуемых параметров очень большой, поскольку одна и та же модель будет использоваться во всех типах анализа, которые умеет выполнять программа моделирования. Структурная схема взаимодействия этих процедур, составляющих модель пользователя, показана на рисунке 1. Отметим, что предоставление программой HSPICE возможностей реализации собственных моделей – редкое явление среди программ моделирования. Это открывает перед инженером широкие перспективы, так как позволяет оценить качественные параметры разрабатываемых схем и быстро внести изменения в модель для сравнения результатов моделирования с эмпирически полученными результатами. Поиск путей реализации маломощной электроники Оптимизации характеристик КНИ-транзистора. Разработка проектов СБИС с низким

Программные продукты и системы

№ 4, 2013 г.

уровнем потребляемой мощности в соответствии с требованиями ITRS2012 на базе архитектуры КНИ-транзистора без перекрытия областей затвор-сток/исток характеризуется высоким венчурным потенциалом [5, 7]. Такой инжениринг по сравнению с классической планарной архитектурой характеризуется наличием вытянутых в продольном направлении (вдоль канала) областей стока/истока и существенным расстоянием (зазором) между краем затвора и положением максимального уровня концентрации легирующей примеси в области стока/истока (рис. 2).

4 5 Lg 1

L

L

s

s

tf

2

Le

tSi

ff

tb

6

3

7

Рис. 2. Схема двухзатворного КНИ-транзистора с архитектурой без перекрытия: 1 – область стока, 2 – область истока, 3 – рабочая область, 4 – фронтальный затвор, 5 – фронтальный позатворный окисел, 6 – обратный затвор, 7 – погруженный окисел (пунктирными линиями показаны профили концентрации легирования стока/истока)

В рассматриваемой архитектуре существует определенная специфическая связь между технологическими параметрами и проявлением короткоканальных эффектов (ККЭ) [5, 8]. Набор этих параметров ограничен следующими элементами: Lg – длина затвора; tSi – толщина пленки кремния (рабочей области); tf – толщина окисла фронтального затвора; Ls – длина зазора; g – градиент легиmax рования областей стока/истока; N SD – максимальная концентрация легирования областей стока/истока. Подавление ККЭ достигается в первую очередь оптимизацией (с учетом физических и технологических ограничений) параметров g, Ls, max tSi, tf, а значения Lg и N SD , как правило, задаются на начальной стадии проекта либо оптимизируются в последнюю очередь. Варьированием значений градиента и зазора достигается модуляция эффективной длины канала Leff, а варьированием толщины пленок реализуется изменение характеристической длины l. В итоге получаются четыре степени свободы для управления характеристиками как транзисторов, так и схем на их основе. Оптимизацию параметров нужно рассмотреть в совокупности со значениями вольт-амперных характеристик (ВАХ) транзистора, в частности токами

Ion и Ioff. Обязательно нужно учитывать то, что при переходе к новым технологиям необходимо использовать тонкие диэлектрические слои с высоким коэффициентом диэлектрической проницаемости, например, для Al2O3 =90 и для HfO2 =250, где 0 – абсолютная диэлектрическая проницаемость (для SiO2 =3,90). Для определения области допустимых значений топологических параметров необходимо удовлетворить ряд критериев, которые вытекают из физических ограничений, технологических и конструкционных требований ITRS [5, 8]. Отметим главные: L2eff / 2lLg >1 – подавления ККЭ; IonIon_min{LOP; LSTP} и IoffIoff_max{LOP; LSTP}, где Ion_min{LOP; LSTP} и Ioff_max{LOP; LSTP} – критический уровень тока для соответствующих технологий LOP и LSTP из ITRS2012. Результаты моделирования. В таблице приведены оптимизированные технологические параметры для прототипов транзисторов, попадающих под топологические требования приложений как LOP2014 и LOP2015, так и LSTP2014 и LSTP2015 (значения параметров, задаваемых IRTS, отмечены звездочкой). Параметры Lg, нм* tf, нм* tSi, нм* Udd, В* l, нм

I onmax , мкА/мкм max , нА/мкм* I off

g, нм/дес.  d, пс Pакт, мкВт Pстат, пВт

I onmin , мкА/мкм* min , пА/мкм I off

g, нм/дес.  d, пс Pакт, мкВт Pстат, пВт

Технологии LSTP2014 LSTP2015 LOP2014 LOP2015

18 0,95 6,0 0,84 10,8 950

17 0,9 5,5 0,81 10,1 938

18 0,85 6,2 0,65 10,6 981

17 0,8 6,0 0,63 10,2 1038

0,01

0,01

5

5

2,9 1,2 0,86 43,7 0,48 604

2,8 1,3 0,9 36,3 0,37 596

4,6 0,9 0,6 32,5 127 664

4,8 0,8 0,52 38,2 136 679

5,2

5,1

116

122

2,7 1,5 1,2 39,2 0,27

2,5 1,5 1,25 33,5 0,19

2,9 1,2 0,8 26 3,1

3,0 1,2 0,85 29,6 3,3

Примечание: параметр масштабирования  в виде =Ls/Lg.

Для данного сорта транзисторов наряду с ККЭ возникают и другие, специфические эффекты размерного квантования (ЭРК) [4]. Поэтому для моделирования ВАХ в данной области необходимо одновременно рассматривать как ККЭ в двухмерном (2D) приближении, так и ЭРК в тонком рабочем слое кремния. Количественные результаты в общем случае могут быть получены лишь при использовании численных методов моделирования. В данной работе используется подход, ко63

Программные продукты и системы

№ 4, 2013 г.

торый основывается на последовательном решении уравнений Шредингера, Пуассона и токовых уравнений [5, 9, 10]. Используемая модель для транспорта носителей следует из квантового дрейфо-диффузионного метода, где носители находятся в локальном равновесии, характеризуемом локальным уровнем Ферми. Используемая модель адаптирована в HSPICE. На рисунке 3 приведены обобщенные результаты моделирования характеристики Ion–Ioff транзистора n-типа, которые отвечают требованиям по току Ion и Ioff для технологии LSTP2014-15 и LOP2014-15 соответственно.

Ioff, нA/мкм 6,0

Ioff, пA/мкм 13,0 12,0

5,0 1

11,0

2

,.0

2

10,0 3,0

1

9,0

ских параметров вентилей: d – временная задержка переключения; Pакт – активная (динамическая) на частоте 1 ТГц, Pстат – статическая (в режиме ожидания) мощности. Обобщая полученные результаты, можно сделать вывод, что для инверторов, выполненных на транзисторах, отвечающих уровню технологии LOP2015, есть возможность снизить время переключения инвертора практически до уровня 0,5 пс. При этом уровень рассеиваемой мощности составляет несколько десятков микроватт на частоте 1 ТГц, а максимальный уровень статической мощности много меньше 1 нВт. Это является перспективным результатом для создания высокопроизводительных вычислительных систем с экзафлопсной производительностью [1, 8]. При той же частоте технология LSTP2015 минимум на 30 % позволяет снизить уровень потребляемой мощности.

8,0

Характеристики транзисторов и вентилей для будущих топологических норм

2,0 7,0 1,0 6,0 0,0 600.0

700,0

800,0

900,0

1000,0

1100,0

5,0 550,0

650,0

750,0

850,0

950,0 1050,0

Ion, мкA/мкм

а)

б)

Рис. 3. Характеристические токовые Ion–Ioff зависимости: а) 1 – LOP2014, 2 – LOP2015 (пунктирной линией отмечена область токов в соответствии с IRTS2012, где левая вертикальная граница для LOP2014, правая вертикальная для LOP2015); б) 1 – LSTP2015, 2 – LSTP2014 (пунктирной линией отмечена область токов в соответствии с IRTS2012, где левая вертикальная граница для LSTP2015, правая вертикальная для LSTP2014)

Структурное масштабирование. Переход к новым топологическим нормам и новым технологиям осуществляется, в частности, как латеральным масштабированием длин затвора Lg и зазора Ls, так и ортогональным масштабированием значений толщины tSi, tf. На рисунке 4а представлены результаты расчетов зависимости Leff (Lg). На рисунке 4б представлены характерные зависимости параметра l от коэффициента ортогонального масштабирования толщины kort (параметры tSi, tf одновременно уменьшаются в kort раз, где kort >1).

Leff, нм

l, нм

60

В таблице для выбранных технологий и типов транзисторов приведены максимальные величины тока Ion, которые определены по критическому максимальному уровню тока Ioff. Достижение максимального уровня тока при критических параметрах технологий возможно лишь при очень ограниченном значении параметров  и g. В общем случае зависимости тока Ion и Ioff от  имеют нелинейный характер. Такой характер зависимостей объясняется тем, что с ростом длины зазора ухудшается инжектирование носителей в канал и соответственно замедляется рост тока Ion. В подпороговом режиме этот эффект также способствует снижению уровня тока Ioff. Ограничения по току, полученные в результате численного моделирования, являются отправной точкой исследования динамических характеристик основополагающего логического элемента – КМОП-инвертора. В таблице приведены обобщенные результаты моделирования, выполненные при помощи программы HSPICE, характеристиче64

4 3 2

45

18 16 14

1 12 1 10

30

2 8 3 15

6 12

16

20

24 Lg, нм

а)

1 .

0

1,2

1,4

1,6

1,8 kort

б)

Рис. 4. Сопоставление результатов: а) зависимость эффективной длины канала Leff от длины затвора Lg, где 1 – =0,9, 2 – =1, 3 – =1,2 и 4 – =1,5; градиент легирования g=3 нм/дес.; б) зависимость характеристической длины l от коэффициента ортогонального масштабирования kort, где 1 – диапазон tf от 2 до 1 нм, 2 – от 1 до 0,55 нм, 3 – от 0,54 до 0,3 нм

Программные продукты и системы

№ 4, 2013 г.

Uth, норм.

Uth, норм.

1,0

1 2

1,2

1,2

1,0

1,0

0,9 0,8 0,8 0,6

0,8

1 2

1

0,6 2

3 0,7 14

18

22

а)

26 Lg, нм

0,4 0,2

0,6

1,0

3

0,4 1,8 0,2

1,4

0,6



б)

1,0

1,4

1,8 

в)

Рис. 5. Зависимость нормированного порогового напряжения Uth: а) от длины затвора Lg при g=3 нм/дес. и =1, EOT=1 нм; б) от  при =3,90 (подзатворного диэлектрика фронтального затвора), где кривая 1 – g=3 нм/дек., 2 – g=4 нм/дек., 3 – g=5 нм/дек.; в) от  при =250, где кривая 1 – g=3 нм/дек., 2 – g=4 нм/дек., 3 – g=5 нм/дек.

Латеральное масштабирование приводит к масштабированию эффективной длины канала. Ортогональное масштабирование толщины tSi и tf приводит к масштабированию характеристической длины, то есть пропорциональное уменьшение параметров tSi и tf будет приводить к соответствующему снижению величины l. Сопоставление результатов латерального и ортогонального масштабирования показывает, что эффективная длина снижается существеннее, чем характеристическая. Следовательно, для перспективных технологий с низким уровнем потребляемой мощности при масштабировании топологических параметров транзисторов будет уменьшаться область их допустимых значений для минимизации ККЭ с учетом квантовых и технологических ограничений. Это, с одной стороны, сокращает возможность оптимизации характеристик транзисторов, с другой – сдвигает границы применимости транзисторов для разных приложений. Поведение порогового напряжения. Для оптимального выбора топологических и электрофизических параметров транзисторов необходимо оценить поведение порогового напряжения (Uth) с учетом использования материалов с высокой диэлектрической проницаемостью. На рисунке 5 представлены обобщенные результаты моделирования зависимостей Uth(Lg) прототипа транзистора n-типа для двух различных значений диэлектрической проницаемости, а также зависимости Uth от различных значений  и g. Из приведенных данных следует несколько выводов. В общем случае с уменьшением Lg Uth снижается. Этот эффект roll-off усиливается с ростом значения диэлектрической проницаемости. Самый узкий диапазон по  соответствует значениям g=5 нм/дек. и =250, самый протяженный при g=3 нм/дек. и =3,90. В общем случае с ростом диэлектрической проницаемости диэлектрика

фронтального затвора  пороговое напряжение Uth снижается. Увеличение  приводит к повышению характеристической длины, что определяет возрастание влияния ККЭ, которое вызывает понижение Uth. Этот эффект обусловлен увеличением емкостной связи между стоком и каналом. Физические ограничения, связанные с эффектом туннелирования. Применение подзатворного диэлектрика с эквивалентной окисной толщиной (EOT) меньше 1 нм, необходимого для реализации всех КМОП приборных технологий, обязывает учитывать ряд физических ограничений, возникающих из-за роста туннельных токов или токов утечки при переходе к устройствам ультрамалых размеров [4]. На рисунке 6 приведены численно рассчитанные зависимости прямого туннельного тока затвора (Ig) как функция напряжения на затворах (Ug) для двух типов подзатворного диэлектрика при Udd=0,5 В.

Ig, А/м 10-1

Ig, А/м 10-1 tох=1 нм

10-3 10-5 10-7 10

tox=1 нм

10-3 tох=1.5 нм

tox=1.5 нм

10-5 10-7

tох=5 нм

-9

.0

0.1

0.2

0.3

0.4

а)

tox=5 нм

10-9 0.5 Ug, В

.0

0.1

0.2

0.3

0.4

0.5 Ug, В

б)

Рис. 6. Зависимость тока затвора Ig от напряжения Ug: а) SiO2 и tSi=5 нм; б) HfO2 и tSi=5 нм (геометрическими фигурками отмечены результаты расчетов, выполненных при помощи программы nextnano, которые заимствованы из [9])

На основании результатов моделирования можно сделать вывод, что и для окиси кремния, и для окиси гафния прямой туннельный ток затвора 65

Программные продукты и системы

№ 4, 2013 г.

1,0

Ids, мA/мкм 10-3

0,8

10-5

S, мВ/дек.

1400 1200

1 2

1000 10-7

0,6

Ud

Uf

0,4

s

10-9

0,2 0,0

800

400

10-11 0,1

0,2

а)

0,3

0,4 Uds, В

10-13

600 3 4

200 0 0,0

0,1

0,2

б)

0,3

0,4 Uf , В

0

1

2

3

4

5 EOT

в)

Рис. 7. Результаты моделирования: а) ВАХ Ids(Uds) при Uf=0,2; 0,25; 0,3; 0,35; 0,4 В; б) ВАХ Ids(Uf) при Uds=0,05; 0,4 В; в) зависимость уровня подпорогового наклона S от значения диэлектрической проницаемости (EOT), где 1 – tSi=5 нм, SiO2; 2 – tSi=3 нм, SiO2; 3 – tSi=5 нм, HfO2; 4 – tSi=3 нм, HfO2

в диапазонах исследуемой толщины рабочей области и подзатворного диэлектрика принимает минимальное значение на верхней границе обоих диапазонов толщины. Уменьшение размеров толщины приводит к нелинейному росту туннельного тока. При этом сохраняется возможность корректировать ток утечки, варьируя толщину рабочей области. Транзисторы в переходной области. Дальнейшее масштабирование длины затвора открывает возможность функционирования транзисторов в квазибаллистическом режиме. Причем длина свободного пробега носителей существенно зависит от толщины пленки кремния и резко снижается по мере ее уменьшения. На рисунке 7 приведены результаты численного моделирования ВАХ нанотранзистора масштабированного транзистора с Lg=8 нм, tSi=4,0 нм, tf=0,45 нм, =1,0, g=2,5 нм/дес. При этом Leff составляет 11,2 нм, что меньше длины свободного пробега электрона в объемном кремнии. Результаты моделирования показывают следующее. Ток транзистора в состоянии ON характеризуется высокой плотностью. Его уровень примерно в 2,5 раза меньше тока, рассчитанного по классической баллистической модели при том, что ККЭ существенно подавляются и обеспечивается контроль тока в состоянии OFF. Отличительная особенность – достаточно низкое значение напряжения Uds (~0,4 В), при котором линейный участок зависимости переходит в область насыщения. Отношение значений тока Ion/Ioff составляет более 7 порядков величины. Подпороговая характеристика с подзатворным диэлектриком на основе HfO2 значительно лучше, чем на SiO2. Эти свойства являются предпосылкой для применения таких транзисторов в проектах высокоскоростных СБИС для реализации экзафлопсных вычислений с низким уровнем потребляемой мощности. В заключение необходимо заметить, что две глобальные взаимосвязанные тенденции: разра66

ботка нанотранзисторов с целью создания высокопроизводительных КМОП СБИС и разработка технологий, позволяющих перейти на новые 10-нм топологические нормы, определяют развитие полупроводниковой техники на современном этапе. Достижения в области технологий позволят в ближайшем будущем реализовать нанотранзисторы с длиной канала, близкой к теоретическому пределу в 3–5 нм и разместить на кристалле порядка миллиарда вентилей. Важной задачей является построение адекватной физической модели КНИ-нанотранзистора. Требования схемотехнического моделирования накладывают определенные ограничения на используемые модели транзисторов. Модель должна описываться замкнутой системой физических уравнений, содержащих разумное число входных параметров, брать во внимание двухмерный характер распределения электрических полей с учетом квантовых эффектов в области нанометровых размеров, быть адаптированной к программе схемотехнического моделирования SPICE. В работе проанализирован метод оптимизации элементной базы для реализации перспективных проектов СБИС с низкой потребляемой мощностью в соответствии с программой ITRS2012. Применение такого подхода для разработки проектов СБИС в соответствии с требованиями приложений LSPT2014-15 и LOP2014-15 показывает, что есть потенциал варьирования технологическими параметрами для достижения требуемых характеристик устройств. При дальнейшем масштабировании условие эффективного подавления ККЭ будет еще более существенно ограничивать область допустимых значений топологических параметров транзисторов. Применение тонких диэлектрических пленок частично решает эту проблему. Таким образом, проблемы схемотехнического моделирования связаны как с использованием физических моделей КНИ-транзисторов, так и с особенностями технологии. Особую важность в этой

Программные продукты и системы

связи приобретают вопросы электрофизических измерений характеристик транзистора и процедура извлечения параметров (в том числе подгоночных), поскольку от них зависят адекватность и точность выбранной модели. Литература 1. Захаров С.М., Масальский Н.В., Шафигулин М.М. Проблемы схемотехнического моделирования интегральных схем // Успехи современной радиоэлектроники. 2005. № 2. С. 43–50.

2. Бетелин В.Б. СуперЭВМ – это технологическое оружие // Электроника НТБ. 2009. № 4. С. 4–12.

3. Tsividis Ya. Operation and Modeling of The MOS Transistor. WCB, МсGгаw-Нill, 1999.

4. Тhompson S., Расkan. Р., Bohr М. MOS Scaling: Transistor Challenges for the 21st Century, Intel Technology Journ., 1998, vol. 3, pp. 1–19.

5. Масальский Н.В. Оптимизация параметров двух затворных суб-20 нм КНИ КМОП транзисторов с архитектурой «без перекрытия» // Микроэлектроника. 2012. Т. 41. № 1. С. 57–64.

6. Colinge J.-P., Silicon Insulator Technology: Materials to VLSI, Кluwer Acad. Publ., Boston, Dordrecht, London, 1997.

7. Kranti A., Hao Y., Armstrong G.A. Performance projections and design optimization of planar double gate SOI MOSFETs for logic technology applications, Semiconductor Science and Technology, 2008, vol. 23, no. 4, pp. 217–224.

8. Kranti A., Armstrong G.A. Engineering source/drain extension regions in nanoscale double gate (DG) SOI MOSFETs: Analytical model and design considerations, Solid-State Electronics, 2006, vol. 50, no. 2, pp. 437–447.

9. Munteanu D., Autran J.-L., Loussier X., Harrison S., Cerutti R., Skotnicki T. Quantum short channel compact modeling of drain-current in Double-gate MOSFET. Solid-State Electronics, 2006, vol. 50, no. 4, pp. 680–688.

10. Birner S., Zibold T., Andlauer T., Kubis T., Sabathil M.,

№ 4, 2013 г.

Trellakis A., Vogl P. Nextnano: General Purpose 3-D Simulations, IEEE Transactions on Electron Devices, 2007, vol. 54, no. 9, pp.

2029–2035.

References 1. Zakharov S.M., Masalskiy N.V., Shafigulin M.M. The problems of integrating circuit simulation skhem. Uspekhi sovremennoy radioelektroniki [Achievements of Modern Radioelectronics]. 2005, no. 2. pp. 43–50 (in Russ.)

2. Betelin V.B. Super-EVM is a technological weapon. Elektronika: NTB [Electronics: Science, Technology, Business]. 2009, no. 4, pp. 4–12 (in Russ.)

3. Tsividis Ya. Operation and Modeling of the MOS Transistor. WCB, MsGgaw-Nill, 1999.

4. Thompson S., Raskan. R., Bohr M. MOS Scaling: Transistor Challenges for the 21st Century. Intel Technology Journ., 1998, vol. 3, pp. 1–19.

5. Masalskiy N.V. Parameter optimization of dual-gate sub-20 nm SOI MOSFET nonbridging transistors. Mikroelektronika [Russian Microelectronics]. 2012, vol. 41, no. 1, pp. 57–64 (in Russ.)

6. Colinge J.-P. Silicon Insulator Technology: Materials to VLSI. Kluwer Acad. Publ., Boston, Dordrecht, London, 1997.

7. Kranti A., Hao Y., Armstrong G.A. Performance projections and design optimization of planar double gate SOI MOSFETs for logic technology applications. Semiconductor Science and Technology. 2008, vol. 23, no. 4, pp. 217–224.

8. Kranti A., Armstrong G.A. Engineering source/drain extension regions in nanoscale double gate (DG) SOI MOSFETs: Analytical model and design considerations. Solid-State Electronics. 2006, vol. 50, no. 2, pp. 437–447.

9. Munteanu D., Autran J.-L., Loussier X., Harrison S., Cerutti R., Skotnicki T. Quantum short channel compact modeling of drain-current in Double-gate MOSFET. Solid-State Electronics.

2006, vol. 50, no. 4, pp. 680–688.

10. Birner S., Zibold T., Andlauer T., Kubis T., Sabathil M., Trellakis A., Vogl P. Nextnano: General Purpose 3-D Simulations.

IEEE Transactions on Electron Devices. 2007, vol. 54, no. 9, pp. 2029–2035.

УДК 004.021

ЛОКАЛЬНО ОПРЕДЕЛЕННЫЕ ДИСЦИПЛИНЫ ПЛАНИРОВАНИЯ А.И. Грюнталь, к.ф.-м.н., зав. отделом (НИИСИ РАН, Нахимовский просп., 36, корп. 1, г. Москва, 117218, Россия, grntl@niisi.msk.ru) В статье рассматриваются системы, а также функции и дисциплины планирования. Система представляет собой конечное множество заданий, каждое из которых характеризуется моментом старта, требуемой ресурсной длительностью и максимальным временем исполнения. Функция планирования устанавливает соответствие между текущим моментом времени и исполняемым в этот момент заданием. Особую роль при изучении дисциплин планирования играют критические точки, то есть моменты времени старта заданий. Вводится понятие дисциплины планирования как правила, определяющего для каждой системы S функцию планирования D(S). Далее вводятся и изучаются унаследованные дисциплины планирования, которые задают функцию планирования только на основании состояния системы в критических точках. Формулируется теорема, устанавливающая тождественность алгоритмического и аксиоматического определений унаследованной дисциплины планирования. Дисциплина планирования является локально определенной, если функция D(S) зависит от состояния системы в произвольный момент времени, когда осуществляется планирование. В статье формулируется следующая структурная теорема, характеризующая локально определенные дисциплины планирования: дисциплина планирования является локально определенной тогда и только тогда, когда она является унаследованной по отношению к локально определенной синхронной дисциплине планирования. Ключевые слова: системы реального времени, программное обеспечение, функция планирования, дисциплина планирования, унаследованная дисциплина планирования, локально определенная дисциплина планирования.

67

Программные продукты и системы

№ 4, 2013 г.

LOCALLY DEFINED PLANNING DISCIPLINES Gryuntal A.I., Ph.D. (Physics and Mathematics), head of department (SRISA RAS, Nakhimovskiy Av., 36/1, Moscow, 117218, Russian Federation, grntl@niisi.msk.ru) Аbstract. The paper deals with systems, considering as a number of tasks, which are to be executed in a predefined period of time. Planning function points to a particular task of a system which is to be executing in a current moment.

Planning discipline is a rule prescribing a specific planning function to a system. Planning function, although it is a global object, could be considered locally, i.e. it could be built based on local conditions but not the whole scope of data, describing all tasks in the past and in the future (according to a current moment). Inherited and locally defined disciplines are under consideration. The paper clarifies corresponding notions in a mathematical manor. Inherited disciplines are those which depend on system state in critical points, i.e. moments when new tasks appear. A theorem establishing coincidence of algorithmic and axiomatic definitions of inherited disciplines is formulated. Locally defined discipline prescribes to a system its planning function in a way that depends on local state of the system in an arbitrary moment of time. A theorem is formulated which determines a structure of an arbitrary locally defined discipline. The theorem states that a locally defined discipline is inherited in relation to a locally defined discipline applied to systems with a single critical point.

Keywords: real time systems, software, planning function, planning discipline, inherited discipline, locally defined planning discipline.

В статье рассматривается один из важных вопросов программирования – обеспечение доступа к ресурсу в условиях конкуренции. Наиболее очевидным примером является распределение ресурса процессора между различными потоками управления в системах реального времени. Каждый поток управления реализует некоторый прикладной аспект функционирования приложения и, как это должно быть в системах реального времени, должен получить определенный ресурс, чтобы завершить выполнение конкретной прикладной функции в условиях заданного ограничения на время исполнения. Потоки управления при этом должны выполняться в такой последовательности, чтобы все реализуемые ими прикладные функции были завершены в срок. Аналогичная проблема возникает при доступе к устройствам вводавывода, когда данные должны быть прочитаны или выведены в определенный промежуток времени разными программными агентами. В качестве средства формализации этой задачи в статье рассматриваются системы, то есть набор заданий, каждому из которых требуется определенный ресурс для выполнения своей миссии и предписано максимальное время выполнения, соответствующее прикладной функции [1]. Единой универсальной мерой потребления ресурса является время. Поэтому задание характеризуем как объект, содержащий ресурсную длительность, – длительность потребления ресурса, необходимую для выполнения прикладной функции, и максимальную длительностью выполнения задания – интервал времени (начиная с момента возникновения задания), больше которого задание не может выполняться. Кроме этих параметров, задание характеризуется моментом старта и индексом – идентификатором, позволяющим ссылаться на конкретное задание. Система, в свою очередь, формализуется как конечное множество заданий. Таким образом, возникает задача распределения по времени последовательности выполнения заданий, из которых состоит система. Средством, определяющим задание, которое должно выпол68

няться в заданный момент времени, является функция планирования. Она либо указывает на индекс задания, и тогда выполняется задание, либо принимает нулевое значение, которое по умолчанию означает ситуацию простоя. Кроме того, функция планирования должна удовлетворять некоторым ограничениям физического характера, например, функция планирования принимает значение индекса, относящегося к одному заданию, на множестве, представляющем собой объединение конечного количества непересекающихся полуинтервалов. Конечность множества полуинтервалов означает, что переключение при планировании обслуживания (выполнения) одного задания на другое может происходить только конечное число раз. Выбор в качестве сегментов постоянного указывания именно полуинтервалов, а, допустим, не интервалов связан с выбранной формализацией функции планирования. Потенциально могут существовать два подхода к изучению систем указанного вида. Весь набор заданий, образующих систему, можно рассматривать как данность [1] и при планировании выполнения заданий учитывать не только текущее состояние системы, но и сведения относительно состояния системы в последующие моменты времени. Такое возможно, если поведение системы в каком-то смысле детерминировано. Но на практике часто складывается ситуация, когда возникновение задания носит случайный во времени характер: например, когда в поле зрения радара появляется новый объект и надо неотлагательно обработать соответствующие данные. В этом случае планирование должно быть локальным по времени, то есть определяться состоянием системы на момент возникновения нового задания (или нескольких новых заданий) и вновь возникшими требованиями к вычислительной системе, относящимися к появившимся заданиям. Функции планирования, описывающие именно второй тип реакции системы на задания, называются локально определенными. С их появлением возникает необходимость во введении адекватных математических понятий, выделяющих класс ло-

Программные продукты и системы

кально определенных функций планирования по отношению к остальным функциям планирования, не отвечающим требованиям локальной определенности. Следующая задача, помимо формального описания таких функций планирования, – исследование свойств функций. Ей и посвящена данная статья. Объектом рассмотрения являются дисциплины планирования, то есть методы, определяющие выбор функции планирования для конкретной системы. Дисциплины планирования рассматриваются в статье как составные объекты, получаемые по определенной процедуре из более простых объектов, а именно, дисциплин планирования для систем, в которых моменты старта всех заданий совпадают. В статье вводятся локально определенные дисциплины планирования. Это такие дисциплины планирования, которые зависят только от текущего состояния системы. Основные определения Заданием назовем четверку чисел (t, L, T, I), такую, что t≥0, 0<L≤T, I – целое положительное число. Число t называется моментом старта задания, L – ресурсной длительностью задания, а T – максимальной длительностью выполнения задания. Целое положительное число I – индекс задания, а числа t, L и T – параметры задания с индексом I. Система – это произвольное конечное множество заданий, такое, что индексы любых двух заданий из системы различны, подсистема системы S – любое непустое подмножество заданий из S. Моментом старта системы называется наименьший из моментов старта, образующих систему заданий. Момент старта системы S обозначим через start(S). Область определения системы – множество чисел τ, удовлетворяющих неравенству start(S)≤τ. Множество индексов системы S будем обозначать через IndSet(S). Расширенным множеством индексов системы S является множество, которое получается путем добавления к IndSet(S) числа 0. Расширенное множество индексов обозначается через IndSet(S)+. Число τ называется критической точкой системы S, если оно является моментом старта хотя бы одного из заданий системы S. Системой с синхронным стартом (или синхронной системой) называется такая система, у которой только одна критическая точка. Системы с двумя или более критическими точками – это системы с асинхронным стартом (или асинхронные системы). Пусть даны система S и множество A, принадлежащее области определения системы S. Ограничение системы S на множество A – это множество, состоящее только из тех заданий системы S, момент старта которых принадлежит множеству A.

№ 4, 2013 г.

Ограничение системы S на множество A обозначается через S(A). Множество S(A) может быть пустым. Если множество S(A) не пустое, оно будет подсистемой системы S. В соответствии с этими обозначениями, если τ – критическая точка системы S, через S(τ) обозначается множество тех заданий из S, моменты старта которых равны τ. Полуинтервалом [α, β) с границами α и β является множество точек τ вида α≤τ<β. Число α – левая, а β – правая граница полуинтервала. Левая граница полуинтервала c обозначается через inf(c), а правая – через sup(c). Отрезок [α, β] – это множество точек вида ≤τ≤β. Множество C, представимое в виде объединения набора попарно непересекающихся полуинтервалов c1, …, cN, называется конечно составленным. Набор попарно непересекающихся полуинтервалов будем иногда называть комплектом полуинтервалов. Длина ||C|| конечно составленного множества C – это сумма длин полуинтервалов c1, …, cN. Длина пустого множества равна 0. Левой границей inf(C) конечно составленного множества C называется минимальная левая граница среди всех левых границ полуинтервалов c1, …, cN. Аналогично определяется правая граница sup(C). Пусть p – числовая функция, принимающая значение a. Через coimg(p)(a) обозначим прообраз значения a, то есть множество таких чисел τ, что p(τ)=a. Определенная на неограниченном полуинтервале функция p называется ступенчатой, если множество значений функции p конечно и прообраз каждого значения функции p представляет собой конечно составленное множество. Пусть p1 и p2 – две функции с областями определения [t1, +∞) и [t2, +∞), t1<t2.. Функция p, определенная на [t1, +∞), совпадающая с p1 на полуинтервале [t1, t2) и совпадающая с p2 на полуинтервале [t2, +∞), называется композитной функцией (порожденной функциями p1 и p2). Функции планирования Дадим определение функции планирования. Функцией планирования системы S является функция p, для которой выполнены следующие требования: – функция p определена на области определения системы S; – функция p принимает значения во множестве IndSet(S)+; – функция p является ступенчатой; – для каждого задания (t, L, T, I) из S выполнено ||coimg(p)(I)||=L; – для каждого задания (t, L, T, I) из S выполнено неравенство t≤inf(coimg(p)(I)). Число sup(coimg(p)(I)) будем называть моментом окончания исполнения задания и обозначать через tfin.

69

Программные продукты и системы

Пару (S, p), где p – функция планирования системы S, будем называть системой с планированием. Пусть дана система с планированием (S, p). Для каждого задания (t, L, T, I) системы S и каждого числа τ≥t определим величину Σ(I, p)(τ). Примем Σ(I, p)(τ)=0. При τ>t положим, что Σ(I, p)(τ)=||coimg(p)(I)∩[t, τ)||. Напомним, что в соответствии с определением длина пустого множества равна 0, и поэтому, если множества coimg(p)(I) и [t, τ) не пересекаются, Σ(I, p)(τ)=0. Величину Σ(I, p)(τ) назовем выполненной частью задания с индексом I на момент времени τ для системы с планированием (S, p). Величину Σ(I, p)(τ) можно рассматривать как функцию параметра τ при фиксированных значениях параметров I и p. Поэтому величину Σ(I, p)(τ) будем называть функцией расхода ресурса (задания с индексом I для системы с планированием (S, p)). Стандартным представлением конечно составленного множества C называется такой занумерованный в порядке возрастания комплект полуинтервалов c1, ..., cN, что sup(ci)<inf(ci+1). Определим явный вид функции расхода ресурса для задания (t, L, T, I). Пусть c1, ..., cN – занумерованные в порядке возрастания полуинтервалы стандартного представления конечно составленного множества coimg(p)(I). Обозначим inf(ci) через αi и sup(ci) через βi. При τ=t функция Σ(I, p) равна 0. Если t<α1, на полуинтервале (t, α1] функция Σ(I, p) также равна 0. На полуинтервале (βi, αi+1], где 1≤i≤N–1, функция Σ(I, p) – это константа, равная Σ(I, p)(βi). При τ>βN функция Σ(I, p) – константа, равная Σ(I, p)(βN)=L. При τ из (αi,βi], где 1≤i≤N, выполнено равенство Σ(I, p)(τ)=Σ(I, p)(αi)+τ–αi. В частности, Σ(I, p)(βi)=Σ(I, p)(αi)+||βi–αi||. Процесс выполнения во времени задания (t, L, T, I) можно рассматривать так: с течением времени τ величины L и T начинают уменьшаться. Параметр T уменьшается постоянно и линейно, с коэффициентом пропорциональности –1. Параметр L уменьшается на тех полуинтервалах, где функция планирования принимает значение I. Если L станет равным 0 раньше или в момент, когда параметр T будет равным 0, то при τ=T+t задание успешно выполнено. Если же в момент времени T+t параметр L остается положительным, при заданной функции планирования p успешное планирование задания невозможно. Для уточнения этой ситуации рассмотрим определенную при τ≥t функцию R(I, p)(τ)=T–(τ–t)–(L–Σ(I, p)(τ)). Опишем поведение функции R(I, p). Прежде всего R(I, p)(t)=T–L, поэтому R(I, p)(t)≥0. При τ из [t, α1] выполнено равенство R(I, p)(τ)=T–L–(τ–t). На отрезках [αi, βi] функция R(I, p) – константа, равная R(I, p)(αi)=R(I, p)(βi). При τ из [βi, αi+1] выполнено равенство R(I, p)(τ)=R(I, p)(βi)–(τ–βi), а при τ≥βN – равенство R(I, p)(τ)=R(I, p)(βN)–(τ–βN). Таким образом, функция R(I, p) является невоз70

№ 4, 2013 г.

растающей на полуинтервале [t, +∞), где t – момент старта задания с индексом I, и принимает все значения от T–L до –∞. Из изложенного следует, что существует единственное число τI, такое, что при τ≤τI выполнено неравенство R(I, p)(τ)≥0, а при τ>τI – неравенство R(I, p)(τ)<0. Это число τI будем называть моментом исчерпания ресурса. Пусть (t, L, T, I) есть задание системы с планированием (S, p) и τ≥t. Тогда четверка чисел (τ, L–Σ(I, p)(τ), T–(τ–t), I) будет называться остатком задания с индексом I на момент времени τ. Остаток задания снова будет заданием, если выполнены неравенства L–Σ(I, p)(τ)>0 и R(I, p)(τ)≥0. Эти два неравенства можно также записать в следующем виде: τ<tfin и τ≤τI. Классификация заданий системы с планированием Пусть (S, p) – система с планированием, (t, L, T, I) – задание из этой системы и τ≥t. Если τ<tfin и τ≤τI, то остаток задания (τ, L–Σ(I, p)(τ), T–(τ–t), I) называется правым ограничением задания (t, L, T, I) на момент времени τ. Если tfin≤τ и tfin≤τI, задание (t, L, T, I) называется выполненным на момент времени τ. Если τI<tfin и τI <τ, задание (t, L, T, I) называется не выполненным в срок на момент времени τ. Пусть (S, p) – система с планированием и τ>start(S). Будем считать, что система с планированием (S, p) разрешима на момент времени τ, если в S отсутствуют задания, не выполненные в срок на момент времени τ. Пусть система с планированием (S, p) разрешима на момент времени τ, (t, L, T, I) – задание системы S и τ>t. Тогда справедлива следующая альтернатива: либо задание (t, L, T, I) выполнено на момент времени τ, либо существует правое ограничение этого задания на момент времени τ. Дадим определение остатка системы с планированием. Пусть (S, p) – система с планированием, τ>start(S), и система (S, p) разрешима на момент времени τ. Обозначим через Done(S, p)(τ) множество заданий системы S, выполненных на момент времени τ. Пусть Ex(S, p)(τ)=S([start(S), τ))\Done(S, p)(τ) – теоретико-множественная разность S([start(S), τ)) и Done(S, p)(τ). Если множество Ex(S, p)(τ) не пусто, остаток системы с планированием (S, p) на момент времени τ – это множество правых ограничений заданий, входящих в Ex(S, p)(τ). Если же множество Ex(S, p)(τ) пусто, то остаток системы с планированием (S, p) на момент времени τ по определению является пустым множеством. Если система с планированием не является разрешимой на момент времени τ, остаток системы с планированием не определен. Остаток системы с планированием на момент времени τ будем обозначать через rem(S, p)(τ).

Программные продукты и системы

Срез системы с планированием Определение среза системы с планированием дадим в несколько этапов. Пусть S – система, и τ≥start(S). Если число τ – критическая точка системы, то S(τ) – синхронная система. Если τ не является критической точкой, то S(τ) – пустое множество. Пусть (S, p) – система с планированием. При τ=start(S) определим срез системы с планированием (S, p) на момент времени τ как S(start(S)). Пусть τ>start(S) и система (S, p) разрешима на момент времени τ. Тогда определим срез системы с планированием на момент времени τ как объединение множеств S(τ) и rem(S, p)(τ). Срез системы с планированием представляет собой либо синхронную систему, либо пустое множество. Если система с планированием (S, p) не является разрешимой на момент времени τ, срез этой системы с планированием на момент времени τ не определен. Срез системы с планированием на момент времени τ обозначим через slice(S, p)(τ). Пусть p – функция планирования системы S([s, α)) и определен срез системы с планированием (S([s, α)), p) на момент α. Пусть q – функция планирования системы slice(S([s, α)), p)(α). Обозначим через r композитную функцию, порожденную функциями планирования p и q. Лемма (о композитной функции планирования). Композитная функция r будет функцией планирования системы S([s, α]). Дисциплины планирования Дисциплина планирования – это отображение, которое ставит в соответствие каждой системе из некоторого множества систем функцию планирования этой системы. Функцию планирования, определяемую дисциплиной планирования D для системы S, будем обозначать через D(S). Множество систем, для которых определена функция D(S), является областью определения дисциплины планирования. Будем говорить, что дисциплина планирования определена для системы S, если S принадлежит области определения дисциплины планирования. Область определения дисциплины планирования D обозначим через Dom(D). Построим дисциплины планирования для произвольных систем исходя из дисциплины планирования для синхронных систем. В связи с этим определим синхронную дисциплину планирования как дисциплину планирования, определенную для синхронных систем. Унаследованные дисциплины планирования являются промежуточным звеном между классом всех дисциплин планирования и локально определенными дисциплинами планирования. Приведем конструкцию, задающую построение функции

№ 4, 2013 г.

планирования для асинхронных систем, исходя из дисциплины планирования для синхронных систем. Построение будем вести по индукции по числу критических точек системы. Пусть Dsyn – синхронная дисциплина планирования. Если система S имеет одну критическую точку, примем p1=Dsyn(S). Пусть теперь S – система и τ, …, τN+1 – критические точки системы S, пронумерованные в порядке возрастания. Предположим, что функции планирования p1, …, pK определены соответственно для систем S([τ1, τ1]), …, S([τ1,τK]) и K<N. Построим функцию планирования pK+1, определенную для системы S([τ1, τK+1]). При τ из полуинтервала [τ1, τK+1) примем pK+1(τ)=pK(τ). При τ≥τK+1 положим pK+1(τ)=Dsyn(slice(S([τ1, τK]), pK)(τK+1))(τ). Тогда функция pN будет искомой функцией планирования системы S. Приведенный алгоритм построения функции планирования является алгоритмом унаследования, а функция, построенная с помощью этого алгоритма, унаследованной функцией планирования по отношению к синхронной дисциплине планирования Dsyn. Заметим, что из построения функции pN непосредственно следует, что на полуинтервале [τ1, τK+1) функция pK совпадает с функцией pN. Для того чтобы алгоритм унаследования приводил к построению функции планирования системы S, требуется выполнение двух условий. Вопервых, каждая из функций pK действительно должна быть функцией планирования системы S([τ1, τK]) и, во-вторых, срез slice(S([τ1, τK]), pK)(τK+1) должен быть определен при всех K от 1 до N–1. Определенность среза slice(S([τ1, τK]), pK)(τK+1) эквивалентна условию разрешимости на момент времени τK+1 системы с планированием (S([τ1, τK]), pK). Выполнение (или невыполнение) этого условия определяется свойствами системы S. Поэтому можно лишь потребовать его выполнения. А то, что функция pK+1 действительно является функцией планирования при условии, что функция pK определена и является функцией планирования, непосредственно следует из леммы о композитной функции планирования, примененной к системе с планированием (S([τ1, τK]), pK) и к функции планирования Dsyn(slice(S([τ1, τK]), pK)(τK+1)). Пусть S – система, τ1, …, τN – критические точки системы S, пронумерованные в порядке возрастания. При K<N положим mK=[τK, τK+1) и mN=[τN, +∞). Будем говорить, что функция планирования p системы S удовлетворяет условию унаследования (для заданной синхронной дисциплины планирования Dsyn), если при каждом K, 1≤K≤N, выполнены следующие требования: – определен срез slice(S, p)(τK); – на каждом из полуинтервалов mK функции p и Dsyn(slice(S, p)(τK)) совпадают.

71

Программные продукты и системы

Можно доказать, что каждая унаследованная функция планирования pN системы S с N критическими точками удовлетворяет условию унаследования. Верно и обратное. Если функция планирования p системы S удовлетворяет условию унаследования, алгоритм унаследования приводит к построению функции планирования, то есть справедлива следующая теорема. Теорема (об унаследованной функции планирования). Функция планирования системы S удовлетворяет условию унаследования для Dsyn тогда и только тогда, когда она является унаследованной функцией планирования по отношению к Dsyn. Дадим определение унаследованной дисциплины планирования. Обозначим через Dom(Dsyn) множество систем, для которых существует унаследованная функция планирования. Унаследованной дисциплиной планирования по отношению к синхронной дисциплине планирования Dsyn называется отображение, которое каждой системе S из Dom(Dsyn) ставит в соответствие унаследованную функцию планирования Dsyn(S). Дисциплину планирования, унаследованную по отношению к синхронной дисциплине планирования Dsyn, будем обозначать через inh(Dsyn). Монохронные системы и дисциплины планирования Синхронная система S называется монохронной, если момент старта системы S равен нулю. Область определения монохронной системы – это неограниченный полуинтервал [0, +∞). Термин «монохронный» используется в связи с тем, что все монохронные системы имеют один общий момент старта, равный нулю. Дисциплина планирования называется монохронной, если она определена на множестве монохронных систем. Покажем, что каждая монохронная дисциплина планирования порождает синхронную дисциплину планирования. Чтобы определить построение синхронной дисциплины планирования исходя из монохронной, введем понятия сдвига синхронной системы и сдвига функции и установим их свойства. Пусть S – синхронная система и s=start(S). Левым сдвигом системы S на число λ является система, состоящая из всех заданий вида (s–λ, L, T, I), где (s, L, T, I) – произвольное задание системы S. Правым сдвигом синхронной системы S на число λ является система, состоящая из всех заданий вида (s+λ, L, T, I). Левый и правый сдвиги на число λ обозначаются через Lλ и Rλ. Пусть f – функция, определенная на полуинтервале [s, +∞). Правым сдвигом функции f на число λ является определенная на полуинтервале [s+λ, +∞) функция g, задаваемая равенством g(t)=f(t–λ). Отображение, которое ставит в соответствие функции ее правый сдвиг на число λ, будем обозначать через rλ.

72

№ 4, 2013 г.

Состояние системы с планированием Пусть (S, p) – система с планированием и срез slice(S, p)(α) не пуст. Монохронную систему Lα(slice(S, p)(α)) будем называть состоянием системы с планированием (S, p) на момент времени α и обозначать ее через state(S, p)(α). Замечание. Срез может быть определен и являться при этом пустым множеством. В таком случае состояние не будет определенным. Пусть Dmon – монохронная дисциплина планирования. Дисциплина планирования, которая синхронной системе S с моментом старта s ставит в соответствие функцию планирования rs(Dmon(Ls(S))), называется синхронной дисциплиной планирования, порожденной монохронной дисциплиной планирования Dmon. Синхронная дисциплина планирования, порожденная монохронной дисциплиной планирования Dmon, обозначается через [Dmon]. Таким образом, если S – синхронная система и start(S)=s, то [Dmon](S)=rs(Dmon(Ls(S))). Обозначим через Dom(Dmon) область определения монохронной дисциплины планирования Dmon. Тогда, по определению, областью определения дисциплины [Dmon] будет объединение правых сдвигов систем Dom(Dmon) на число s. Пусть Dmon – монохронная дисциплина планирования. Функция планирования p системы S удовлетворяет условию локальной определенности (по отношению к монохронной дисциплине планирования Dmon и для заданной системы S), если выполнены следующие два требования: – при любом α≥start(S) определен срез системы с планированием (S, p) на момент времени α; – если срез системы с планированием (S, p) на момент времени α не пуст, то функция [Dmon](slice(S, p)(α)) определена и функции p и [Dmon](slice(S, p)(α)) совпадают на любом стационарном полуинтервале [α, β) системы S (полуинтервал [α, ) называется стационарным, если среди точек α<τ< нет критических). Если функция планирования p удовлетворяет требованию локальной определенности, значит, выполнено равенство p(α)=[Dmon](slice(S, p)(α))(α). С использованием понятия «состояние системы» второе требование из определения локально определенной функции планирования можно сформулировать так: если срез системы с планированием (S, p) на момент α не пуст, то при τ из любого стационарного полуинтервала [α, β) должно выполняться равенство p(τ)=Dmon(state(S, p)(α))(τ–α). Последнее равенство можно записать и в таком виде: p(τ)=rαDmon(state(S, p)(α))(τ). Из теоремы об унаследованной функции планирования следует, что локально определенная функция планирования по отношению к монохронной дисциплине планирования Dmon является унаследованной функцией планирования по от-

Программные продукты и системы

№ 4, 2013 г.

ношению к синхронной дисциплине планирования [Dmon]. Таким образом, все локально определенные функции планирования представляют собой унаследованные функции планирования по отношению к синхронной дисциплине планирования, порожденной монохронной дисциплиной планирования.

В заключение отметим, что настоящая статья посвящена построению и изучению свойств дисциплин планирования. Вначале определяются унаследованные дисциплины планирования, получаемые из дисциплин планирования, определенных для систем с синхронным стартом. Унаследованные дисциплины планирования определяются аксиоматически как дисциплины, обладающие некоторым набором свойств. Формулируется теорема о существовании и единственности унаследованной дисциплины планирования. В статье рассмотрены локально определенные дисциплины планирования. Это такие дисциплины, которые определяют планирование системы исключительно в соответствии с ее текущим состоянием вне зависимости от всей системы в целом или от выполненной части системы. Сформулирована структурная теорема, устанавливающая, что каждая локально определенная дисциплина планирования является унаследованной по отношению к локально определенной дисциплине планирования для синхронных систем. Подробный обзор результатов в части планирования содержится в [2]. Результаты статьи могут быть использованы при создании приложений, функционирующих в среде разработанных в НИИСИ РАН операционных систем реального времени ос2000 [3] и ОС РВ Багет 3.0 [4].

Теорема о локальной определенности Введем понятие локально определенной дисциплины планирования. Пусть D – дисциплина планирования и W – подмножество области определения дисциплины планирования D. Дисциплина планирования D является локально определенной по отношению к монохронной дисциплине планирования Dmon на W, если для каждой системы S из W функция планирования D(S) удовлетворяет условию локальной определенности по отношению к Dmon. Введенное выше множество W будем называть областью локальной определенности дисциплины планирования D. Определение локально определенной дисциплины планирования применительно к монохронной дисциплине планирования Dmon будет следующим: монохронная дисциплина является локально определенной на подмножестве W из Dom(Dmon), если выполнены такие требования: – при любом α≥0 и для любой монохронной системы S из W определен срез системы с планированием (S, Dmon(S)) на момент времени α; – если срез системы с планированием (S, Dmon(S)) на момент времени α не пуст, то функция планирования [Dmon](slice(S, p)(α)) определена и функции Dmon(S) и [Dmon](slice(S, p)(α)) совпадают на любом интервале (α, +∞). Можно показать, что если монохронная дисциплина планирования Dmon является локально определенной, то порожденная ею синхронная дисциплина планирования [Dmon] также будет локально определенной. Ранее выявлено, что каждая локально определенная дисциплина планирования имеет вид inh([Dmon]), где Dmon – монохронная дисциплина планирования. Оказывается, для того чтобы дисциплина планирования inh([Dmon]) была локально определенной, достаточно, чтобы локально определенной была дисциплина планирования Dmon. Сформулируем соответствующую теорему. Теорема (о локальной определенности унаследованной дисциплины планирования). Пусть Dmon – монохронная локально определенная дисциплина планирования, D – унаследованная дисциплина планирования по отношению к синхронной дисциплине планирования [Dmon] и S – система, принадлежащая области определения D. Тогда функция планирования D(S) удовлетворят условию локальной определенности.

Литература 1. Грюнталь А.И. Планирование систем с асинхронным стартом // Информационные технологии и вычислительные системы. М.: Изд-во ИСА РАН. 2012. № 1. С. 32–51.

2. Никифоров В.В. Выполнимость приложений реального времени на многоядерных процессорах: тр. СПИИРАН. СПб, 2009. Вып. 8. С. 255–284.

3. Безруков В.Л., Годунов А.Н., Назаров П.Е., Солдатов В.А., Хоменков И.И. Введение в ОС 2000 / Вопросы кибернетики. Информационная безопасность. Операционные системы реального времени. Базы данных. М.: Изд-во НИИСИ РАН, 1999. С. 3–13.

4. Годунов А.Н. Операционная система реального времени Багет 3.0 // Программные продукты и системы. 2010. № 4. С. 15–19.

References 1. Gryuntal A.I. Informatsionnye tekhnologii i vychislitelnye sistemy [Information technologies and computer systems]. Moscow, ISA RAN Publ., 2012, no. 1, pp. 32–51.

2. Nikiforov V.V. Vypolnimost prilozheniy realnogo vremeni na mnogoyadernykh protsessorakh: tr. SPIIRAN [Satisfiability of real-time applications on multicore processors: proc. of SPIIRAS].

St. Petersburg, 2009, iss. 8, pp. 255–284.

3. Bezrukov V.L., Godunov A.N., Nazarov P.Ye., Soldatov V.A., Khomenkov I.I. Voprosy kibernetiki. Informatsionnaya bezopasnost. Operatsionnye sistemy realnogo vremeni. Bazy dannykh [Cybernetics issues. Information security. Real-time operation systems. Databases]. Moscow, NIISI RAN Publ., 1999, pp. 3–13.

4. Godunov A.N. Operatsionnaya sistema realnogo vremeni Baget 3.0 [Real-time operating system baget 3.0]. Programmnye produkty i sistemy [Software & Systems]. 2010, no. 4, pp. 15–19.

 73

Программные продукты и системы

№ 4, 2013 г.

УДК 004.89:523.08:656.2

COGNITIVE MEASUREMENTS: THE FUTURE OF INTELLIGENT SYSTEMS (The investigation is supported by Russian Fund of Basic Research, project №13-07-00972)

V.B. Tarassov, Ph.D. (Tech. Sc.), associate professor; M.N. Svyatkina, postgraduate student (Bauman Moscow State Technical University, 2nd Baumanskaya St., 5, Moscow, 105005, Russian Federation, tarasov@rk9.bmstu.ru, maria.svyatkina@gmail.com) This paper considers next generation intelligent systems based on measurements and knowledge discovery from sensor data. A comparison between measurement and expert estimation is made. Some sources and types of measurement uncertainty are elicited. Non-classical measurement concepts such as distributed measurements, intelligent measurements, soft measurements are discussed. Some fundamentals of granular measurements theory are formulated. A new concept of cognitive measurements as a hierarchical information granulation process based on the principle of «Measurement-Pragmatic Estimation» unity is proposed. A two-leveled architecture of cognitive measurements is considered. A logical-algebraic approach to data interpretation and analysis on the top level of cognitive measurements is developed. To implement cognitive measurements the notion of cognitive sensors equipped with granular pragmatics is introduced by taking multi-valued and fuzzy logics together with Peirce’s pragmatic maxima. Granular interpretations of multi-sensor data fusion are proposed.

Both crisp and fuzzy logical pragmatics for individual sensors and their dyads are constructed using product lattices and bilattices.

Keywords: intelligent system, cognition, measurement, measurement uncertainty, measurand, cognitive measurement, granule, information granulation, granular measurement, pragmatics, multi-valued logics, fuzzy set, bilattice, computing with words.

Nowadays the extension of existing architectures for intelligent systems and development of hybrid intelligent technologies by implementing cognitive processes and mechatronic (or robotic) modules has become a key feature of modern AI applications. Good examples are intelligent robots [1–3] and ambient intelligence (AmI) systems [4–6]. In [2] V. Finn considers intelligent robot as a cognitive system able to make decisions and perform actions. So a general structure of mobile intelligent robot may be given as follows: Intelligent Robot = Cognitive Subsystem + Intelligent Subsystem + Action Subsystem + Mobility Subsystem. Similarly an ambient intelligence system can be represented as cognitive meta-agent [6].

Basic cognitive processes are focused on knowing system’s environment: these are its sensing, perception, representation, thinking, learning, understanding.

The operation of cognitive system is based on transitions «Data–Information–Knowledge–Wisdom» [7] (or in terms of M. Zeleny «Nothing–Knowledge, What–Knowledge, How–Knowledge and WhyKnowledge» [8]); it provides decision-making processes with an adequate information environment. To realize these transitions in artificial cognitive systems we have to synthesize multi-leveled understanding mechanisms: a) understanding links between objects or events; b) understanding behavioral norms and standards; c) understanding situation as a whole (see Figure 1). In [9] D.A. Pospelov introduced 7 understanding levels for intelligent interfaces.

In developing new generation intelligent systems we ought to take into consideration the following special features of cognitive processes: 1) cognition is an open system that is based both on available knowledge and measured current data; 2) an intrinsic property of cognition is information granulation – a 74

purposeful formation of granules of various sizes.

Measurement and granulation play a leading part in cognition. In this context we recall a famous saying

by D. Mendeleev: «Science begins where measurements are started».

First of all, we are interested in transitions from measurement and estimation to knowledge. Here we are guided by Zadeh’s thesis which says that a good deal of information in intelligent systems may be divided into two groups: a) factual information which is numerical and measurement-based; b) perceptionbased information which is expressed in a linguistic form [10].

Activity Wisdom activity understanding principles Knowledge actions understanding patterns Information operations understanding relations Data

Understanding

Figure 1. Representation of transitions «Data-Information-Knowledge-Meta-Knowledge» in «Understanding – Activities» co-ordinates

In this paper we consider measurement as both knowledge-forming and knowledge-based process. So the interactions between intelligent systems and measurements are bilateral. On the one hand, sensorbased information serves as a natural source for constructing an internal model of external world. Here a special data mining and knowledge discovery processor is of primary concern (Figure 2). On the other

Программные продукты и системы

№ 4, 2013 г.

hand, measurements themselves become intelligent, if metrological knowledge is used, measurement expert systems or special measurement agents are constructed.

Knowledge Base

Reasoning Subsystem

Sensor Data Mining and Knowledge Discovery Processor

Behavior Planning Subsystem

Sensors

Actuators

Environment

Figure 2. An Extended Intelligent System with Sensor Data Processor

A new concept of cognitive measurements based on granules and granular structures is suggested in this paper. Some granular pragmatics for individual sensors and theirs dyads are introduced.

On the Way to Cognitive Measurements Measurement vs Expert Estimation. Some foundations of classical theory of measurement were suggested by H. Helmholtz in the late 19th century. The term «Measurement Theory» itself was used by J. Pfanzagl in 1968 [11], although in 1950’s the first formal variant of such a theory was proposed by D. Krantz, P. Suppes et al. under the name of representational theory of measurement (see [12]). This theory has provided an algebraic approach to measurement using such concepts as sets, relations, mappings, empirical and numerical relation systems, scales, morphisms, etc.

The objective of a measurement is to determine the value of the measurand that is, the value of the particular quantity to be measured [13]. A measurement begins with an appropriate specification of the measurand, the method of measurement and the measurement procedure. In practice, the required specification of the measurand is given by a needed accuracy of measurement.

By classical measurement we mean an experimental specification of physical value by means of technical devices and instruments. This definition contains the following main attributes of classical measurements: 1) only physical entities (properties of real objects or processes) may be measured; 2) measurement means experimentation under partial certainty; 3) measurement is made by special measurement instruments and tools (measurement information systems), where a leading part is played by some standards enabling preservation and reproduction of measurement units.

In many cases measurements as information processes underlie knowledge acquisition [14]; besides, they are usually opposed to expert estimation based on human judgments.

Let us point out some conceptual and formal differences between measurement and expert estimation.

First of all, physical measurements give mainly structural, syntactic information, whereas expert estimates focus on semantic and/or pragmatic information aspects.

Furthermore, the classical concept of scale is defined as a homomorphism from an empirical system to a numerical system [12]. Therefore, each relation in primary, ill-defined system has some analogous relation in secondary, well-structured system. Hence, a basic problem of classical measurement theory consists in specifying formal properties of empirical relations and operations and proving their isomorphism to corresponding relations and operations over numbers.

Another basic problem is related to determining the type of measurement scale.

Measurement errors theory proposed by C.F. Gauss was developed within the framework of probability theory and mathematical statistics. In this sense, classical measurement supposes the specification of mathematical space with probabilistic (additive) measure. Unfortunately, in many real-world applications the additivity axiom does not hold. Here some extensions of existing approach are needed, for example, based on Dempster-Shafer theory.

In its turn, modern estimation theory deals with polymorphisms (i.e. one-to-many or many-to-many relations). A typical example of such non-classical scales based on polymorphic relations is a fuzzy correspondence between linguistic values and theirs numerical representations in case of Zadeh’s linguistic variable [15] and its extensions [16].

An important specific feature of estimation theory is related to constructing generalized scales (this term was coined by D.A. Pospelov [17]). To differ from classical scales in case of generalized scales one may put in correspondence many objects to every point with various degrees.

Measurement Uncertainty: Reasons and Types.

Measurement is never exact. All measurement results have some error. In a number of international and national standards (see, for example, [18, 19]) the term «measurement error» has been replaced by a more general concept of «measurement uncertainty». The concept of uncertainty as a quantifiable attribute of measurement is relatively new and has various interpretations. On the one hand, the word «uncertainty» means doubt, and thus in its broadest sense «uncertainty of measurement» means doubt about the validity of the result of a measurement [18]. On the other hand, the uncertainty of the result of a measurement reflects the lack of exact knowledge of the value of the measurand. In any case, the result of every measurement has two components: measurand value and 75

Программные продукты и системы

№ 4, 2013 г.

its estimated uncertainty. Formally uncertainty is a non-negative parameter associated with the result of a measurement that characterizes the dispersion of the values that could reasonably be attributed to the measurand.

In practice, there are many possible sources of uncertainty in a measurement [18, 19], including: a) incomplete or inaccurate definition of the measurand; b) instrument imperfection due to its finite resolution or discrimination threshold; c) inadequate knowledge of the effects of environmental conditions on the measurement results or imperfect measurement of environmental conditions; d) non-representative sampling – the sample measured may not represent the defined measurand.

Thus, uncertainty is inherent in all components of measurement information systems and processes. The experimental information concerning the measurement object and measurement conditions is inaccurate and incomplete. The measurement procedures are often based on rather restrictive and approximate suppositions, and the measurement instruments have limited resolution, in particular, for complex and dynamic object structures.

To deal with these uncertainty factors, the probabilistic and statistical methodologies are usually applied; they consider such values as a confidence level, an error probability, the significance level. The criticism of the probabilistic approach is mainly reduced to the following remarks: 1) a unified representation of measurement uncertainty by random errors is not well justified; 2) in a few circumstances the postulation of errors normal distribution law is not realistic.

So the idea of finding a more general framework for measurement theory, for instance, interval analysis and fuzzy set theory, seems quite reasonable.

Non-Classical Measurement Concepts. To formulate a generalized approach to the measurement

Data about the environment

Measuring object’s and environment’s parameters

uncertainty let us consider some new trends in nonclassical measurements: a) autonomous measurements, b) distributed measurements based on sensor networks; c) intelligent measurements; d) cognitive measurements; e) soft measurements.

The arrival of these novel measurement concepts is related to the formulation of sophisticated measurement-estimation tasks which are included into more general problems characterized by a high level of complexity and uncertainty. In such cases, a measurand Y is not measured directly, but is determined from n other quantities X1, X2, ..., Xn through a functional relationship Y=f (X1, X2, ..., Xn). Moreover, the estimations of different quantities may be obtained with different levels of accuracy: some parameters may be determined with higher accuracy and the others – with lower accuracy. Hence, procedures of fusion of measurement results obtained in various scales are of special concern.

Typical examples of measurement meta-systems are various monitoring problems, for instance, the problem of monitoring artificial structures (bridges, tunnels, and so on) in railway branch. Here monitoring based on measuring object’s and environment’s parameters (e.g. bridge deformation, wind strength, etc.) supposes a diagnostics of current object’s state, prognosis of its evolution and formation of control strategies (Figure 3).

How to make a measurement intelligent? This question has various answers. In [20] the development of intelligent measurement information systems (MIS) supposes the creation of friendly user interface to open the opportunity of autonomous decision-making

by MIS itself. Furthermore, in [21] intelligent measurement is related to the metrological knowledge engineering and use of applied intelligent systems (expert systems, fuzzy systems, multi-agent organizations) in metrology. A possible classification of intelligent measurements is presented in Figure 4.

Sensor Data

A1

Diagnostics of current object’s state

Information on current object’s state

A2

Noisy Data Prognosis of its evolution A3

Predicted Data Range of possible solutions Formation of control strategies A4

Figure 3. Decomposition of General Monitoring Problem

76

Программные продукты и системы

№ 4, 2013 г.

Nonclassical Measurement

Intelligent

Cognitive

Concentrated

Autonomous

Communicative

Distributed

Granular

Soft

Figure 4. Classification of Intelligent Measurements

The concept of «Soft Computing» was proposed

by L.A. Zadeh in 1994 [22]. It is actually seen both as a conceptual foundation for Computational Intelligence [23] and as a consortium of advanced information technologies to construct new generation hybrid intelligent systems. Soft computing usually integrates fuzzy logics, neural networks and evolutionary computations; some other useful approaches and techniques such as probabilistic computing, chaos theory, machine learning are also seen as its intrinsic components.

In 1997 A.N. Averkin and S.V. Prokopchina [24] introduced by analogy with Soft Computing the concept of «Soft Measurement» to deal with uncertainty, imprecision and fuzziness in measurements. Soft measurement extends probabilistic or/and fuzzy approaches to deal with non-specificity of measured parameters. A canonic version of soft measurements is referred as Bayesian intelligent measurements which include probabilistic approaches, Bayesian decisionmaking criterion and fuzzy variables. Here a basic concept is a fuzzy linguistic scale that extends conventional measurement scales. The main idea consists in considering mapping between secondary linguistic scale and primary measurement scale with obtaining fuzzy measurements to be processed by soft computing techniques.

The term «Cognitive Measurement» was introduced by S. Prokopchina in [25]. She makes the emphasis on generating measurement information networks and their transforming into knowledge networks with employing Bayesian intelligent technologies.

We associate the concept of Cognitive Measurement with the process of hierarchical information granulation on the basis of measurement-estimation unity principle [26]. According to this principle, we introduce a two-leveled measurement architecture, where the lower level is responsible for obtaining fine-grained information by using an artificial sensor system, and the higher level transforms it into coarsegrained information related to a pragmatic scale of normative linguistic values such as «norm», «nearly norm», «out of norm», «far from norm» etc. Such measurements with words may use Zadeh’s General-

ized Theory of Uncertainty [27], including the technique of generalized constraints propagation. In this context we share Kreinovich’s & Reznik’s viewpoint that any measurement is in essence a granulation process (see [28]).

Generally we can speak about granular measurements with sensor data granulation engine. It is worth noticing that conventional measurement that assigns precise numbers to objects has instrument-centric nature, whereas granular measurement associated with data mining and knowledge elicitation may be referred as anthropocentric measurement. Here the goal of measurement is not obtaining exact numerical information itself, but solving the practical problem by formulating some recommendations in a linguistic form.

Measurement Granules, Granulation Process and Granular Pragmatics In this paper both the measurement process under uncertainty and interpretation of measurement results are associated with the construction of information/ knowledge granules.

So we should answer the following questions: 1. What is granule and what is granular measurement?

2. Why it is suitable to use granules in measurements?

3. What is the difference of this approach with respect to conventional approaches to measurement, and which new ideas and results it contains? 4. Is it a good candidate for generalizing and unifying existing measurement practices?

The term «granule» is originated from Latin word granum that means grain, to denote a small particle in the real world. This concept proposed by L. Zadeh expresses the levels of accuracy and uncertainty in measurement. Measurement information granules are complex dynamic entities which are formed to achieve some goal. Granulation procedures play a leading part in the design and implementation of intelligent measurement systems. In particular, by selecting different levels of granulation one can obtain different levels of knowledge.

According to Zadeh, granule is a collection of objects (values) which are drawn together by indistinguishability, similarity, proximity or functionality [29]. It is easy to clarify the term «granular» by contrast to «singular». A classical measurement admits (at least as a special case) singleton measurand value. Contrarily, contemporary measurement science (see [18, 19]) agrees tacitly that both measured value and its uncertainty are granules.

The capacity of granulation associated with operating measurement information on different abstraction levels is a key property of cognitive measurements. Here the term granulation encompasses both composition process (generation of coarse-grained information units) and decomposition process (formation of fine-grained units).

77

Программные продукты и системы Simple granule

№ 4, 2013 г.

Heterogeneous granule

a) b) Figure 5. Granulation in Measurement: a Two-Leveled Hierarchy: a) Formation of Simple Granules; b) Formation of Complex Heterogeneous Granules

Elements of Granular Measurements Theory. An implementation of granular measurements requires the construction of granulation theory and development of measurement science. Here granulation includes construction, interpretation and representation of measurement granules, whereas the development of measurement theory is focused on non-classical measurement concepts (see as above) and specifically supposes the interpretation of cognitive measurements as granular hierarchical structures.

The heart of cognitive measurement is the formation of homogeneous and heterogeneous, multidimensional granules through one-to-many links between primary measurements and their linguistic interpretations (Figure 5). Below we will consider a basic granular measurement procedure as pragmatic interpretation of earlier obtained sensor data.

Let us consider some fundamentals of granulation theory [30, 31]. These are: basic granulation principles and criteria; ways of interpreting and classifying granules; granulation methods, techniques and procedures; formal models of granules and granular structures; mappings between different granulation levels; quantitative parameters of both granules and granulation process.

1. Measurement Granulation Principles and Criteria. Information granulation reflects a basic systems analysis principle: the modeling language for a complex system has to correspond to available information on this system. Following Zadeh, in granular measurement we employ the coarsest level of granulation which is consistent with the allowable level of imprecision. Here the level of measurement granulation may be given as the number of objects in the granule related to the total number of granules.

Granulation criteria are directly associated with pragmatic interpretation of granules and answer the question why several measurement values are included into a granule. In many situations granules are induced by indiscernibility or order relations.

2. Interpretation and Classification of Measurement Granules. Measurement granules differ one from another by their nature, complexity, size, level, etc. Here crisp and fuzzy, simple and compound, homogeneous and heterogeneous granules may be speci78

fied. Classical granular notions in measurement/ estimation context refer to probability distribution, probability density distribution, confidence interval. Fuzzy measurement granules [32] encompass fuzzy intervals and fuzzy numbers, possibility measures and distributions, fuzzy mappings and linguistic hedges, ordinary and fuzzy cuts, etc.

3. Granulation Approaches, Methods and Procedures. The construction of measurement granules may be considered as either top-down or bottom-up process. In the first case granule may be seen as a subset of universal set; its coverings and partitions are a natural way of granulation. In the second case we start with grouping singleton values to form a granule; then small-sized granules may be merged to generate a bigsized granule. For instance, a primary granule is constructed as a neighborhood of a point and then a pretopology of neighborhood system is taken.

Granulation methods face the problem how to include measurement values into the same granule. It is necessary to build a variety of granulation algorithms to produce granules based on some granulation criterion.

4. Formal Models of Granules. Basic mathematical modules of granules are subsets, multisets, intervals, partitions, clusters, neighborhoods, rough sets, fuzzy sets, and so on.

Below we will consider logico-algebraic granulation models. Here logical granulation models are founded on multi-valued, fuzzy and paraconsistent logics. A forerunner of these logics was N.A. Vasiliev who has proposed a two-leveled logical structure (empirical logic and meta-logic) and introduced multi-dimensional (imaginary) logics [33] (threedimensional logical structures are illustrated by Vasiliev’s triangle depicted in Figure 6. By analogy we divide our two-leveled measurement structure into empirical measurement level and meta-measurement (pragmatic estimation) level based on logicolinguistic estimates of obtained quantitative values.

Cognitive Sensors: Granular Pragmatics in Measurements. We develop a pragmatic approach to cognitive measurements based on Peirce’s semiotics.

To differ from logical semantics granular logical pragmatics makes emphasis on practical (situational)

Программные продукты и системы

№ 4, 2013 г.

T

X is A and not A simultaneously

N

X is A

X is not A

Figure 6. Vasiliev’s Triangle

interpretation of acquired measurement data in terms of granules and granular structures. By measurement pragmatics we mean understanding, interpretation and use of measurement results for solving real problems of diagnostics, control, monitoring, etc. In other words, we associate with any measurement result m from the set of measurement results M an estimate vV interpreted as truth value or more generally a family of estimates.

Let us consider the sensor able to measure some parameter of inspected object or process and interpret obtained information. Such a sensor equipped with three-valued «traffic lights» pragmatics will be referred as Vasiliev’s sensor. The data obtained from this sensor are granulated according to three values: T – «measured truth» («norm» – sensor data are located in a «green zone»); F – «measured falsity» («out of norm» – sensor data are located in a «red zone»); B – «measured ambiguity» («boundary situation» – sensor data are located in a «yellow zone»).

In addition, we may take into consideration the case of sensor’s exhausted resources (it can occur in wireless sensor networks): N – «total uncertainty» (the sensor is sleeping).

This four-valued measurement pragmatics is illustrated in Figure 7a and 7b by Hasse diagrams for Belnap’s logical lattice L4 and Scott’s approximation (in our context, information) lattice A4. A cognitive sensor provided with four-valued pragmatics is called here Belnap’s sensor. The logical matrix for Belnap’s sensor may be written in the form LMV4={T, B, N, F}, {, , ,} {F}, (1) where T, B, N, F are pragmatic truth, pragmatic ambiguity, total uncertainty and pragmatic falsity respectively, , , ,  are main logical operations over truth values – negation, conjunction, disjunction, implication, F is the anti-designated value.

The construction of granular logical pragmatics supposes using subsets as truth values. It corresponds to Dunn-Belnap’s strategy of constructing logical semantics, where both gaps and gluts were possible [34, 35]. Here the term «glut» stands for granular truth value «both true and false» (it means the refusal from singular truth values of classical logic) and the gap is viewed as none (neither true nor false) – it extends bivalence principle of classical logic.

B

B

F

F

T

N

a b Figure 7. Hasse Diagrams for L4 (a) and A4 (b)

Let V be a set of logical truth values. Following Dunn, we shall take as truth values not only elements vV, but also any subsets of V, including empty set . In other words, a direct transition from the set V to its power set 2V is performed. In his turn, L. Zadeh proposed further extension of this approach by introducing fuzzy truth values vf[0,1]V and linguistic truth labels.

Another way of logical granulation related to Vasiliev-Dunn’s ideas consists in constructing vector pragmatics, for instance, for any measurement result m from M we have an estimate v: M[0,1]2, v(p)=(T(p), F(p)) (pragmatic truth and pragmatic falsity, i.e. «norm» and «out of norm», are considered here independently) or more generally v: M[0,1]3, v(p)=(T(p), F(p), B(p)).

(2) In the latter case, each measurement is characterized by degree of pragmatic truth, degree of pragmatic falsity and degree of pragmatic ambiguity (or paraconsistency).

It is worth stressing that paraconsistent and vector pragmatics are of special interest for granular measurements.

Granular Interpretations of Multi-Sensors Data Fusion. To generate logics of sensor networks we will use product logics constructed as product lattices and multi-lattices to form granules from sensor data.

The logic of Belnap’s sensor network is based on the expression 4n, where n is an integer, n1. A simple combination of two Belnap’s sensors gives 42=16 pragmatic values, a three sensors network – 43=64, etc.

Let us take the problem of interpreting compound two Belnap’s sensors data by using bilattices [36, 37].

Informally, bilattice may be seen as a product lattice with two different ordering relations, where a link between these orders is given by a compound heterogeneous negation operation (see [38]) that extends Belnap’s negation.

A bilattice may be given by a quadruple BL=U, v, i , G, (3) where U = XX is a product set, v, i are two order relations, for instance, truth order and information order, G is Ginsburg’s negation (it may be interpreted as semi-negation, semi-affirmation operation [39]).

It is obvious that the bilattice (3) can be viewed as an algebra with two different meet and join operations 79

Программные продукты и системы

№ 4, 2013 г. v

v

T1T2 T1

T N

T2 B1T2

B1

B

B2

F1T2

T1B2

B1F2

F1B2

F

F1

T1F2

B1B2

F2

F1F2

i

i

Figure 8. Double Hasse Diagram for the Smallest Bilattice «4»

Figure 9. Double Hasse Diagram for the Bilattice «9»: an Illustration of Granular Pragmatic Truth Values for Two Vasiliev’Sensors

BL=XX, , , , , , (3*) где 1) X, ,  and X, ,  are complete lattices; 2)  is a mapping : XXXX, such that: (а) 2=1; (b)  is a lattice homomorphism of X, ,  to X, ,  and a lattice homomorphism of X, , .

Finally, a logical bilattice [40] is a pair LBL=BL, BF, where BL stands for a bilattice and BF is a prime bifilter on BL. Now let us interpret basic granular pragmatic truth values for two sensors in bilattices:  T1T2 – «measured concerted truth» (data issues from both sensors take norm values);  F1F2 – «measured concerted falsehood» (both sensors data are out of norm that witnesses for failure statе);  T1B2~B1T2 – «measured partial contradiction as the first-order fault» (the first sensor shows a norm value and the second sensor indicates partial fault, and vice versa);  T1N2~N1T2 – «measured partial truth with uncertainty» (the first sensor indicates a norm value and the second sensor sleeps, and vice versa);  T1F2~F1T2 – «measured full contradiction» (the first sensor indicates a norm value, and the second sensor informs about failure state, and vice versa);  B1B2 – «measured concerted ambiguity» (the data from both sensors inform about first order fault); v

 N1N2 – «total uncertainty» (the resources оf both sensors are exhausted or both sensors sleep);  F1B2~B1F2 – «measured partial contradiction as the second-order fault (the first sensor indicates an out of norm value and the second sensor indicates a fault), and vice versa;  F1N2~N1F2 – «measured partial falsehood with uncertainty (the first sensor indicates a failure value and the second sensor sleeps), and vice versa.

All finite bilattices can be easily visualized by using double Hasse diagrams (Figures 8 and 9).

The appropriate bilattice to illustrate the communication between two Belnap’s sensors is shown in Figure 10. In this figure we see that, for instance, T1T2vT1B2vT1F2vB1F2vF1F2v.

In Belnap’s logic the values B and N are considered independently, therefore for its extension the values B1N2 и N1B2 are forbidden. SoV=14, i.e. we obtain a 14-valued pragmatics of two Belnap’s sensors communication (Figure 10). A corresponding map of faults is given in Figure 11.

A Few Words about Fuzzy Vasiliev’s and Belnap’s Sensors. In many real-life problems the boundaries between green, yellow and red zones are dynamic and vague. Also in mining sensor networks with data issued from heterogeneous sensors we may use such characteristics of overall monitoring situa-

T1T2

N1T2

T1N2

T 1B 2

v

B1T2

N 1N 2 N1N 2

T1F2

F 1T 2

F1B2

F1N2

B 1F 2

B1B2

F1B2

F1N2

B 1F 2

F1F2

F1F2 i

Figure 10. Bilattice Representation of Two Belnap’s Sensors Data Pragmatics

80

F 1T 2

B1B2

N1F2 N1F2

T1F2

i

Figure 11. A Map of Fault Values for Two Belnap’s Sensors

Программные продукты и системы

tion as «most of sensors data are located in green zone» or «considerable part of sensors indicate ambiguous data» or «a few sensors are sleeping». It requires the transition from crisp to shadowed [41] and fuzzy Vasiliev’s and Belnap’s sensors equipped with appropriate pragmatics.

In case of Belnap’s sensors such a pragmatics may be given by a quadruple of fuzzy truth values defined on the unit interval: Vf(m)={Tf(m), Bf(m)), Nf(m), Ff(m)}, (4) where m is a measurement result, and Tf, Bf, Nf, Ff are fuzzy Dunn-Belnap’s truth values, Tf, Bf, Nf, Ff[0,1].

Paraconsistent semantics of fuzzy Belnap’s logic was already studied in [42].

Conclusion A new concept of Cognitive Measurement was proposed for the sake of developing new generation intelligent systems. Here Cognitive Measurements are viewed as Granular Measurements based on hierarchical information granulation, generalized uncertainty theory and computing with words. Some elements of granular measurement theory were considered. The idea of granular measurement pragmatics was clarified. Two types of cognitive (understanding) sensors – Vasiliev’s sensor and Belnap’s sensor – were introduced on the basis on three-valued and four-valued pragmatics respectively. A logico-algebraic approach to the modeling of sensor communications was developed with using bilattices.

Our further research will be focused on combining Granular Measurements with Data Mining and Knowledge Discovery Approaches. Some sensor data fusion techniques, including granular logics based on trilattices [43] and quadrolattices, will be synthesized.

In particular, the absence of strict boundaries between «traffic lights» pragmatics values and a wide use of linguistic hedges in specifying overall diagnostics/ control/ monitoring situation shows the need in fuzzy measurement information granulation.

References 1. Aliev R.A. Intellektualnye roboty s nechotkimi bazami znaniy [Fuzzy Knowledge-Based Intelligent Robots]. Moscow, Radio i svyaz Publ., 1995 (in Russ.).

2. Finn V.K. Iskusstvennyy intellekt: Metodologiya, primeneniya, filosofiya [Artificial Intelligence: Methodology, Application, Philosophy]. Moscow, Editorial URSS Publ., 2011 (in Russ.).

3. Jamshidi M. Robotics, Automation, Control, and Manufacturing: Trends, Principles, and Applications. Proc. of the 5th Biannual World Automation Congress (WAC-2002, Orlando, Florida, USA, June 9–13, 2002). Albuquerque, NM, TSI Press, 2002.

4. Nakashima H., Adhajan H., Augusto J.C. Handbook of Ambient Intelligence and Smart Environments. NY, Springer Verlag Publ., 2010.

5. Chong N.-Y., Mastrogiovanni F. Handbook of Research on Ambient Intelligence and Smart Environments: Trends and Perspectives. IGI Global, NY, 2011.

6. Tarassov V.B. From Hybrid Systems to Ambient Intelligence. Proc. of the 1st Int. Symp. on Hybrid and Synergetic Intelligent Systems: Theory and Practice (HySIS’2012). Kaliningrad, Kant Baltic Fed. Univ. Publ., 2012, Part 1, pp. 42–54 (in Russ.).

№ 4, 2013 г.

7. Ackoff R. From Data to Wisdom. Journ. of Applied Systems Analysis, 1989, vol. 16, pp. 3–9.

8. Zeleny M. Human Systems Management: Integrating Knowledge, Management and Systems. World Scientific, 2005, pp. 15–16.

9. Pospelov D.A. Intelligent Interfaces for New Generation Computers. Computer Science. Moscow, Radio i Svyaz Publ., 1989, iss. 3, pp. 4–20 (in Russ.).

10. Zadeh L.A. From Computing with Numbers to Computing with Words – From Manipulation of Measurements to Manipulation of Perceptions. Computing with Words. NY, Wiley and Sons Publ., 2001, pp. 35–68.

11. Pfanzagl J. Theory of Measurement. Wuerzburg, PhysicaVerlag, 1968.

12. Krantz D.R., Luce R.D., Suppes P., Tversky A. Foundations of Measurements. NY, Academic Press, 1971, vol. 1; 1990, vol. 2 and 3.

13. Potter R. The Art of Measurement. Englewood Cliffs, NJ, Prentice Hall, 2000.

14. Reznik L., Kreinovich V. Soft Computing in Measurement and Information Acquisition. NY, Springer-Verlag, 2003.

15. Zadeh L.A. The Concept of Linguistic Variable and its Application to Approximate Reasoning. Part 1 and 2. Information Sciences. 1975, vol. 8, pp. 199–249, 301–357.

16. Tarassov V.B. Development of Synergistic Approach in Psychology and Artificial Intelligence: New Horizons of Mathematical Psychology. Matematicheskaya psikhologiya: shkola V.Yu. Krylova [Mathematical Psychology: Krylov’s School]. Moscow, Institute of Psychology of RAS Publ., 2010, pp. 117–156 (in Russ.)

17. Pospelov D.A. The Grey and/or the-Black-and-White. Applied Ergonomics. Special Issue on Reflexive Processes. Moscow, AEA Publ., 1994, pp. 25–29.

18. Guide to the Expression of Uncertainty in Measurement (GUM). International Organization of Standardization, Geneva, 1995.

19. GOST Р54500.3-2011/ ISO/IEC Guide 98-3:2008. Uncertainty of Measurement. Part 3. Guide to the Expression of Uncertainty in Measurement. Moscow, Standartinform Publ., 2012 (in Russ.).

20. Finkelstein L. Intelligent and Knowledge-Based Instrumentation. An Examination of Basic Concepts. Measurement.

1994, vol. 14, pp. 23–30.

21. Reznik L.P., Dabke K.P. Measurement Models: Application of Intelligent Methods. Measurement. 2004, vol. 35, pp. 47–58.

22. Zadeh L.A. Fuzzy Logic, Neural Network and Soft Computing. Communications of the ACM. 1994, vol. 37, no. 3, pp. 77–84.

23. Pedrycz W. Computational Intelligence: an Introduction.

Boca Raton, CRC Press, 1997.

24. Averkin A.N., Prokopchina S.V. Soft Computing and Measurements. Intellektualnye sistemy [Intelligent Systems]. Moscow, MSU Publ., 1997, vol. 2, no. 1–4, pp. 93–114 (in Russ.).

25. Prokopchina S.V. Cognitive Measurements on the Basis of Bayesian Intelligent Tecknologies. Proc. of the 13h Int. Conf. on Soft Computing and Measurements (SCM’2010, St. Petersburg, June 23-25, 2010). St. Petersburg, LETI Publ., 2010, pp. 28–34 (in Russ.).

26. Tarassov V.B. On Granular Measurement Structures in Ambient Intelligence and Smart Environments. Measurement Information and Control Systems. 2013, vol. 2 (in Russ.).

27. Zadeh L.A. Toward a Generalized Theory of Uncertainty (GTU): an Outline. Information Sciences – Informatics and Computer Science. 2005, vol. 172, no. 1–2, pp. 1–40.

28. Reznik L. Measurement Theory and Uncertainty in Measurements: Application of Interval Analysis and Fuzzy Sets Methods. Handbook of Granular Computing. Chichester UK, John Wiley and Sons, 2008, pp. 517–532.

29. Zadeh L.A. Toward a Theory of Fuzzy Information Granulation and its Centrality in Human Reasoning and Fuzzy Logic.

Fuzzy Sets and Systems, 1997, vol. 90, pp. 111–127.

30. Bargiela A., Pedrycz W. Granular Computing: an Introduction. Dordrecht, Kluwer Academic Publ., 2003.

31. Tarassov V.B. Information Granulation by Cognitive Agents and Non-Standard Fuzzy Sets. Proc. of the 6th Int. Conf. on

81

Программные продукты и системы Soft Computing, Computing with Words and Perceptions in System Analysis, Decision and Control (ICSCCW’2011, Antalya, Turkey, September 1-2, 2011). Kaufering, b-Quadrat Verlag Publ., 2011, pp. 59–74.

32. Mauris G., Lasserre V., Foulloy L. Fuzzy Modeling of Measurement Data Acquired from Physical Sensors. IEEE Transactions on Instrumentation and Measurement. 2000, vol. 49, no. 6, pp. 1201–1205.

33. Vasiliev N.A. Voobrazhaemaya logika [Imaginary Logis].

Moscow, Nauka Publ., 1989.

34. Dunn J.M. Intuitive Semantics for First-Degree Entailment and «Coupled Trees». Philosophical Studies. 1976, vol. 29, pp. 149–168.

35. Belnap N. A Useful Four-Valued Logic. Modern Uses of Multiple-Valued Logic. Dordrecht, 1977, pp. 8–37.

36. Ginsberg M. Multi-Valued Logics: a Uniform Approach to Reasoning in AI. Computer Intelligence. 1988, vol. 4, pp. 256–316.

37. Fitting M. Bilattices and the Theory of Truth. Journ. of Philosophical Logic. 1989, vol. 19, pp. 225–256.

38. Tarassov V.B. Selecting Negations in Soft Computing: a Lingua-Logical Approach. Proc. of the 4th int. conf. on Soft Com-

№ 4, 2013 г. puting, Computing with Words and Perceptions in System Analysis, Decision and Control (ICSCCW’2007, Antalya, Turkey, August 27-28, 2007). Kaufering, b-Quadrat Verlag Publ., 2007, pp. 110–124.

39. Tarassov V.B. Lattice Products, Bilattices and Some Extensions of Negations, Triangular Norms and Triangular Conorms.

Proc. of the int. conf. on Fuzzy Sets and Soft Computing in Economics and Finance (FSSCEF’2004, Saint-Petersburg, June 17–20, 2004). Mexico, IPM, 2004, vol. 1, pp. 272–282.

40. Arieli O., Avron A. Reasoning with Logical Bilattices.

Journ. of Logic, Language and Information. 1996, vol. 5, no. 1, pp. 25–63.

41. Pedrycz W. Shadowed Sets: Representing and Processing Fuzzy Sets. IEEE Transactions on Systems, Man and Cybernetics, B. 1998, vol. 28, pp. 103–109.

42. Turunen E., Ozturk M., Tsoukias A. Paraconsistent Semantics for Pavelka Style Fuzzy Sentential Logic. Fuzzy Sets and Systems. 2010, vol. 161, no. 14, pp. 1926–1940.

43. Shramko Y., Dunn J. M., Takenaka T. The Trilattice of Constructive Truth Values. Journ. of Logic and Computation. 2001, vol. 11, pp. 761–788.

УДК 35.07(470):004]:519.816

МЕТОДИКА МОНИТОРИНГА ГОСУДАРСТВЕННОГО ПРОЕКТА ПО КРИТЕРИЯМ ЭФФЕКТИВНОСТИ Г.Г. Куликов, д.т.н., профессор, зав. кафедрой; Н.Д. Навалихина, аспирант, ассистент; Р.К. Габбасов, соискатель, старший специалист-аналитик

А.А.

(Уфимский государственный авиационный технический университет, ул. К. Маркса, 12, г. Уфа, 450000, Башкортостан, Россия, gennadyg_98@yahoo.com, Nadiatoropova@gmail.com, rus.simplemail@gmail.com); Тымченко, главный консультант (Аппарат правительства Республики Башкортостан, ул. Тукаева, 46, г. Уфа, 450101, Башкортостан, Россия, Tymchenkoanna@yandex.ru)

Рассмотрены вопросы оценки эффективности реализации государственного проекта по организации межведомственного электронного взаимодействия органов государственной власти и местного самоуправления в рамках предоставления государственных и муниципальных услуг населению Российской Федерации в процессе формирования «Электронного Правительства». Особенностью данной статьи является приведение оценки эффективности подобного крупномасштабного проекта с различных точек зрения, включая реальные и синтезированные. Авторы предполагают, что, несмотря на явную комплексность и нетривиальность подобного проекта, эффективность будет достигнута в случае корректного воздействия на определенные критерии эффективности и принятия определенных управленческих решений. Ключевые слова: государственные услуги, муниципальные услуги, электронный вид, межведомственное взаимодействие, технологическая карта, цикл актуализации, метод анализа иерархий.

MONITORING METHODOLOGY OF THE GOVERNMENTAL PROJECT USING EFFICIENCY CRITERIA Kulikov G.G., Dr. Tech. Sc., professor, head of chair; Navalikhinа N.D., postgraduate student, assistant; Gabbasov R.K., candidate, senior analyst luxoft (Ufa State Aviation Technical University, K. Marksa St., 12, Ufa, 450000, Bashkortostan, Russian Federation, gennadyg_98@yahoo.com, Nadiatoropova@gmail.com, rus.simplemail@gmail.com); Tymchenko A.A., prime consultant (Republic of Bashkortostan Government, Tukaeva St., 46, Ufa, 450101, Bashkortostan, Russian Federation, Tymchenkoanna@yandex.ru) Аbstract. This article contains the description of efficiency evaluation for governmental project on organization of interdepartmental electronic interaction between state governance and local governance departments in the context of providing governmental and municipal services to the population of Russian Federation in the process of forming the “Electronic Government”. The article will be useful to those specialists that work in the field of politics analysis and for students/specialist in this political field. Main feature of this article is that the efficiency estimation of such great project it based on several points of view including real and synthesized. The authors of this article assume that despite the complexity and non-triviality of this particular project this efficiency will be achieved in case of proper impact on particular efficiency criteria and certain decision-making.

Keywords: government services, municipal services, electronic form, interdepartmental interaction, technical map, Deming cycle (update cycle), method of hierarchies analysis.

82

Программные продукты и системы

Целями мониторинга являются выявление типовых и частных проблем перевода государственных и муниципальных услуг (ГУ и МУ) в электронную форму и на межведомственное электронное взаимодействие, их систематизация и анализ, обеспечение руководителей ведомств, осуществляющих перевод услуг, информацией, необходимой для принятия управленческих решений на основании оценки и анализа качества данного перевода. Методика мониторинга предназначена для оценки выполнения требований по переводу предоставления ГУ и МУ в электронную форму, установленных нормативными правовыми актами. Объектом мониторинга является деятельность по предоставлению ГУ и МУ на территории Российской Федерации. А единственный достоверный источник информации о качестве реализации проекта по переводу ГУ и МУ в электронный вид – данные мониторинга качества проводимых работ. Они позволяют ЛПР выявлять нежелательные тенденции и фиксировать положительную динамику проекта. Проведение мониторинга готовности к предоставлению ГУ и МУ в электронной форме и на основе межведомственного электронного взаимодействия позволяет оценить - степень готовности рабочих мест сотрудников, оказывающих ГУ или МУ (на примере Республики Башкортостан), к переводу данных услуг в электронный вид, в том числе по наличию средств электронной подписи, сетевой связанности с Центром обработки данных Республики Башкортостан, а также интеграции имеющихся у ведомства информационных систем с Системой межведомственного электронного взаимодействия Республики Башкортостан (СМЭВ РБ); - степень готовности сотрудников органов исполнительной власти и органов местного самоуправления (ОМСУ) предоставлять ГУ (МУ) в электронном виде и эффективность их обучения; - востребованность межведомственного взаимодействия в электронном виде по количеству направленных запросов и количеству полученных ответов; - работоспособность сервисов федеральных органов исполнительной власти и СМЭВ РБ; - эффективность работы сотрудников органов исполнительной власти республики и ОМСУ по предоставлению ГУ (МУ) в электронном виде по сравнению с аналогичными работами в неэлектронном виде; - возможности реализации ГУ (МУ) в электронной форме в соответствии с распоряжением Правительства РФ и удобство получения гражданами результатов этих услуг в электронном виде; по результатам такой оценки могут быть подготовлены следующие рекомендации: а) ответственным органам государственной власти (ОГВ) и ОМСУ – по приведению регла-

№ 4, 2013 г.

мента предоставления ГУ и МУ в соответствие законодательству, регулирующему межведомственное взаимодействие и предоставление ГУ и МУ в электронном виде, и законным ожиданиям граждан; б) оператору Единого портала государственных услуг – по повышению доступности сервисов портала. Для организации работы и для контроля ее исполнения необходимо создание ситуационного центра (СЦ) в регионе с компетенциями в области автоматизации ГУ и МУ – регионального центра автоматизации (РЦА). Необходимо также построение новых системных моделей, дополняющих и расширяющих понимание существующих бизнес-процессов в ОГВ/ОМСУ [1–3]. Покритериальная оценка эффективности проекта Для поиска общей эффективности определим частные критерии эффективности проекта и весовые коэффициенты для каждого из них, предварительно выделив этапы реализации проекта [4, 5].

1-й этап: отсутствие межведомственного взаимодействия при предоставлении ГУ и МУ, то есть пакет документов для формирования заявки на оказание услуги собирается заявителем самостоятельно.

2-й этап: переход на межведомственное взаимодействие в бумажном виде при предоставлении ГУ и МУ, то есть заявитель собирает самостоятельно только документы личного хранения, всю остальную информацию о заявителе ведомство – поставщик услуги – запрашивает у других ведомств в бумажном виде или посредством электронной почты.

3-й этап: межведомственное электронное взаимодействие при предоставлении ГУ и МУ (отличается от предыдущего этапа электронным межведомственным взаимодействием). Для проведения оценки весовых коэффициентов была выбрана методика анализа иерархий Саати, применение которой позволяет определить весовые коэффициенты (значимость) каждого из критериев эффективности проекта для каждого из этапов реализации проекта с точки зрения ОГВ (ОМСУ) и граждан. Построим динамическую покритериальную диаграмму изменения значимости каждого из критериев эффективности проекта по этапам его реализации. Выделим необходимые компоненты для проведения оценки весовых коэффициентов методом анализа иерархий (МАИ) по Саати. Цель: дать поэтапную (см. выше) оценку эффективности реализации проекта. Инструменты: метод иерархий по Саати, применение реальных и синтезированных точек зрения.

83

Программные продукты и системы

Определим критерии эффективности проекта.

1. С точки зрения ОГВ (ОМСУ), оказывающего услугу: – возможность проведения руководством ОГВ (ОМСУ) мониторинга (Мг) процесса оказания услуги всеми территориальными подразделениями ОГВ (ОМСУ) (прозрачность работы сотрудников); – возможность расширения информационного поля (Рип) сотрудника ОГВ (ОМСУ), которое позволит более качественно оказывать услугу; – достоверность сведений (Дс); – снижение трудозатрат сотрудника (ТзС) ОГВ (ОМСУ) при оказании услуги (например, за счет удобства и функциональности системы); – оптимизация процесса оказания услуги (ОУ) (сокращение количества запрашиваемых в рамках услуги документов и оптимизация самого процесса ОУ).

2. С точки зрения гражданина (ГР): – прозрачность оказания услуги (Поу), то есть возможность отследить с ЕПГУ статус заявки; – сокращение времени (СВр) на формирование и подачу заявки и всех сопутствующих документов; – качественная консультация (К) по формированию и подаче заявки и всех сопутствующих документов; – достоверность сведений, позволяющая получить услугу гражданам, которым ранее в ней было отказано, то есть увеличение вероятности (ВУ) оказания услуги; – снижение затрат (Згр) (исключаются платные справки, которые запрашиваются по каналам межведомственного взаимодействия). Тогда  Ф  ОГВ = Мг + Рип + Дс + ТзС + ОУ, ЭФ    Ф  ГР  = Поу + СВр + К + ВУ + Згр. Оценка эффективности реализации проекта с точки зрения ОГВ и ОМСУ Для такой оценки определим критерии эффективности рассматриваемого проекта и составим функцию: Ф(ОГВ)=Mг+Рип+Дс+ТзС+ОУ, где Ф(ОГВ) – эффективность реализации проекта с точки зрения ОГВ (ОМСУ); Мг – возможность проведения руководством ОГВ (ОМСУ) мониторинга процесса оказания услуги всеми территориальными подразделениями ОГВ (ОМСУ) (прозрачность работы сотрудников); Рип – возможность расширения информационного поля сотрудника ОГВ (ОМСУ), которое позволит более качественно оказывать услугу; Дс – достоверность сведений; ТзС – снижение трудозатрат сотрудника ОГВ при оказании услуги (например, за счет 84

№ 4, 2013 г.

удобства и функциональности системы); ОУ – оптимизация процесса оказания услуги. Допустим, что точку зрения ОГВ (ОМСУ) можно разделить на точку зрения руководства ОГВ (ОМСУ) – синтезированная точка зрения, и точку зрения исполнителей в ОГВ (ОМСУ) – реальная точка зрения (рис. 1). Рассчитаем эффективность проекта отдельно для каждого из них. Эффективность проекта Руководство Мг

Рип

Исполнитель Дс

ТзС

ОУ

Рис. 1. Иерархическая структура метода. Критерии эффективности проекта с точки зрения ОГВ

На первом этапе, когда пакет документов заявителя полностью собирается гражданином, при предоставлении услуг заявителю для ОГВ (ОМСУ) наиболее значимым критерием эффективности проекта является «Достоверность сведений», так как в данном периоде велика возможность предоставления ложных сведений в заявлении и подделки документов для предоставления в ОГВ (ОМСУ). Весовые коэффициенты критериев эффективности проекта на первом этапе составили: Ф(ОГВ)=Mг+Рип+Дс+ТзС+ОУ=0,068+0,0635+ +0,4746+0,1875+0,2061. Представим весовые коэффициенты критериев эффективности проекта на первом этапе с точки зрения ОГВ (ОМСУ) по убыванию весового коэффициента критерия эффективности проекта: Дс – 0,4746, ОУ – 0,2061, ТзС – 0,1875, Мг – 0,068, Рип – 0,0635. Рассмотрим второй этап – бумажное межведомственное взаимодействие. Путем внедрения межведомственного документооборота достигнут максимальный уровень удовлетворения критерию эффективности проекта «Достоверность сведений заявителя», так как пакет предоставляемых сведений и документов заявителем сократился до пакета личных документов гражданина, что привело к сокращению возможности предоставления заявителем ложных сведений и документов. Представим весовые коэффициенты критериев эффективности проекта на втором этапе с точки зрения ОГВ по убыванию весового коэффициента критерия эффективности проекта: ТзС – 0,4743, ОУ – 0,2807, Рип – 0,0986, Мг – 0,0916, Дс – 0,0546. Таким образом, весовые коэффициенты критериев эффективности проекта в период с 1 июля 2012 года по 1 января 2014 составят: Ф(ОГВ)=Mг+Рип+Дс+ТзС+ОУ=0,0916+ +0,0986+0,0546+0,4743+0,2807.

Программные продукты и системы

Рассмотрим третий этап – межведомственное электронное взаимодействие + пакет личных документов. Представим весовые коэффициенты критериев эффективности проекта на третьем этапе с точки зрения ОГВ по убыванию весового коэффициента критерия эффективности проекта: ТзС – 0,4247, Дс – 0,342, ОУ – 0,0963, Рип – 0,0684, Мг – 0,0684. Внедрение электронного межведомственного взаимодействия позволило достигнуть максимального уровня удовлетворения критерию эффективности проекта «Возможность расширения информационного поля сотрудника ОГВ» и критерию «Возможность проведения руководством ОГВ мониторинга процесса оказания услуги всеми территориальными подразделениями ОГВ (прозрачность работы сотрудников)», как и было уже сказано. Актуальность критерия эффективности проекта «Сокращение трудозатрат работников ОГВ» снизилась незначительно: данный критерий эффективности проекта был улучшен путем вывода из обработки бумажных документов, а также за счет оптимизации процесса оказания услуг ОГВ (ОМСУ) в рамках удаления процедуры личного приема заявителей работниками ведомств. Критерий эффективности проекта «Достоверность сведений заявителя» вновь повысил свою важность на новом уровне. Это объясняется тем, что, хотя и был сокращен пакет подаваемых заявителем документов при внедрении межведомственного взаимодействия, осталась возможность подделки документов личного хранения и, получив требуемый уровень критерия эффективности проекта «Оптимизация процесса оказания услуги», он вновь приобрел свою актуальность. Таким образом, весовые коэффициенты критериев эффективности проекта на третьем этапе с точки зрения ОГВ (ОМСУ) составят: Ф(ОГВ)=Мг+Рип+Дс+ТзС+ОУ=0,0684+ +0,0684+0,342+0,4247+0,0963. За счет внедрения межведомственного электронного взаимодействия с точки зрения ОГВ (ОМСУ) предполагается решить следующие задачи: - дать возможность руководству ОГВ (ОМСУ) проводить мониторинг процесса оказания услуги всеми территориальными подразделениями ОГВ (ОМСУ); - дать возможность расширять информационное поле сотрудника ОГВ (ОМСУ) для более качественного оказания услуги; - обеспечить повышение достоверности сведений заявителя; - сократить количество документов, предоставляемых заявителем; - оптимизировать процесс оказания услуг; - обеспечить снижение трудозатрат сотрудников ОГВ (ОМСУ) при оказании услуг (напри-

№ 4, 2013 г.

мер, за счет удобства и функциональности внедряемой системы). Эффективность реализации проекта межведомственного электронного взаимодействия с точки зрения гражданина Для оценки данной эффективности определим критерии эффективности рассматриваемого проекта и составим функцию: Ф(ГР)=Поу+СВр+К+ВУ+Згр, где Ф(ГР) – эффективность реализации проекта с точки зрения гражданина; Поу – прозрачность оказания услуги (возможность отследить с ЕПГУ статус заявки); СВр – сокращение времени на формирование и подачу заявки и всех сопутствующих документов; К – качественная консультация по формированию и подаче заявки и всех сопутствующих документов; ВУ – достоверность сведений, позволяющая получить услугу гражданам, которым ранее в ней было отказано, – увеличение вероятности оказания услуги; Згр – снижение затрат (исключаются платные справки, запрашиваемые теперь по каналам межведомственного взаимодействия). Допустим, что точку зрения позиции гражданина как категорию можно разделить на точку зрения государства (регламентирующих государственных органов, рассматривающих потребности граждан) – синтезированная точка зрения, и точку зрения заявителя (гражданина – потребителя ГУ) – реальная точка зрения (рис. 2). Рассчитаем эффективность проекта отдельно для каждой из них. Эффективность проекта Государство Поу

СВр

Заявитель К

ВУ

Згр

Рис. 2. Иерархическая структура МАИ. Критерии эффективности проекта с точки зрения гражданина

Рассмотрим первый этап, когда пакет документов заявителя полностью собирается заявителем. Аналогично выполним расчеты весовых коэффициентов МАИ с точки зрения государства. Представим весовые коэффициенты критериев эффективности проекта на первом этапе с точки зрения заявителя по убыванию весового коэффициента критерия эффективности проекта: Згр – 0,2804, СВр – 0,251, ВУ – 0,2447, Поу – 0,1305, К – 0,093. Итак, на этапе самостоятельного формирования заявителем полного пакета документов наиболее значимыми критериями эффективности проекта являются следующие. «Снижение затрат», так как существует большое количество платных справок, от предоставле85

Программные продукты и системы

ния которых гражданин освобожден с 1 июля 2012 года, в случае, если сведения, содержащиеся в данных справках, находятся в ведении других органов власти. «Сокращение времени», так как на данном этапе гражданин большую часть времени тратит на сбор сведений в других органах власти, в то время как его интересует результат оказания услуги, а не промежуточные справки. «Достоверность сведений», так как этот критерий отражает вероятность оказания услуги с учетом достоверности представленных заявителем документов. Таким образом, весовые коэффициенты критериев эффективности проекта на первом этапе составили: Ф(ГР)=Поу+СВр+К+ВУ+Згр=0,1305+ +0,251+0,093+ 0,2447+0,2804=1. Рассмотрим второй этап – бумажное межведомственное взаимодействие. Представим весовые коэффициенты критериев эффективности проекта на втором этапе с точки зрения заявителя по убыванию весового коэффициента критерия эффективности проекта: СВр – 0,3667, Згр – 0,2271, К – 0,1919, Поу – 0,1176, ВУ – 0,0965. Наибольшую значимость на втором этапе приобрел критерий «Сокращение времени». Его актуальность обусловлена тем, что, несмотря на введение межведомственного взаимодействия и возможность гражданина предоставлять только документы личного хранения, срок оказания услуги остался неизменным. Критерий «Снижение затрат» утратил свою значимость практически в два раза, что вызвано требованиями Федерального закона, согласно которому платные справки теперь самостоятельно запрашиваются ведомством-поставщиком услуги у других органов власти. Значительно снизился весовой коэффициент значимости критерия «Достоверность сведений», это объясняется тем, что справки теперь запрашиваются напрямую у органов власти, в результате чего снижается вероятность предоставления недостоверных документов. Таким образом, весовые коэффициенты критериев эффективности проекта на втором этапе составили: Ф(ГР)=Поу+СВр+К+ВУ+Згр=0,1176+0,3667+ +0,1919+0,0965+0,2271=1. Рассмотрим третий этап – межведомственное электронное взаимодействие + пакет личных документов. Представим весовые коэффициенты критериев эффективности проекта на третьем этапе с точки зрения заявителя по убыванию весового коэффициента критерия эффективности проекта: К – 0,3072, Поу – 0,289, ВУ – 0,1668, Згр – 0,1251, СВр – 0,1117. На данном этапе после внедрения электронного межведомственного взаимодействия и перевода 86

№ 4, 2013 г.

услуг полностью в электронный вид наибольшую значимость приобрел критерий «Качественная консультация», что вызвано низкой грамотностью населения в сфере информационно-коммуникационных технологий. Теперь результат оказания услуги напрямую зависит от правильности формирования заявки в электронном виде. Важным критерием является «Прозрачность услуги», так как в случае неполного формирования заявки заявитель должен незамедлительно получить уведомление о необходимости предоставления недостающих документов к заявке. Весовые коэффициенты критериев эффективности проекта на третьем этапе составили: Ф(ГР)=Поу+СВр+К+ВУ+Згр=0,289+0,1117+ +0,3072+0,1668+0,1251=1. Таким образом, после внедрения электронного межведомственного взаимодействия для гражданина планируется решение следующих задач: – снижение затрат (платные справки запрашиваются по каналам межведомственного электронного взаимодействия ведомством-поставщиком услуги); – сокращение времени на формирование и подачу заявки и всех сопутствующих документов за счет предоставления гражданином только документов личного хранения; – достижение прозрачности оказания услуги, чтобы гражданин получил возможность отслеживать с единого портала государственных услуг статус заявки; – обеспечение достоверности сведений, позволяющей получить услугу гражданам, которым ранее в ней было отказано; оказание качественной консультации по формированию и подаче заявки и всех сопутствующих документов, организация технической поддержки, в том числе горячей линии. Динамика улучшения показателей эффективности в процессе реализации Федерального закона с точки зрения заявителей показана в таблице 1. Таблица 1 Критерий эффективности проекта Згр СВр ВУ Поу К

1-й этап 0,2804 0,251 0,2447 0,1305 0,093

2-й этап 0,2271 0,3667 0,0965 0,1176 0,1919

3-й этап 0,1251 0,1117 0,1668 0,289 0,3072

В результате оценки эффективности проекта получаем следующие отношения изменения показателей и их значимости.  Снижение затрат (Згр). При переводе проекта на последующие этапы значимость показателя сокращается за счет того, что все больше затрат гражданина уходит с введением и развитием межведомственного взаимодействия и с созданием инфраструктуры для дальнейшего перевода доку-

Программные продукты и системы

ментов в поле межведомственного взаимодействия. К тому же реинжиниринг услуг при переводе в электронный вид сокращает общее число требуемых для оказания услуги документов, что тоже влияет на значимость показателя в общей оценке. При полном электронном межведомственном взаимодействии доля показателя сокращается на 20 % от общей значимости всех показателей. Заявителю требуется уделять меньше внимания затратности при подаче заявления на услугу.  Сокращение времени на формирование и подачу заявки и всех сопутствующих документов (СВр). При переводе проекта на последующие этапы доля значимости показателя сначала резко возрастает по сравнению с остальными оцениваемыми показателями, а на третьем этапе резко сокращается. Это объясняется тем, что на втором этапе проекта большая часть заявителей не очень уверенно пользуются предоставляемыми инструментами и многие продолжают для надежности приносить документы, получая их самостоятельно аналогично состоянию до начала проекта. Зачастую этот фактор выводит долю значимости показателя сокращения временных затрат сначала резко в состояние роста, а затем, по мере развития в обществе понимания и осознания, снижает долю его значимости.  Увеличение вероятности оказания услуги (ВУ). При переводе проекта на последующие этапы доля значимости показателя сначала резко снижается относительно остальных оцениваемых показателей, а на третьем этапе резко возрастает. Это объясняется тем, что на втором этапе проекта большая часть заявителей будет чаще подавать заявления на получение услуг, в меньшей степени заботясь о вероятности оказания услуги за счет сокращения времени на подачу заявлений. На третьем этапе значимость вероятности получения услуги значительно возрастает вследствие того, что значимость факторов затратности (Згр и СВр) уже в меньшей степени будет заботить заявителя, что является одной из социальных целей проекта.  Прозрачность оказания услуги (Поу). При переводе проекта на последующие этапы наблюдается постепенное повышение значимости прозрачности оказания услуг для заявителя. Это связано с тем, что у заявителя появляются дополнительные инструменты взаимодействия с ведомствами и контроля процедур исполнения услуги.  Качественная консультация (К). При переводе проекта на последующие этапы наблюдается резкое повышение значимости качества консультаций по процессу оказания услуг для заявителя. В первую очередь это связано с тем, что сокращается общее прямое взаимодействие заявителя с исполнителем услуги. Кроме того, заявитель более внимательно относится к процедуре оказания услуги, так как меньше внимания уделяет материальным и временным затратам.

№ 4, 2013 г.

Динамика улучшения показателей эффективности в процессе реализации Федерального закона с точки зрения ОГВ показана в таблице 2. Таблица 2 Критерий эффективности проекта ТзС Дс ОУ Рип Мг

1-й этап 0,1875 0,4746 0,2061 0,0635 0,068

2-й этап 0,4743 0,0546 0,2807 0,0986 0,0916

3-й этап 0,4247 0,342 0,0963 0,0684 0,0684

В результате оценки эффективности проекта получаем следующие отношения изменения показателей и их значимости.  Снижение трудозатрат сотрудника ОГВ при оказании услуги (ТзС). При переводе проекта на последующие этапы доля значимости показателя сначала резко возрастает относительно остальных оцениваемых показателей, а на третьем этапе резко сокращается. Это связано с тем, что с введением бумажного межведомственного взаимодействия объем работы сотрудника увеличится, увеличивается и доля значимости данного показателя. Сотрудник в большей степени заинтересован в снижении трудозатрат на формирование межведомственных запросов. На третьем этапе за счет инструментов электронного межведомственного взаимодействия резко снижается доля значимости показателя. Возможности электронных компонент межведомственного взаимодействия упростят формирование и обработку запросов, а часть ответов по межведомственному взаимодействию возьмут на себя автоматизированные информационные системы.  Оптимизация процесса ОУ. При переводе проекта на последующие этапы доля значимости показателя сначала резко возрастает относительно остальных оцениваемых показателей, а на третьем этапе резко сокращается. В первую очередь это связано с тем, что на втором этапе услуги еще не оптимизированы для межведомственного взаимодействия, а большая часть систем не интегрирована, сохраняется примерно тот же объем документов, который был на первом этапе. При переходе на третий этап доля значимости показателя сократится за счет внесения изменений в регламенты оказания услуг, что уменьшит количество необходимых документов и максимально допустимо упростит сами процедуры оказания услуг для итогового снижения трудозатратности процессов оказания услуг.  Возможность расширения информационного поля сотрудника ОГВ (Рип). К третьему этапу значимость, а соответственно и доля значимости показателя в общей оценке эффективности, будет небольшой за счет того, что основная часть инфраструктуры межведомственного взаимодейст87

Программные продукты и системы

вия будет проработана и освоена. Доля значимости перейдет уже в показатели трудозатратности и достоверности сведений.  Возможность проведения руководством ОГВ мониторинга процесса оказания услуги (Мг). К третьему этапу значимость, а соответственно и доля значимости показателя в общей оценке эффективности, будет небольшой за счет того, что основная часть статистических отчетов о работе по заявкам и запросам будет формироваться автоматизированными информационными системами с большей по сравнению с сотрудником точностью. Доля значимости перейдет уже в показатели трудозатратности и достоверности сведений.  Достоверность сведений (Дс). При переводе проекта на последующие этапы доля значимости показателя сначала резко снижается относительно остальных оцениваемых показателей, а на третьем этапе резко возрастает. Это происходит вследствие того, что на втором этапе сотрудники начинают получать более достоверные сведения из ОГВ и ОМСУ по юридически значимым каналам. На третьем этапе доля значимости резко возрастает, но не достигает первичного состояния, так как сотрудника больше заботят объем и достоверность содержания запросов, чем остальные оптимизационные критерии. На основании изложенного можно отметить следующее. Для исследования была выбрана типовая модель жизненного цикла проекта по стандарту ISO15288. Применение этой модели обусловлено практическим переходом к проектному управлению по международным стандартам, что придает дополнительное разнообразие возможностям применения дополнительных технологий анализа и менеджмента при проектном управлении [6]. Математическим методом доказана эффективность реализации проекта. На основе реальных и

№ 4, 2013 г.

синтезированных точек зрения был составлен портрет эффективности проекта в рамках этапов его реализации. Кроме того, на основании полученных оценок эффективности спрогнозированы результаты проекта для тактического и стратегического менеджмента проекта. Литература 1. Аленцев В., Самарин А. Эталонная модель BPM // Открытые системы. 2009. № 1. URL: http://www.osp.ru (дата обращения: 26.08.2013).

2. Швецов А.Н. Агентно-ориентированные системы: от формальных моделей к промышленным приложениям: Всерос. конкурсный отбор обзорно-аналит. статей по приоритет. направлению «Информационно-телекоммуникационные системы». 2008. 101 с.

3. OMG. BPMN (Business Process Modeling Notation) v.1.0, 2006. URL: http://www.omg.org/technology/documents/ bms_spec_catalog.htm (дата обращения: 26.08.2013).

4. Ципес Г.Л., Товб А.С. Управление проектами: стандарты, методы, опыт. М.: Олимп-Бизнес, 2003. 240 с.

5. Fingar P., Smith H. Business Project Management. The third wave. 1st ed., Meghan-Kiffer Press, Tampa, 2003, 312 p.

6. Sowa J.F., Zachman J.A. Extending and Formalizing the Framework for Information System Architecture. IBM System Journ., 1992, vol. 31, no. 3.

References 1. Alentsev V., Samarin A. Otkrytye sistemy [Open Systems], 2009, no. 1. Available at: http://www.osp.ru (accessed 26 August 2013) 2. Shvetsov A.N. Vserossiyskiy konkursny otbor obzornoanaliticheskikh statey po prioritetnomu napravleniyu “Informatsionno-telekommunikatsionnye sistemy” [All-Russian competitive selection of overview and analytical articles on the priority area “Information and Telecommunication Systems”], 2008.

3. OMG. BPMN (Business Process Modeling Notation) v.1.0, available at: http://www.omg.org/technology/documents/bms_ spec_catalog.htm (accessed 26 August 2013).

4. Tsipes G.L., Tovb A.S. Upravlenie proektami. Standarty, metody, opyt [Project Management: standards, methods, experience]. Moscow, Olimp-Business Publ., 2003 (in Russ.).

5. Fingar P., Smith H. Business Project Management. The third wave. 1st ed., Meghan-Kiffer Press, Tampa, 2003.

6. Sowa J.F., Zachman J.A. IBM System Journ., 1992, vol. 31, no. 3.

УДК 004.451.7.031.43

ПОСТРОЕНИЕ OLAP-КУБОВ С ПОМОЩЬЮ СТАНДАРТНЫХ СРЕДСТВ РАЗРАБОТКИ WEB-ПРИЛОЖЕНИЙ (Работа выполнена в рамках ФЦП по проекту «Программный комплекс и облачный сервис для автоматизации обобщения и анализа финансово-экономической информации о деятельности предприятий и обеспечения принятия управленческий решений», ГК № 14.527.12.0020)

В.Н. Чибисов, директор по информационным технологиям; И.А. Суслов, старший специалист (МХК «ЕвроХим», ул. Дубининская, 53, стр. 6, г. Москва, 115054, Россия, vladimir.chibisov@eurochem.ru, ivan.suslov@eurochem.ru); И.А. Маркилов, начальник отдела («МБК Груп», ул. Петровка, 17, стр. 1, г. Москва, 107031, Россия, igoram@mbcgroup.ru)

88

Программные продукты и системы

№ 4, 2013 г.

Описывается построение системы, работающей с многомерными аналитическими пространствами для обработки информации (OLAP-кубов данных), с помощью свободно распространяемых бесплатных инструментальных и программных средств для разработки web-приложений. Рассматриваются вопросы построения структуры БД, разработки системы кодирования и основанного на ней языка обращения к многомерному пространству, а также построения и проектирования транслятора, преобразующего выражения, написанные на языке обращений к многомерному пространству, в язык запросов к БД (язык запросов SQL). Использование описанного в данной статье подхода позволяет осуществлять разработку и построение OLAP-кубов данных на стандартных средствах разработки web-приложений без привлечения дорогостоящих специализированных программных средств для работы с многомерными аналитическими пространствами (OLAP-кубами данных). Ключевые слова: OLAP, автоматизация процесса, web-приложения, бизнес-анализ, трансляция.

BUILDING OLAP-CUBES USING STANDARD WEB-DEVELOPMENT APPLICATIONS Chibisov V.N., IT-director; Suslov I.A., senior engineer (EuroChem, Dubininskaya St., 53/6, Moscow, 115054, Russian Federation, vladimir.chibisov@eurochem.ru, ivan.suslov@eurochem.ru); Markilov I.A., head of department (Middle Business Consulting Group, Petrovka St., 17/1, Moscow, 107031, Russian Federation, igoram@mbcgroup.ru) Аbstract. This paper addresses building of a system working with multi-dimensional analytic spaces used to process analytical data (OLAP-data cubes) by means of shareware, free tools and software to develop web-applications. The paper considers the issues related to development of a database structure, the encoding system and the language used to address to the multi-dimensional space, as well as building and design of a translator converting the expressions written in the language used to address to the multi-dimensional space into the language used to make database queries (SQL data-query language).

Application of the approach described in this paper allows designing and building OLAP-data cubes using conventional means for web-application development without using expensive, special-purpose software to work with multi-dimensional analytic spaces (OLAP-data cubes).

Keywords: OLAP, process automation, web-applications, business analysis, broadcast.

Современные технологии (в частности, webтехнологии) оказывают все большее влияние на бизнес и внедряются повсеместно. Так как большая часть населения цивилизованных стран активно использует Интернет как средство общения и ведения бизнеса, это влияет на наличие в сети потенциальных клиентов. Использование всех имеющихся инструментов для общения и коммуникации, для эффективного развития собственного бизнеса и продвижения своего бренда или просто для творческой реализации в сети – жизненная необходимость, возможность экономить деньги и время на выполнение определенных задач, которые раньше требовали больше человеческих и аппаратно-программных ресурсов.

Web-технологии позволяют пользователям взаимодействовать с системой через стандартные средства работы с Интернетом и сетями-браузерами, что выгоднее использования дополнительных клиентских приложений, устанавливаемых на рабочее место пользователя. За счет этого такие системы очень мобильны, так как работать с ними можно через любые удаленные и стационарные устройства, имеющие выход в Интернет. Система, построенная с использованием webтехнологий, не имеет тяжелых клиентских и серверных приложений. Конечно, такие системы работают немного медленнее своих аналогов, но от систем бизнес-анализа не требуется работа в режиме реального времени. Бизнес-анализ выполняется по временным отрезкам: минимально необходимым отрезком являются сутки. Мобильность, достигаемая за счет возможности работы с любого устройства и без предварительных необходимых настроек, позволяет аналитикам производить ана-

лиз и принимать решения на его основе из любой точки планеты при наличии Интернета и устройства для выхода в него. Большинство современных BI-систем работают с использованием специализированных программных средств для работы с OLAP-кубами данных. Но, поскольку построение OLAP-кубов возможно на обычных реляционных БД [1], в данной статье предлагается подход для построения OLAP-кубов на основе свободно распространяемых инструментальных и программных webсредств (Python, Django, СУБД MySQL и др.). Естественно, такие средства имеют меньше возможностей, чем их платные аналоги. Например, используемая СУБД MySQL не предусмотрена для работы с многомерными пространствами (с OLAP-кубами). Основная сложность построения OLAP-кубов заключается в отсутствии простого, интуитивно понятного средства для обращения к многомерному пространству данных (языка запросов по аналогии с MDX) [2, 3]. Оригинальный авторский подход для построения многомерного пространства предполагает последовательную разработку организованной по принципам OLAP структуры БД MySQL, системы кодирования для всех информационных объектов, языка обращения к многомерному пространству, транслятора для организации выполнения запросов к многомерному пространству. Схематическое изображение подхода дано на рисунке 1. Первоначальными шагами построения OLAPкубов являются создание объектной модели будущей системы и формирование на еe основе структуры БД, сформированной по принципам 89

Программные продукты и системы

№ 4, 2013 г.

используется MySQL как наиболее распространенная СУБД. Поскольку она является реляционной БД, используется реализация ROLAP (рис. 2). В ROLAP основными составляющими архитектуры БД являются Хранилище Web-технологии таблицы фактов и измерений [1]. В данных таблице фактов обычно содержатся Интернет сведения об объектах или событиях, совокупность которых будет подАналитическое Транслятор вергнута анализу. В таблице измепространство рений размещены постоянные данПользователь ные, по которым выполняются анализ и построение аналитических пространств. Таблицы фактов соСистема Язык обращения кодирования держат числовые значения ячеек к многомерному информационных куба данных, а остальные опредепространству объектов ляют их многомерную совокупность измерений. Представление Рис. 1. Схематическое изображение подхода к построению системы многомерной информации с помощью звездообразных реляционных OLAP. Построенная таким образом БД будет храмоделей устраняет проблему оптимизации храненилищем данных, содержащим информацию по ния разреженных матриц, остро стоящую перед многомерным аналитическим пространствам. многомерными СУБД, в которых проблема разреСледующие шаги построения OLAP-кубов – женности решается специальным выбором схемы выделение объектов будущей системы, которые хранения. будут участвовать в процессе обработки данных, и Для обеспечения постоянной производительопределение для них системы кодирования. ности системы при различных объемах обрабатыНа основании построенной системы кодироваваемой информации структура БД организуется ния информационных объектов разрабатывается таким образом, что количество внесенной инфортакой язык обращения к многомерному пространмации и созданных внутренних объектов не наству OLAP-кубов, который будет максимально накладывает ограничений на производительность. глядным и простым для того, чтобы обычный Это достигается за счет создания множества табпользователь мог самостоятельно формировать лиц фактов и хранения обработанных частично запросы к многомерному пространству данных и агрегированных данных [3–5]. понимал, что он должен получить в качестве реПостроенная таким образом схема данных зультата запроса. подразумевает несколько центральных таблиц Для преобразования элементов выражения-зафактов, связанных с таблицами измерений. проса в язык, понятный СУБД, хранящей данные, создается программный транслятор. Реляционные таблицы БД MySQL

Структура БД по принципам OLAP

Таблица измерения «Тип данных»

Организация структуры БД по принципам OLAP Для построения структуры БД по принципам OLAP необходимо создать объектную модель системы (то есть выделить основные объекты, с которыми будет вестись работа, и определить их взаимосвязи), а затем на еe основе определить количество измерений в строящемся многомерном пространстве. Предположим, что была разработана объектная модель будущей системы и выделены основные оси многомерного куба – измерения пятимерного пространства, такие как периоды, типы данных, компании, показатели, сегменты. На основании определенных измерений строится БД в соответствии с принципами OLAP [1–4]. При создании web-приложений, сайтов и блогов 90

Таблица измерения «Компания»

Таблица измерения «Показатель» Таблица фактов 3 Таблица фактов 2 Таблица фактов 1

Таблица измерения «Период»

Таблица измерения «Сегмент»

Рис. 2. Структура БД MySQL, построенной по принципам ROLAP

Программные продукты и системы

Разработка системы кодирования информационных объектов Создание данной системы включает три последовательных этапа: идентификация объектов, их классификация и кодирование [6–8]. Под идентификацией подразумевается присвоение объекту уникального имени, признака или набора признаков, позволяющих однозначно выделить его из других объектов. Классификация объектов используется для сбора, обработки и представления необходимой информации. Классификация информационных объектов подразумевает их систематизацию. Кодирование представляет собой упорядоченное образование и присвоение кодов информационному объекту, позволяющее заменить несколькими знаками (символами) имена этих объектов. С помощью кодов обеспечивается возможность идентификации объектов в Комплексе SST максимально коротким способом, с помощью минимального числа знаков. Стремление к минимизации количества знаков, идентифицирующих объекты, способствует повышению эффективности сбора, учета, хранения, обработки информации. Кодовое обозначение характеризуется алфавитом и структурой кода, числом знаков (длиной кода), методом кодирования. На этапе классификации объектов необходимо соблюдать полноту охвата объектов рассматриваемой области, однозначность реквизитов, возможность включения новых объектов. На этапе кодирования объектов разработанные коды должны удовлетворять следующим основным требованиям:  однозначно идентифицировать информационные объекты;  иметь минимальное число знаков, достаточное для кодирования всех объектов (признаков) заданного множества;  иметь достаточный резерв для кодирования вновь возникающих объектов кодируемого множества;  быть удобными для пользователей и для компьютерной обработки закодированных информационных объектов. При выполнении первого этапа работ следует руководствоваться стандартным подходом к идентификации информационных объектов, который заключается в выделении ключевых наборов атрибутов для определенного вида объектов и сравнения их значений для определения совпадающих и похожих пар объектов. При этом необходимо учитывать, что одинаковые значения для одного набора ключевых атрибутов однозначно свидетельствуют о совпадении объектов, а наличие одинаковых значений для другого набора атрибутов позволяет сделать вывод только о похожести объектов.

№ 4, 2013 г.

В соответствии с примером по определению осей многомерного куба в процессе построения системы кодирования идентифицированы и классифицированы шесть видов объектов, с которыми работают пользователи: компании, типы данных, периоды, показатели, отчеты, сегменты. Для выделенных объектов можно построить систему кодирования [8], основанную на описанных выше правилах (табл. 1). Таблица 1 Система кодирования информационных объектов Комплекса SST Идентификация

Классифика- Кодировация ние

Пример кодировки

Компания [код компании] <2 буквы> RUNAK <3 буквы> = [международный код страны] [аббревиатура предприятия] Тип данных

[код типа данных]

<1 буква>

Период

[код даты] = <2 цифры> 01052013 [День] [Месяц] <2 цифры> [Год] <4 цифры>

Показатель

[Код показате- <3 буквы> TBL010 <3 цифры> ля] = [Код формы] [Код строки]

Отчет

[код отчета] = <8 цифр> [код даты] [код <1 буква> типа данных] <5 букв> [.] [код компании]

01012012A. RUNAK

Сегмент

[Код сегмента] <3…20 букв>

ammophos

A

Разработка языка обращения к многомерному пространству При обработке многомерных кубов данных большинство OLAP-продуктов использует MDXзапросы. Обычному пользователю трудно понимать и составлять запросы на языке MDX. Для этого необходимо знание таблиц БД в системе и языка SQL. В предлагаемом подходе на базе системы кодирования реализуется свой механизм построения запросов к многомерному пространству. Обработка этих запросов производится транслятором, который позволяет с помощью простых математических действий выполнить все необходимые преобразования данных. Для написания запросов к многомерному пространству пользователю необходимо знать лишь небольшое количество правил составления запросов: то, как он закодировал объекты системы, и простые математические и логические операции. Будущая система настраивается таким образом, что пользователь при создании объектов сис91

Программные продукты и системы

темы (компании, периоды, отчеты и так далее) самостоятельно кодирует объекты в соответствии с разработанной системой кодирования. Язык запросов к многомерному пространству разрабатывается таким образом, что в качестве его инструкций и операторов используются только заданные коды информационных объектов, математические и логические преобразования (стандартные арифметические и логические операции). Следовательно, при построении отчетов ему не придeтся изучать сложный синтаксис MDX-запросов. Приведем пример для сравнения: один и тот же запрос для получения месячного отчета (в июне 2012 года) по производству (за каждый день) конкретного вида продукции (нитроаммофоска) предприятием (с кодом RUNEV), составленный с помощью системы кодирования: 062012A.RUNEV.NIT110, где 062012 – период; A – фактические данные; RUNEV – предприятие; NIT110 – код показателя, и MDX-запрос: SELECT {[Month]. [June, 2012]. [Day]} ON COLUMNS, {[Measures]. [Units]} ON ROWS FROM [Production]. [Actual] WHERE ([Product]. [NITRO], [Company]. [RUNEV]). Очевидно, что для написания MDX-запросов необходимо иметь специальную подготовку, а для получения нужных данных в Комплексе SST пользователю достаточно помнить, как он назвал необходимые ему объекты. Закодировав все объекты и соблюдая составленную иерархию кодирования, пользователь самостоятельно все описывает, создавая новые объекты. Пример иерархии кодирования: {период, тип данных, компания, показатель, сегмент}. Пример запросов. Использование различных сегментов: 01122013A.RUNEV.TBL110(S_ammophos)+011202013A.RU NEV.TBL110(S_karbamid).

Использование различных компаний: 01122013A.RUNEV.TBL110+011202013A.RUFOS.TBL110.

Использование различных паказателей: 01122013A.RUNEV.TBL110+RUNEV.BRS510(-1D).

Использование различных периодов: 01122013A.RUNEV.TBL110+01102013A.RUNEV.TBL110.

Использование различных типов данных: 01122013A.RUNEV.TBL110+01122013F.RUNEV.TBL110.

Комбинированное использование: различные периоды, типы данных, компании, показатели, сегменты: 01122013A.RUNEV.TBL110(S_ammophos)+011202013F.RU FOS.BRS510(S_karbamid).

Для обработки созданного языка определяются формальная грамматика и синтаксис. В соответствии с принятой системой кодирования и основными операциями над показателями составляется формальная грамматика [8], состоящая из терминального алфавита, нетерминального алфавита и правил грамматики. Пример терминального алфавита грамматики приведен в таблице 2.

92

№ 4, 2013 г.

Таблица 2 Терминальный алфавит формальной грамматики -1D k w

0 1 / * S_ a l m x y

2 ( b n z

3 ) c o

4 5 6 7 8 9 F. M. B. O. EPP PP d e f g h i p q r s t u

+ -1 j v

Пример нетерминального алфавита данной грамматики приведен в таблице 3. Таблица 3 Нетерминальный алфавит формальной грамматики Бизнес-выра- Формула Знак Показатель жение Тип данных Код формы Код строки Модификатор Строка Число Цифра Буква Код модификатора

Приведем пример правил, определяющих синтаксис для данной грамматики. Пример описывает построение грамматики для формул бизнесвыражений (формулы математических операций над показателями) [1]. Правила формальной грамматики: Бизнес-выражение = <Формула> Формула = <Формула> <Арифметическая операция> <Формула> Формула = ( <Формула> ) Формула = <Показатель> Арифметическая операция = + | - | / | * Показатель = <Тип данных><Код формы><Код строки><Модификатор> Тип данных = | F. | M. | B. | O. Код формы = <Буква><Буква><Буква> Код строки = <Цифра><Цифра><Цифра> Модификатор = | (<Код модификатора>) Код модификатора = B | E | Z | EPP | PP | -1 | -1D | S_<строка> | <Число> | -<Число> Строка = <Буква> Строка = <Строка><Буква> Число = <Цифра> Число = <Число><Цифра> Цифра = 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 Буква = a | b | c | d | e | f | g | h | i | j | k | l | m | n | o | p | q | r | s | t |u|v|w|x|y|z

Начальным терминалом данной грамматики является бизнес-выражение. Правила формальной грамматики полностью определяют синтаксис формул бизнес-выражений, и на их основе производится синтаксический анализ в трансляторе. Примеры формул в соответствии с формальной грамматикой и синтаксисом: isn001 isn110 + abc120 ( wtf155 * xyz992 ) / M.ksn345 isf402 + abc123 - ( B.isf130(-1D) + isf120 * isf330(Z) )

Построение транслятора Работа транслятора обусловлена следующими тремя фазами обработки входной строки на исходном языке [9–12]:

Программные продукты и системы

№ 4, 2013 г. Латинская буква

M

Цифра

.

3

3

B

(

Символ, кроме )

)

+

A F O

Рис. 3. Схема регулярного выражения для разбора бизнес-выражений

 фаза лексического анализа;  фаза синтаксического анализа: распознавание синтаксической структуры и семантический разбор, в процессе которого осуществляются работа с таблицами, порождение промежуточного семантического представления или объектной модели языка;  фаза генерации кода: семантический анализ компонентов промежуточного представления или объектной модели языка и перевод промежуточного представления или объектной модели в объектный код. Лексический анализ – первая фаза процесса трансляции, предназначенная для группировки символов входной цепочки в более крупные конструкции, называемые лексемами. Обычно претендентами на роль лексем выступают элементарные конструкции языка. Полученные лексемы передаются синтаксическому анализатору. Синтаксический анализатор – компонент транслятора, осуществляющий проверку исходных операторов на соответствие синтаксическим правилам и семантике данного языка программирования. Он осуществляет разбор исходного текста, используя поступающие лексемы, построение синтаксической структуры текста и семантический анализ с формированием объектной модели языка. Для получения и выделения лексем и выполнения лексического и синтаксического анализов необходимо определить грамматику разбора входных строчек. Для разработки транслятора нужно определить грамматику, на основании которой проводится лексический и синтаксический анализы показателей (грамматика языка для разбора определена на этапе построения языка). Для программирования работы транслятора данная грамматика переводится на язык регулярных выражений [10, 12]. Например, регулярное выражение для разбора бизнес-выражений, составленных в соответствии с приведенными выше правилами формальной грамматики и работами [13, 14], примет вид ((?:([MBAFO])\.)?([A-Z]{3})([0-9]{3})(?:\(\+?([^)] +)\))?).

Такое регулярное выражение, описывающее грамматику, можно представить схематично [13], изобразив конечный автомат, описывающий последовательность лексем (рис. 3). Данный автомат является исходной грамматикой и используется для синтаксического анализа и выделения лексем для лексического анализа в программном коде. Процесс генерации целесообразно выполнять как многоступенчатый [11, 12], поскольку многие алгоритмы оптимизации кода проще реализовать каждый отдельно и какой-то шаг оптимизации зависит от результата отработки другого шага. Кроме того, при такой организации легко создать один компилятор, который будет создавать код для нескольких платформ, так как достаточно заменить последний шаг генерации кода. Другими словами, формирование и генерацию результирующего целевого выражения лучше всего разбить на отдельные части (этапы). То есть формировать не сразу целиком все исходное выражение, а сначала небольшие куски кода, которые затем будут объединены в целевое выражение. При такой генерации целевых выражений можно организовывать конвейерное преобразование, когда различные части исходного выражения (на основании полученных во время лексического анализа лексем) генерируют части целевого выражения параллельно друг другу. Суть процесса генерации заключается в том, чтобы преобразовать инструкции и операторы с разработанного языка на язык запросов к СУБД (язык запросов SQL). Для эффективной генерации целевого выражения на вход транслятора должны подаваться основанные на формальной грамматике значения: коды временного среза (период), компании, типа данных, информационного среза (отчет, сегмент), показателя, а также формулы математических и логических преобразований (бизнес-выражения). Но фактически для работы транслятора необходимо передавать только три параметра (табл. 4), так как некоторые параметры могут объединять в себе несколько значений. Это возможно благодаря правильной организации хранилища данных.

93

Программные продукты и системы

№ 4, 2013 г.

Таблица 4 Входные параметры в транслятор НаимеКодовое Тип данных Описание нование обозначение Список expressions list<string> Список матемаформул тических и логических преобразований (формул бизнес-выражений) Список reports list<number> Список объектов инфоркласса «Отчет» мационных срезов Список segments list<number> Список объектов сегменкласса «Сегтов мент»

Основой для генерации результирующего целевого выражения служат формулы, поскольку они задают источники данных, указывают и рассчитывают значения показателей. Разбор формул в лексическом и аналитическом анализаторах позволяет транслятору определить коды значений показателей и их координаты в таблицах фактов многомерного аналитического пространства ROLAP-куба [1, 2]. Информационные срезы и сегменты определяют координаты остальных осей в многомерном пространстве ROLAP-куба. Для возможности использования данных из других временных периодов и других информационных срезов можно в язык обращения к многомерному аналитическому пространству добавить дополнительные элементы, модификаторы [1] – дополнительные атрибуты показателя, позволяющие использовать показатели в различных срезах данных или различных отчетных периодах. При составлении формул бизнес-выражений, для расчетов показателей деятельности предприятий использование модификаторов можно реализовать, дописав его в скобках после показателя. Тогда синтаксис записи модификатора будет выглядеть следующим образом: <Показатель> (<Модификатор>). Например, показатель ISN010 с модификатором «B» запишется как ISN010(B). С учетом правил возможной записи показателя (в соответствии с правилами грамматики), который состоит из кода формы и кода строки на данной форме, его синтаксис приобретет следующий вид: <тип данных>.<код формы><код строки>(<модификатор>). Например, для системы бизнес-анализа можно использовать девять модификаторов: B – вернет данные (показатель) из предыдущего временного среза за ближайший заполненный период; E – вернет данные (показатель) последнего периода текущего временного среза; 94

Z – вернет данные (показатель) для всех сегментов данной формы, то есть вернет консолидирующий сегмент; EPP – вернет данные (показатель) последнего периода предыдущего временного среза; PP – вернет данные (показатель) периода предыдущего временного среза, аналогичного периоду текущего временного среза; –1 – вернет данные (показатель) ближайшего заполненного периода (то есть периода, где есть данные); работает для всех временных срезов; –1D – вернет данные (показатель) ближайшего заполненного периода (то есть периода, где есть данные) в текущем временном срезе; S_<сегмент> – вернет данные (показатель) для определенного сегмента, то есть при указании модификатора определяется, из какого сегмента следует выбирать данные; смещение – модификатор возвращает данные (показатель) в периоде, указанном смещением; при этом смещение может быть как положительным – вперед по шкале временных периодов, так и отрицательным – назад по шкале временных периодов, к более ранним периодам. Обработка модификаторов и их значений происходит в процессе трансляции при формировании (генерации) целевого SQL-выражения. Модификаторы могут быть введены для формирования более эффективных SQL-запросов к БД с возможностью выборки данных из различных периодов и информационных срезов. Транслятор необходимо запрограммировать (разработать) таким образом, чтобы в процессе трансляции формулы бизнес-выражений преобразовывались в SQL-выражение, пригодное для обработки в СУБД, проверялись показатели формул на корректность, определялись таблицы для выборки данных и выполнялись арифметические построения при создании SQL-запроса. Сформированные SQL-запросы отправляются на обработку в СУБД MySQL. Возвращаемым результатом таких запросов должны быть словари данных с рассчитанными и полученными массивами данных из многомерного аналитического пространства ROLAP-куба, которые в дальнейшем и будут обрабатываться системой. Алгоритм реализации транслятора Транслятор бизнес-выражений может быть реализован в виде алгоритма. Шаг 1. Получение исходных данных для генерации SQL-выражения. Для обработки и трансляции необходимо получить следующие данные:  формулы бизнес-выражений (основной элемент при генерации);  идентификаторы отчетностей для определения тех, в которых происходят выборки и вы-

Программные продукты и системы

числения (отчетность включает в себе сведения о типе данных, периоде и компании);  идентификаторы сегментов для определения и выполнения вычислений для каждого отдельного сегмента. Шаг 2. Подготовка части выходного SQL-выражения для расчета формул на уровне БД, определение арифметических операций с показателями (генерация, оптимизация части SQL-выражения и лексический анализ). Выделение необходимых лексем из формул с помощью заданного регулярного выражения и построение части выходного SQL-выражения, отвечающего за проведение арифметических операций. Разбор выражения с помощью регулярного выражения (лексический анализ). Шаг 3. Формирование части выходного SQLвыражения, определяющего список используемых в БД таблиц. Формирование списка используемых форм с помощью определенных на предыдущем шаге лексем, задействованных в формулах бизнесвыражений, и запись их в виде SQL-выражения. При этом происходят генерация части SQL-выражения и его оптимизация. Шаг 4. Формирование части целевого выходного SQL-выражения, включающего в себя основную таблицу БД для выборки данных. При этом происходят генерация части SQL-выражения и его оптимизация. Шаг 5. Начало обработки модификаторов и атрибутов показателей для выполнения вычислений. Для обработки используются таблицы, сформированные на шаге 4. В процессе обработки для каждого модификатора используются генератор, оптимизатор и синтаксический анализатор. Шаг 6. Проверка наличия модификатора, при его отсутствии формирование части выходного SQL-выражения, включающего в себя данные текущего периода. Шаг 7. В случае использования модификатора «B» формирование части выходного SQL-выражения, включающего в себя данные предыдущего временного среза за ближайший заполненный период. Шаг 8. При использовании модификатора «E» формирование части выходного SQL-выражения, включающего в себя данные предыдущего периода в текущем временном срезе. Шаг 9. В случае использования модификатора «Z» формирование части выходного SQL-выражения, включающего в себя данные текущего периода для всех сегментов используемой формы. Шаг 10. В случае использования модификатора «EEP» формирование части выходного SQLвыражения, включающего в себя данные последнего периода предыдущего временного среза. Шаг 11. В случае использования модификатора «PP» формирование части выходного SQL-выражения, включающего в себя данные периода,

№ 4, 2013 г.

аналогичного текущему в предыдущем временном срезе. Шаг 12. В случае использования модификатора «–1» формирование части выходного SQL-выражения, включающего в себя данные ближайшего заполненного периода текущего временного среза. Шаг 13. В случае использования модификатора «–1D» формирование части выходного SQLвыражения, включающего в себя данные ближайшего заполненного периода. Шаг 14. В случае использования модификатора «S_» формирование части выходного SQL-выражения, включающего в себя данные выбранного сегмента. Шаг 15. В случае использования модификатора «смещение» формирование части выходного SQL-выражения, включающего в себя данные, смещенные на указанное количество периодов. Шаг 17. В случае наличия модификатора, для которого невозможно определить его вид/тип, формирование исключения с сообщением об ошибке (синтаксический анализатор). Шаг 18. Окончание обработки модификаторов и атрибутов показателей для выполнения вычислений. Шаг 19. Сбор всех сгенерированных ранее частей SQL-выражений в одно целевое выражение на основании выражения, сформированного на шаге 4 (используются части выражений, сгенерированные на шагах 3, 6–17), – генератор и оптимизатор для целевого SQL-выражения. Шаг 20. Завершение процесса генерации с передачей результата генерации (целевое SQL-выражение). Теоретически реализация транслятора может быть выполнена на любом web-ориентированном языке программирования (php, python, ruby и др.) и любых фреймворках (Django и др.). На основании изложенного можно сделать следующие выводы. Описанный подход к построению многомерного аналитического пространства может быть использован для построения OLAP-кубов данных с помощью бесплатных свободно распространяемых программных средств построения webприложений. Суть подхода заключается в построении в бесплатной СУБД структуры БД по принципам ROLAP, разработке системы кодирования информационных объектов, языка обращения к многомерному пространству и транслятора, преобразующего выражения разработанного языка обращения к многомерному пространству в SQLзапросы бесплатной СУБД с помощью бесплатных программных средств web-разработки. Описанный подход был разработан и реализован в рамках выполнения Федеральной целевой программы (Госконтракт № 14.527.12.0020 от 14 95

Программные продукты и системы

октября 2011 г.) по проекту «Программный комплекс и облачный сервис для автоматизации обобщения и анализа финансово-экономической информации о деятельности предприятий и обеспечения принятия управленческий решений» ЗАО «МБК Груп» совместно с ОАО «МХК «ЕвроХим» при финансовой поддержке Министерства образования и науки Российской Федерации. Литература 1. Стариков А. Ядро OLAP-системы. Лаборатория BaseGroup. URL: http://www.basegroup.ru/ (дата обращения: 7.08.2013).

2. Барсегян А., Куприянов М., Степаненко В., Холод И. Технологии анализа данных. Data Mining, Text Mining, Visual Mining, OLAP. СПб: БХВ-Петербург, 2007. С. 19–58.

3. Niemi T., Nummenmaa J., Thanisch P. Proceeding DOLAP'01. Proc. 4th ACM intern. workshop on Data warehousing and OLAP, NY, 2001, pp. 9–15.

4. Арустамов А. Применение OLAP-технологий при извлечении данных. Лаборатория BaseGroup. URL: http://www.basegroup.ru/ (дата обращения: 7.08.2013).

5. Щавелев Л.В. Способы аналитической обработки данных для поддержки принятия решений // Системы управления базами данных. 1998. № 04–05.

6. Титоренко Г.А. Информационные технологии управления. М., 2003. С. 88–98.

7. Ильина О.П. Информационные технологии бухгалтерского учета. СПб: Питер, 2001. С. 57–60.

8. Назаров М.Г. Курс социально-экономической статистики. М., 2000. 771 с.

9. Карпов Ю.Г. Теория и технология программирования. Основы построения трансляторов. СПб: БХВ-Петербург, 2012.

10. Компаниец Р.И., Маньков Е.В., Филатов Н.Е. Системное программирование. Основы построения трансляторов. СПб: Корона-Принт, 2000.

11. Легалов А.И. Основы разработки трансляторов: учеб. пособие. Красноярск: Сибирский федер. ун-т, 2008.

12. Коробова И.Л., Дьяков И.А., Литовка Ю.В. Основы разработки трансляторов в САПР. ТГТУ, 2007.

13. Фридл Д. Регулярные выражения. СПб: Символ-Плюс, 2008.

14. Гойвертс Я., Левитан С. Регулярные выражения. Сборник рецептов. СПб: Символ-Плюс, 2010.

№ 4, 2013 г.

References 1. Starikov A. The core of OLAP system, BaseGroup, 2003, available at: http://www.basegroup.ru/ (accessed 26 August 2013) (in Russ.).

2. Barsegyan A., Kupriyanov M., Stepanenko V., Holod I. Tekhnologii analiza dannykh. Data Mining, Text Mining, Visual Mining, OLAP [Data analysis technologies. Data Mining, Text Mining, Visual Mining, OLAP]. St. Petersburg, BHV-Petersburg Publ., 2007, pp. 19–58 (in Russ.).

3. Niemi T., Nummenmaa J., Thanisch P. Proc. of the 4th ACM int. workshop on Data warehousing and OLAP. 2001, pp. 9–15.

4. Arustamov A. Primenenye OLAP tekhnologiy pri izvlechenii dannykh [OLAP technologies application when data retrieval].

BaseGroup, 2003, available at: http://www.basegroup.ru/ (accessed 26 August 2013) (in Russ.).

5. Shchavelev L.V. Sistemy upravleniya bazami dannykh [Databases management systems]. 1998, no. 04-05, p. 26 (in Russ.).

6. Titorenko G.A. Informatsionnye tekhnologii upravleniya [Information technologies of management]. 2nd ed., Moscow, 2003, pp. 88–98 (in Russ.).

7. Ilina O.P. Informatsionnye tekhnologii bukhgalterskogo uchyota [Information technologies of accounting]. St. Petersburg, Piter Publ., 2001, pp. 57–60 (in Russ.).

8. Nazarov M.G. Kurs sotsialno-ekonomicheskoy statistiki [Social-economic statistics course]. Moscow, 2000, 771 p. (in Russ.).

9. Karpov Yu.G. Teoriya i tekhnologiya programmirovaniya.

Osnovy postroeniya translyatorov [Programming theory and technology. Fundamentals of translators]. BHV-Peterburg Publ., 2012 (in Russ.).

10. Kompaniets R.I., Mankov E.V., Filatov N.E. Sistemnoe programmirovanie. Osnovy postroeniya translyatorov [System programming. Fundamentals of translators]. St. Petersburg, KoronaPrint Publ., 2000 (in Russ.).

11. Legalov A.I. Osnovy razrabotki translyatorov [Development basics of translators]. Textbook, Krasnoyarsk, Siberian Federal Univ. Publ., 2008 (in Russ.).

12. Korobova I.L., Dyakov I.A., Litovka Yu.V. Osnovy razrabotki translyatorov v SAPR [Development basics of translators in CAD system]. Tver State Tech. Univ. Publ., 2007 (in Russ.).

13. Friedl J. Mastering Regular Expressions. O'Reilly Media Publ., 2006.

14. Goyvaerts J., Levithan S. Regular Expressions Cookbook.

O'Reilly Media Publ., 2009.

УДК 519.68

ВЕРИФИКАЦИЯ МУЛЬТИАГЕНТНЫХ СИСТЕМ С ПОМОЩЬЮ ЦЕПЕЙ МАРКОВА: ОЦЕНКА ВЕРОЯТНОСТИ НАХОЖДЕНИЯ АГЕНТАМИ ОПТИМАЛЬНОГО РЕШЕНИЯ И.Д. Зайцев, аспирант (Институт систем информатики им. А.П. Ершова СО РАН, просп. Лаврентьева, 6, г. Новосибирск, 630090, Россия, zaycev.ivan@gmail.com) Предлагаются общее описание алгоритма работы определенного семейства мультиагентных систем и некоторые следующие из этого описания оценки свойств систем. В последнее время мультиагентный подход к построению сложных вычислительных систем обретает все большую популярность. Однако связанная с ним теория все еще недостаточно развита. Остаются неясными или недостаточно обоснованными вопросы о том, какого вида системы лучше применять в тех или иных случаях и в чем их преимущество перед другими методами. Отчасти это связано с тем, что в разных областях исследования под мультиагентной системой могут подразумеваться разные понятия. В данной работе выделяется и формализуется отдельное семейство мультиагентных систем, для полученной формализации проводится аналогия с марковскими цепями. Далее с помощью известных свойств марковских цепей исследуются свойства выделенного семейства систем. Для систем, построенных с помощью функции особого вида, доказы-

96

Программные продукты и системы

№ 4, 2013 г.

вается, что вероятность нахождения агентами того или иного допустимого решения тем больше, чем больше значение функции полезности для этого решения. Ключевые слова: мультиагентные системы, методы Монте-Карло, генетические алгоритмы, случайные процессы, цепи Маркова.

MULTIAGENT SYSTEMS VERIFICATION WITH MARKOV CHAINS: PROBABILITY ESTIMATION OF OPTIMAL SOLUTION FINDING BY AGENTS Zaytsev I.D., postgraduate student (A.P. Ershov Institute of Informatics Systems, Siberian Branch of RAS, Lavrenteva Av, 6, г. Novosibirsk, 630090, Russian Federation, zaycev.ivan@gmail.com) Аbstract. The paper presents general description of meta-algorithm, used by some class of multiagent systems.

Nowadays multiagent approach for complex systems building gains more and more popularity. But the theory, connected with it, still remains not developed enough. It’s still unclear or not well-founded, which kind of systems should be used in particular cases, and what advantages these systems have. Partly it’s because multiagent systems may have different meanings in different research areas. In this work one particular class of multiagent systems is considered. Formalization of this class is connected with Markov chains, so we can estimate some properties of these systems using that mathematical instrument. Then, for systems built with some functions, statement is proved that probability of finding allowable solution by agent is higher when fitness function meaning for this solution is higher.

Keywords: multiagent systems, Monte Carlo methods, genetic algorithms, stochastic processes, Markov chains.

В последние десятилетия мультиагентные системы (МАС) завоевывают все большую популярность. Высокопроизводительные вычислительные системы строятся изначально как распределенные системы с множеством потоков управления и распределенными данными. Даже в пользовательском аппаратном обеспечении используются многоядерные и векторные процессоры. Все это делает востребованной концепцию МАС, в рамках которой вычислительная система представляется как набор принимающих решения и обменивающихся информацией агентов, в достаточной мере не зависящих друг от друга. Однако необходимо отметить, что теория МАС недостаточно проработана. Отчасти это объясняется тем, что понятие МАС довольно размыто, поскольку в разных областях исследования и применения под ним понимаются довольно разные вещи. Все это усложняет не только поиск и определение свойств, верификацию МАС в общем случае, но и саму формализацию понятий агента, системы, программы и т.п. Закономерными в данном случае являются предварительное выделение некоторого семейства МАС, устроенных схожим образом, обоснование их значимости, формализация и исследование их свойств с помощью уже существующего математического аппарата с возможной корректировкой этого аппарата с учетом специфики задачи. Например, в рамках работы [1] было выделено семейство МАС, использующих парадигмы логического программирования, и предположено, что процесс обмена информацией между объектами подвержен случайным задержкам с заданным распределением вероятности. В данном случае представляют интерес МАС, используемые в имитационном моделировании в области экономики, общественных наук и биологии. В предлагаемой работе выделено такое семейство МАС, показано, что в него входят также МАС, используемые при решении оптимизационных задач, в частности, реализующие эволюционные алгоритмы.

Семейство синхронных стохастических мультиагентных моделей В различных МАС требования к тому, что считать интеллектуальным агентом, существенно разнятся. Агент может иметь сложное внутреннее устройство, обладать довольно развитым искусственным интеллектом, а также действовать реактивно по фиксированному простому алгоритму. Как правило, количество используемых агентов обратно пропорционально сложности их внутренней организации. В крайних случаях имеются следующие типы систем. МАС, состоящая из 2-3 высокоинтеллектуальных агентов (включающих в себя, как правило, другие системы искусственного интеллекта, например экспертные), со сложным, продуманным протоколом для общения, установления слаженности действий. МАС, состоящая из большого числа (до нескольких тысяч или даже десятков тысяч) простых агентов, взаимодействующих главным образом со средой, а не друг с другом, с простым, но не строго детерминированным поведением. Такие системы, как известно, способны демонстрировать роевой интеллект (swarm intelligence), приспосабливаться к меняющимся условиям, находить ниши с оптимальным значением тех или иных показателей. На этом, в частности, основываются методы муравьиной колонии, роя частиц, другие эвристические методы [2, 3]. В экономике и общественных науках создать продуманную и сложную модель действующего субъекта (то есть построить высокоинтеллектуального агента) подчас бывает довольно сложно, поскольку это требует наличия высокоразвитой теории психологии субъектов, четкого знания алгоритмов, используемых ими для принятия тех или иных решений. Эффективнее принять простую схему действий агента, а отклонения от нее считать случайной величиной с заданным распределением. Таким образом, получаются модели, 97

Программные продукты и системы

более близкие ко второму крайнему случаю. При этом полезно рассматривать агентное моделирование вместе с другими методами имитационного моделирования [4]. Конечная цель агента в таких системах (и направленная к ее достижению деятельность) определяется поиском более или менее удачного приближения к наилучшему решению какой-то определенной задачи. Например, поиск глобального максимума некоторой функции max(f) с помощью приближенных методов или эвристик, характерных для задач искусственного интеллекта. Решение задачи производится поэтапно. Сначала агенты ищут это приближение (каждый по собственному представлению о функции и своему алгоритму с использованием доступных сведений из среды). Затем устанавливают некоторые значения среды согласно найденному решению. После этого снова ищут приближение, исходя из уже изменившихся значений переменных среды. В последовательном повторении этих двух этапов и заключается имитационное моделирование. Для введения математического описания этого процесса конкретизируем рассматриваемое семейство МАС и используемые понятия так, чтобы не потерялась их ценность. Для этого рассмотрим МАС сходного с описанным устройства, применяемые в задачах оптимизации (а также методы оптимизации, реализовать которые можно с помощью таких МАС). Пошаговый случайный поиск Вероятностные методы решения задач (методы Монте-Карло) занимают особое место среди методов поиска решений. С одной стороны, их использование, как правило, оказывается оправданным в том случае, если свойства искомого решения и его место среди допустимых решений (например, максимизируемой функции в случае задачи поиска максимума) недостаточно изучены или вообще трудно поддаются установлению, например, в численном интегрировании сложных функций в пространствах большой размерности. С другой стороны, многие случайные вычисления могут быть осуществлены независимо друг от друга, что делает довольно удобным процесс их распараллеливания и обеспечивает рост скорости вычислений с увеличением числа независимых вычислителей. Например, метод иглы Бюффона для определения значения числа Пи при последовательной генерации случайных чисел существенно проигрывает по времени другим численным методам. Однако, поскольку генерация нескольких случайных чисел может быть проведена независимо, то, располагая произвольно большим количеством вычислителей, можно произвести генерацию сколь угодно большого набора случайных чисел за время, ограниченное константой.

98

№ 4, 2013 г.

В реальности же вычислительные системы имеют ограниченное количество вычислителей. В связи с этим может быть случайно сгенерировано лишь определенное число решений. Однако зачастую обмен информацией о полученных решениях помогает сузить область поиска или задать направления для дальнейшего поиска, в общем, сохраняя вероятностный характер найденного решения, увеличить вероятность нахождения оптимума. На этом принципе построены многие эвристические методы поиска оптимального решения [5]. Итак, представляется интересной следующая математическая модель работы МАС. Пусть даны n агентов (A1, …, An). Целью каждого агента является нахождение максимума заданной функции f(x) (назовем ее целевой) на заданной области D. Действия агентов определяются следующим алгоритмом. Изначально каждый агент получает начальное решение x0,j (j=1, …, n). Для краткости обозначим совокупность значений переменной x у всего набора агентов как X=<x1, …, xn>. Таким образом, агенты получают (или находят случайным образом) начальный набор X0 и начинают пошагово искать максимум целевой функции. Опишем алгоритм их действий (в общем виде) на i-м шаге. У каждого агента имеется значение xi,j (то есть задан набор Xi). Сначала каждый агент вычисляет значение целевой функции на данном ему значении x (f(xi,j) обозначим для краткости fi,j, а набор значений f у всех агентов – Fi). Затем агенты обмениваются информацией о найденных решениях (каждый агент сообщает каждому или передает в общую память значения xi,j, fi,j). Исходя из полученных решений, каждый агент определяет следующее значение xi+1,j=gi,j(Xi, Fi). Обозначим его кратко как Xi+1=Gi(Xi, Fi), где функция Gi(Xi, Fi) определяет набор <gi,1(Xi, Fi), …, gi,n(Xi,Fi)>. Функции gi,j(Xi, Fi) в общем случае могут не быть строго детерминированы, и для многих мультиагентных моделей это действительно так. Поскольку вычисление значений функций f и g осуществляется агентами независимо, можно ожидать пропорционального количеству агентов прироста производительности работы системы в случае, если деятельность каждого агента реализуется отдельным вычислителем (например, процессором или одним ядром многоядерного процессора), а обращение вычислителей к общей памяти происходит за пренебрежимо малое время (в сравнении со временем, необходимым на вычисление значений функций f и g). Представление генетических алгоритмов в рамках полученной модели. Деятельность довольно большого круга МАС можно представить в предложенном общем виде. Интересным примером является мультиагентная реализация генетического алгоритма (ГА). Возьмем за основу описание ГА, данное в [6]. Предположим, что агенты

Программные продукты и системы

– это селекционеры, выращивающие, отбирающие и скрещивающие лучших особей. Количество селекционеров равно количеству особей в одной популяции. Сначала селекционеры получают начальную популяцию X0. Затем каждый для своей особи вычисляет значение функции полезности (F(X0)=<f(x0,1), …, f(x0,n)>). Потом каждый агентселекционер выбирает сообразно значениям функции полезности случайным образом две особи-решения и скрещивает их (алгоритм выбора и алгоритм скрещивания могут быть разными в разных реализациях ГА). Таким образом определяется значение функции gi,j(Xi,Fi). Формально функцию g можно определить через умножение случайным образом составленных матриц на векторы, что, например, проделано в [7]. ГА применяются в основном для задач, в которых функция полезности имеет достаточно сложный вид, что препятствует решению ее точными методами. Это означает, что зачастую вычисление функции полезности представляет собой весьма трудную задачу и основное время в реализации ГА занимает вычисление функции полезности для одной особи. Представление ГА в виде МАС, где каждому агенту соответствует особь в популяции, позволяет существенно сократить время работы ГА. Кроме того, подобное представление дает возможность применить математические методы для оценки свойств описываемой им МАС. Исследование свойств полученной модели МАС с помощью цепей Маркова Формализуем и сузим полученное представление МАС. Предположим, что область D является конечным множеством (что верно для многих систем), а функция g и начальные значения X0 – это случайные величины с заданным распределением. В начальный момент времени имеется набор X0. На каждом следующем шаге получаем новый набор Xi+1=Gi(Xi,Fi). Поскольку Fi=F(Xi), а функция F задана изначально, то получается, что Gi зависит только от Xi. Выразим это кратко: Xi+1=Gi(Xi). Нетрудно заметить, что это описание марковского процесса с дискретным временем и пространством – последовательность случайных чисел Xi, где i обозначает момент времени и каждое следующее значение зависит только от настоящего. Для многих МАС (в частности, представляющих ГА) Gi(Xi) не зависит от i. В таком случае полученная марковская цепь (МЦ) является также однородной. Множеством состояний S будет множество наборов X=<x1, …, xn> | xjD. Обозначим m=|S|= |D|n, S={s1, …, sm}. Допустим, что a, b, c – произвольные элементы множества S. Начальным распределением будет вектор p=(p1, …, pm)T. Для удобства

№ 4, 2013 г.

в качестве индексов используем элементы множества S. Тогда получим, что вектор p состоит из элементов pa=p(X0=a). Матрица переходных вероятностей на i-м шаге P(i) в таком случае состоит из элементов Pab(i)= =p(Gi(a)=b). В дальнейшем будем рассматривать однородные МЦ, иными словами, Pab(i)=Pab и не зависит от i. Элемент P(i)ab будет обозначать вероятность попадания цепи из состояния a в состояния b по прошествии i шагов. Такое описание позволит воспользоваться изученными свойствами МЦ для оценки эффективности и определения свойств МАС, подпадающих под описанную модель. В частности, в работах [1, 8] проводится оценка сложности верификации МАС (хотя и другого вида), представленных в виде МЦ. Небезынтересным также является поведение систем после довольно значительного числа шагов. Как известно, для особого семейства МЦ, называемых эргодичными, по прошествии длительного периода времени вероятность попадания случайной величины в то или иное состояние перестает зависеть от начального состояния цепи. Иными словами, при i→∞ P(i)ab=P(i)b. Условия эргодичности и ее математическое определение даны, например, в [9]. Для данного случая это условие можно выразить так: возведенная в некоторую степень матрица перехода не содержит нулевых элементов. Иными словами, у МЦ есть вероятность через определенное число шагов перейти из любого состояния в какое-либо другое. Полезно было бы оценить вероятность получения того или иного состояния в зависимости от значения максимизируемой функции f в нем. Высокое значение вероятности для состояний с более высоким значением функций в данном случае гарантировало бы большую вероятность нахождения максимума (вне зависимости от начального решения). Введем для оценки полезности состояния МЦ функцию h(Xi)=max(f(xi,1), …, f(xi,n)), где Xi=<xi,1, …, xi,n>. Проведем сначала грубую и простую оценку вероятности, взяв довольно сильное условие. Предположим, что h(b)≥h(c)Pab≥Pac aS. Докажем, что также P(i)ab≥P(i)ac для любого i. Имеем ( i 1) (i ) (i ) ( i 1) P a,b   P a, s P s ,b   P a , s P s ,c  P a ,c (поскольку sS

sS

Ps,b≥Ps,c sS). Из теоремы эргодичности [9] получаем, что при количестве пройденных шагов, стремящемся к бесконечности, вероятность попадания в то или иное состояние не зависит от начального набора X0. А из принятого здесь условия получаем, что вероятность попадания в то или иное состояние тем выше, чем выше соответствующее ему значение функции полезности h(X). Однако полученной оценкой сложно воспользоваться, поскольку трудно построить такую 99

Программные продукты и системы

№ 4, 2013 г.

функцию G, которая удовлетворяла бы поставленным условиям. В связи с этим может быть предложено более мягкое начальное условие, которое не ослабляет следствие. Предположим, что изначально разрешены переходы не из каждого в каждое состояние, а только в некоторые из них и лишь для них выполняется сформулированное выше условие. Иными словами, h(b)≥h(c); Pab, Pac≠0Pab≥Pac aS. К сожалению, для такого общего случая следствие может и не выполняться. Для выполнения следствия необходимо поставить вероятность перехода в определенное соответствие со значением функции полезности в искомом состоянии. Пусть для каждого состояния a определено множество соседних состояний S(a)={b | Pab≠0}. Определим P ab  k ae h(b)  h( a ), bS(a). Коэффициент ka подбирается специально таким образом, чтобы сумма вероятностей перехода из состояния a в другие состояния равнялась 1. Для остальных состояний вероятность перехода из состояния a будет нулевой. Докажем, что для такой матрицы перехода конечное условие будет выполняться. Действительно, (i ) h ( s )  h ( a ) h(b)  h( s ) ( i 1) (i )  k be P a ,b  i  P a , s P s ,b   k a e sS ( a )|bS ( s )



 k

(i ) a

k be

Optimisation Problems. Proc. of IPROMS 2006 Conf., 2006, pp. 454–461.

3. Raudenska L. Swarm-based optimization. Kvalita Inovacia Prosperita. Quality Innovation Prosperity XIII/1 – 2009, no. 1, pp. 45–51.

4. Замятина Е.Б. Современные теории имитационного моделирования: спец. курс. Пермь: ПГУ, 2007. 119 с.

5. Кочетов Ю.А. Вероятностные методы локального поиска для задач дискретной оптимизации // Дискретная математика и ее приложения: сб. лекций молодеж. и науч. школ по дискрет. матем. и ее приложениям. М.: МГУ, 2001. С. 87–117.

6. Богатырев М.Ю. Инварианты и симметрии в генетических алгоритмах // Искусственный интеллект: тр. XI национальн. конф. по искусствен. интеллекту с междунар. участием «КИИ-2008». М.: Ленанд, 2008. Т. 1. Сек. 3.

7. Курейчик В.М., Лебедев Б.К. Определения и основные понятия генетических алгоритмов // III Всерос. межвуз. конф. молодых ученых СПбГУ ИТМО. URL: http://faculty.ifmo.ru/ csd/files/kureichik_v_m_lebedev_b_k_internet_lecture.pdf (дата обращения: 13.12.2012).

8. Бурмистров М.Ю., Валиев М.К., Дехтярь М.И., Диковский А.Я. О верификации динамических свойств систем взаимодействующих агентов: тр. X национальн. конф. по искусствен. интеллекту с междунар. участием. М.: Физматлит, 2006.

9. Булинский А.В., Ширяев А.Н. Теория случайных процессов. М.: Физматлит, 2005. 408 с.

References 1. Valiyev M.K., Dekhtyar M.I. Vestnik Tver State Univ.

Seriya “Prikladnaya matematika” [The bulletin of TvSU. “Applied Mathematics” Series]. 2008, no. 35 (95), pp. 9–22.

2. Pham D.T., Ghanbarzadeh A., Koç E., Otri S., Rahim S., Zaidi M. Proc. of IPROMS 2006 Conf. 2006, pp. 454–461.

3. Raudenska L. Quality Innovation Prosperity XIII/1 – 2009, pp. 45–51.

4. Zamyatina E.B. Sovremennyye teorii imitatsionnogo modelirovaniya: spetsialny kurs [Modern theories of imitation modeling: special course]. Perm, Perm State Univ. Publ., 2007 (in Russ.).

5. Kochetov Yu.A. Diskretnaya matematika i eyo prilozheniya. Sbornik lektsiy molodyozhnykh i nauchnykh shkol po diskretnoy matematike i eyo prilozheniyam [Discrete math and its applications. Lectures of youth and scientific schools on discrete math and its applications]. Moscow, MSU Publ., 2001, pp. 87–117 (in Russ.).

6. Bogatyrev M.Yu. Trudy 11 nats. konf. po iskusstvennomu intellektu s mezhdunar. uchastiem (KII-2008) [Proc. of 11th national conf. on artificial intelligence with int. participation (CAI-2008)]. 2008, Dubna, vol. 1, section 3.

7. Kureychik V.M., Lebedev B.K. 3 Vseross. mezhvuz. konf. molodykh uchyonyh SPbGU ITMO [3rd all-Russian conf. of young scientists SPbSu IFMO]. Available at: http://faculty.ifmo.ru/csd/files/kureichik_v_m_lebedev_b_k_internet_lecture.pdf (accessed 13 December 2012).

8. Burmistrov M.Yu., Valiev M.K., Dekhtyar M.I., Dikovskiy A.Ya. Trudy 10 nats. konf. po iskusstvennomu intellektu s mezhdunar. uchastiem [Proc. of 10th national conf. on artificial intelligence with int. participation]. Moscow, Fizmatlit Publ., 2006.

9. Bulinskiy A.V., Shiryaev A.N. Teoriya sluchaynykh protsessov [The stochastic processes theory]. Moscow, Fizmatlit Publ., 2005 (in Russ.).

h (b )  h ( a )

.

Выделенная в скобках сумма представляет собой нормировочную константу. Таким образом, для матрицы перехода после i шагов верно то же представление элементов, что и для начальной матрицы перехода. Из условий эргодичности получаем, что в возведенной в некоторую степень матрицы перехода все элементы будут ненулевыми. Но из формулы для элементов матрицы перехода, возведенной в произвольную степень, получаем искомое условие h(b)≥h(c)Pab≥Pac aS. Таким образом, для заданной функции g получаем верность того следствия, что вероятность нахождения решения тем больше, чем больше значение целевой функции. Литература 1. Валиев М.К., Дехтярь М.И. Вероятностные мультиагентные системы: семантика и верификация // Вестн. ТГУ: сер. Прикладная математика. 2008. № 35 (95). С. 9–22.

2. Pham D.T., Ghanbarzadeh A., Koç E., Otri S., Rahim S., and Zaidi M. The Bees Algorithm – Novel Tool for Complex



Вниманию авторов! Редакция журнала «Программные продукты и системы» руководствуется «Кодексом этики научных публикаций», разработанным и утвержденным Комитетом по этике научных публикаций. Все поступающие в редакцию статьи проходят экспертизу. При выявлении плагиата публикация отклоняется без права доработки материалов, автор статьи заносится в черный список.

100

Программные продукты и системы

№ 4, 2013 г.

УДК 004.45

МОДЕРНИЗАЦИЯ ВЫЧИСЛИТЕЛЬНОГО КЛАСТЕРА ДЛЯ ПАРАЛЛЕЛЬНОГО ВЫПОЛНЕНИЯ ОПЕРАЦИОННЫХ СИСТЕМ LINUX И MS WINDOWS Д.Г. Ермаков, к.ф.-м.н., старший научный сотрудник; А.Ю. Берсенев, аспирант (Институт математики и механики им. Н.Н. Красовского УрО РАН, ул. Софьи Ковалевской, 16, г. Екатеринбург, 620990, Россия, Ermak@imm.uran.ru, bay@hackerdom.ru) В статье представлено решение задачи модернизации ПО суперкомпьютера с массово-параллельной архитектурой для выполнения на одном аппаратном кластере одновременно двух различных операционных систем (Linux и MS Windows HPC Server), при этом каждая размещена на своем наборе узлов (логическом кластере). Описывается процесс установки ОС MS Windows и средств HPC Pack на узлы кластера с учетом использования двух DHCPсерверов. Частной особенностью решения является отсутствие подключения Infiniband (Application Network) на головном узле под управлением ОС Linux, что и определяет необходимость использования двух DHCP-серверов. Отмечены и проблемы, выявленные при установке Windows HPC Server и пакета русскоязычного интерфейса. Рассмотрены следующие подходы к организации выбора ОС при ее загрузке на узлы кластера: выбор загружаемой системы оператором, чередование, создание общего загрузочного раздела и выбор запускаемой ОС путем записи в файл на этом диске, загрузка по сети с выбором загружаемой ОС DHCP-сервером. Обосновывается выбор способа с загрузкой по сети с выбором загружаемой ОС DHCP-сервером. Описываются некоторые особенности реализации данного способа. Перечислены скрипты, требуемые для управления переключением узлов, и их функции. Отмечается, что основные скрипты выполняются на стороне головного узла Linux. Для обращения к этим скриптам со стороны головного узла Windows применено расширение средств PowerShell на основе набора командлетов SSH from PowerShell, использующих библиотеку SSH.NET. Решение обеспечивает оперативное переключение узлов между логическими кластерами Linux и Windows. Ключевые слова: суперкомпьютер, высокопроизводительные кластерные системы, двойная загрузка кластера, гибридный кластер, HPC, High-performance computing, MS Windows Server 2008 HPC Edition, Linux, Microsoft HPC Pack, RedHat, Scientific Linux, Hybrid OS Cluster, Dual-Boot.

COMPUTING CLUSTER UPGRADE FOR SIMULTANEOUS EXECUTION OF LINUX AND MS WINDOWS OS Ermakov D.G., Ph.D. (Physics and Mathematics), senior researcher; Bersenev A.Yu., postgraduate student (Institute of Mathematics and Mechanics, Ural Branch of RAS, Sofi Kovalevskoy St., 16, Ekaterinburg, 620990, Russian Federation, Ermak@imm.uran.ru, bay@hackerdom.ru) Аbstract. The task of upgrading the software of a massively parallel supercomputer for the simultaneous execution of two different operating systems (Linux and Microsoft Windows HPC Server) at the same hardware cluster, each of them at its own node set (logical cluster) is completed. The process of installing Microsoft Windows and HPC Pack tools on cluster nodes using two DHCP servers is described. One of the features of the proposed solution is the absence of the Infiniband (Application Network) connection at the headend under Linux, which makes it necessary to use two DHCP servers. The problems revealed in the course of installing the Windows HPC Server and the Russian interface package are mentioned.

The following approaches to organizing the choice of an operating system loaded to the cluster nodes are considered: the choice of the loaded system by an operator, alternation, creation of a common boot sector and choice of the loaded operating system by recording a file on this disk, and network loading with the choice of the operating system by a DHCP server. The latter approach is proved to be to most appropriate, some peculiarities of its implementation are described. The scripts that control the node switching and their functions are listed. It is mentioned that the main scripts are executed at the Linux headend. The access to these scripts from the Windows headend is provided by extending PowerShell tools by means of the SSH cmdlet set from PowerShell that uses the SSH.NET library. The proposed solution provides a quick switching of nodes between the Linux and Windows logical clusters.

Keywords: High-performance computing, MS Windows Server 2008 HPC Edition, Microsoft HPC Pack, Linux, RedHat, Scientific Linux, Hybrid OS Cluster, Dual-Boot, Upgrade, PowerShell, SSH.

Высокопроизводительные кластерные системы (HPC – High-performance computing) используются в основном в научной среде для инженернонаучных расчетов. Для этой среды характерно применение технологий на основе свободно распространяемого ПО с открытым исходным кодом. Базовой ОС здесь является семейство ОС Linux. Суперкомпьютеры, размещенные в Институте математики и механики (ИММ) УрО РАН, работают под управлением двух близких разновидностей ОС Linux – RedHat 6.3 и Scientific Linux 6.3.

Существует альтернативное ПО для организации вычислительных кластеров высокой производительности [1]. Это продукты Microsoft Windows HPC Server и Microsoft HPC Pack (http://www.microsoft.com/hpc/en/us/default.aspx). Использование этой ОС несколько снижает порог вхождения в суперкомпьютерные вычисления для пользователей невысокой квалификации. Вычислительный кластер, работающий под управлением этой ОС, обладает следующими специфическими возможностями: 101

102

Linux Worker Node N

Linux Worker Node 2

Active Directory

Windows Head Node

… …

Windows Worker Node 1

…

Windows Worker Node 2

Application Network

Windows Worker Node LLinux Worker Node 1

Базовые принципы организации двойной загрузки описаны в [2, 3], однако каждая конкретная реализация имеет свои особенности. В данном случае это отсутствие подключения головного узла Linux к Application Network (рис. 1). Перед установкой ПО на физический кластер выполнено пробное развертывание макета кластера на наборе виртуальных машин аналогично тому, как это описано в [4, 5]. Для развертывания Windows-кластера была выделена группа из 7 узлов кластера UM64 (один головной и 6 вычислительных узлов), каждый в следующей конфигурации:

 два процессора Dual Core AMD Opteron™ Processor 285 (2,6 ГГц);  оперативная память 8 Гб;  два сетевых адаптера NetXtreme BCM5715 Gigabit Ethernet, один InfiniBand: Mellanox Technologies MT25204. Ввиду того что дисковая подсистема должна обеспечивать возможность установки двух ОС (рис. 2), а минимальные требования для Windows HPC Server – 50 Гб, под экспериментальный сегмент кластера с двойной загрузкой были использованы узлы с емкостью дисков 150 Гб. Для минимального ухудшения работоспособности из основной части Linux-кластера узлы исключались по одному. Сначала был установлен узел, предназначенный для развертывания ПО головного узла Windows-кластера. В описываемом сценарии с небольшим количеством узлов, добав-

Linux Worker Node M

Развертывание средств Windows Server 2008 R2 HPC Edition

Workstations

Рис. 1. Исходная конфигурация кластера UM64

Linux Worker Node 2

С вводом в строй в ИММ УрО РАН расширенного варианта суперкомпьютера «УРАН» появилась возможность выделения части аппаратных средств кластера предыдущего поколения МВСИММ (UM64) с целью проведения экспериментов. Это позволит некоторым пользователям выполнять в пакетном режиме задачи, предназначенные для работы под управлением ОС MS Windows. Одним из таких экспериментов стало развертывание на нескольких выделенных узлах кластера ПО MS Windows Server 2008 R2 HPC Edition. Основная задача развертывания состояла в отработке технологии двойной загрузки (Linux/Windows) физических узлов кластера и в обеспечении их миграции между логическими кластерами Linux/Windows.

Enterprise Network Active Directory

Linux Worker Node 1

Двойная загрузка кластера

…

Private Network

Linux Head Node

 пакетный запуск консольных (пакетных) приложений для ОС Windows (в первую очередь .NET приложений);  возможность отправки пакетных задач на выполнение прямо с рабочего места пользователя через оболочку Job Manager при помощи мастера (на английском языке);  набор средств встроенного в ОС Windows скриптового языка PowerShell для автоматизации формирования заданий, отправки их на выполнение, отслеживания состояния их выполнения и получения результатов вычислений;  возможность постановки заданий в очередь, просмотра очереди и получение результатов через веб-интерфейс на основе MS SharePoint;  возможность ускорения вычислений в среде MS Excel 2010 за счет распределения вычислительной нагрузки на узлы HPC Server 2008 при помощи XLL-макросов и возвращения результатов в Excel (интерактивные HPC вычисления);  возможность расширения кластера за счет узлов, получаемых из облака MS Windows Azure.

№ 4, 2013 г.

Linux Head Node

Программные продукты и системы

Private Network Enterprise Network

MS SharePoint Windows 7 Workstations Other Workstations

Рис. 2. Конфигурация кластера UM64 с использованием двух ОС

Программные продукты и системы

ляемых в Windows-кластер по одному, можно было обойтись полностью ручной установкой всего нужного ПО. Однако одной из задач была отработка технологии развертывания ПО на большой кластер, в связи с чем все работы для организации развертывания выполнены в автоматическом режиме. С этой целью были подготовлены файлы описания узлов кластера, преобразованные при помощи PowerShell-скрипта из данных, сохраненных на этих узлах, под ОС Linux (файл NodeConfigurationFile.xml). Так как на узлах должны быть установлены две различные ОС, был подготовлен файл описания C:\Program Files\Microsoft HPC Pack 2008\Data\InstallShare\Config\diskpart.txt для разбиения и распределения дисков, выполняющийся во время установки ОС Windows. Организован файл ответов автоматической установки ОС MS Windows (autounattend.xml), обеспечивающий установку значений таких параметров, как часовой пояс (правильная установка значения часового пояса важна, иначе узлы не смогут подключиться к контроллеру домена из-за несоответствия значения даты-времени на вновь установленной системе узла кластера и контроллере домена Active Directory) и локализации. Подготовлены драйверы устройств (в данном случае это драйверы SATA и InfiniBand) и дополнительное ПО (runtime library C++ MS Visual Studio 2010). Была также подготовлена автоматическая установка пакета русификации (пакет многоязыкового интерфейса пользователя Windows Server 2008 R2 – Windows6.1-KB2483139-x64-ru-RU.exe), однако позднее выявлены проблемы, связанные с установкой этого пакета. После подготовки всех необходимых файлов с помощью стандартного мастера HPC Pack создан образ ОС со всеми дополнительными компонентами для автоматической установки по сети. Для данной установки требуется работающий на головной машине Windows-кластера DHCPсервер. Таким образом, в Private Network оказываются два DHCP-сервера, выполняющихся одновременно (второй DHCP-сервер для Private Network выполняется на головной машине Linuxкластера). Для предотвращения конфликтов на обоих DHCP-серверах были зарезервированы IP-адреса для MAC-адресов узлов, входящих в соответствующую часть аппаратного кластера (Windows или Linux), и запрещена выдача адресов, отличных от выделенных. Заметим, что после установки ОС Windows на все узлы в случае, когда не планируется добавление новых узлов с автоматической установкой ОС по сети, сервер служб развертывания Windows и DHCP-сервер, обслуживающий Private network, могут быть остановлены. Для Application Network на основе Infiniband в Windows-кластере DHCP-сервер сохраняется, так как в отличие от Linux-кластера поверх Infiniband используется и протокол TCP/IP.

№ 4, 2013 г.

После установки необходимого ПО на все узлы Windows-кластера была выполнена проверка его работоспособности. В ходе опытной эксплуатации Windows-кластера были выявлены некоторые недостатки.  Проблема удаления с последующим возвращением узла в кластер. Если удалить узел из кластера, а потом опять попытаться добавить его с тем же именем (никаких аппаратных изменений в узел не вносилось), то не удастся установить на узел Template с ОС. То есть для узла нужно будет сгенерировать новое имя.  Проблема русификации. По умолчанию интерфейс системы англоязычный. Если установить пакет русскоязычного интерфейса на узлы кластера и включить русский как язык пользовательского интерфейса, Cluster Manager перестает отображать информацию о состоянии таких узлов. Задания на узлах, несмотря на это, запускаются и выполняются. Если на вычислительном узле вернуть английский как язык интерфейса, отображение состояния этого узла восстанавливается. Установка Linux второй системой на узлы кластера Наличие двух DHCP-серверов создает проблему для автоматической установки Linux как второй системы на узлы с уже установленной ОС MS Windows. Механизм загрузки по сети при получении нескольких ответов от DHCP-серверов завершался с ошибкой безопасности. Для оперативной автоматической установки Linux простейшее решение – выключение головного узла Windowsкластера, на котором выполняется DHCP-сервер. Для переключения вычислительного узла между логическими кластерами требуется загрузка соответствующей ОС. Были рассмотрены следующие подходы к организации выбора ОС: – чередование; при очередной перезагрузке узла будет загружена ОС, отличная от только что использованной; например, если узел кластера работал под управлением ОС Windows, то при очередной перезагрузке на нем запустится ОС Linux, и наоборот, в случае перезагрузки узла, работающего под управлением ОС Linux, на нем будет запущена ОС Windows; – выбор загружаемой системы оператором на этапе загрузки и запуск последней использовавшейся ОС при долгом отсутствии нажатий на клавиши; – создание общего загрузочного раздела и выбор запускаемой ОС путем записи в файл на этом диске; – загрузка по сети с выбором загружаемой ОС DHCP-сервером. Способ с чередованием требует постоянного наблюдения за тем, какая из ОС загружена на узле. В случае обнаружения на узле ОС, не соответ103

Программные продукты и системы

ствующей ожидаемой, должна быть выполнена новая перезагрузка узла, для чего необходимо создать специальный сервис. К тому же увеличение количества перезагрузок может негативно повлиять на срок службы узла. Выбор загружаемой системы оператором неудобен и трудоемок для него, особенно, если смена ОС производится достаточно часто. Создание общего загрузочного раздела требует, чтобы формат файловой системы (ФС) на нем поддерживался обеими ОС. К сожалению, данному критерию удовлетворяют только ФС семейства FAT, но их использование усложняет автоматическое развертывание ОС, так как использование FAT в качестве загрузочного диска требует установки нестандартного загрузчика, который не поддерживается популярными дистрибутивами Linux. Использование других файловых систем требует установки экспериментальных драйверов, которые обычно находятся в состоянии, не пригодном для серьезного использования. Поэтому был выбран подход, связанный с загрузкой по сети, как наиболее простой для администрирования и развертывания. Выбор ОС при загрузке по сети Отвечающий на запросы о загрузке по сети DHCP-сервер расположен на головном узле Linuxкластера, как и TFTP-сервер с файлами, необходимыми для сетевой загрузки. В ПЗУ сетевых карт современных компьютеров имеется PXE-код. Получив управление при старте системы, этот код запрашивает настройки сети и адрес TFTP-сервера у DHCP-сервера по протоколу BOOTP, получает оттуда исполнимый файл и передает ему управление. В качестве такого файла в рассматриваемом решении используется pxelinux – одна из самых популярных реализаций загрузчика, которая позволяет передавать управление ядру Linux, загрузив его с того же TFTP-сервера. При запуске pxelinux считывает свой файл конфигурации, в котором описан механизм загрузки конкретных ОС. Для выбора ОС используется следующий конфигурационный файл DHCP-сервера: group { filename "um64_win/pxelinux.0"; host umu18 {hardware ethernet 00:18:F3:4E:5D:59; fixed-address 192.168.1.18; } host umu19 {hardware ethernet 00:18:F3:4E:5D:43; fixed-address 192.168.1.19; } } group { filename "um64_linux/pxelinux.0"; host umu20 {hardware ethernet 00:18:F3:4E:5D:39; fixed-address 192.168.1.20; } host umu21 {hardware ethernet 00:18:F3:4E:5E:21; fixed-address 192.168.1.21; } host umu22 {hardware ethernet 00:18:F3:4E:5D:79; fixed-address 192.168.1.22; } host umu23 {hardware ethernet 00:18:F3:4E:5E:33; fixed-address 192.168.1.23; } }

104

№ 4, 2013 г.

В данном примере um64_win/pxelinux.0 и um64_linux/pxelinux.0 – это пути к исполняемым файлам, рассмотренным выше. В каталоге um64_win в конфигурационном файле описана загрузка с ОС Windows, а в um64_linux – с ОС Linux. То есть в данном примере на узлах umu18 и umu19 будет загружаться ОС Windows, а umu20, umu21, umu22, umu23 – Linux. Таким образом, чтобы изменить ОС, загружаемую на узле, нужно переместить соответствующую узлу строку в другую группу и перезапустить DHCP-сервер или оповестить его об изменении конфигурационного файла. При загрузке Linux с TFTP-сервера загружаются ядро и образ начальной файловой системы (initrd), за счет чего обеспечивается постоянство версий ядра Linux на узлах, облегчаются переход на ядра новых версий и откат в предыдущее состояние, если, например, узлы перестают загружаться с новым ядром. При загрузке ОС Windows HPC Server управление передается загрузчику, находящемуся непосредственно на жестком диске узла кластера. Для переключения узлов подготовлен набор скриптов, выполняющих определенные операции.  Скрипт № 1 переносит узлы из группы Windows узлов в группу Linux (редактирует файл dhcpd.conf).  Скрипт № 2 выполняет обратную операцию – переносит узлы из группы Linux в группу Windows (редактирует файл dhcpd.conf).  Скрипт № 3 маскирует узлы во всех группах (помечает как комментарий) для того, чтобы на такие узлы можно было произвести по сети установку ОС MS Windows (редактирует файл dhcpd.conf).  Скрипт № 4 выполняет операцию, обратную действиям, выполняемым скриптом № 3 (редактирует файл dhcpd.conf).  Скрипт № 5 выдает информацию о текущем распределении узлов по группам.  Скрипт № 6 запускает перезагрузку на Linux-узлах кластера. Данные скрипты выполняются на головном узле кластера под управлением ОС Linux (UM64). Все они имеют один входной параметр – список узлов, для которых должна быть выполнена запрошенная операция. Для переключения узлов между системами с головной машины Windows-кластера (UM64W) подготовлен скрипт PowerShell, имеющий два параметра. Первый – список узлов, над которыми должна быть выполнена операция, и второй – имя операции. В соответствии с указанной операцией PowerShell-скрипт по протоколу SSH вызывает соответствующий скрипт на головной машине Linux-кластера (UM64). В случае перемещения узлов из Windows-кластера в Linux скрипт тоже выполняет соответствующие стандартные ко-

Программные продукты и системы

мандлеты Windows HPC, переводящие указанные в списке узлы в состояние offline и запускающие перезагрузку этих узлов (Set-HpcNodeState и Restart-HpcNode). Для доступа к головной машине Linux и вызова на ее стороне управляющих скриптов на головной машине Windows используется набор командлетов SSH from PowerShell (http://www.powershelladmin.com/wiki/SSH_from_P owerShell_using_the_SSH.NET_library), построенный на основе библиотеки SSH.NET (http://sshnet. codeplex.com/). В настоящее время переключение узлов между кластерами, работающими под управлением различных ОС, оператор выполняет вручную. В заключение отметим, что осуществлена модернизация кластера, обеспечившая возможность одновременной работы двух ОС (Linux и Windows) на одном физическом кластере за счет выделения каждой ОС своего подмножества узлов. Литература 1. Келбли Дж., Линдси Д. Введение в Windows Compute Cluster Server // TechNet Magazine. 2008, февраль. URL: http://technet.microsoft.com/ru-ru/magazine/2008.02.ccs.aspx (дата обращения: 01.09.2012).

2. A Hybrid OS Cluster Solution: Dual-Boot and Virtualization with Windows HPC Server 2008 and Linux Bull Advanced Server for Xeon. Published: October 7, 2009, Dr. Patrice Calegari, HPC Application Specialist, BULL S.A.S., Thomas Varlet, HPC Technology Solution Professional, Microsoft. URL: http://technet.microsoft.com/en-us/library/ee621813(v=ws.10).aspx (дата обращения: 26.08.2012).

3. The Windows HPC Server 2008-based Cluster in a Linux Environment.

URL: http://go.microsoft.com/fwlink/?LinkId= 135931 (дата обращения: 26.08.2012).

№ 4, 2013 г.

4. Русский блог по разработке для HPC. Развертывание Windows Server 2008 HPC в виртуальной среде. Ч. 1: Установка и настройка головного узла. URL: http://blogs.msdn.com/b/ruhpc/archive/2009/09/11/windows-server-2008-hpc-1.aspx (дата обращения: 26.08.2012).

5. Русский блог по разработке для HPC. Развертывание Windows Server 2008 HPC в виртуальной среде. Ч. 2: Установка и настройка вычислительных узлов. URL: http://blogs.msdn. com/b/ru-hpc/archive/2009/09/12/windows-server-2008-hpc-2.aspx (дата обращения: 26.08.2012).

6. Integrating a Windows HPC Server 2008 Cluster into a Linux Environment, Microsoft Corp. Publ., 2008, September.

References 1. Kelbley J., Lindsey D. An Introduction to Windows Compute Cluster Server. TechNet Magazine. 2008, Feb. Available at: http://technet.microsoft.com/en-us/magazine/2008.02.ccs.aspx (accessed 01 September 2012).

2. A Hybrid OS Cluster Solution: Dual-Boot and Virtualization with Windows HPC Server 2008 and Linux Bull Advanced Server for Xeon, 2009, available at: http://technet.microsoft.com/ en-us/library/ee621813(v=ws.10).aspx (accessed 26 August 2012).

3. The Windows HPC Server 2008-based Cluster in a Linux Environment, available at: http://go.microsoft.com/fwlink/?LinkId= 135931 (accessed 26 August 2012).

4. Russkiy blog po razrabotke dlya HPC. Razvertyvanie Windows Server 2008 HPC v virtualnoy srede, chast 1: ustanovka i nastroyka golovnogo uzla [Russian blog about developing for HPC, part 1: installation and configuration of a headend]. Available at: http://blogs.msdn.com/b/ru-hpc/archive/2009/09/11/windowsserver-2008-hpc-1.aspx (accessed 26 August 2012).

5. Russkiy blog po razrabotke dlya HPC. Razvertyvanie Windows Server 2008 HPC v virtualnoy srede, chast 2: ustanovka i nastroyka vychislitelnykh uzlov [Russian blog about developing for HPC, part 2: installation and configuration of computational nodes], available at: http://blogs.msdn.com/b/ru-hpc/archive/2009/09/12/ windows-server-2008-hpc-2.aspx (accessed 26 August 2012).

6. Integrating a Windows HPC Server 2008 Cluster into a Linux Environment Microsoft Corporation, 2008.

УДК 004.02

АЛГОРИТМ ПРОВЕДЕНИЯ ПРЕДПРОЕКТНЫХ ИССЛЕДОВАНИЙ И МОДЕЛИРОВАНИЯ ИНФОРМАЦИОННЫХ СИСТЕМ Д.В. Бутенко, к.т.н., доцент; А.С. Ананьев, аспирант; Л.Н. Бутенко, д.х.н., профессор (Волгоградский государственный технический университет, просп. Ленина, 28, г. Волгоград, 400005, Россия, gindenburg@mail.ru, ananievandr@yandex.ru, butenko@vstu.ru, cad@vstu.ru) Предпроектное исследование является стратегическим этапом процесса проектирования объекта, по результатам которого принимается решение об уровне конкурентоспособности, перспективах развития, постановке задачи на проект, трудоемкости и целесообразности создания системы вообще. Существующие методы предпроектных исследований имеют высокую степень обобщения и практически никак не формализованы. Недостаток этих методов в том, что они рассматривают только конкретные единичные прототипы и направлены на поиск решения текущих проблем и устранение единичных недостатков конкретного прототипа. Таким образом, сделан вывод о необходимости создания новой когнитивной технологии предпроектных исследований с целью получения наиболее полной информации для этой стадии. В статье описан алгоритм проведения предпроектных исследований и моделирования информационных систем. Реализация данного алгоритма требуется для решения актуальной научной задачи повышения результативности предпроектной работы по созданию информационных и технических систем. Определен перечень базовых процедур, необходимых для проведения предпроектной работы на стадии концептуального проектирования информационных систем. Предлагаемая методика позволит повысить результативность процесса моделирования и предпроектной работы при создании информационных систем за счет реализации системного подхода к их анализу и синтезу.

105

Программные продукты и системы

№ 4, 2013 г.

Ключевые слова: концептуальное проектирование, системный анализ, инновационные технологии проектирования, информационные технологии.

THE ALGORITHM OF PREDESIGN RESEARCHES AND INFORMATION SYSTEMS MODELING Butenko D.V., Ph.D. Tech. Sc., associate professor; Ananyev A.S., postgraduate student; Butenko L.N., Dr.Sc. (Chemistry), professor (Volgograd State Technical University, Lenina Av., 28, Volgograd, 400005, Russian Federation, gindenburg@mail.ru, ananievandr@yandex.ru, butenko@vstu.ru, cad@vstu.ru) Аbstract. The predesign research is a strategic step in object designing process, it helps to make a decision on the level of competitiveness, assess the development prospects, the problem statement for the project, the complexity and feasibility of the system. Existing methods of predesign researches have a high degree of generality and are not formalized. They analyze the specific (single) prototypes aimed at finding out solutions to the current problems and disadvantages of a given prototype. So, there is a need to create a new cognitive technology of predesign researches to get the most complete information for this stage.

The article describes the algorithm of the predesign researches and modeling of information systems. The implementation of the algorithm is required to solve the relevant scientific problem of increasing the pre-work effectiveness for information and technical systems development. The list of basic procedures is required for the pre-work for the stage of information systems conceptual design. This method will improve the efficiency of modeling process and pre-work for creation of information systems using a systematic approach for analyzing and synthesizing it.

Keywords: conceptual design, systems analysis, innovation technologies of design, information technologies.

Начальные этапы любого проекта по созданию новых объектов техники, технологий, такие как анализ прототипа и разработка концепта проекта, относящиеся к поиску вариантов решений практических задач, к техническому творчеству, в настоящее время называются концептуальным проектированием систем. Для концептуальных стадий характерны низкая структурированность предметных областей, многоаспектность протекающих процессов, отсутствие достаточной количественной информации об их динамике, нечеткость, противоречивость, изменчивость процессов во времени, что обусловливает большую неопределенность в разработке проектных решений. Сейчас интеллектуальная составляющая в научной и инженерной подготовке нуждается в большем внимании, а системная реализация интеллектуальных технологий должна опираться на проблему новизны создаваемых решений [1]. На сегодняшний день превосходство не может быть обеспечено за счет импорта качественных технологий. Оно реализуется тогда, когда в основе новых технологий лежат собственные новые идеи. Только в этом случае наша страна сможет стать лидером в экспорте технологий, чем обеспечит себе преимущество в экономике знаний. Под интеллектуальной технологией будем понимать совокупность методов и средств генерации идей, построения на их основе концептуальных решений, исследование этих решений, проектирование на их основе инновационных продуктов, обладающих охраноспособностью. Реализация таких продуктов должна обеспечить их конкурентоспособность при практическом использовании. Целью данной работы является составление перечня базовых процедур для проведения предпроектных исследований при проектировании информационных систем, определение их специфики, создание инструментария для концептуального проектирования информационных систем.

106

Существующие на сегодня методы предпроектных исследований [2] имеют высокую степень обобщения и практически никак не формализованы. В частности, ярким примером является описание ГОСТ 34.601-90. К недостаткам существующих методов относится то, что они рассматривают только конкретные единичные прототипы и направлены на поиск решения текущих проблем и устранение единичных недостатков конкретного прототипа, опираются на субъективное определение целей и постановку задач. В результате отсутствует полноценный анализ тенденций развития класса систем, отражающийся в комплексе недостатков существующих систем прототипа для нынешнего состояния техники и технологий. Таким образом, был сделан вывод о необходимости интеграции достоинств каждого из рассмотренных подходов для повышения эффективности процедур предпроектных исследований применительно к предметной области проектирования информационных систем. Технические и информационные системы относятся к классу искусственно созданных объектов, которым свойственны выполнение одной главной и множества дополнительных функций, многоэлементность и иерархичность. Для определения строения и функционирования таких систем существует множество схем и методов [3–5]. Применение системного анализа при построении информационных систем дает возможность выделить перечень и указать целесообразную последовательность выполнения взаимосвязанных задач, позволяющих не упустить из рассмотрения важные стороны и связи изучаемого объекта систематизации. За основу создаваемой методики предпроектных исследований и моделирования было взято концептуальное описание технических систем, сделанное Половинкиным А.И. [3]: главная полезная функция, функциональная структура, принцип действия, техническое решение, параметрическое решение.

Программные продукты и системы

Однако для концептуального проектирования информационных систем следует предложить группу необходимых определений. Информационная система – программно-аппаратная система, предназначенная для автоматизации целенаправленной деятельности конечных пользователей, обеспечивающая в соответствии с заложенной в нее логикой обработки возможность получения, модификации и хранения информации. Главная полезная функция, она же потребность – это центральная функция, для выполнения которой предназначена информационная система. Функциональная структура – совокупность описаний функциональных требований и процедур выделения функциональных подсистем информационной системы. Принцип действия – последовательность выполнения действий, базирующихся на преобразованиях потоков данных, которые обеспечивают требуемое функционирование системы. Техническое решение – это семантическое описание информационной системы с указанием функциональной структуры и алгоритма функционирования. На основе данных определений был разработан обобщенный алгоритм проведения предпроектных исследований и моделирования информационных систем, который включает рекуррентную последовательность действий, изображенную на рисунке 1.

№ 4, 2013 г.

Начало Выбор класса прототипа

Формирование массива недостатков у класса прототипа Анализ недостатков Оценка влияния устранения недостатка Формирование требований к проекту Конец

Рис. 2. Описание стадии анализа и исследования прототипов

торым они применимы: K=(T, E, R, S), где T – концепт для главной функции; E – концепт для функциональной структуры; R – концепт для принципа действия; S – концепт для технического решения. Таким образом, для определения тенденции развития стадий предпроектного исследования необходимо использовать предложенные алгоритмы для каждого объекта исследования. Практическая ценность заключается в том, что разработан инструментарий для проведения предпроектных исследований. Начало Общая последовательность действий при проектировании информациСведения о классе онной системы в соответствии с выпрототипов деленными стадиями была апробироИсследование вана на примере проектирования и главной разработки ряда компьютерных комполезной функции плексов и систем, по которым получены свидетельства о регистрации Исследование функциональной программ в Роспатенте: №№ структуры 2010617474, 2010612774, 2010612500, Исследование 2011615174, 2011619360, 2011612133 принципа и др. Например, программа психоседействия мантического анализа и визуализации Исследование звука, которая соответствует ФЗ № технического решения 436 «О защите детей от информаМассив требований ции, причиняющей вред их здоровью и к классу прототипа развитию» (свид. № 2012616458) [4]. для проектирования новой системы Предлагаемая концепция новой методики предпроектных исследоваКонец ний и моделирования информационРис. 1. Обобщенный алгоритм проведения предпроектных исследований ных систем отвечает актуальным тенденциям в образовании, обеспечивая На основании приведенного обобщенного алсовременный уровень подготовки специалистов. горитма было разработано описание стадии аналиКроме всего прочего, предлагаемая методика за и исследования прототипов, которое изображепозволяет повысить результативность процесса но на рисунке 2. моделирования и предпроектной работы при созНа основе предложенных алгоритмов можно дании информационных систем за счет реализасоставить кортеж уровней проектирования, к коции системного подхода к их анализу и синтезу.

107

Программные продукты и системы

Представленная последовательность действий концептуального проектирования информационных систем отличается от известных наличием иерархической рекуррентной совокупности логико-эвристических процедур с итерационным характером действий, использующих методы синтеза новых решений. В случае реализации данного алгоритма возможно решение актуальной научной задачи повышения результативности предпроектной работы по созданию технических систем за счет реализации системного подхода к синтезу концептуальной схемы. Предполагаемые результаты могут существенно дополнить технологии проектирования и реализации информационных и технических систем актуальностью. Литература 1. Бутенко Д.В., Бутенко Л.Н. Теория развития систем. Задачи концептуального проектирования и их взаимосвязь с закономерностями развития систем // Качество. Инновации. Образование. 2004. № 1. C. 38–41.

№ 4, 2013 г.

2. Бутенко Д.В., Попов К.В., Ананьев А.С. Методика концептуального проектирования программных информационных систем // Программные продукты и системы. 2012. № 2. С. 101–104.

3. Половинкин А.И. Основы инженерного творчества: учеб. пособие для студентов втузов. М.: Машиностроение, 1988. 368 с.

4. Кононенко А.А., Кучкаров З.А., Никаноров С.П., Никитина Н.К. Технология концептуального проектирования; [под ред. С.П. Никанорова]. М.: Концепт, 2008.

5. Никаноров С.П. Концептуализация предметных областей. Сер. Концептуальный анализ и проектирование: Методология и технология. М.: Концепт, 2009.

References 1. Butenko D.V., Butenko L.N. Kachestvo. Innovatsii. Obrazovanie [Quality. Innovations. Education]. 2004, no. 1, pp. 38–41.

2. Butenko D.V., Popov K.V., Ananyev A.S. Programmnye produkty i sistemy [Software & Systems]. 2012, no. 2, pp. 101–104.

3. Polovinkin A.I. Fundamentals of engineering creativity, Moscow, Mashinostroenie Publ., 1988, 368 p. (in Russ.).

4. Kononenko A.A., Kuchkarov Z.A., Nikanorov S.P., Nikitina N.K. Technology conceptual design. Moscow, Concept Publ., 2008 (in Russ.).

5. Nikanorov S.P. Conceptualization of the subject areas. A series of Conceptual analysis and design Methodology and technology. Moscow, Concept Publ., 2009 (in Russ.).

УДК 681.518

РАЗРАБОТКА ПРОГРАММНОЙ СРЕДЫ ПОДДЕРЖКИ АНАЛИЗА ФУНКЦИОНАЛЬНОЙ СТРУКТУРЫ СИСТЕМ В АСПЕКТЕ СВОЙСТВА ЦЕЛОСТНОСТИ Д.В. Бутенко, к.т.н., доцент; Р.С. Бугрий, магистр (Волгоградский государственный технический университет, просп. Ленина, 28, г. Волгоград, 400005, Россия, butenko@vstu.ru, roman.bugriy@gmail.com) Одним из основополагающих и важных свойств систем является целостность, раскрытие функциональной структуры которой позволяет понять, насколько устойчива система. Структура должна быть представлена в виде бинарных оппозиций, отражающих противоположные структурные отношения между концептами функциональных элементов и подсистем. Ключевым моментом в построении бинарных оппозиций является использование инвариантных пар операций, предложенных Р. Коллером в своем авторском методе конструирования. На основании теоретических исследований разработана программная система анализа технических систем с позиции свойства целостности, которая состоит из трех модулей: конструктивно-функционального анализа, построения диаграммы Исикавы для детального рассмотрения контрарно-функциональных пар системы, построения отчета экспертной оценки системы с позиции свойства целостности. Ключевые слова: свойство целостности, функциональная структура, бинарные оппозиции, технический объект, элементы.

DEVELOPMENT OF THE SOFTWARE ENVIRONMENT TO SUPPORT THE SYSTEMS FUNCTIONAL STRUCTURE ANALYSIS IN THE VIEW OF HOLISTIC PROPERTY Butenko D.V., Ph.D. Tech. Sc., associate professor; Bugriy R.S., master of engineering (Volgograd State Technical University, Lenina Av., 28, Volgograd, 400005, Russian Federation, butenko@vstu.ru, roman.bugriy@gmail.com) Abstract. One of the fundamental systems’ attribute is a property of integrity. Description of its functional structure allows understanding that the system is very stable. The structure can be presented as binary oppositions that reflect the opposing structural relations between functional components and subsystems concepts. The main idea when building a binary opposition is the using invariant pairs of operations proposed by R. Koller in his method of design. Based on theoretical research a software system of technical systems analysis in the view of property of integrity is proposed. This system consists

108

Программные продукты и системы

№ 4, 2013 г.

of three modules: constructive and functional analysis, Ishikawa diagram construction to consider a contrary-functional pairs of the system, writing a report using system expert evaluation regarding a property of integrity.

Keywords: property of integrity, functional structure, binary opposition, technical object, elements.

При анализе технических систем для определения свойств проектируемого объекта используется описание функциональной структуры (ФС) объекта. Под ФС понимается обобщение сходных признаков функциональных элементов объекта исследования и отношений между ними. ФС любой системы можно представить и в обобщенном, концептуальном, и в уточненном виде – как массивы конкретных функций с их параметрами действия. Под концептуальной ФС (КФС) понимаются результат обобщения функциональной структуры объекта исследования или проектирования и одновременно способ ее истолкования [1]. КФС устанавливает соответствие между обобщенными понятиями, которые на данном этапе предметно не интерпретированы, и представляется в виде концептов, – понятий, характеризующих содержание функциональных элементов и отношений между этими понятиями. Вся информация, как и отношения между концептами, подается в обобщенном виде. Узлы КФС представляют собой концепты функциональных элементов либо подсистем объекта исследования или проектирования, а отношения между ними – обобщенные виды взаимосвязей. КФС используется для обозначения ведущего замысла, конструктивного принципа функционирования системы объекта в виде набора основных смысловых элементов и отношений. Таким образом, КФС описывает всю совокупность свойств, проявляемых объектом при его использовании. Важной актуальной задачей системного анализа является раскрытие основного свойства систем – целостности, показывающей результат структурных отношений и взаимодействия элементов, обеспечивающих непротиворечивость, внутреннее единство и гармонию существования и функционирования ее разнородных элементов и подсистем, необходимых для согласованного достижения генеральной цели. В качестве теоретического обоснования решения поставленной задачи взяты положения всеобщего закона философии о единстве и борьбе противоположностей. Согласно ему, в каждой системе можно обнаружить противопоставленные функциональные блоки, подсистемы. Например, функциональная подсистема движения в автомобиле противопоставлена функциональной подсистеме торможения. Концептуально эти функциональные противопоставления не просто существуют и взаимодействуют, а управляются третьей сущностью, которая может быть реализована отдельным управляющим элементом, – регулятором противоречия. Такой регулятор управляет взаимодействием противопоставленных подсистем. Од-

нако заметим, что по принципу идеальности возможно, что сам регулирующий элемент в системе отсутствует физически, а его функции выполняются, могут быть реализованы в самих противопоставленных подсистемах. Математический аппарат более подробно описан в работе [2]. Исходя из этого, концептуальная модель системы с учетом раскрытия свойства целостности будет иметь вид треугольника (рис. 1), где полюсами выделены противопоставленные свойства систем А и B и полюс R, управляющий их взаимодействием.

Управление

R

A

Управление

B Управляемое противоречие

Рис. 1. Концептуальная модель системы в аспекте свойства целостности

Для функционального состава концепцию целостности можно интерпретировать следующим образом: А и В – группы противодействующих функций системы, R – группа функций регулятора данного противоречия. То есть в системе обязательно присутствуют диада противонаправленных действий и функция управления этим противоречием. В КФС наблюдаются пары концептов функциональных элементов, отражающих исполнение противоречия. Такие пары образуются противопоставленными структурными отношениями. Существует иерархия функций системы. Верхний уровень иерархии КФС отражает концепт, понятие главной полезной функции системы, нижележащие уровни – концепты противодействующих элементов и противопоставленных отношений между ними. Поскольку дуализм полярностей может быть обнаружен на любом иерархическом уровне описания системы, представляется необходимым рассмотреть дуальные операции, которые отражают противоположные структурные отношения между концептами функциональных элементов и подсистем. Подтверждение всеобъемлющего философского закона борьбы и единства противоположностей исследователи находят и используют в различных 109

Программные продукты и системы

областях знаний. Например, Ф. Джонстон [3] выявил около тысячи взаимно противоположных пар, бинарных оппозиций, отнесенных им к психологии управления и человеческих взаимоотношений. Применительно к техническим объектам и системам бинарные оппозиции были предложены в середине двадцатого века Р. Коллером и использованы в авторском методе конструирования [4]. Коллер интерпретировал подобные структурные отношения только на физическом уровне и назвал их физическими операциями. Описанием таких операций Коллер указал на существование в элементах технических систем дуалистической пары целевого свойства элемента и его противоположности. Он сформулировал 12 основных и 2 дополнительные пары инвариантных операций, которые, по его мнению, должны описывать физические операции любого технического объекта или его элемента независимо от физических принципов действия: излучение – поглощение, проводимость – изолирование, сбор – рассеяние, проведение – непроведение и др. Более подробно сущность, содержание и примеры описания физических операций даны в [4]. Так как операции Коллера двойственны и полярны по своему строению, на физическом плане они опираются на один, пару или цепочку из нескольких реализующих их физических эффектов (ФЭ). Инвариантная интерпретация феномена бинарных оппозиций обобщенных операций, описанного Коллером на физическом уровне, может быть применена для описания как материальных, так и информационных потоков. С учетом сказанного с позиций свойства целостности КФС объекта исследования может быть представлена в виде ориентированного графа сложного вида, где каждая вершина описывает концепт функционального элемента, а связи между вершинами являются дуальными концептуальными структурными отношениями. В основе такого графа лежит циклическая структура, состоящая из трех элементов. Вершины А и B содержат концепты противопоставленных структурных функциональных элементов, а вершина R – концепт элемента регулятора действий пары концептов элементов А и В и представляет собой оператор семантической конъюнкции, который объединяет противоположные структурные элементы А и B. Исходя из принципа целостности каждый концептуальный функциональный элемент может быть изображен в виде некоего треугольника, а граф КФС объекта проектирования или исследования в целом – как иерархичный многоуровневый фрактал, состоящий из треугольников (рис. 2). В полученном орграфе концептуальные элементы организованы в определенную сеть, где протекают информационные процессы, описывающие функционирование системы объекта. Все элементы схемы воспринимаются как организо110

№ 4, 2013 г.

R RA

RB

A

B A

B

Рис. 2. Граф концептуальной функциональной структуры в виде фрактала

ванные концепты, взаимодействующие между собой посредством двойственных концептуальных операций по типу Коллера. С точки зрения системогенеза концептуальная схема в виде фрактала является развивающейся информационной сетью, вершины графа которой стремятся к развитию новых свойств, а элементарные структурные образования в виде треугольников – к обретению большей устойчивости. В подтверждение обнаруженного треугольного изоморфизма структур необходимо отметить, что из современной научной литературы по кристаллографии и биологии известно, что на субатомном и атомных уровнях строения вещества, где нагляднее проявляются структурные особенности и свойства вещества, значительна формообразующая роль платоновых тел как правильных симметричных геометрических тел, выражающих идею всеместного совершенства. В частности, в [5] сообщается, что все многогранники, которые соответствуют максимальным расстояниям между точками, построены из треугольников. Поэтому при рассмотрении конфигурации электронных пар из всех правильных многогранников представляют интерес только тела, составленные из треугольников, – тетраэдр, октаэдр, икосаэдр. В подтверждение этому сошлемся на установленный факт: ядро кислорода имеет форму тетраэдра, то есть тела, составленного из треугольников. В данном случае такая сеть, состоящая из треугольников, очерчивает пределы целостности структуры объекта и на онтологическом, и на эпистемологическом уровнях. При помощи такого концептуального представления могут быть описаны процессы функционирования бинарных оппозиций элементов в системе и объяснено состояние устойчивости всей системы и такие режимы, при которых возможна неэффективная работа системы или даже ее разрушение. Принципы бинарной оппозиции и иерархической подчиненности можно использовать применительно к построению уточненной ФС. Уточненная ФС, или просто ФС, описывает конкретные функции, их взаимосвязанность и подчиненность для конкретного технического объекта, системы.

№ 4, 2013 г. Подфункция 3

Программные продукты и системы

Функция N

Подфункция антипода функции 3

Функция 3

Функция 2

Функция 1

Главная полезная функция Антипод функции 3

Антипод функции 2

Потребность, реализуемая системой

Антипод функции 1

Подфункция антипода функции 3

Антипод функции N

Антипод подфункции 3

Рис. 3. Инверсная организация функций системы в аспекте целостности

Для анализа и отображения дуализма, присутствующего в ФС в концептуальном виде объекта, необходимо построить иерархическую диаграмму, которая отображает композицию подчинения функций системы. Для этого будем использовать диаграмму «рыбий скелет» японского исследователя Каору Исикава, но с некоторыми уточнениями. В случае анализа ФС систем в аспекте целостности принципиальное отличие от метода Исикава состоит в том, что горизонтальная линия на диаграмме разделяет функции системы на две инверсные группы, где каждой функции из верхней части схемы относительно горизонтали должна соответствовать противоположная функция или несколько подфункций. Целостная организация функций системы декомпозируется на главную полезную функцию системы, на соответствующие подчиненные ей полярные пары – подфункции и инверсные им антиподы функций. На рисунке 3 симметричными диагональными линиями относительно горизонтали показаны пары противопоставленных функций. Все обозначенные функции в общем приводят к реализации потребности. Расположение функций справа налево от главной полезной функции можно интерпретировать как уровни их значимости в процессе функционирования системы. В терминах теории графов такую схему можно интерпретировать как ориентированный трехдольный граф, содержащий множество основных функций системы T, множество подфункций S и Q (рис. 4). В таком орграфе есть сепаратор, разделяющий этот граф на множество основных подфункций системы S и множество противоположных им подфункций системы Q. Смежные ребра соединяют элементы множеств подфункций с общей вершиной, которая находится во множестве основных функций. Показанный орграф можно интерпретировать как иерархию функций исследуемого конкретного прототипа. Первый элемент множества функций

отражает соответствие главной полезной функции системы. Нижестоящие элементы множества функций могут быть рассмотрены в упорядоченной важности относительно исполнения главной полезной функции. Такая организация соответствует представлению декомпозиции главной функции на иерархическую совокупность множества вторичных функций и подфункций, исполняемых в системе, указывает на их согласованную связность и определяет структурное разнообразие исследуемой системы. Множество подфункций S

Главная полезная функция

Потребность

Множество функций системы Т

Множество подфункций Q

Функция 1 Подфункция 1.1

Функция 2 Функция 3

Подфункция 3.1 Подфункция 4.1

Функция 4

Подфункция 5.1.2

Подфункция 2.1 Подфункция 3.2

Функция 5

Подфункция 5.2

Подфункция 5.1 Подфункция 5.1.1

Подфункция 1.2

Функция N

Подфункция 5.2.1 Подфункция 5.2.2

Подфункция N.1

Подфункция N.2

Сепаратор графа

Рис. 4. Направленный граф функциональной структуры системы

111

Программные продукты и системы

Построение графа функций облегчает задачу анализа. Однако термин теории графов «сепаратор» для задачи синтеза неадекватен, так как решается проблема соединения противостоящих подфункций. Для этого должен быть введен новый термин «юнитор» – оператор, объединяющий разделенные множества основных подфункций системы S и множество противоположных им подфункций системы Q. Таким образом, оператор юнитор соединяет смежные дуги графа в общей вершине, которая отображает одну из основных функций системы. Процесс стягивания такого графа отражает постановку задачи на синтез нового объекта. Для задач анализа сущности «сепаратор графа» и для задач синтеза «юнитор графа» можно интерпретировать как «оператор центрально-осевой симметрии». То есть в процедуре целеполагания осевая симметрия выполняет важную методологическую функцию семантического разделения целевого множества на подмножества основных подфункций и противоположных им подфункций. Внешняя симметрия объекта является отражением внутренней структурной симметрии на функциональном и целевом уровнях. На основе вышеизложенного разработана последовательность выполнения концептуального анализа технических объектов (ТО) в аспекте одного из базовых свойств систем с точки зрения системного анализа – свойства целостности. Анализ состоит из нескольких стадий [3, 6]. Первая стадия – конструктивно-функциональный анализ системы, где необходимо выделить функциональные элементы, описать для каждого элемента одну или несколько его функций как есть и построить иерархию функций исследуемого конкретного прототипа. Вторая стадия метода заключается в том, что каждой найденной функции ТО необходимо сопоставить физическую операцию Коллера. Так как операция Коллера имеет две оппозиционные части, нужно обнаружить и сопоставить функциональные элементы ТО, соответствующие первой части физической операции, и для ее второй, противоположной части. Результаты оформляются в виде таблицы и схемы (рис. 3). В случае отсутствия элементов, необходимых для создания оппозиционной пары, обнаруживается проектная пустота, то есть вакантное место для новой, еще не существующей функции. В этом случае необходимо описать отсутствующие функциональные операции и противопоставленные функциональные элементы, что будет служить формулировкой постановки задачи на проектирование нового объекта техники. Разработанный метод облегчает процесс анализа ТО для выявления перспективных направлений совершенствования техники и информационных сиcтем. Описанный метод внедрен в учебный 112

№ 4, 2013 г.

процесс и предназначен для использования в лабораторных занятиях по курсам «Концептуальное проектирование технических объектов», «Анализ и проектирование химико-технологических систем», «Методы анализа и синтеза технических решений» для выполнения исследовательских работ, а также в курсовом и дипломном проектировании в Волгоградском государственном техническом университете. В результате проведенных исследований был разработан программный продукт, позволяющий поддерживать и сопровождать пользователя при анализе технических систем с позиции свойства целостности. Первая стадия процедуры анализа реализована в модуле «Конструктивно-функциональный анализ», где пользователь фиксирует основные данные о проектируемой системе, такие как название системы, ее главная полезная функция, предназначение системы, цели функционирования и элементы, входящие в нее. Конструктивно-функциональный анализ целостности систем проводится для получения информации о конструкции и действии объекта и нахождения контрарных функциональных пар. Анализ осуществляется в процессе изучения описаний объекта, например описания изобретения, его прототипа и аналогов и др. Последующие стадии анализа реализуются в модуле «Построение схемы инверсной организации функций системы», где поэлементно составляется конструктивно-функциональная структура системы. При помощи операций Коллера функция элемента рассматривается как состоящая из контрарных функциональных пар, где пользователь формулирует прямую функцию и, если существует обратная ей, описывает и ее. Описанная программа зарегистрирована в Роспатенте (Свид. № 2013613383, авторы: Р.С. Бугрий, Д.В. Бутенко, Л.Н. Бутенко) и используется в учебном процессе ВолгГТУ. Подводя итоги, отметим, что на примере концептуальных структурных операций становится возможным непосредственное описание существа свойства целостности на уровне функциональных структур. Применение дуализма, отраженного в концептуальных структурных операциях по типу Коллера, необходимых для построения функциональной структуры в виде фрактального треугольника, будет существенно облегчать процесс анализа при проектировании систем. Описанное представление позволяет оценить пределы целостности структуры объекта, на этой основе возможно описать решение задачи раскрытия механизмов образования целостности как основного свойства систем. При помощи такого концептуального представления могут быть описаны процессы функционирования бинарных оппозиций элементов в системе и объяснены состоя-

Программные продукты и системы

ние устойчивости всей системы и такие режимы, при которых возможна неэффективная работа системы или даже ее разрушение. Предложенная схема инверсных пар противопоставленных функций позволяет показать их иерархическую подчиненность и одновременно дуальную взаимосвязанность в соответствии с законом о единстве и борьбе противоположностей и определением целостности. На основе предложенных теоретических изысканий разработаны метод исследования функциональной структуры систем в аспекте свойства целостности и программная среда для поддержки процесса анализа исследования функциональных структур систем. Создан и внедрен в учебный процесс программный продукт, поддерживающий метод анализа исследования функциональных структур систем. Литература 1. Кононенко А.А., Кучкаров З.А., Никаноров С.П., Никитина Н.К. Технология концептуального проектирования; [под ред. С.П. Никанорова]. М.: Концепт, 2008. 508 с.

2. Бутенко Д.В. Свойство целостности при построении функциональных структур технических систем // Инженерный вестник Дона. 2013. № 1. URL: http://www.ivdon.ru/magazine/ archive/n1y2013/1526 (дата обращения: 02.09.2013).

3. Johnston F.S. The logic of relationship. NY, Philosophical Library, 1968.

№ 4, 2013 г.

4. Koller R. Konstruktions method fur den Maschinen-, Gerate- und Apparatenbau. Springer. Berlin [West.], Heideberg, NY, 1976.

5. Гиллеспи Р. Геометрия молекул. М.: Мир, 1975. 282 c.

6. Бутенко Д.В., Попов К.В., Ананьев А.С. Методика концептуального проектирования программных информационных систем // Программные продукты и системы. 2012. № 2. С. 101–104.

7. Половинкин А.И. Основы инженерного творчества: учеб. пособие для втузов. М.: Машиностроение, 1988. 368 с.

References 1. Kononenko A.A., Kuchkarov Z.A., Nikanorov S.P., Nikitina N.K. Tekhnologiya kontseptualnogo proektirovaniya [A conceptual design technology]. Moscow, Kontsept Publ., 2008, 508 p.

2. Butenko D.V. System property of integrity with the formation of functional structures of the technical system. Inženerny vestnik Dona, 2013, no. 1 (in Russ.). Available at: http:// www.ivdon.ru/magazine/archive/n1y2013/1526 (accessed 2 September 2013).

3. Johnston F.S. The logic of relationship. NY, Philosophical Library, 1968.

4. Koller R. Konstruktions method fur den Maschinen-, Gerate- und Apparatenbau [Design method for machine, device and apparatus construction], Springer, Berlin (West.), Heideberg, NY, 1976 (in German).

5. Gillespi R. Geometriya molekul [Molecular geometry].

Moscow, Mir Publ., 1975, 282 p.

6. Butenko D.V., Popov K.V., Ananyev A.S. Programmnye produkty i sistemy [Software & Systems]. 2012, no. 2, pp. 101–104.

7. Polovinkin A.I. Basics of engineering creativity: Textbook. manual of technical institutions. Moscow, Mashinostroenie Publ., 1988, 368 p. (in Russ.).

УДК 007:519.711:681.5

ОСНОВНОЙ ПОДХОД В РЕШЕНИИ ЗАДАЧИ СОЗДАНИЯ ЧЕЛОВЕКО-МАШИННОГО ИНТЕРФЕЙСА С ИСПОЛЬЗОВАНИЕМ ДУАЛЬНОГО ПРИНЦИПА А.М. Минитаева, к.т.н., доцент (Московский государственный технический университет им. Н.Э. Баумана, ул. 2-я Бауманская, 5, г. Москва, 105005, Россия, aminitaeva@mail.ru) Дается описание проблемы эксплуатации эргатических систем управления как одного из компонентов взаимодействия оператора, объекта, окружающей среды и систем управления в информационно-вычислительных системах. Важнейшим компонентом является решение задачи по созданию сложного человеко-машинного интерфейса с использованием дуального принципа, в максимальной степени учитывающего человеческий фактор – психологические, физиологические и анатомические аспекты человеко-машинного взаимодействия с учетом всего комплекса решаемых функциональных задач. Для человеко-машинного интерфейса и управления на вычислительной машине особую актуальность приобретает направление исследования цифровых вычислительных систем с искусственным интеллектом, основной побуждающей причиной создания которых является безопасность работы при его высокой интенсивности в современных условиях. Развитие данного направления предполагает кардинальные изменения функциональной структуры процессов управления, создание необходимой теоретической базы для постановки и решения конкретных научнотехнических задач. В связи с этим одна из важнейших проблем разработки высокоэффективных эргатических систем управления заключается в оптимальном распределении функций между ЧО и техническими средствами с учетом психофизиологических возможностей человека. Такого рода работы основаны на возможностях реализации, предоставляемых уже имеющимися устройствами автоматизации и средствами вычислительной техники. Новизна и перспективность реализации предлагаемых подходов определяются возможностью получения результатов для разработки и создания, где ключевым звеном профилактики могут выступать психофизиологические факторы. Cоздание сложной системы с использованием дуального принципа позволит реализовать актуальные задачи организации че-

113

Программные продукты и системы

№ 4, 2013 г.

ловеко-машинного интерфейса с учетом интеллектуализации взаимодействия человека и вычислительного комплекса, построения и развития автоматизированных информационных систем организации и диагностирования психологического и физиологического обеспечения безопасности работы человека. Ключевые слова: эргатические системы управления, оператор среды и систем управления, информационновычислительная система, человеко-машинный интерфейс, дуальный принцип.

BASIC APPROACH TO SOLVING THE CREATING A HUMAN-MACHINE INTERFACE USING DUAL PRINCIPLE Minitaeva A.М., Ph.D. Tech. Sc., associate professor (Bauman Moscow State Technical University, 2nd Baumanskaya St., 5, Moscow, 105005, Russian Federation, aminitaeva@mail.ru) Аbstract. The article describes the usability problem of ergatic management systems (ESA) as a component of the interaction between an operator, an object, environment and control systems in data-processing systems. The most important component here is the solution of creating a complex human-machine interface (HMI) problem using dual principle which maximally takes into account a human factor – psychological, physiological and anatomical aspects of human-computer interaction with the full range of functional problems solved. The research on digital computing systems with artificial intelligence becomes particularly relevant for human-machine interface and computer control. The main motivating reason for the creation of such systems is the security with its high intensity in the modern world.

The development of this direction involves fundamental changes in the functional structure of the management process, the creation of the necessary theoretical basis for formulating and solving specific scientific and engineering problems. In this regard, one of the most important design issues of high ESA is the optimal distribution of functions between PR and technical means considering the psycho-physiological capacities of a human. This kind of work is based on the feasibility provided by existing automation devices and computer equipment. The novelty and prospectivity of implementation of the proposed approach is defined by the results to design and build, where a key part may be a prevention of psychological and physiological factors. The creation of a complex system using a dual principle allows implementing the urgent tasks of the human-machine interface organization considering the intellectualization of human-machine complex, construction and development of automated information management systems and diagnosing psychological and physiological security of a person.

Keywords: exploitations interactive managerial system, information-computer system, human-machine interface, dual principle, complex solved functional tasks.

Современный этап развития автоматизированных систем характеризуется более широким применением интеллектуальных компьютерных технологий в процессах обработки информации, принятия решений и управления. Проблематика применения встроенного компьютерного интеллекта открывает новое направление научных исследований в области автоматизации эргатических систем управления (ЭСУ). Развитие данного направления предполагает кардинальные изменения функциональной структуры процессов управления, создание необходимой теоретической базы для постановки и решения конкретных научнотехнических задач. Одна из закономерностей научно-технического прогресса – ускоренный рост сложности и масштабов технических систем, степени их влияния на техносферу. Проблема эффективности и безопасной эксплуатации систем приобретает первостепенное значение и не может решаться вне сферы автоматизации, в которой исключительно важную роль играют ЭСУ. В связи с этим одна из главных проблем разработки высокоэффективных ЭСУ заключается в оптимальном распределении функций между ЧО и техническими средствами с учетом психофизиологических возможностей человека. Необходимость исследования интеллектуальных систем при их функционировании в реальном мире обусловила постановку задачи создания интегральных роботов. Проведение таких работ можно считать вторым этапом исследований по исскуственному интеллекту [1, 2].

114

Структура ЭСУ состоит из трех комплексов вычислительных средств (см. рис.). Первый комплекс представляет собой совокупность средств, спроектированных с позиций эффективного решения задач и выполняющих программы (исполнительную систему), и имеет в ряде случаев проблемную ориентацию. Второй комплекс – совокупность средств интеллектуального интерфейса, имеющих гибкую структуру, которая обеспечивает возможность адаптации в широком спектре интересов конечных пользователей. Третьим комплексом средств, с помощью которых организуется взаимодействие первых двух, является база знаний, обеспечивающая использование вычислительными средствами первых двух комплексов целостной и независимой от обрабатывающих программ системы знаний о проблемной среде. Исполнительная система объединяет всю совокупность средств, обеспечивающих выполнение сформированной программы. Интеллектуальный интерфейс – система программных и аппаратных средств, обеспечивающих конечному пользователю возможность использования компьютера для решения задач, которые возникают в среде его профессиональной деятельности, либо без посредников, либо с их незначительной помощью. База знаний занимает центральное положение по отношению к остальным компонентам вычислительной системы в целом, через базу знаний осуществляется интеграция средств вычислительных систем, участвующих в решении задач.

Программные продукты и системы

1. Исполнительная система

Программа

Концептуальный уровень

Трансляторы. Система обеспечения взаимопонимания

Конечные пользователи

СИСТЕМА ОБЩЕНИЯ

РЕШАТЕЛЬ

Информационный уровень

Специальные БД

Вычислительные, логические, поисковые средства

3. Интеллектуальный интерфейс

№ 4, 2013 г.

2. База знаний

Адаптация к конечному пользователю

Адаптация к типу задач Адаптация к предметной области

Структура трех комплексов вычислительных средств

Для обеспечения решения задачи создания сложного человеко-машинного интерфейса представляется уместным использование принципа дуального управления А.А. Фельдбаума. Имеется в виду изучение системой управления характера, присущего данному оператору, и учет его при согласовании с условиями среды в выбираемом алгоритме управления [3, 4]. Такого рода работы основаны на возможностях реализации, предоставляемых имеющимися устройствами автоматизации и средствами вычислительной техники. Рассмотрим уже существующие датчики перемещения. Функционально полная измерительная система содержит (по современным представлениям) следующие датчики.

1. Датчик угла поворота/частоты колеса прокрутки – Y1/Y2.

2. Датчик угла поворота/частоты вращения первичного колеса прокрутки П – Y3/Y4.

3. Датчик угла поворота/частоты вращения вторичного колеса прокрутки – Y5/Y6.

4. Датчик элемента джойстика (угла/скорости поворота ее оси) – U1=1.

5. Датчик поворота комьютерного манипулятора (угла/скорости поворота ее оси) – U2=2.

6. Датчик угла/скорости поворота колеса прокрутки – U3=3. Здесь указаны обозначения датчиков как измеримые координаты: Y – измеримые (выходные) переменные состояния; U – управляющие воздействия оператора Ui=i. Из этого набора датчиков следует значительно большее число идентификационных переменных: для датчиков по пунктам 4–6 действия оператора

характеризуются еще направлением (знаком) воздействия, что для данного класса систем имеет существенное значение. Для других объектов аналогичным образом могут быть выделены измеримые переменные состояния и управляющие воздействия оператора (см. табл.). Номер Направле- Обозначение Обозначение скодатние воз- направления рости изменения чика действия воздействия воздействия 4 Нажатие 11=1+ d11 /dt=121 Отпускание 12=1 d12 /dt=122 5 Нажатие 21=2+ d21 /dt=221 Отпускание 22=2 d22 /dt=222 6 Вправо 31=3+ d31 /dt=321 Влево 32=3 d32 /dt=322

Кроме того, имеется логическая переменная, которая может быть использована для идентификации стиля оператора: включение указателя поворотов 4 (вправо – 41, влево – 42). Таким образом, вектор выходных (измеримых в системе управления) переменных состояния можно представить в следующем виде: [k]=(V, U, t)V[k]+ +v[k], где (V, U, t)Vk – вектор-функция, выявляющая состояние оператора; [k] – вектор помех, сопровождающих действия оператора [2]. Выделенные переменные [k] имеют высокую частоту повторения в реальных условиях управления объектом. Поэтому в запоминающих устройствах контроллера управления можно достаточно быстро накопить и статистически обработать их значения. Это обстоятельство создает разнообразные возможности построения идентификационных алгоритмов. Рассмотрим в качестве примера 115

Программные продукты и системы

№ 4, 2013 г.

следующий алгоритм, который назовем двухступенчатым. Из накапливаемых данных будем формировать две базовые выборки значений вышеуказанных переменных с периодом накопления 100 и 10 000 тактов, то есть nijk=100 и Nijk=10 000, что определяет стохастические характеристики действия оператора на коротком и длинном интервалах. Можно считать, что первая из этих выборок отображает текущее состояние оператора, а вторая – его интегральные (типовые) качества. Следует сразу обратить внимание на то, что эти характеристики являются многомерными, то есть отображающими идентификационные переменные в их совокупности. Используем аппарат многомерного шкалирования. Подберем для каждой идентификационной переменной шкалу оценивания. Вычислим максимальное значение каждой переменной следующим образом: примем его за единицу и будем считать текущим значением относительную величину переменной: i= jk/jk max, где lk max – максимальное значение соответствующей переменной. Выделим s дискретных интервалов jk, например 0,1, 0,2, 0,3, 0,4, …, 1. Для каждого оператора по идентификационному ID-коду в памяти контроллера накапливается относительная частота vsjk двух базовых значений идентификационной переменной из общего числа накопленных значений для этой переменной njk, то есть vsjk=nsjk/njk, где nsjk – номер интервала попадания идентификационной переменной. Для ряда значений данной переменной зависимость представляет одномерную характеристику данного оператора на некотором интервале времени – коротком и длинном. Первая отображает текущее состояние, вторая – интегральные качества данного оператора. На основании выделенной системы измеримых переменных может быть построена процедура идентификации стиля управления с использованием теории нечетких множеств. Новизна и перспективность реализации предлагаемых подходов определяются возможностью получения результатов для разработки и создания – автоматизированной информационной системы организации и диагностирования психологического и физиологического обеспечения безопасности вычислительных машин, включающего комплекс мероприятий, таких как профилактика нарушений и отклонений в состоянии здоровья

операторов, организация проведения медицинских осмотров, где ключевым звеном профилактики могут выступать психофизиологические факторы; – управляющих вычислительных систем с искусственным интеллектом, устройств обмена информацией с человеко-машинным интерфейсом с учетом интеллектуализации взаимодействия человека и вычислительного комплекса. Таким образом, создание сложной системы с использованием дуального принципа позволит реализовать актуальные задачи организации человеко-машинного интерфейса с учетом интеллектуализации взаимодействия человека и вычислительного комплекса, построения и развития автоматизированных информационных систем организации и диагностирования психологического и физиологического обеспечения безопасности работы человека. Кроме того, это создаст предпосылки для развития отечественной концепции разработки управляющих вычислительных систем с искусственным интеллектом, перспективных отечественных вычислительных машин и комплексных программных средств. Литература 1. Макаров И.М., Лохин В.М., Манько С.В., Романов М.П. Искусственный интеллект и интеллектуальные системы управления. М.: Наука, 2006. 333 с.

2. Корнеев Н.В., Кустарев Ю.С., Морговский Ю.Я. Теория автоматического управления с практикумом. М.: Академия, 2008. 224 с.

3. Геловани В.Л., Башлыков А.А., Бритков В.Б., Вязилов Е.Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. М.: Эдиториал УРСС, 2001.

304 с.

4. Минитаева А.М. Введение в проблему человекомашинного интерфейса с учетом взаимодействия вычислительной машины. Современные проблемы информационной безопасности и программной инженерии: Сб. избран. статей науч.-методологич. семинара. М.: Спутник+, 2012. С. 73–77.

References 1. Makarov I.M., Lokhin V.M., Manko S.V., Romanov M.P. Artificial intelligence and intelligent control systems. Moscow, Nauka Publ., 2006, 333 p.

2. Korneev N.V., Kustarev Yu.S., Morgovskiy Yu.Ya. The theory of the auto control with practicum. Moscow, Academy Publ., 2008, 224 p.

3. Gelovani V.L., Bashlykov A.A., Britkov V.B., Vyazilov E.D. Intelligent decision-making systems for emergency situations using environment information. Moscow, Editorial URSS Publ., 2001, 304 p.

4. Minitaeva A.M. Modern problems of information security and programme soft: proc. of scientific and methodological workshop. Moscow, Sputnik+ Publ., 2012, pp. 73–77 (in Russ.).

 Вниманию авторов! В журнале «Программные продукты и системы» возможно размещение статей на английском языке без русскоязычной версии.

116

Программные продукты и системы

№ 4, 2013 г.

УДК 004.413; 519.816

ОБ ИСПОЛЬЗОВАНИИ АППАРАТА ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ В ЗАДАЧАХ ОЦЕНИВАНИЯ СОГЛАСНО МОДЕЛИ CMMI® Г.И. Кожомбердиева, к.т.н., доцент; М.И. Гарина, к.т.н., доцент; Д.П. Бураков, к.т.н., доцент (Петербургский государственный университет путей сообщения, Московский просп., 9, г. Санкт-Петербург, 190031, Россия, kgi-pgups@yandex.ru, migarina@gmail.com, burakovdmitry8@gmail.com) Статья посвящена методологическим подходам к оцениванию зрелости технологических процессов разработки программного обеспечения согласно модели CMMI® , разработанной в США в Институте программной инженерии университета Карнеги–Меллона (SEI). Предлагаются и обсуждаются методики оценивания качества объективных свидетельств и степени осуществления практик, обеспечивающих реализацию целей процессных областей CMMI ®. Формирование подобных оценок необходимо для получения вывода о достигнутом уровне зрелости процессов организации-разработчика. В условиях неопределенности и/или неполноты исходной информации о выполнении практик CMMI ® с целью повышения степени доверия к принимаемым экспертами-оценщиками решениям целесообразно использовать инструментарий, применяемый для принятия решений в слабо формализованных предметных областях. В работе рассматриваются два подхода к формированию оценок: методы нечеткой логики и методы многокритериальной классификации (использующей как классы с нечеткими границами, так и решающие правила) с учетом возможности их комбинирования в зависимости от полноты информации, имеющейся у команды экспертов-оценщиков. Ключевые слова: CMMI®, уровни зрелости, уровни возможностей, процессная область, оценивание, объективные свидетельства, теория принятия решений, нечеткая логика, многокритериальная классификация.

USING DECISION MAKING THEORY FOR APPRAISEMENT PROBLEMS ACCORDING TO THE CMMI® MODEL Kozhomberdieva G.I., Ph.D. Tech. Sc., associate professor; Garina M.I., Ph.D. Tech. Sc., associate professor; Burakov D.P., Ph.D. Tech. Sc., associate professor (Petersburg State Transport University, Moskovskiy Av., 9, St. Petersburg, 190031, Russian Federation, kgi-pgups@yandex.ru, migarina@gmail.com, burakovdmitry8@gmail.com) Аbstract. The article is devoted to the methodological approaches to the maturity appraisement of the software development processes according to the CMMI® model developed by the Software Engineering Institute (SEI) at Carnegie Mellon University.

The article proposes and discusses the methods of quality appraisement of objective evidence and extent of implementation of practices that ensure achievement of the goals of the CMMI ® process areas. Such appraisals are necessary to understand the processes maturity level of the developer.

In case of uncertainty and/or information incompleteness on the implementation of CMMI ® practices, it is reasonable to use a toolkit used for decision-making in weakly formalized subject domains. It helps to increase confidence in appraisal team solutions. This article considers two approaches to appraisals formation: fuzzy logic methods and multi-criteria classification methods (using the classes with fuzzy boundaries and the decision rules) with the possibility of their combining depending on the completeness of information available for the appraisal team.

Keywords: CMMI®, capability levels, maturity levels, process area, appraisement, objective evidence, decision theory, fuzzy logic, multi-criteria classification.

Комплексная модель зрелости CMMI (Capability Maturity Model Integration) – это широко известный подход к совершенствованию технологических процессов разработки и сопровождения программных продуктов и систем, разработанный в США в Институте программной инженерии университета Карнеги–Меллона (SEI – Software Engineering Institute of Carnegie Mellon University). Модель CMMI for Development активно используется как руководство по улучшению качества процессов организаций-разработчиков ПО. Модель постоянно развивается; ее актуальной версией является CMMI-DEV V1.3 (http://www.sei.cmu.edu/ reports/10tr033.pdf). Модель CMMI содержит общий набор требований к процессам, основанный на проверенном временем опыте разработчиков ПО. На ее основе

организация может совершенствовать или разрабатывать процессы, может использовать модель для оценки производительности или зрелости процессов в следующих целях: – определение своих базовых показателей, выявление сильных и слабых сторон; – измерение результатов предпринятых ранее улучшений; – обеспечение возможности сравнения уровня производительности или зрелости процессов с аналогичными показателями других организаций [1]. Требования к проведению оценивания сформулированы командой CMMI в документе ARC (Appraisal Requirements for CMMI) (http://www.sei. cmu.edu/reports/06tr011.pdf). Согласно ARC, любой метод оценки качества процесса, независимо 117

Программные продукты и системы

от принадлежности одному из классов A, B или C (выбор которого обусловлен целевой установкой оценивания), требует сбора и анализа проверенных свидетельств реализации, связанных с процессной областью общих и специфических практик – так называемых объективных свидетельств. Институтом SEI для CMMI разработан стандартный метод оценки совершенствования процессов SCAMPI (Standard CMMI® Appraisal Method for Process Improvement) – метод оценки класса А (http://www.sei.cmu.edu/reports/11hb001.pdf), позволяющий определять рейтинги качества (уровни зрелости) в соответствии с моделью CMMI. Этот метод согласован с международным стандартом оценки процессов ISO/IEC 15504. В России известен единственный сертифицированный русскоязычный инструктор и оценщик CMMI, основавший компанию, которая недавно получила официальный статус партнера SEI [2]. Авторы открыли для себя CMMI несколько лет назад благодаря интересу к возможностям использования модели в железнодорожной отрасли, проявленному А.Р. Федоровым, генеральным директором компании Digital Design, являющейся одним из ведущих IT-интеграторов России, и А.В. Илларионовым, в то время начальником Департамента информатизации и корпоративных процессов управления ОАО «РЖД» [3]. Данная работа является обобщением и продолжением работ авторов [3–5] и посвящена обсуждению методик оценивания качества объективных свидетельств и степени осуществления практик, обеспечивающих реализацию целей процессных областей CMMI. На основе подобных оценок в конечном счете делается вывод о достигнутом уровне зрелости процессов организации. В условиях неопределенности и/или неполноты исходной информации о выполнении практик CMMI с целью повышения степени доверия к принимаемым экспертами-оценщиками решениям целесообразно использовать инструментарий, применяемый для принятия решений в слабо формализованных предметных областях. В работе предлагается использовать два подхода к формированию оценки: аппарат нечеткого вывода и аппарат многокритериальной классификации, использующей как классы с нечеткими границами, так и решающие правила. Модель CMMI. Краткое описание Фундаментальным структурным элементом CMMI является процессная область (Process Area). Это группа взаимосвязанных практик области, при совместном выполнении которых достигается набор целей, признанных важными для улучшений в этой области. Под процессами в модели CMMI понимаются работы, которые рассматриваются 118

№ 4, 2013 г.

как выполнение практик, при этом под практикой понимается некоторая деятельность, способствующая достижению связанной с ней цели. Процессная область имеет общие (Generic Goals – GG) и специфические цели (Specific Goals – SG), а также общие (Generic Practices – GP) и специфические практики (Specific Practices – SP). Общие цели относятся ко всем процессным областям, специфические сформулированы для конкретной процессной области. Для каждой SP определяются типичные рабочие продукты (Example Work Products) – образцы результатов выполнения специфической практики. В CMMI-DEV V1.3 определены 22 процессные области.  Causal Analysis and Resolution (CAR) – анализ причин появления проблем и предотвращение их появления в будущем.  Configuration Management (CM) – управление конфигурациями.  Decision Analysis and Resolution (DAR) – анализ (оценка альтернатив) и принятие решений.  Integrated Project Management (IPM) – комплексное управление проектом.  Measurement and Analysis (MA) – измерения и анализ.  Organizational Process Definition (OPD) – определение процессов организации.  Organizational Process Focus (OPF) – фокусирование на процессах организации.  Organization Performance Management (OPM) – управление эффективностью работы организации.  Organizational Process Performance (OPP) – установление показателей выполнения процессов организации.  Organizational Training (OT) – организация обучения.  Product Integration (PI) – сборка и поставка продуктов.  Project Monitoring and Control (PMC) – мониторинг (наблюдение за проектом) и контроль.  Project Planning (PP) – планирование проекта.  Process and Product Quality Assurance (PPQA) – обеспечение качества процессов и продуктов (проверка на соответствие стандартам).  Quantitative Project Management (QPM) – управление проектом на основе количественных данных.  Requirements Development (RD) – разработка требований.  Requirements Management (REQM) – управление требованиями.  Risk Management (RSKM) – управление рисками.  Supplier Agreement Management (SAM) – управление соглашениями с поставщиками.

Программные продукты и системы

№ 4, 2013 г.

 Technical Solution (TS) – техническое решение.  Validation (VAL) – проверка продуктов на соответствие предназначению (валидация).  Verification (VER) – проверка продуктов на соответствие требованиям (верификация). Общие и специфические цели процессной области, структура которой представлена на рисунке 1, – обязательные (required) компоненты модели CMMI. Формулировка цели представляет желаемое конечное состояние, достижение которого свидетельствует о приобретении определенной степени контроля над проектом и процессом.

зацией-разработчиком самостоятельно. Этапное (Staged): используются уровни зрелости (maturity levels) процессов организации в целом; улучшение множества взаимосвязанных процессов происходит последовательно (поэтапно); для каждого этапа (уровня зрелости) процессные области предопределены. Непрерывное представление. Уровень возможностей (Capability Level) показывает, насколько хорошо организация осуществляет работы в определенной процессной области. Уровень возможностей определяется реализацией соответствующей общей цели (GG) и связанных с ней общих практик. Шкала для измерения возможностей содержит Process четыре пронумерованных от 0 Area до 3 уровня.

Purpose Introductory Related Statement Notes Process Areas Capability Level 0 – Incomplete. «Неполный процесс»: невыполняемый или выполняемый частично. Ни одна из специфических целей процессной Specific Goals Generic Goals области не достигается. Общих целей не существует.

Capability Level 1 – PerforSpecific Generic med. «Выполняемый процесс»: Practices Practices обеспечивает достижение специфических целей процессной Generic Example Work области. Общая цель (GG1 Subpractices Subpractices Practice Products Achieve Specific Goals) – досElaboration тижение специфических целей процессной области.

Capability Level 2 – Mana-- Required -- Expected -- Informative ged. «Управляемый процесс»: выполняемый, который планиРис. 1. Структура процессной области руется и выполняется в соответствии с принятой политикой Уровни зрелости и возможностей процессов. уровня организации; контролируется; управляетЦель совершенствования процессов на основе мося; осуществляется квалифицированным персонадели CMMI – повышение уровня способнолом, располагающим соответствующими ресурсасти/возможности (capability) процесса достигать ми для получения контролируемых результатов; запланированных результатов. осуществляется с привлечением значимых для Повышение уровня возможностей процесса процесса заинтересованных лиц; проекты выполозначает, что процесс становится предсказуемым няются в соответствии с документированным плаи измеримым, при этом наиболее существенные ном и описанием процесса. Общая цель (GG2 Inпричины невысокого качества и недостаточной stitutionalize a Managed Process) – институционаэффективности контролируются или устраняются. лизация управляемого процесса. При постоянном повышении уровня возможноCapability Level 3 – Defined. «Определенный стей (говоря иначе, производительности) процеспроцесс»: управляемый, который создается на оссов организация повышает свою «зрелость» (maнове стандартных процессов организации и наturity), то есть уровень зрелости своих процессов. страивается в соответствии с руководством по Представления модели CMMI. Опишем два адаптации (подгонке процесса). Общая цель (GG3 альтернативных и взаимодополняющих представInstitutionalize a Defined Process) – институционаления модели – непрерывное и этапное. Непрелизация определенного процесса. рывное (Continuous): используются уровни возСогласно CMMI, institutionalization (институможностей (capability levels) отдельных процесционализация) – прочно укоренившийся способ сных областей, совершенствуются процессы в ведения дел, которому организация регулярно одной или нескольких выбранных процессных обследует и который является частью ее корпораластях; процессные области выбираются органитивной культуры [1].

119

Программные продукты и системы

№ 4, 2013 г.

Рисунок 2 иллюстрирует использование непрерывного представления.

Selected Process Areas

Continuous Targeted Profie Process Area 1 Process Area 2 Process Area 3 Process Area 4 Process Area N

CL1

CL2 Targeted Capability Levels

 Maturity Level 5 – Optimizing (оптимизирующий). Организация постоянно улучшает свои процессы. Количественные целевые показатели пересматриваются в соответствии с изменениями целей бизнеса и используются как критерий управления улучшением процесса. Эффекты от внедрения улучшений процесса измеряются и оцениваются. На рисунке 3 показаны иерархия уровней зрелости и пример набора процессных областей, предопределенного для уровня зрелости этапного представления модели CMMI.

CL 3

Staged Selected Maturity Level

Рис. 2. Непрерывное представление модели CMMI

Maturity Level 5

При непрерывном представлении процессные области разделяют на четыре категории: – управление процессами (Process Management) – OPD, OPF, OPM, OPP, OT; – управление проектами (Project Management) – IPM, PMC, PP, QPM, REQM, RSKM, SAM; – инженерные области (Engineering) – PI, RD, TS, VAL, VER; – служебные области (Support) – CAR, CM, DAR, MA, PPQA. Этапное представление. Уровень зрелости производственных процессов организации – это степень определенности, управляемости, измеримости, контролируемости, эффективности, стабильности процессов. Достижение некоторого уровня зрелости (Maturity Level) обеспечивается реализацией связанных специфических и общих практик для соответствующего предопределенного набора процессных областей. Шкала зрелости процессов организации содержит пять пронумерованных от 1 до 5 уровней.  Maturity Level 1 – Initial (начальный). Процессы хаотические, слабо контролируемые. Нарушаются бюджет и планы.  Maturity Level 2 – Managed (управляемый). Процессы являются контролируемыми, управляемыми и пересматриваемыми. Процессы определены на уровне проектов.  Maturity Level 3 – Defined (определенный). Процессы определены на уровне всей организации. Стандартные процессы институционализируются и улучшаются со временем. Для проектов устанавливаются определенные процессы путем адаптации и настройки стандартных процессов.  Maturity Level 4 – Quantitatively Managed (управляемый на основе количественных данных). Используются количественные показатели как критерий управления процессами, статистические и другие количественные методы контроля качества и производительности процессов.

120

Maturity Level 4 Maturity Level 3 Maturity Level 2 SAM REQM PPQA PP PMC MA CM

Рис. 3. Этапное представление модели CMMI

Перечни процессных областей для каждого уровня зрелости приведены в таблице 1. Таблица 1 Процессные области уровней зрелости Уровень зрелости

Фокусирование

Процессные области

2

Базовое управление CM, MA, PMC, PP, проектом PPQA, REQM, SAM

3

Стандартизация процессов

DAR, IPM, OPD, OPF, OT, PI, RD, RSKM, TS, VAL, VER

4

Количественное управление

OPP, QPM

5

Непрерывное улуч- CAR, OPM шение процессов

При определении уровня зрелости процессов организации используются следующие правила: – для достижения 2-го уровня зрелости все процессные области, приписанные уровню зрелости 2, должны достичь уровня возможностей 2 или 3; – для достижения 3-го уровня зрелости все процессные области, приписанные уровням зрелости 2 и 3, должны достичь уровня возможностей 3;

Программные продукты и системы

– для достижения 4-го уровня зрелости все процессные области, приписанные уровням зрелости 2, 3 и 4, должны достичь уровня возможностей 3; – для достижения 5-го уровня зрелости все процессные области должны достичь уровня возможностей 3. Проведение оценки согласно CMMI. Стандартный метод оценки совершенствования процессов SCAMPI, разработанный SEI для модели CMMI, позволяет определять рейтинги качества (уровни зрелости) организации. Он отвечает всем требованиям к проведению оценивания, сформулированным командой CMMI в документе ARC (Appraisal Requirements for CMMI) для класса A. Согласно ARC, методы проведения оценок делятся на три класса. Менее затратные методы классов B и C не ориентированы на определение рейтингов, но могут использоваться для выявления слабых мест и недостатков, нацелены на совершенствование процессов организации. Приведем краткие формулировки наиболее показательных требований и ограничений, установленных в ARC. 1. Результаты оценивания основываются на объективных свидетельствах (objective evidence), каждое из которых должно исходить как минимум из двух различных источников.

2. Необходимым условием определения рейтинга целей является наличие проверенных свидетельств реализации всех связанных с ними практик. Заключение о том, что все цели «удовлетворены» (satisfied), выносится только в случае внедрения и выполнения всех практик.

3. В качестве объективных свидетельств используются документы, являющиеся либо прямым результатом реализации практики некоторой процессной области, либо следствием выполнения практики, а также устные или письменные заявления, подтверждающие осуществление (или невыполнение) практики, предоставляемые исполнителями практики.

4. Необходимым условием определения рейтинга процессной области является рейтинговая оценка всех ее целей. Процессная область удовлетворяет уровню зрелости, если удовлетворены все ее специфические цели, а также все общие цели данного уровня и более низких уровней зрелости.

5. Процессная область получает в качестве рейтинга уровня возможностей наивысший уровень, для которого все специфические и общие цели удовлетворены.

6. Необходимым условием при получении рейтинга уровня зрелости организации является оценивание всех процессных областей в пределах данного уровня и более низких уровней.

№ 4, 2013 г.

Применение методов теории принятия решений Использование аппарата нечеткой логики. Для оценивания степени осуществления практик, обеспечивающих реализацию целей процессных областей CMMI, можно использовать аппарат нечеткой логики, а результирующие заключения получить, используя любой из механизмов нечеткого вывода (например механизм нечеткого вывода Мамдани [6]). По каждому объективному свидетельству должно быть вынесено решение относительно его уровня качества (значимости). Возможные уровни, предложенные в SCAMPI и представленные в порядке убывания качества свидетельства: – strong objective evidence – сильное объективное свидетельство; – insufficient objective evidence – недостаточное (неполное) объективное свидетельство; – inconsistent objective evidence – непоследовательное (несообразное) объективное свидетельство; – conflicting objective evidence – противоречивое объективное свидетельство; – no objective evidence – объективное свидетельство отсутствует. Поскольку уровни значимости (качества) объективных свидетельств представлены в порядковой вербальной шкале, их естественно представить лингвистической переменной evidence, имеющей соответствующее этой шкале терм-множество: {"strong objective evidence", "insufficient objective evidence", "inconsistent objective evidence", "conflicting objective evidence", "no objective evidence"}. В качестве носителя значений данной лингвистической переменной предлагается использовать балльную или процентную [0, 100] шкалу оценки качества свидетельства, а точнее, документа, его представляющего. Пример такой шкалы с графиками функций принадлежности для каждого терма приведен на рисунке 4. m(x)

Objective evidence: No Conflicting Inconsistent Insufficient Strong

1.0

0.5

0.0 0

10

20

30

40

50

60

70

80

90

100 x

Рис. 4. Пример функций принадлежности термов лингвистической переменной evidence

121

Программные продукты и системы

Предлагается использовать следующий механизм оценки свидетельства командой оценщиков: – для каждого документа-свидетельства составляется контрольный список (checklist); – выполняется оценка документа по сумме баллов-ответов на контрольные вопросы; – баллы документа нормируются максимально возможной суммой; – на основе полученной процентной оценки определяется значение лингвистической переменной (выполняется фаззификация). На основании принятых решающих правил формируется оценка выполнения каждой из практик процессной области. Возможны следующие уровни осуществления практик, описанные в SCAMPI:  Fully Implemented (FI) – практика полностью реализована; имеется достаточно убедительных объективных свидетельств, отсутствуют недостатки;  Largely Implemented (LI) – практика в основном реализована; имеется достаточно убедительных объективных свидетельств, отмечены отдельные недостатки;  Partially Implemented (PI) – практика частично реализована; предоставленные свидетельства противоречивы: некоторые данные указывают на выполнение практики, некоторые – на невыполнение; отмечены недостатки;  Not Implemented (NI) – практика не реализована; предоставленные свидетельства не позволяют заключить, что практика осуществлена, отмечены явные недостатки;  Not Yet (NY) – практика отсутствует; отсутствуют свидетельства, позволяющие признать практику реализованной. Таким образом, степень выполнения каждой практики характеризуется также лингвистической переменной, имеющей терм-множество {FI, LI, PI, NI, NY}. В соответствии с решающими правилами формируются нечеткие продукции: – степень реализации каждой j-й практики описывается лингвистической переменной practicej; – для оценки степени реализации используется заранее определенное количество свидетельств N; – принятые правила оценки реализации практики преобразуются в решающие нечеткие правила, в условиях которых используются нечеткие логические выражения, включающие оценки свидетельств evidencei, а в заключение выполняется присваивание значения выходной лингвистической переменной practicej, характеризующей степень реализации практики: IF FSiN1 (evidencei 

 " obj _ value ") THEN practice j  "impl _ level " , где FSi – нечеткая логическая связка (И, ИЛИ, НЕ).

122

№ 4, 2013 г.

Приведем в качестве примера самые простые нечеткие решающие правила, которые могут быть сформулированы для получения оценки степени реализации практики: – если все N объективных свидетельств сильные, практика полностью реализована: F

IF iN1 evidencei  " strong " THEN practice j  " FI "; – если все N объективных свидетельств не являются таковыми, практика отсутствует: F

IF iN1 evidencei  " no objective " THEN practice j  " NY ". При необходимости получения приблизительных количественных оценок степени реализации практик процессных областей используется дефаззификация значений соответствующих результирующих лингвистических переменных. Рейтинговое оценивание процессных областей и определение рейтинга уровня зрелости организации осуществляются в соответствии с правилами ARC. Пример процессной области и контрольного списка для оценивания объективного свидетельства выполнения практики. В качестве показательного примера процессной области CMMI рассмотрим область Validation (валидация). Назначение процессной области – продемонстрировать, что разработанный продукт или его компоненты в заданных условиях будут функционировать в соответствии со своим предназначением. Перечислим специфические цели и практики.

SG 1 Prepare for Validation – подготовка к проведению проверки продуктов на соответствие своему предназначению: SP 1.1 Select Products for Validation – отобрать продукты и компоненты продуктов, которые должны пройти проверку на соответствие предназначению (быть аттестованы), и для каждого выбрать методику проверки; SP 1.2 Establish the Validation Environment – создать и поддерживать условия, необходимые для проверки отобранных продуктов; SP 1.3 Establish Validation Procedures and Criteria – установить и поддерживать необходимые для проверки процедуры и критерии.

SG 2 Validate Product or Product Components – продукты или компонент продуктов проверяются с тем, чтобы убедиться, что они пригодны для использования в соответствующей рабочей среде: SP 2.1 Perform Validation – выполнить проверку отобранных продуктов и компонентов; SP 2.2 Analyze Validation Results – провести анализ результатов проверки продуктов и выявить существующие проблемы. Одним из результатов выполнения специфической практики SP 1.1 процессной области Validation является документ типа «Методика испыта-

Программные продукты и системы

№ 4, 2013 г.

ний программного продукта» (validation methods for each product or product component). Любой документ данной категории может быть отобран и использован в качестве объективного свидетельства выполнения практики SP 1.1. Для имеющегося в распоряжении авторов документа «Программа-методика приемо-сдаточных испытаний информационной системы» разработан примерный вариант контрольного списка, оценивающий качество оформления документа и самого процесса испытаний, им регламентируемого. Фрагмент контрольного списка оформлен в виде таблицы 2. Таблица 2 Пример контрольного списка № 1

2

Вопрос

Шкала оценки

Ответ

Соответствует ли наименование испытываемой ИС, указанное в документе, реальному наименованию ИС

0 – не соответствует, 1 – частично соответствует, 2 – полностью соответствует

2

Соответствует ли область применения испытываемой ИС, указанная в документе, реальной области применения ИС

0 – не соответствует, 1 – частично соответствует, 2 – полностью соответствует

1

…

30 Количество контрольных заданий (всего)

0, …, N

n30

31 Количество контроль0, …, N ных заданий, в которых приведены цели их проведения

n31

32 Количество контроль0, …, N ных заданий, в которых указан уровень важности тестируемой функциональности

n32

33 Количество контроль0, …, N ных заданий, в которых указаны подлежащие тестированию компоненты

n33

…

46 Имеется ли лист регистра- 0 – нет, 1 – да ции изменений

1

Использование аппарата многокритериальной классификации. Для принятия решения о степени реализации практик CMMI и, в конечном счете, о достигнутом уровне зрелости может быть применена и многокритериальная классификация (с нечеткими классами или по решающим правилам) [7]. Для классификации в качестве первичных данных в простейшем случае могут использоваться нечеткие оценки степени реализации практик, полученные посредством нечеткого вывода, рассмотренного выше.

В качестве инструмента для решения задачи многокритериальной классификации может быть использована инструментальная система СВИРЬ [8]. Модель задачи, формируемая в этой системе в виде иерархии таблиц объекты/признаки и соответствующая процессной области, может иметь вид двухуровневой иерархии: в таблице верхнего уровня перечисляются цели, каждой из которых соответствует таблица нижнего уровня, содержащая столько качественных признаков, сколько практик поддерживают цель. Значениями этих признаков являются термы лингвистической переменной practice {FI, LI, PI, NI, NY}. В качестве объектов во всех таблицах выступают организации, процессы которых классифицируются. В таблицах, соответствующих целям, содержится описание четырех классов, упорядоченных по приоритету следующим образом: FP>LP>PP>NP, где FP – Full Provided, LP – Largely Provided, PP – Partially Provided, а NP – Not Provided. Решающие правила составляются следующим образом: FP: i: yi=FI – цель полностью достигнута, если все практики полностью реализованы; LP: i: (yi=FI)(yi=LI) – цель в основном достигнута, если все практики реализованы в основном или полностью; PP: i: (yi=FI)(yi=LI)(yi=PI) – цель частично достигнута, если все практики реализованы частично, в основном или полностью; PP: i: (yi=NI)(yi=NY) – цель не достигнута, если не реализована хотя бы одна из практик. В корневой таблице модели формируются четыре класса, соответствующие уровням непрерывного представления модели CMMI: CL0 – Incomplete, CL1 – Performed и т.д. Решающие правила составляются следующим образом (фрагмент): CL0: i: (yi=NP)(yi=PP) – неполный процесс, ни одна из специфических целей процессной области не достигается хотя бы в основном; CL1: i: (yi=LP)(yi=FP) – выполняемый процесс, все специфические цели достигаются полностью или в основном и т.д. В том случае, если нечеткий вывод не применялся и, следовательно, оценок степени реализации практик нет, иерархия модели задачи должна содержать на один уровень больше. Тогда каждой практике соответствует таблица, признаками которой являются вопросы контрольного списка, а их значениями – числа шкалы оценки от 0 до N. В каждой таблице, соответствующей практике, используются пять классов, упорядоченных по приоритету: FI>LI>PI>NI>NY. Решающие правила составляются с привлечением экспертовоценщиков: XI: i: (yi>ni) – практика относится к классу XI, если каждый i-й вопрос контрольного списка имеет значение, не меньшее ni. Задача эксперта состоит в определении значений ni для каж123

Программные продукты и системы

дого из классов, кроме FI и NY. Правило для класса FI является самым строгим: FI: i: (yi=Ni) – практика полностью реализована, если все объективные свидетельства сильные (Ni – максимальное значение шкалы i-го объективного свидетельства). Класс NY в данной модели определяется как дополняющий, то есть практика относится к нему, если она не отнесена ни к одному из других классов. При использовании в модели задачи трехуровневой иерархии таблиц применим и метод многокритериальной классификации по обобщающей функции [7]. В этом случае на нижнем уровне иерархии строятся функции принадлежности классам {FI, LI, PI, NI, NY}, аналогичные функциям принадлежности, показанным на рисунке 4, а обобщенная принадлежность k-му классу опредеm

ляется по формуле m k   m kj  w j , где μkj – значеj 1

ние принадлежности k-му классу по j-му свидетельству; wj – весовой коэффициент (важность) jго свидетельства; m – количество свидетельств в таблице. В таблицах второго и верхнего уровней используется эта же формула, но в качестве μkj берется значение обобщенной принадлежности классу, полученное в подтаблице. На любом уровне иерархии решение о назначаемом классе принимается по принципу максимальной обобщенной принадлежности. Для самого сильного класса FI рекомендуется установить порог классификации, близкий или равный единице. В заключение необходимо отметить следующее. Исходя из открытости модели CMMI и разнообразия возможных целей ее использования заинтересованными экспертами, авторы полагают, что модель может быть адаптирована к различным применениям. Возможна, например, разработка отраслевого подхода для оценивания зрелости процессов в организациях, занимающихся созданием информационных систем для железнодорожного транспорта. На основе изложенных в статье идей может быть построена методология оценивания качества технологических процессов организации в духе модели CMMI. Такая методология вполне может быть востребована в организациях, желающих оценить уровень своей зрелости или уровни возможностей своих процессов в соответствии с международными стандартами, но не имеющих возможности или необходимости прибегать к услугам оценщиков, сертифицированных SEI. Использование математического аппарата теории принятия решений (таких подходов, как рассмотренные здесь нечеткая логика и многокритериальная классификация, а также, предположительно, байесовский подход) делает возможным 124

№ 4, 2013 г.

реализацию методологии оценивания качества процессов в виде некоторой информационной системы, автоматизирующей процесс оценивания. Информационная система оценивания качества может использоваться автономно или встраиваться в уже имеющуюся в организации систему управления технологическими процессами. Литература 1. Ахен Д.М., Клауз А., Тернер Р. CMMI®: Комплексный подход к совершенствованию процессов. Практическое введение в модель; [пер. с англ.]. М.: Изд-во МФК, 2005. 330 с.

2. Kondakov Consulting. URL: http://consulting.kondakov.ru (дата обращения: 15.09.2013).

3. Хомоненко А.Д., Кожомбердиева Г.И. Управление качеством при разработке программного обеспечения на основе современных стандартов и моделей: учеб. курс с электрон. средствами поддержки дистанционного обучения // Информационные технологии на железнодорожном транспорте «Инфотранс-2008»: докл. ХIII междунар. науч.-практич. конф. СПб: ПГУПС, 2008. С. 90–96.

4. Кожомбердиева Г.И., Гарина М.И. Возможности использования методов теории принятия решений при проведении оценки согласно модели CMMI® // Интеллектуальные системы на транспорте «ИнтеллектТранс-2011»: матер. I междунар. науч.-практич. конф. СПб: ПГУПС, 2011. С. 300–311.

5. Кожомбердиева Г.И., Бураков Д.П. О применении модели нечеткого вывода для оценивания выполнения практик CMMI® // Интеллектуальные системы на транспорте «ИнтеллектТранс-2012»: матер. II междунар. науч.-практич. конф. СПб: ПГУПС, 2012. С. 199–206.

6. Леоненков А.В. Нечеткое моделирование и среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург, 2005. 736 с.

7. Микони С.В. Многокритериальный выбор на конечном множестве альтернатив: учеб. пособие. СПб: Лань, 2009.

272 с.

8. Микони С.В., Бураков Д.П., Гарина М.И. Инструментальная система для решения задач многокритериального выбора // Программные продукты и системы. 2009. № 4. С. 6–9.

References 1. Ahern D.M., Clouse A., Turner R. CMMI Distilled: a practical introduction to integrated process improvement, AddisonWesley Professional, 2004, 305 p.

2. Kondakov Consulting. Available at: http://consulting.kondakov.ru (accessed 15 September 2013).

3. Khomonenko A.D., Kozhomberdieva G.I., Informatsionnye tekhnologii na zheleznodorozhnom transporte: dokl. ХIII mezhdunar. nauchno-praktich. konf. “Infotrans-2008” [IT on railway transport: proc. of 13th int. sci. and pract. conf. “Infotrans2008”]. St. Petersburg State Transport Univ. Publ., 2008, pp. 90–96 (in Russ.)

4. Kozhomberdieva G.I., Garina M.I. Intellektualnye sistemy na transporte: materialy I mezhdunar. nauchno-praktich. konf.

“IntellectTrans-2011” [Intelligent systems on transport: proc. of the 1st int. sci. and pract. conf. “IntellectTrans-2011”]. St. Petersburg State Transport Univ. Publ., 2011, pp. 300–311 (in Russ.)

5. Kozhomberdieva G.I., Burakov D.P. Intellektualnye sistemy na transporte: materialy II mezhdunar. nauchno-praktich. konf.

“IntellectTrans-2012” [Intelligent systems on transport: proc. of the 2nd int. sci. and pract. conf. “IntellectTrans-2012”], St. Petersburg State Transport Univ. Publ., 2012, pp. 199–206 (in Russ.).

6. Leonenkov A.V. Fuzzy modeling in MATLAB and fuzzyTECH. St. Petersburg, BHV-Petersburg Publ., 2005, 736 p. (in Russ.).

7. Mikoni S.V. Multi-criteria choice on the finite set of alternatives. St. Petersburg, Lan Publ., 2009, 272 p. (in Russ.).

8. Mikoni S.V., Burakov D.P., Garina M.I. Programmnye produkty i sistemy [Software & Systems]. 2009, no. 4. pp. 6–9.

Программные продукты и системы

№ 4, 2013 г.

УДК 519.812.3

ВЫБОР КРИТЕРИЕВ ПРИНЯТИЯ РЕШЕНИЙ В ОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИХ СИСТЕМАХ С ИСПОЛЬЗОВАНИЕМ ИНФОРМАЦИОННЫХ СИТУАЦИЙ В.Н. Завгородний, к.т.н., старший научный сотрудник, начальник отдела (Военный институт дополнительного профессионального образования ВУНЦ ВМФ «Военно-морская академия», Малоохтинский просп., 80/2, г. Санкт-Петербург, 195112, Россия, zavgor@list.ru) Рассматривается класс конкурирующих организационно-технических систем, функционирование которых основано на широком использовании технических средств и осуществляется в условиях взаимодействия с окружающей средой. Среда, с которой взаимодействует объект управления в процессе реализации поставленных задач, интерпретирована в статье как «противник» и «природа». Неопределенность в знании органом управления (лицом, принимающим решение) факторов, условий и законов взаимодействия объекта (субъекта) управления со средой обобщена как множество информационных ситуаций. Разбиение информационных ситуаций на классы осуществляется по степени неопределенности информации, которой располагает орган управления в момент принятия решения. В статье предложен подход к выбору математических критериев для оценки эффективности конкурирующих организационно-технических систем при решении свойственных им задач на основе классификации информационных ситуаций. Такой подход может быть полезен при разработке систем поддержки принятия решений. Ключевые слова: организационно-технические системы, системы поддержки принятия решений, теория принятия решений, ЛПР.

THE CHOICE OF DECISION-MAKING CRITERIONS IN THE ORGANIZATIONAL AND TECHNICAL SYSTEMS USING INFORMATION SITUATIONS Zavgorodniy V.N., Ph.D. Tech. Sc., senior researcher, head of department (Military Institute of Continuing Professional Education of the VUNTS Navy "Naval Academy", Malookhtinskiy Av., 80/2, St. Petersburg, 195112, Russian Federation, zavgor@list.ru) Аbstract. The article considers the class of competing organizational and technical systems, their operation is based on extensive using of technical means and is in interaction with the environment. Controlled object interacts with the environment when fulfill the set tasks. This environment is interpreted in as an "enemy" and "nature". Uncertainty of knowing factors, conditions and laws of the interaction of the controlled object (subject) with the environment for command and control part (the decision maker) is generalized as a set of informative situations. Fragmentation of informative situations into classes depends on the uncertainty degree of information available for a decision maker when making decision. The article proposes an approach to the choice of mathematical criteria to estimate the effectiveness of competing organizational and technical systems which is based on the classification of informative situations. Such approach may be useful when developing decision support systems.

Keywords: organizational and technical systems, decision support systems, decision theory, decision-maker.

В управлении сложными организационно-техническими системами неизбежно присутствует неопределенность в принятии решений [1]. Эта неопределенность, с одной стороны, вызвана фактором неопределенности в знании складывающейся обстановки и вариантов ее развития, что обусловлено недостатком информации о действиях противостоящей стороны и изменениями в состоянии среды, с другой – обусловлена неоднозначностью оценки вырабатываемых решений при использовании различных критериев эффективности, что влечет необходимость многокритериальной оценки этих решений. В поддержке принятия решений в условиях неопределенности проблема выбора критериев принимаемых решений является ключевой. В системах поддержки принятия решений (СППР) существует целый ряд критериев, к основным из которых можно отнести критерии Байеса, Лапласа, Вальда, Сэвиджа, Гурвица и др. [2]. Методологический вопрос, какие критерии следует использовать для принятия оптимального

решения применительно к конкретной организационно-технической системе и конкретным условиям ее функционирования, и в настоящее время остается открытым. И у практиков, и у специалистов-экспертов не существует единства в использовании того или иного критерия принятия решений. Кроме того, попытки создания аксиоматических подходов [3], направленных на решение этой кардинальной проблемы теории принятия решений в условиях неопределенности, до сих пор не привели к желаемым результатам. В данной статье предлагается подход к решению этой проблемы, основанный на развитии классификации информационных ситуаций [4]. Для каждой ситуации могут быть установлены и разработаны критерии принятия решений. Таким образом, та или иная информационная ситуация, характеризующая обстановку О, и информация, имеющаяся к моменту принятия решения у органа управления (лица, принимающего решения) У, во многом обусловливают выбор критерия принятия решения (рис. 1).

125

Программные продукты и системы

№ 4, 2013 г.

Информация управления

Лицо, принимающее решение Орган управления У

Информация состояния

Объект управления

Обстановка О

Рис. 1. Кибернетическая схема управления в организационно-технических системах

Под обстановкой О здесь понимается информация о возможных состояниях противоборствующих сторон и условиях, в которых они действуют. Рассматриваемый класс организационнотехнических систем (ОТС) характеризуется заданием множества Ф вариантов выбора одного из разрешенных состояний объекта управления (или ансамбля множеств в случае нескольких объектов управления), множества Θп (ансамбля множеств) возможных состояний, на которых определен выбор действий противной стороны, множества Θс состояний, описывающих условия среды, в которых действуют противоборствующие стороны. Модель принятия решений в организационнотехнических системах рассматриваемого класса – это композиция теоретико-игровых нормальных форм: антагонистической игры и игры с природой, где одна из сторон выступает как пассивный фактор. Геометрически ее можно представить в виде выбора альтернатив в пространстве с числом измерений 3 и больше, образованных с помощью матриц: ΦΘП, ΦΘС, ΘПΘС (рис. 2). В дальнейшем при рассмотрении ОТС ограничимся случаем Θ=Θп. Под ситуацией принятия решений будем понимать тройку множеств (Ф, Θ, F), где Ф={φ1, …, φm} – множество вариантов реΘc θkc … θ2c θ1c φ1

θ1п θ2п ... θnп

Θп

φ2 ... φm Φ Рис. 2. Пространство обстановки Φ×Θп×Θс для организационно-технической системы

126

шения органа управления У; Θ={Ɵ1, …, Ɵn} – множество состояний обстановки О, которая может находиться в одном из состояний ƟiΘ, и F={fij} – множество значений критерия эффективности для оценки вырабатываемых решений (матрица оценочного функционала, который определен на прямом произведении ФΘ и принимает значения из множества действительных чисел R), при этом fij= (Ɵi, φj). В развернутой форме ситуация принятия решений характеризуется следующей матрицей: φ1 ... φi ... φm

Ɵ1 f11 ... fi1 ... fm1

... ... ... ... ... ...

Ɵj f1j ... fij ... fmj

... ... ... ... ... ...

Ɵn f1n ... fin ... fmn

Для заданной ситуации (Ф, Θ, F) принятие решения состоит в том, что орган принятия решения У должен выбрать на множестве допустимых альтернатив одно решение (чистое или смешанное), оптимальное по выбранному критерию. Задача принятия решения характеризуется в основном тремя факторами: (I, К, A), где I – информационная ситуация; К – множество критериев принятия решений, соответствующих информационной ситуации I; А – система аксиом, которая выражает принцип оптимальности для выбора критериев принятия решений. Под информационной ситуацией I будем понимать определенную степень неопределенности в информации о состояниях обстановки О из заданного множества Θ, которой располагает орган управления У в момент принятия решения. В качестве основных информационных ситуаций будем рассматривать следующие: I1 – характеризуется заданным распределением априорных вероятностей на элементах Ɵj множества Θ; I2 – характеризуется заданным распределением вероятностей с неизвестными параметрами на элементах Ɵj множества Θ; I3 – характеризуется заданной системой предпочтений на элементах множества Θ; I4 – характеризуется неизвестным распределением вероятностей на элементах множества Θ; I5 – характеризуется антагонистическими интересами обстановки О и объекта управления О; I6 – шестая информационная ситуация, к которой относятся смешанные информационные ситуации. Отмеченные особенности информационных ситуаций являются обобщенными характеристиками уровней неопределенности состояний обстановки О. При исследовании критериев принятия решений могут быть различные степени неопределенности в каждой информационной ситуации. Под критерием принятия решения кК будем понимать алгоритм, который определяет для каждой ситуации принятия решения (Ф, Θ, F) и информационной ситуации I единственное оптимальное решение φ0Ф.

Программные продукты и системы

Иными словами, критерий принятия решения можно рассматривать как операцию предпочтения на множестве решений Ф с учетом элемента неопределенности возможных состояний ƟiΘ обстановки О, упорядочивающую совокупность решений Ф в транзитивную последовательность в п орядке предпочтительности. Каждая информационная ситуация характеризуется совокупностью критериев принятия решений. Обозначим множества этих решений для каждой информационной ситуации Iq (q=1, ..., 6) через Kq={кpq}, (q=1, …, 6). Например, для первой информационной ситуации составными критериями являются критерии Байеса, максимальной вероятности состояния обстановки, минимальной дисперсии и т.д.; для второй информационной ситуации – критерий максимума правдоподобия, критерий моментов и т.д.; для третьей информационной ситуации – критерий Фишборна и др.; для четвертой информационной ситуации – критерий Джейнса, Лапласа и др.; для пятой – критерии Вальда, Сэвиджа и др.; для шестой – критерии Гурвица, Ходжеса–Лемана, Менчеса и пр. Под аксиоматическим подходом при анализе критериев принятия решения понимается метод выделения наиболее приемлемых аксиом (постулатов), которые позволяют органу управления У исследовать проблемы принятия решений в условиях неопределенности в смысле поиска подходящего критерия принятия решения. Как представляется, для органа управления У решению проблемы принятия решения в данной ситуации (Ф, Θ, F) во многом способствует возможность определения информационной ситуации I и установления системы аксиом выбора определенного критерия кpqКq. К настоящему времени системы аксиом существуют не для всех информационных ситуаций и, кроме того, выбор критерия в данной информационной ситуации I на основе существующей системы аксиом может быть неоднозначным. Неоднозначность выбора критерия, как правило, определяется неполнотой системы аксиом. Несмотря на

№ 4, 2013 г.

присутствие этих особенностей, препятствующих разрешению проблемы принятия решения, можно заметить, что каждая из рассматриваемых информационных ситуаций характеризуется критерием, наиболее соответствующим принципу оптимальности принятия решения в той или иной информационной ситуации. На современном этапе развития систем поддержки принятия решений можно выдвинуть гипотезу, что исследование проблем принятия решений состоит в детализации и классификации информационных ситуаций, с одной стороны, и в разработке критериев для этих информационных ситуаций с исследованием их положительных и отрицательных сторон в вопросах эффективности функционирования объекта управления О и органа управления У – с другой. В перспективе исследования будут проводиться в области разработки аксиоматических подходов к формализации принципа оптимальности в вопросах анализа и выбора критериев принятия решения для различных информационных ситуаций. Литература 1. Волгин Н.С. Математическое моделирование морских боев и операций. Л.: Изд-во ВМА, 1990. 238 с.

2. Системный анализ и принятие решений; [под ред. В.Н. Волковой, В.Н. Козлова]. М.: Высш. шк., 2004. 616 с.

3. Ларичев О.И. Теория и методы принятия решений. М.: Логос, 2000. 296 с.

4. Трухаев Р.И. Методы исследования процессов принятия решений в условиях неопределенности. Л.: Изд-во ВМА, 1972.

References 1. Volgin N.S. Matematicheskoe modelirovanie morskikh boev i operatsiy [Math modeling naval battle and operations].

Leningrad, Voenno-Morskaya Akad. Publ., 1990 (in Russ.).

2. Volkova V.N., Kozlov V.N. Sistemny analiz i prinyatie resheniy [System analysis and decision-making]. Moscow, Vyssh.

Shk. Publ., 2004, 616 p. (in Russ.).

3. Larichev O.I. Teoriya i metody prinyatiya resheniy [The theory and methods of decision-making]. Moscow, Logos Publ., 2000, 296 p. (in Russ.).

4. Trukhaev R.I. Metody issledovaniya protsessov prinyatiya resheniy v usloviyakh neopredelyonnosti [Research methods for decision-making processes under uncertainty]. Leningrad, VoennoMorskaya Akad. Publ., 1972 (in Russ.).

УДК 004.832.34

ИСПОЛЬЗОВАНИЕ ЛОГИКИ ПРЕДИКАТОВ ПЕРВОГО ПОРЯДКА В СИСТЕМАХ ПОДДЕРЖКИ ИСТИННОСТИ НА ОСНОВЕ ПРЕДПОЛОЖЕНИЙ (Работа выполнена при финансовой поддержке РФФИ, проект №11-07-00038-а)

В.Н. Вагин, д.т.н., профессор; Д.С. Зарецкий, аспирант (Национальный исследовательский университет «Московский энергетический институт», ул. Красноказарменная, 14, г. Москва, 111250, Россия, vagin@appmat.ru) Статья посвящена использованию логики предикатов первого порядка в системе поддержки истинности, основанной на предположениях (ATMS) и выполняющей роль системы поддержки логического вывода. В краткой форме

127

Программные продукты и системы

№ 4, 2013 г.

даны формальное описании ATMS, основные принципы работы ее классического алгоритма, рассмотрены недостатки классического алгоритма, опирающегося на принципы логики высказываний. В работе рассмотрены три различных подхода (на основе фундаментальных примеров, общезначимых предикатов и объединений множества предположений, являющихся фундаментальными примерами предиката) к расширению области применения ATMS на область логики предикатов первого порядка. Рассматриваемые подходы проиллюстрированы краткими примерами, показывающими их сильные и слабые стороны. Представлены необходимые доработки классического алгоритма для использования новых возможностей. В статье исследована и возможность различного применения рассмотренных подходов в зависимости от требований конкретной задачи. Подведены итоги исследования и подчеркнуты плюсы и минусы использования в системах поддержки истинности как элементов логики высказываний, так и элементов логики предикатов первого порядка. Ключевые слова: система поддержки истинности, учет предположений, логический вывод, логика предикатов первого порядка, пересматриваемые суждения.

APPLICATION OF FIRST-ORDER LOGIC IN ASSUMPTION-BASED TRUTH MAINTENANCE SYSTEMS Vagin V.N., Dr.Sc. Tech. Sc., professor; Zaretskiy D.S., postgraduate student (National Research University “MPEI”, Krasnokazarmennaya St., 14, Moscow, 111250, Russian Federation, vagin@appmat.ru, zardim@yandex.ru) Abstract. The paper is devoted to application of the first-order logic in assumption-based truth maintenance systems (ATMS), performing a function of the reasoning support system. The formal ATMS description and the basic ATMS algorithm are stated briefly. Main shortages of the proposition-based basic ATMS algorithm are shown. Three different ways (ground atoms, valid predicates, unions of ground atoms related to the predicate) of expansion for ATMS application areas to the first-order logic are presented. Strong and weak sides of used methods are illustrated by examples. Necessary adaptations of the basic algorithm to use new possibilities are viewed. Possibility of various applications of considered methods are studied. In conclusion, main weak and strong sides of using the predicates or propositions in truth maintenance systems are summarized.

Keywords: truth maintenance system, assumptions consideration, logical reasoning, first-order logic, revise statements.

Система поддержки истинности, основанная на предположениях (ATMS), является мощным инструментом поддержки логического вывода и наряду с достоверными фактами использует в своей работе факты, истинность которых неопределенна или на данном этапе неочевидна (множество предположений) [1, 2]. За счет сохранения информации о происхождении сделанных выводов и анализа возникающих противоречий ATMS удается отсекать те подмножества предположений, которые были сделаны неверно. Хотя ATMS в своей исходной форме была лишь инструментом репрезентативного отображения результатов логического вывода, в ходе исследований удалось представить ее в виде, достаточном для использования в качестве инструмента поддержки логического вывода при диагностировании логических комбинационных схем. Построенная на основе использования предположений диагностическая система позволяла делать прогнозы относительно возможных неисправностей элементов диагностируемой системы, проводить анализ неисправностей и предлагать пользователю наиболее выгодные (с точки зрения скорости нахождения атомарных неисправностей) места для снятия показаний. Подобное представление ATMS показало хорошие результаты, позволив диагностической системе работать с неполными входными данными (поиск мест для дополнительного снятия показаний) и с противоречивыми данными (данные из заведомо неисправной диагностируемой системы, противоречащие исходной модели, – поиск причины противоречия, неисправности) и значитель128

но сузить пространство логического вывода [3, 4]. Дальнейшее исследование позволило расширить область применения ATMS в качестве поддержки логического вывода систем диагностирования класса произвольных сложных стационарных интеграционных систем. За счет расширения области применения ATMS превратилась из узкоспециализированного, носящего, скорее, теоретический характер инструмента в мощную прикладную систему поддержки логического вывода систем диагностирования. Недостатком полученного результата являлось жесткое ограничение, унаследованное разрабатываемой системой от классической ATMS: строгая ориентированность на логику высказываний. Действительно, обязательное требование классического алгоритма к пропозициональности логики, на основе которой построен логический вывод, приводит к существенным проблемам, связанным с невозможностью использования ATMS в большинстве существующих диагностических систем (они построены на основе логики предикатов), а также к значительному и необоснованному повышению размера базы логических правил, описывающей модель диагностируемой системы (для описания перехода от одного состояния системы к другому требуется уникальное правило) [5, 6]. Вышеозначенные проблемы практически полностью нивелируют преимущества от использования ATMS, которые были выявлены на предыдущих этапах исследования. В связи с этим расширение ATMS на область логики предикатов является важной, актуальной задачей, которая и рассматривается в статье.

Программные продукты и системы

Описание ATMS Охарактеризуем работу ATMS следующим образом [4, 7]: – задано множество правил хорновского вида; – заданы значения (определена заведомая истинность) некоторых утверждений, являющихся посылками правил. Определение 1: продукцией хорновского типа (хорновской продукцией) является правило вида a1&a2&…&anb, где a1, …, an – посылки; b – результаты (заключения). Определение 2: фактом называется утверждение, чья истинность точно определена. Определение 3: предположением называется утверждение с неопределенной истинностью, однако временно принятое истинным. Сделаем предположения об истинности нескольких утверждений, истинность которых еще не определена. Основным материалом для обработки системы поддержки истинности являются метки утверждения. Определение 4: меткой утверждения является множество предположений, на основе которых это утверждение выведено (множество поддержки утверждения). Для меток утверждений верно следующее [8]: – метка заведомо истинных утверждений всегда пуста (записывается как <утверждение>{}); – утверждение, являющееся предположением, поддерживает само себя (<утверждение> {<имя предположения>}); – метка утверждения может состоять из нескольких множеств; – если утверждение не поддерживается ни одним из предположений, его метка неопределенна (<утверждение>{}); – противоречивые множества записываются как поддержка утверждения-противоречия  (утверждения Nogood). Замечание 1: утверждение Nogood выделяется для удобства обработки противоречивых множеств предположений. Все операции, производимые над обычными утверждениями, аналогично производятся и над утверждением Nogood. Определим условия применимости правил вывода: – посылка условно истинна, если ее множество поддержки определено; таким образом, условно истинными являются предположения и утверждения, полученные на основе предположений в ходе вывода; формально к условно истинным также относят и заведомо истинные утверждения, так как их метка, хотя и является пустой, но все же определена; – правило применимо, если все его посылки условно истинны;

№ 4, 2013 г.

– поддержкой результата применимого правила является объединение множеств поддержки его посылок; – если в ходе логического вывода получены результаты, противоречащие заведомо истинным фактам, поддержка этих результатов является противоречивой. Опишем правила минимизации меток [4, 8].

Rule 1. Любое множество предположений, содержащее противоречивое множество, противоречиво.

Rule 2. Противоречивое множество предположений не может быть поддержкой утверждения. Если поддержка метки содержит противоречивое множество предположений, это множество может быть удалено.

Rule 3. Поддержка утверждения не должна быть избыточной: если метка противоречивого утверждения содержит два множества предположений A и B, причем AB, тогда множество B может быть удалено из метки. Пример 1. Рассмотрим пример, иллюстрирующий процесс минимизации меток. Пусть в ходе рассуждения стало известно, что некоторый факт S поддерживается множествами B={A1, A2, A3} и С={A2, A3, A4}, причем известно, что множество D={A3, A4, A5} противоречиво. От системы поддержки истинности приходит сообщение о противоречивости множества предположений E={A3, A4} и о том, что факт S поддерживается множеством F={A1, A2}. Таким образом, после добавления полученных сведений состояние системы принимает следующий вид: S{{A1, A2, A3}, {A1, A2}, {A2, A3, A4}}, {{A3, A4, A5}, {A3, A4}}. Видно, что множество E={A3, A4} содержится во множествах С={A2, A3, A4}, D={A3, A4, A5}. Значит, множества C и D могут быть удалены из поддержки соответствующих меток (Rule 3). Более того, множество F={A1, A2} полностью входит в множество B={A1, A2, A3}, а значит, множество B также может быть удалено из метки, поддерживающей факт S (Rule 2). В итоге после применения правил минимизации состояние системы будет выглядеть следующим образом: S{{A1, A2}}, {{A3, A4}}. Подобное изменение состояний системы характерно для работы ATMS и говорит о том, что с каждым добавлением уточняющей информации, с одной стороны, уточняется множество поддержки утверждений, с другой – сужается противоречивое подмножество предположений. Алгоритм ATMS Основной идеей ATMS является то, что в процессе вывода система может делать предположения об истинности подмножества утверждений, чья истинность становится условной. Оперируя 129

Программные продукты и системы

предположениями и полученными на их основе выводами, система способна находить множества, содержащие ложные предположения, и локализовывать предположения, сделанные ошибочно [8]. Алгоритм ATMS представляет собой итерационное добавление утверждений о диагностируемой системе, поиск противоречивых множеств поддержки, добавление и обновление меток и анализ следующего места снятия показаний (предложение определения истинности наиболее подходящего утверждения, если такое возможно). Формально это описание выглядит следующим образом. Дано: связь с рассуждающей системой, поставляющей новые утверждения для обработки, множество сделанных предположений. Требуется: найти противоречивое подмножество предположений, то есть множество предположений, сделанных неверно. atms: начало: пока не найдена причина противоречия [найти наиболее подходящее место для снятия показания]; получить от рассуждающей системы новое утверждение; добавить новое утверждение (add_sentence(утверждение, {})); выдать причину противоречия; конец.

Примечание 1: критерий причины противоречия выбирается в зависимости от задачи; точным критерием является мощность противоречивого множества: если поддержка утверждения  содержит множество из одного элемента, то это предположение и является причиной противоречия. Отметим, что нахождение наиболее подходящего места для снятия показаний является отдельной и далеко нетривиальной задачей. Точных методов для общего случая не существует. Эвристические же методы калибруются в первую очередь под специфику отдельных задач. Процедура добавления нового утверждения add_sentence имеет следующий вид. Дано: добавляемое утверждение, полученное в процессе рассуждения, и его метка (множество поддержки). Требуется: добавить утверждение в базу знаний, обработать возможные противоречия, актуализировать базу знаний по итогам обработки. add_sentence(утверждение,метка): начало: проверить, есть ли противоречие: если да – добавить множество поддержки вызывающих противоречие утверждений в качестве поддержки противоречивого утверждения; добавить утверждение в базу знаний; применить правила минимизации меток; найти все применимые правила (получить их ре-

130

№ 4, 2013 г.

зультаты от рассуждающей системы); для результата каждого применимого правила выполнить процедуру добавления утверждения add_sentence(утверждение,метка); конец.

Проверка на наличие противоречия заключается в следующем: содержится ли одинаковое множество поддержки в метках взаимоисключающих утверждений. Простейшим примером является добавление заведомо истинного утверждения ({}): если уже существует обратное ему утверждение, то метка, поддерживающая его, является противоречивой. Процедура минимизации меток заключается в процессе последовательного применения правил минимизации. Поиском применимых правил занимается блок логического вывода: это может быть простая процедура перебора или процедура с эвристическими элементами. Использование в ATMS фундаментальных примеров в качестве предположений Рассмотрим принципы ATMS. Несмотря на то что ATMS позиционирует себя как система, поддерживающая вывод в пропозициональной логике, в описании ее работы пропозициональность практически не используется. Действительно, ATMS не является системой логического вывода, это – надстройка над выводом, позволяющая делать предположения, собирать информацию о предположениях, на основе которых были сделаны те или иные выводы, и анализировать получаемые противоречия. В информации о том, как делаются выводы, система ATMS не нуждается. Основная проблема использования ATMS в логике предикатов первого порядка – что взять в качестве предположений. В логике высказываний в качестве предположений авторы использовали элементарные высказывания, в логике предикатов им соответствуют эрбрановские фундаментальные примеры, то есть предикаты, в которых каждой из переменных было присвоено конкретное значение из универсума Эрбрана [2]. Алгоритм ATMS при этом остается таким же, как и в случае логики высказываний; действительно, использование фундаментальных примеров сводит задачу анализа предположений в ATMS к ее пропозициональной форме, а задача вывода (на основе логики предикатов) новых фактов переносится на систему логического вывода. Единственной и важной проблемой использования фундаментальных примеров является их количество: для реальных задач база предположений может обладать большой размерностью, что в значительной мере снизит скорость поиска ложного предположения на этапе анализа противоречий.

Программные продукты и системы

Использование в ATMS предикатов в качестве предположений Основной проблемой использования предикатов в качестве предположений ATMS является то, что в отличие от классического логического вывода, где истинность предиката P(x1, x2, …, xn) определяется истинностью его фундаментальных примеров, в ATMS при использовании P(x1, x2, …, xn) в качестве предположения возможны его две различные интерпретации: предположение как общезначимый предикат и как объединение предположений, являющихся фундаментальными примерами, на заданной области определения. Первая интерпретация означает, что предположение P(x1, x2, …, xn) истинно тогда и только тогда, когда истинны все его фундаментальные примеры, то есть, как только будет найдено хоть одно ложное значение P(a1, a2, …, an), предположение считается ложным. Предположение может быть записано, как P(x1, x2, …, xn) {P(x1, x2, …, xn)}. Вторая интерпретация означает, что предположение P(x1, x2, …, xn) является лишь записью, объединяющей множество всех предположений – фундаментальных примеров на области определения переменных x1, …, xn. Таким образом, нахождение ложного значения P(a1, a2, …, an) означает лишь, что для конкретного значения <a1, a2, …, an> переменных предположение было сделано неверно, в то время как для остальных значений это может быть и не так. Предположение в таком случае может быть записано как P(x1, x2, …, xn) {P(x1, x2, …, xn) {[v(xi)U]/[v(xi)=ai]}}, где в форме «{[]}» записывается область, на которой верно предположение; при этом запись «v(xi)U» означает, что предположение верно для любого значения переменной xi из универсума Эрбрана U, в то время как запись «v(xi)=ai» означает истинность предположения лишь для конкретного значения ai переменной xi, а знаком «/» будем обозначать подмножества значений, исключенных из области определения предположения. Пример 2. Пусть имеются два предположения: – P1(x, y){P1(x, y)} – как общезначимый предикат (x y P(x, y)); – P2(x, y){P2(x, y){[v(x)U, v(y)U]}} – как объединение предположений – фундаментальных примеров на области всех значений из универсума Эрбрана. Пусть также было получено утверждение A(x, y){{P1(x, y)}, {P2(x, y){[v(x)U, v(y)U]}}}, которое независимо поддерживается обоими предположениями. В ходе вывода было получено заведомо истинное утверждение  A(a, b){}. Возникшее противоречие A(x, y){{P1(x, y)}, {P2(x, y)[v(x)U, v(y)U]}},  A(a,b){} разрешимо: метка {{P1(x, y)}, {P2(x, y){[v(x)=a, v(y)=b]}}} противоречива.

№ 4, 2013 г.

Определим поддержку противоречивого утверждения как {{P1(x, y)}, {P2(x, y) {[v(x)=a, v(y)=b]}}}, а затем исключим противоречивые множества предположений (согласно правилу Rule 2 минимизации меток) из поддержки следующих утверждений, имеющихся в базе знаний: – P1(x, y) {}, – P2(x, y) {P2(x, y) {[v(x)U, v(y)U]/[v(x)=a, v(y)=b]}}, – A(x, y) {P2(x, y) {[v(x)U, v(y)U]/[v(x)=a, v(y)=b]}}. Заметим, что предположение {P1(x, y)} было добавлено в поддержку противоречивого утверждения, что говорит о ложности соответствующего предиката x  yP(x, y), и было полностью удалено из поддержки всех утверждений, что, в свою очередь, указывает на недостоверность всех утверждений, сделанных на его основе. В то же время предположение {P2(x, y) {[v(x)U, v(y)U]}} было внесено в поддержку противоречивого утверждения лишь частично ({P2(x, y) {[v(x)=a, v(y)=b]}}), что говорит о ложности лишь конкретного значения предиката P2(a, b), следовательно, должны быть пересмотрены только те утверждения, которые опираются лишь на предположение {P2(a, b)} или, что то же самое, {P2(x, y) {[v(x)=a, v(y)=b]}}. Стоит отметить, что использование обеих интерпретаций обоснованно: в случае, когда требуется убедиться, что предикат P(x1, x2, …, xn) истинен не для всех значений переменных (при диагностическом выводе это может быть предикат «Исправен(элемент_устройства)»), тогда первая интерпретация (на основе общезначимого предиката) даст ответ за меньшее количество шагов (применения правил вывода). Однако, если требуется определить, какие конкретные значения предиката являются ложными (какие именно элементы работают неисправно), необходимо использовать вторую интерпретацию (на основе объединения предположений). Если при использовании первой интерпретации ATMS, как и в случае использования в качестве предположений одиночных фундаментальных примеров, не претерпевает значительных изменений (они касаются лишь конкретной реализации функций «проверить, есть ли противоречие»), то для второй интерпретации требуется внести изменения, связанные с процессом означивания переменных. Алгоритм ATMS – atms_pred_exists – для случая объединения предположений – фундаментальных примеров. Дано: связь с рассуждающей системой, поставляющей новые утверждения для обработки, множество сделанных предположений. Требуется: найти противоречивое подмножество предположений, то есть множество предположений, сделанных неверно.

131

Программные продукты и системы

Atms_pred_exists: начало: пока не найдена причина противоречия [найти наиболее подходящее место для снятия показания]; получить от рассуждающей системы новое утверждение; добавить новое утверждение (add_sentence(утверждение, {},значения_переменных)); выдать причину противоречия; конец.

Процедура добавления нового утверждения add_sentence_all имеет следующий вид. Дано: добавляемое утверждение, полученное в процессе рассуждения, и его метка (множество поддержки). Требуется: добавить утверждение в базу знаний, обработать противоречия, актуализировать базу знаний по итогам обработки. add_sentence_all(утверждение,метка,значения_переменных): начало: проверить, есть ли противоречие: если да – привести значения переменных множества поддержки вызывающих противоречие утверждений к соответствующим значениям переменных добавляемого утверждения; добавить полученное множество поддержки вызывающих противоречие утверждений в качестве поддержки противоречивого утверждения; добавить утверждение в базу знаний; применить правила минимизации меток; найти все применимые правила (получить их результаты от рассуждающей системы); для результата каждого применимого правила выполнить процедуру добавления утверждения add_sentence(утверждение, метка, значения_переменных); конец.

Подводя итоги, отметим, что в ходе исследования рассмотрены четыре способа применения ATMS: – в логике высказываний; – в логике предикатов с использованием фундаментальных примеров в качестве предположений; – в логике предикатов с использованием предположений как общезначимых предикатов; – в логике предикатов с использованием предположений как объединения предположений, являющихся фундаментальными примерами, на заданной области определения. Каждый из рассмотренных способов имеет свои положительные и отрицательные стороны. Применение ATMS в логике высказываний позволяет использовать универсальный аппарат трансляции схем в систему логических правил и всю информацию, которую дает описание системы: иногда удается получить значительную часть результатов уже на этапе добавления исходных данных, что снижает дальнейшее время поиска 132

№ 4, 2013 г.

противоречия. Минус использования логики высказываний в большом количестве логических правил, описывающих систему, зависящем не только от количества элементов, но и от количества их состояний (значений переменных). Логика предикатов первого порядка позволяет создавать общие модели систем благодаря использованию меньшего числа правил, а механизмы унификации дают возможность ускорить работу с ними по сравнению с аналогичной работой в логике высказываний. Отрицательным моментом является то, что из-за общности теряется уникальность частных решений: сделать прогноз, аналогичный тому, который можно получить в логике высказываний, уже не удастся. За счет использования в качестве предположений эрбрановских примеров удалось достаточно быстро определить требуемые результаты, что может быть полезно тогда, когда множество частных предположений, которые надо проверить, невелико. Использование общезначимых предикатов в качестве предположений позволяет значительно быстрее (при меньшем количестве шагов вывода, то есть применений правил вывода) выявить их ложность, что может быть полезно для анализа общей непротиворечивости системы, но не для получения конкретных результатов. Использование же в качестве предположений объединения предположений – фундаментальных примеров может дать нужный результат, выявив в том числе ложность тех предположений, которые, собственно говоря, и не ожидались. Это может быть полезно, например, при общей диагностике системы (в качестве предположения можно взять предикат о корректной работе элемента системы), впрочем, затраты на получение этого результата (количество применений правил) будут существенно выше. Таким образом, каждый из рассмотренных приемов позволяет достигать корректного результата и обладает своими уникальными достоинствами. Это говорит о том, что каждый из них имеет право на жизнь, а за счет комбинирования различных подходов для решения конкретных задач можно достичь эффективных результатов. Литература 1. De Kleer J. An Assumption-based TMS, Artificial Intelligence, 1986, vol. 28, pp. 127–162.

2. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах: Монография. М.: Физматлит, 2008. 714 с.

3. De Kleer J. Problem Solving with the ATMS. Artificial Intelligence, 1986, vol. 28, pp. 197–224.

4. Вагин В.Н., Зарецкий Д.С. Система поддержки истинности на основе предположений в задачах диагностики с использованием модели устройств // AIS-IT’10: тр. конгресса по интеллект. сист. и информ. технологиям. М.: Физматлит, 2010. С. 351–362.

5. De Kleer J., Mackworth A.K. and Reiter R. Characterizing diagnoses and systems. Artificial Intelligence, 1992, vol. 56, pp. 197–222.

6. Вагин В.Н., Зарецкий Д.С. Решение задач диагностики

Программные продукты и системы с использованием систем поддержки истинности // Изв. ЮФУ (Технические науки: Интеллектуальные САПР). Таганрог: Изд-во ТТИ ЮФУ, 2010. № 12 (113). С. 63–71.

7. Ngair Teow-Hin, Provan G. Focusing ATMS Problemsolving: a formal approach. Computer and Information Sc. Department Univ. of Pennsylvania Philadelphia, 1992.

8. Kenneth D. Forbus, de Kleer J. Problem Solvers. MIT Press, 1993.

References 1. De Kleer J. An Assumption-based TMS. Artificial Intelligence. 1986, vol. 28, pp. 127–162.

2. Vagin V.N., Golovina E.Yu., Zagoryanskaya A.A., Fomina M.V. Dostoverny i pravdopodobny vyvod v intellektualnykh sistemakh [Reliable and reasonable output in intelligent systems].

Moscow, Fizmatlit Publ., 2008, 714 p.

3. De Kleer J. Problem Solving with the ATMS. Artificial Intelligence. 1986, vol. 28, pp. 197–224.

№ 4, 2013 г.

4. Vagin V.N., Zaretskiy D.S. Assumption-based truth maintenance system in model-based diagnostics. Trudy kongressa po intellektualnym sistemam i informatsionnym tekhnologiyam “AISIT’10” [Proc. of congress on intelligent systems and IT “AISIT’10”]. Moscow, Fizmatlit Publ., 2010, pp. 351–362 (in Russ.).

5. De Kleer J., Mackworth A.K., Reiter R. Characterizing diagnoses and systems. Artificial Intelligence. 1992, vol. 56, pp. 197–222.

6. Vagin V.N., Zaretskiy D.S. Solving diagnostics problems using truth maintenance system. IZVESTIYA SFedU. ENGINEERING SCIENCES. Tematicheskiy vypusk “Intellektualnye SAPR” [News]. Taganrog, TTI Sib. Fed. Univ. Publ., 2010, no. 12 (113), pp. 63–71 (in Russ.).

7. Ngair T.-H., Provan G. Focusing ATMS Problem-solving: a formal approach. Computer and Information Science Dep., Univ. of Pennsylvania Publ., Philadelphia, 1992.

8. Forbus K.D., de Kleer J. Problem Solvers, MIT Press, 1993.

УДК 519.6

КОООПЕРАТИВНЫЙ БИОНИЧЕСКИЙ АЛГОРИТМ БЕЗУСЛОВНОЙ ОПТИМИЗАЦИИ Ш.А. Ахмедова, младший научный сотрудник; Е.С. Семенкин, д.т.н., профессор (Сибирский государственный аэрокосмический университет им. академика М.Ф. Решетнева, просп. им. газ. «Красноярский рабочий», 31, г. Красноярск, 660014, Россия, shahnaz@inbox.ru, eugenesemenkin@yandex.ru) Эвристические бионические стохастические алгоритмы оптимизации многоэкстремальных функций вещественных переменных, называемые стайными или роевыми, основанные на имитации коллективного поведения различных животных, продемонстрировали свою эффективность на всевозможных тестовых задачах и активно используются при решении практических задач. Основной проблемой применения этих алгоритмов является необходимость довольно точной настройки их многочисленных параметров, от которых существенно зависит эффективность оптимизации. Кроме того, заранее не ясно, какой именно алгоритм более всего подходит для решения конкретной задачи. В данной статье авторы предлагают подход, позволяющий значительно облегчить принятие решения при выборе алгоритма под задачу. Метод основан на коллективной работе бионических алгоритмов, в ходе которой они конкурируют за общий ресурс и в то же время сотрудничают, передавая друг другу полезную информацию. В работе описывается предлагаемый метод кооперации, приводятся результаты оценки работоспособности метода на представительном множестве тестовых задач, а также результаты применения для настройки весовых коэффициентов нейронных сетей, решающих практические задачи классификации. Ключевые слова: оптимизация, стайный алгоритм, алгоритм стай волков, алгоритм светлячков, алгоритм поиска кукушек, алгоритм летучих мышей, кооперация.

COOPERATIVE BIOLOGICALLY INSPIRED ALGORITHM FOR UNCONSTRAINED OPTIMIZATION Akhmedova Sh.A., junior research; Semenkin E.S., Dr. Tech. Sc., professor (Academician M.F. Reshetnev Siberian State Aerospace University, Krasnoyarskiy Rabochy Av., 31, Krasnoyarsk, 660014, Russian Federation, shahnaz@inbox.ru, eugenesemenkin@yandex.ru) Аbstract. Heuristic biologically inspired stochastic algorithms of real-parameter multiextremal functions optimization are called “swarm algorithms” and based on an imitation of a collective behavior of different kind of animals. They have demonstrated their effectiveness in many tests and are regularly used in practice. The main problem in these algorithms’ application is the necessity of many parameters fine tuning that predetermines performance effectiveness. Moreover, it is impossible to know in advance which algorithm is better fitted to the problem in hand. This article suggests an approach that simplifies making a decision of the fittest algorithm choice. The approach is based on a competition and cooperation of biologically inspired algorithms when they compete for a common resource and at the same time cooperate sharing useful information. The suggested cooperative approach is described in the article, performance comparison results on a representative set of test functions are presented and results of the approach application in weight coefficients adjustment for artificial neural networks based classifiers are given.

Keywords: optimization, Particle Swarm Optimization, Wolf Pack Search, Firefly Algorithm, Cuckoo Search Algorithm, Bat Algorithm, co-operation.

Среди множества различных многоагентных стохастических алгоритмов оптимизации одним

из наиболее изученных является стайный алгоритм, или Particle Swarm Optimization (PSO) [1].

133

Программные продукты и системы

Идея данного метода почерпнута из социального поведения некоторых видов животных, например, стай птиц, косяка рыб или стада копытных. Исследования показали эффективность алгоритма и целесообразность его применения при решении задач как безусловной, так и условной оптимизации функций вещественных переменных. Постоянно предлагаются новые варианты алгоритма для повышения эффективности метода либо для расширения круга решаемых задач. Помимо PSO, существуют и другие алгоритмы, использующие социальные и биологические идеи, имитирующие поведение определенных видов животных. Наибольший интерес из последних разработок представляют следующие бионические алгоритмы: алгоритм стай волков (Wolf Pack Search, WPS) [2], алгоритм светлячков (Firefly Algorithm, FFA) [3], алгоритм поиска кукушек (Cuckoo Search Algorithm, CSA) [4] и алгоритм летучих мышей (Bat Algorithm, BA) [5]. Перечисленные метаэвристики, как и PSO, изначально были разработаны для решения вещественных оптимизационных задач и наиболее близки к PSO, что отличает их от других аналогичных подходов (пчелиные алгоритмы, алгоритм умных капель и т.п.). Как уже было сказано, каждый из упомянутых алгоритмов имитирует некоторую характеристику определенного вида животных: CSA – способ откладывания яиц кукушками, BA – эхолокацию летучих мышей, FFA – излучение, исходящее от светлячков, WPS – процесс охоты стаи волков. Данные оптимизационные методы были исследованы на множестве широко известных тестовых задач глобальной оптимизации, после чего проведен сравнительный анализ полученных результатов. Выполнялось по 100 прогонов каждого алгоритма на каждой задаче, результаты усреднены, значимость различий подтверждена критерием Вилкоксона. В таблице 1 для шести тестовых функций двух, трех и четырех переменных приведены наименования лучших алгоритмов по двум критериям: минимальное число вычислений целевой функции до достижения заданной точности решения и минимальная ошибка после заданного количества вычислений целевой функции. Из таблицы видно, что нельзя с уверенностью утверждать, какой именно алгоритм предпочтительнее, так как лучшие результаты достигались для разных функций различными алгоритмами. Более того, исследования показали, что лучший результат даже для одной и той же задачи при смене количества переменных достигается разными алгоритмами. В этой связи возникает вопрос, возможно ли разработать такой алгоритм, который будет обладать достоинствами всех перечисленных методов и показывать лучшие, чем у них, результаты. Авторами статьи предложен новый гибридный самонастраивающийся бионический алгоритм, главная 134

№ 4, 2013 г.

идея которого заключается в генерировании пяти популяций, работающих коллективно в ходе решения задачи. Причем размер этих популяций меняется на каждой итерации, кроме того, они обмениваются своими лучшими индивидами. Таблица 1 Результаты сравнения составляющих алгоритмов Тестовая функция Сфера Гриванка Акли Гиперэллипсоид Розенброка Растригина

Количест- Минимальное во пере- число вычислеменных ний 2 CSA 3 FFA 4 FFA 2 CSA 3 WPS 4 CSA 2 FFA 3 WPS 4 CSA 2 CSA 3 FFA 4 CSA 2 FFA 3 FFA 4 CSA 2 BA 3 CSA 4 WPS

Минимальная ошибка CSA BA BA PSO BA BA PSO CSA CSA CSA WPS BA BA FFA BA WPS FFA FFA

Кооперативный бионический алгоритм (Co-Operation of Biology Related Algorithms, COBRA) Выводы, полученные авторами, послужили предпосылкой для разработки нового оптимизационного метода, за основу которого были взяты пять упомянутых выше алгоритмов. Главная идея заключается в генерировании пяти популяций (по одной для каждой метаэвристики), которые в дальнейшем коллективно решают задачу оптимизации на основе конкуренции и кооперации. Главный параметр, настраиваемый для всех алгоритмов, – размер популяции. Сама по себе задача выбора числа индивидов достаточно сложна, так как нужно определить такой размер популяции, чтобы за определенное количество вычислений целевой функции было достигнуто оптимальное решение, с одной стороны, и чтобы этих вычислений было как можно меньше – с другой. Поэтому было принято решение автоматизировать процесс настройки размера популяции, а именно: размер каждой популяции может как увеличиваться, так и уменьшаться в зависимости от изменения значения функции пригодности. Другими словами, если на t-й итерации средняя пригодность индивидов k-й популяции лучше средней пригодности других популяций, k-я популяция считается победителем, а все остальные проигравшими. Из проигравших популяций удаляются индивиды – они добавляются к победившей попу-

Программные продукты и системы

ляции. Таким образом, определяется лучший алгоритм для задачи на каждой итерации. С другой стороны, общее число всех индивидов может тоже либо увеличиваться, либо уменьшаться. Если на протяжении некоторого заданного числа поколений значение функции пригодности не улучшается, то увеличивается размер всех популяций, или, наоборот, если на протяжении некоторого заданного числа поколений значение функции пригодности только улучшается, то размер всех популяций уменьшается. Кроме того, все популяции сотрудничают друг с другом. Они обмениваются индивидами: худшие индивиды одной популяции заменяются лучшими индивидами другой популяции, тем самым передается информация о наилучших решениях полученных всем коллективом алгоритмов в целом. Разработанный коллективный метод оптимизации на основе стайных бионических алгоритмов был реализован в виде единой программной системы и назван COBRA (Co-Operation of Biology Related Algorithms) [6]. Тестирование разработанного алгоритма Изначально разработанный алгоритм был протестирован на тех же шести функциях, что и его компоненты. Новые результаты сравнивались с полученными ранее. Было установлено, что применение предложенного оптимизационного метода целесообразно. Кроме того, COBRA показывает для некоторых задач лучшие результаты, а с увеличением размерности это происходит все чаще. Далее все пять составляющих алгоритмов и COBRA были исследованы на 28 тестовых функциях из CEC 2013 Special Session on Real-Parameter Optimization [7], среди которых пять унимодальных функций, 15 базовых многоэкстремальных функций и 8 составных функций, являющихся специальными комбинациями базовых. Размерность задач – 2, 3, 5, 10 и 30. В соответствии с методикой проведения экспериментов [7] для каждой задачи программа запускалась 51 раз. В итоге сравнение проводилось по двум критериям: самый лучший результат, полученный алгоритмом для данной задачи, и лучший средний результат. В процессе исследований было установлено, что СOBRA показывала все более и более лучшие результаты по обоим критериям с увеличением размерности задач. По первому критерию коллективный алгоритм выигрывал у остальных 2 раза при размерности 2, 11 раз при размерности 3 и столько же раз при размерности 5. По второму критерию были следующие результаты: 19 побед, 22 победы, 24 победы при размерностях 2, 3 и 5 соответственно. При размерности 10 по первому критерию коллективный алгоритм выигрывал у остальных 18 раз, PSO – 5 раз, WPS – 4 раза, FFA – 1 раз. При размерности 30 по первому кри-

№ 4, 2013 г.

терию только у PSO и WPS было по одной победе, во всех остальных случаях выигрывал коллективный алгоритм. По второму критерию при размерности 10 у PSO было 2 победы, в то время как COBRA выиграла 26 раз, а при размерности 30 по всем функциям «победителем» оказалась COBRA. Применение разработанного алгоритма для настройки нейронных сетей Разработанный кооперативный алгоритм был использован для настройки весовых коэффициентов искусственных нейронных сетей (ИНС), структура которых была определена заранее: полносвязные перцептроны с 3 и 5 нейронами на одном скрытом слое, биполярные функции активации. С помощью этих ИНС решались две практические задачи анализа данных: банковский скоринг по БД из Австралии и Германии. Исходные данные для этих задач были взяты из репозитория автоматического обучения Калифорнийского университета [8]. Для задачи банковского скоринга в Австралии число входов равно 14 (6 категориальных, 8 вещественных), 1 выход, 2 класса, размер выборки равен 690. Для задачи банковского скоринга в Германии число входов равно 20, 1 выход, 2 класса, размер выборки равен 1 000. На выходе получается положительное или отрицательное решение о выдаче кредита, то есть определение кредитоспособности клиента по его анкетным данным и предыстории. С точки зрения оптимизации настройка нейросетевых классификаторов сводится к настройке от 45 до 105 вещественных весовых коэффициентов, то есть является серьезной задачей для алгоритма оптимизации. В таблице 2 приведена информация о результатах решения этих двух задач, полученных другими исследователями альтернативными алгоритмами. Данная информация почерпнута из научной периодики. Таблица 2 Результаты решения задач банковского скоринга Алгоритм 2SGP GP Fuzzy classifier C4.5 LR Byesian MLP Boosting Bagging RSM CCEL k-NN CART ИНС (3) ИНС (5)

Скоринг в Австралии в Германии 0,9027 0,8015 0,8889 0,7834 0,8910 0,7940 0,8986 0,7773 0,8696 0,7837 0,8470 0,6790 0,7600 0,7000 0,8470 0,6840 0,8520 0,6770 0,8660 0,7460 0,7150 0,7151 0,8744 0,7565 0,8986 0,7618 0,8898 0,7809 0,8907 0,7829

135

Программные продукты и системы

№ 4, 2013 г.

В последних двух строках таблицы приведены средние значения оценки эффективности нейросетевых классификаторов с тремя и пятью нейронами соответственно, настроенных предложенным алгоритмом. Среднеквадратическое отклонение для этих результатов равно 0,005974 и 0,01792 для австралийской задачи и 0,007524 и 0,016866 для германской. Как видно из таблицы, довольно простые нейросетевые классификаторы, настроенные кооперативным алгоритмом, дают вполне конкурентоспособные результаты в сравнении с альтернативными подходами. Это показывает работоспособность предложенного подхода на практических задачах оптимизации большой размерности. Новый самонастраивающийся алгоритм оптимизации на основе коллективного поведения алгоритмов стайного интеллекта, описанный в данной работе, показал свою эффективность как на тестовых, так и на практических задачах. Исследование эффективности разработанного метода, проведенное в сравнении с составляющими его алгоритмами, показало целесообразность его применения для решения оптимизационных задач. С ростом размерности задачи превосходство кооперативного алгоритма становится неоспоримым, следовательно, этот алгоритм можно применять вместо составляющих его алгоритмов. Стоит отметить, что при реализации коллективного подхода использовались первоначальные версии составляющих его алгоритмов, для которых в настоящее время существует множество улучшающих их модификаций. Сделано это было сознательно, так как ставилась задача проверки полезности подхода самого по себе. Поэтому замена составляющих метод алгоритмов на их более эффективные модификации, как ожидается, приведет к улучшению работы кооперативного алгоритма в целом. Кроме того, можно увеличивать число составляющих алгоритмов для улучшения работы новой метаэвристики. И наконец, эффективность коллективного метода может быть повышена за счет совершенствования его самого – уточнением интервала адаптации, изменением способа миграции, правилами изменения размеров популяций и т.д.

Расширение класса решаемых задач путем адаптации алгоритма к задачам условной и/или многокритериальной оптимизации тоже представляется вполне возможным и естественным. Литература 1. Kennedy J., Eberhart R. Particle Swarm Optimization.

Proc. of IEEE Intern. Conf. on Neural Networks, 1995, vol. IV, pp.

1942–1948.

2. Yang Ch., Tu X., Chen J. Algorithm of Marriage in Honey Bees Optimization Based on the Wolf Pack Search. Intern. Conf. on Intelligent Pervasive Computing «IPC2007», 2007, pp. 462–467.

3. Yang X.S. Firefly algorithms for multimodal optimization.

Lecture Notes in Computer Sc., 2009, no. 5792, pp. 169–178.

4. Yang X.S., Deb S. Cuckoo search via L´evy flights. Proc. of World Congress on Nature & Biologically Inspired Computing «NaBic 2009», IEEE Publications, USA, 2009, pp. 210–214.

5. Yang X.S. A new metaheuristic bat-inspired algorithm.

Nature Inspired Cooperative Strategies for Optimization «NICSO 2010», Springer, SCI 284, 2010, pp. 65–74.

6. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms. Proc. of the 2013 IEEE Congress on Evolutionary Computation, Cancún, México, 2013, pp. 2207–2214.

7. Liang J.J., Qu B.Y., Suganthan P.N., Hernández-Díaz A.G. Problem Definitions and Evaluation Criteria for the CEC 2013 Special Session on Real-Parameter Optimization. Technical Report 2012, Computational Intelligence Laboratory, Zhengzhou Univ., Zhengzhou China, and Technical Report, Nanyang Technological Univ., Singapore.

8. Frank A., Asuncion A. UCI Machine Learning Repository.

URL: http://archive.ics. uci.edu/ml (дата обращения: 01.07.2013).

References 1. Kennedy J., Eberhart R. Proc. of IEEE Int. Conf. on Neural Networks. IV. 1995, pp. 1942–1948.

2. Yang Ch., Tu X., Chen J. Int. Conf. on Intelligent Pervasive Computing – IPC2007. 2007, pp. 462–467.

3. Yang X.S. Lecture Notes in Computer Science. 2009, no. 5792, pp. 169–178.

4. Yang X.S., Deb S. Proc. of World Congress on Nature & Biologically Inspired Computing (NaBic 2009). IEEE Publ., USA, 2009, pp. 210–214.

5. Yang X.S., Nature Inspired Cooperative Strategies for Optimization (NICSO 2010). Springer, 2010, vol. 284, pp. 65–74.

6. Akhmedova Sh., Semenkin E. Proc. of the 2013 IEEE Congress on Evolutionary Computation. Cancún, México, 2013, pp. 2207–2214.

7. Liang J.J., Qu B.Y., Suganthan P.N., Hernández-Díaz A.G. Problem Definitions and Evaluation Criteria for the CEC 2013 Special Session on Real-Parameter Optimization. Tech. Report, Zhengzhou Univ., Zhengzhou, China, Nanyang Technological Univ., Singapore, 2013.

8. Frank A., Asuncion A. UCI Machine Learning Repository.

Available at: http://archive.ics. uci.edu/ml (accessed 01 July 2013).

 Уважаемые читатели! С 20 по 22 февраля 2014 г. в Минске (Республика Беларусь) состоится IV Международная научнотехническая конференция «Открытые семантические технологии проектирования интеллектуальных систем» (Open Semantic Technologies for Intelligent Systems – OSTIS-2014). Конференция открывает цикл научных мероприятий, приуроченных к 50-летию основания Белорусского государственного университета информатики и радиоэлектроники. Информация о конференциях OSTIS размещена на сайте http://conf.ostis.net/. Материалы для участия в конференции представляются в оргкомитет по электронной почте ostisconf@gmail.com.

136

Программные продукты и системы

№ 4, 2013 г.

УДК 004.75: 004.272

ОБЛАЧНЫЙ СЕРВИС «ПАРАЛЛЕЛЬНЫЙ MATLAB» (Работа поддержана грантами УрО РАН № 12-C-1-1001/3, РЦП-13-И5, 13-1-ИП-348 и ДВО РАН 12-II-УО-01И-001. При проведении работ был использован суперкомпьютер «УРАН» ИММ УрО РАН)

А.В. Созыкин, к.т.н., зав. сектором; М.Л. Гольдштейн, к.т.н., доцент, зав. отделом (Институт математики и механики УрО РАН, ул. Софьи Ковалевской, 16, г. Екатеринбург, 620990, Россия, avs@imm.uran.ru, mlg@imm.uran.ru); В.В. Грибова, д.т.н., старший научный сотрудник, зав. лабораторией; Ф.М. Москаленко, к.т.н., научный сотрудник (Институт автоматики и процессов управления ДВО РАН, ул. Радио, 5, г. Владивосток, 690041, Россия, gribova@iacp.dvo.ru, philipmm@iacp.dvo.ru) Предложен подход к организации работы параллельных вычислений в пакете Matlab в качестве облачного сервиса. Отличительной особенностью сервиса является то, что в его рамках предоставляется не только параллельная вычислительная система с Matlab, но и рабочее место пользователя с графическим интерфейсом Matlab. Обеспечиваются возможность запуска вычислительных задач на суперкомпьютере из графического интерфейса Matlab и последующая обработка результатов расчета также в графическом интерфейсе. Предложена архитектура сервиса «Параллельный Matlab». Разработанная архитектура реализована в суперкомпьютерном центре Института математики и механики УрО РАН на основе вычислительной облачной платформы УрО РАН и суперкомпьютера «УРАН». В качестве рабочего места пользователя применяются виртуальные машины облачной платформы УрО РАН, на которые установлен Matlab с графическим интерфейсом и Parallel Computing Toolbox. На суперкомпьютере «УРАН» работает Matlab Distributed Computing Server. Интеграция виртуального рабочего места пользователя с суперкомпьютером выполнена на основе менеджера ресурсов SLURM. Облачный сервис «Параллельный Matlab» предоставляет пользователям интегрированное решение для проведения параллельных вычислений в популярном пакете без необходимости самостоятельной установки и настройки параллельной версии Matlab. Для работы с сервисом на компьютере пользователя необходим только web-браузер. Установку и сопровождение параллельной версии пакета Matlab выполняют квалифицированные администраторы облачной платформы. Ключевые слова: параллельные вычисления, суперкомпьютерные технологии, облачные вычисления, распределенные вычисления, Matlab.

“PARALLEL MATLAB” CLOUD SERVICE Sozykin A.V., Ph.D. Tech. Sc., head of sector; Goldshtein M.L., Ph.D. Tech. Sc., associate professor, head of department (Institute of Mathematics and Mechanics Ural Branch of the Russian Academy of Sciences, Sofi Kovalevskoy St., 16, Ekaterinburg, 620990, Russian Federation, avs@imm.uran.ru, mlg@imm.uran.ru); Gribova V.V., Dr. Tech. Sc., senior researcher, head of laboratory; Moskalenko Ph.M., Ph.D. Tech. Sc., research associate (Institute of Automation and Control Processes Far Eastern Branch of RAS, Radio St., 5, Vladivostok, 690041, Russian Federation, gribova@iacp.dvo.ru, philipmm@iacp.dvo.ru) Аbstract. The approach to provide cloud service for parallel computation in Matlab is proposed. The distinctive feature of the approach is providing not only a parallel Matlab cluster, but also a virtual personal workspace with Matlab GUI as a cloud service. The users of the cloud service have the ability to execute jobs on the Matlab cluster from the Matlab GUI. In addition, Matlab GUI can be used to analyze results of the computation. An architecture of the “Parallel Matlab” cloud service is described. The suggested architecture is implemented at the supercomputer center of the Institute of Mathematics and Mechanics UrB RAS using the Computational cloud platform of UrB RAS and supercomputer “URAN”. User workspaces are provided based on the virtual machines from Computational cloud platform of UrB RAS, which have Matlab GUI and Parallel Computing Toolbox installed. Matlab Distributed Computing Server is running on the supercomputer “URAN”. Integration of the virtual user workspaces with the cluster is done with the help of the SLURM resource manager.

“Parallel Matlab” cloud service provides the integrated solution for parallel computation in the popular Matlab environment. Users do not have to install and configure parallel Matlab by themselves, the cloud service is ready to use and requires only a Web-browser. The installation and support of parallel Matlab is done by qualified cloud-platform administrators.

Keywords: parallel computing, high performance computing, supercomputing technologies, cloud computing, Matlab.

Разработка программ для современных суперкомпьютеров (СК), включающих тысячи процессорных ядер и сотни ускорителей (NVIDIA Tesla, Intel Xeon Phi), является сложной задачей. Повысить эффективность применения СК можно за счет предоставления пользователям знакомого им предметно-ориентированного пакета прикладных

программ, поддерживающего параллельные вычисления. Одним из таких пакетов является Matlab, который в настоящее время широко применяется для научных и инженерных расчетов. Однако параллельная версия Matlab, как и параллельные версии других подобных пакетов, отличается высокой сложностью в установке и сопро137

Программные продукты и системы

вождении, в результате пользователям практически невозможно самостоятельно установить пакет и обеспечить его работу в параллельном режиме на СК. Актуальной является задача предоставления пользователям пакета Matlab, интегрированного с СК, в облачной конфигурации по модели SaaS. Под интеграцией понимается возможность запускать вычислительную задачу на СК из графического интерфейса Matlab, а также обрабатывать результаты вычислений, например, выполняя визуализацию результатов расчетов, средствами Matlab. Установку и сопровождение пакета выполняют квалифицированные администраторы облачной платформы, что дает пользователям возможность заниматься решением научных и технических задач, а не тратить время и силы на установку и администрирование. Для решения данной задачи создается облачный сервис «Параллельный Matlab». Параллельные вычисления в Matlab Matlab включает несколько механизмов для проведения параллельных вычислений. Простейший подход основан на применении многопоточности и работает на системах с общей памятью. Операции с матрицами, функции линейной алгебры, вычисления преобразования Фурье и некоторые другие имеют в Matlab многопоточную реализацию, которая позволяет использовать несколько процессоров или процессорных ядер. Для применения многопоточности не требуется модифицировать программу и приобретать дополнительные лицензии.

Matlab Parallel Computing Toolbox добавляет к стандартным возможностям Matlab средства для описания параллельных циклов и распределенных массивов. Parallel Computing Toolbox работает на серверах с общей памятью и графических ускорителях.

Matlab Distributed Computing Server предназначен для запуска программ Matlab на кластере с распределенной памятью. При этом на каждом узле кластера запускается один или несколько процессов Matlab, которые обмениваются данными между собой по MPI. Distributed Computing Server может работать как на выделенном кластере Matlab, так и на разделяемом кластере под управлением системы запуска задач. Допускается совместное использование различных подходов к параллельным вычислениям в Matlab. Например, может быть запущено несколько процессов Matlab в кластере, каждый из которых использует многопоточную функцию или GPU. Таким образом, для проведения параллельных вычислений Matlab на СК необходимо следующее: 138

№ 4, 2013 г.

– СК с установленным Distributed Computing Server, интегрированным с системой запуска задач; – рабочее место пользователя с графическим интерфейсом Matlab и Parallel Computing Toolbox, который обеспечит возможность отправлять задачи в очередь задач СК для расчета. Рабочее место пользователя предлагается разместить в облаке и предоставлять доступ по модели SaaS. Существующие подходы к организации работы Matlab в облачной конфигурации В настоящее время Matlab в качестве сервиса предлагается ограниченным кругом поставщиков облачных услуг. Компания Mathworks, производитель Matlab, предлагает облачную платформу Mathworks Cloud (http://www.mathworks.com/mobile/connect-to-cloud.html), однако использовать ее можно только из специализированной версии Matlab Mobile, предназначенной для мобильных устройств. Matlab Mobile обладает существенными ограничениями, в частности, поддерживается только текстовый интерфейс, объем обрабатываемых данных не может превышать 500 Мб, нет возможности использовать редактор Matlab и др. Альтернативным вариантом является совместный проект Mathworks и Amazon, цель которого – обеспечение возможности запуска программ Matlab в облаке Amazon EC2 (http://www.mathworks.com/programs/mdcs-cloud.html). При этом на клиентском компьютере может использоваться полнофункциональная версия Matlab с Parallel Computing Toolbox, а в облаке EC2 работает кластер Distributed Computing Server. Однако в настоящее время проект находится на ранней стадии развития и в России недоступен. Корнелльский университет реализовал проект «Matlab on the Teragrid» [1], целью которого являлось предоставление Matlab пользователям Teragrid в качестве сервиса, в том числе с использованием порталов научного взаимодействия, таких как nanohub.org [2]. В результате развития проекта в Корнелльском университете (США) создана облачная платформа Red Cloud [3], одним из предоставляемых сервисов которой является Matlab. Red Cloud предлагает использовать облачный кластер с Distributed Computing Server для параллельных вычислений. Клиент Matlab с Parallel Computing Toolbox, который обеспечит запуск задач на облачном кластере, должен быть установлен на компьютере пользователя. При этом пользователю необходимо установить и настроить дополнительное ПО, необходимое для взаимодействия с облачным кластером Red Cloud. Очевидно, что в настоящее время нет общепринятой архитектуры предоставления Matlab в

Программные продукты и системы

№ 4, 2013 г.

качестве облачного сервиса для параллельных вычислений. Mathworks Cloud обладает существенно ограниченными возможностями, Matlab в Amazon EC2 доступен только в США и Канаде, и детали его работы не открываются. Подробная информация доступна по архитектуре Matlab в TeraGrid [1], но данное решение требует установки клиента Matlab и дополнительного ПО на компьютерах пользователя. Архитектура Для облачного сервиса «Параллельный Matlab» предложено архитектурное решение, позволяющее предоставлять в качестве сервиса не только кластер Distributed Computing Server, но и клиент Matlab с графическим интерфейсом и Parallel Computing Toolbox. Таким образом, пользователю не требуется выполнять установку и настройку дополнительного программного обеспечения; для работы с параллельным Matlab ему достаточно иметь только web-браузер. Схема разработанной архитектуры облачного сервиса «Параллельный Matlab» приведена на рисунке.

четов загружать результаты для дальнейшей обработки в графическом интерфейсе. Менеджер ресурсов СК перед началом выполнения задачи обеспечивает запуск необходимого количества процессов Matlab (Matlab workers) на вычислительных узлах СК, которые затем занимаются расчетом задачи. Для корректной совместной работы Matlab на СК и в облаке требуется решить две вспомогательные задачи.

1. Код программ и данные, подготовленные в облаке, должны быть доступны СК, когда задача будет запущена на счет.

2. Необходимо обеспечить согласованные механизмы контроля доступа пользователей как к облачной платформе, так и к СК. Задача доступности кода программ и данных может быть решена двумя путями. Данные и код можно копировать из облачной платформы на СК средствами Parallel Computing Toolbox при постановке задачи в очередь. Такой подход прост в реализации, но плохо работает с большими объемами данных. Альтернативное решение заключается в создании разделяемой системы хранения данных,

Пользователи

Scheduler interface MATLAB Parallel Computing Toolbox

Сервер каталогов Исходные данные и результаты

Сервер Matlab Облачная платформа

Система хранения

MATLAB Distributed Computing Server MATLAB Distributed Computing Server MATLAB Distributed Computing Server

Вычислительные узлы

Аутентификация и авторизация

Запуск Matlab worker и задачи

Webинтерфейс

MATLAB GUI

Менеджер ресурсов суперкомпьютера

Постановка задачи в очередь

MATLAB Distributed Computing Server Суперкомпьютер

Архитектура облачного сервиса «Параллельный Matlab»

Matlab с графическим интерфейсом устанавливается в облачной платформе и предоставляется пользователям по модели SaaS. Доступ пользователей осуществляется через web-интерфейс с использованием VNC. Интеграция с суперкомпьютером выполняется средствами Parallel Computing Toolbox, который обеспечивает возможность взаимодействия с менеджером ресурсов суперкомпьютера. Parallel Computing Toolbox позволяет из графического интерфейса Matlab ставить задачу в очередь для расчета на СК, проводить мониторинг выполнения задачи, а после завершения рас-

подключенной как к облачной платформе, так и к СК. В этом случае программы и данные, подготовленные на облачной платформе, сразу будут доступны СК без промежуточного копирования. Так как на СК преимущественно решаются задачи, обрабатывающие большие объемы данных, для облачного сервиса «Параллельный Matlab» выбран подход на основе общей системы хранения, позволяющий избежать промежуточного копирования входных данных и результатов вычислений. Недостатком такого подхода является то, что на серверах облачной платформы и вычислительных 139

Программные продукты и системы

узлах СК необходимо использовать одну и ту же операционную систему и одинаковую технологию доступа к системе хранения, что не всегда удобно. Согласование механизмов контроля доступа пользователей предлагается выполнить c использованием единого каталога, хранящего учетные записи пользователей. Серверы облачной платформы и СК, а также система хранения выполняют аутентификацию и авторизацию пользователей на основе данных из этого каталога. Пользователь получает единый идентификатор и пароль для доступа к облачной платформе и к СК с возможностью однократной регистрации. Реализация Предложенная архитектура реализована в ИММ УрО РАН на основе вычислительной облачной платформы УрО РАН [4] и СК «УРАН». В облачной платформе создан набор виртуальных машин, где установлен Matlab с графическим интерфейсом и Parallel Computing Toolbox. Виртуальные машины работают под управлением ОС Scientific Linux 6. Доступ пользователей организован на основе VNC [5] и web-клиента noVNC. Пользователи могут получать доступ к сервису с помощью как web-браузера (с использованием noVNC), так и VNC-клиента. Интеграция с суперкомпьютером «УРАН» выполнена на основе менеджера ресурсов SLURM [6]. Parallel Computing Toolbox не включает встроенную поддержку работы со SLURM, поэтому был использован Generic Scheduler Interface, для которого разработаны Client Submit и Decode функции с поддержкой SLURM. При запуске задачи виртуальная машина с Matlab на облачной платформе устанавливает соединение по SSH с управляющей машиной СК «УРАН» и с помощью команд SLURM ставит задачу в очередь. Контроль состояния задачи и загрузка результатов вычислений возможны в графическом интерфейсе Matlab на облачной платформе с использованием команд из состава Parallel Computing Toolbox. В качестве разделяемой системы хранения используется EMC Celerra NS-480, протокол NFS. Учетные данные пользователей хранятся в Microsoft Active Directory, для аутентификации и авторизации используется Kerberos. В заключение отметим, что в работе описан подход к организации облачного сервиса «Параллельный Matlab». Предложена архитектура облачного сервиса, отличительной особенностью которого является то, что пользователям предоставляется не только вычислительный кластер с Distributed Computing Server, но и графический интерфейс Matlab с возможностью запуска вычислительных задач на кластере с использованием Parallel Computing Toolbox. Предложенная архитектура реализована в ИММ УрО РАН на основе 140

№ 4, 2013 г.

вычислительной облачной платформы УрО РАН и СК «УРАН». Практическая реализация подтвердила работоспособность предложенной архитектуры. В настоящее время существенные ограничения на возможности использования сервиса «Параллельный Matlab» накладывает лицензионная политика компании Mathworks, которая не предусматривает лицензии для использования в облаке. С Matlab может работать только организация-владелец лицензий. Таким образом, из-за лицензионных ограничений текущая реализация сервиса «Параллельный Matlab» доступна только сотрудникам ИММ УрО РАН, что является существенным недостатком, так как суперкомпьютер «УРАН» предназначен для любых институтов УрО РАН. Направлением дальнейших работ является создание виртуальной web-лаборатории «Параллельное программирование в Matlab», которая, помимо облачного сервиса «Параллельный Matlab», будет включать учебный курс и методики проведения параллельных расчетов в Matlab. Планируется обеспечить возможность использования на виртуальных машинах с графическим интерфейсом Matlab ОС Windows, которая востребована пользователями. Для этого необходимо решить проблему с передачей кода и данных, подготовленных в Windows, на вычислительный кластер с Linux. Литература 1. Lapp B., Lee S., Walle L. MATLAB on the TeraGrid Technical Documentation. Cornell Univ. Center for Advanced Computing. URL: http://www.cac.cornell.edu/matlab/TechDocs/ BuildYourOwn.pdf (дата обращения: 05.06.2013).

2. Klimeck G., McLennan M., Brophy S.P., Adams G.B., Lundstrom M.S. Nanohub.org: Advancing Education and Research in Nanotechnology. Computing in Science & Engineering, 2008, vol. 10, no. 5, pp. 17–23.

3. Cloud R. Cornell University Centre for Advanced Computing. URL: http://www.cac.cornell.edu/redcloud/ (дата обращения: 05.06.2013).

4. Ермаков Д.Г., Усталов Д.А. Экспериментальная среда облачных вычислений в институте математики и механики УрО РАН // Программные продукты и системы. 2012. № 4.

C. 110–115.

5. Richardson T., Stafford-Fraser Q., Wood K.R. & Hopper A. Virtual Network Computing. IEEE Internet Computing, 1998, vol. 2, no. 1, pp. 33–38.

6. Yoo A., Jette M. and Grondona M. SLURM: Simple Linux Utility for Resource Management, Job Scheduling Strategies for Parallel Processing. Lecture Notes in Computer Science, 2003, vol. 2862, pp. 44–60.

References 1. Lapp B., Lee S., Walle L. MATLAB on the TeraGrid Technical Documentation, available at: http://www.cac.cornell. edu/matlab/TechDocs/BuildYourOwn.pdf (accessed 5 June 2013).

2. Klimeck G., McLennan M., Brophy S.P., Adams G.B., Lundstrom M.S. Computing in Science & Engineering. 2008, vol. 10, no. 5, pp. 17–23.

3. Red Cloud, Cornell University Centre for Advanced Computing, available at: http://www.cac.cornell.edu/redcloud/ (accessed 5 June 2013).

4. Ermakov D.G., Ustalov D.A. Eksperimentalnaya sreda

Программные продукты и системы oblachnykh vychisleniy v institute matematiki I mekhaniki UrO RAN [The experimental cloud computing environment in Institute of Mathematics and Mechanics Ural branch of RAS]. Programmnye produkty i sistemy [Software & Systems]. 2012, no. 4, pp. 110–115.

№ 4, 2013 г.

5. Richardson T., Stafford-Fraser Q., Wood K.R., Hopper A. IEEE Internet Computing. 1998, vol. 2, no. 1, pp. 33–38.

6. Yoo A., Jette M., Grondona M. Job Scheduling Strategies for Parallel Processing. Lecture Notes in Computer Science. 2003, vol. 2862, pp. 44–60.

УДК 004.89, 004.942

МЕТОД АВТОМАТИЗИРОВАННОГО СИНТЕЗА ВИРТУАЛЬНЫХ ОРГАНИЗАЦИОННЫХ СТРУКТУР ДЛЯ ЗАДАЧ УПРАВЛЕНИЯ РЕГИОНАЛЬНОЙ БЕЗОПАСНОСТЬЮ (Работа выполнена при поддержке РФФИ, проект № 12-07-00138 «Разработка когнитивных моделей и методов формирования интегрированной информационной среды поддержки управления безопасностью арктических регионов России»)

А.В. Маслобоев, к.т.н., старший научный сотрудник (Институт информатики и математического моделирования технологических процессов Кольского научного центра РАН, Кольский филиал Петрозаводского государственного университета, ул. Ферсмана, 24а, г. Апатиты, 184209, Россия, masloboev@iimm.kolasc.net.ru) Предложен метод синтеза проблемно-ориентированных виртуальных организационных структур для задач управления региональной безопасностью в кризисных ситуациях. Автоматизированный синтез основан на анализе отношений и атрибутов объектов разработанной формальной концептуальной модели мультиагентной информационно-аналитической среды поддержки управления региональной безопасностью. Метод поддерживает использование слабоструктурированных неполных разнородных исходных данных об анализируемых кризисных ситуациях, рассматриваемых на треке развития региона, и ориентирован на агентную реализацию. Метод обеспечивает динамическое формирование проблемно-ориентированных коалиций когнитивных агентов и виртуальных сетей ресурсов на основе формализованных описаний решаемых задач управления безопасностью в рамках мультиагентной виртуальной среды для информационной поддержки процессов принятия решений и координации деятельности субъектов безопасности. Ключевые слова: концептуальная модель, автоматизированный синтез, мультиагентная система, информационная поддержка, управление, региональная безопасность.

A METHOD FOR AUTOMATED SYNTHESIS OF VIRTUAL ORGANIZATIONAL STRUCTURES FOR REGIONAL SECURITY MANAGEMENT PROBLEM-SOLVING Masloboev A.V., Ph.D. Tech. Sc., senior researcher (Institute for Informatics and Mathematical Modeling of Technological Processes of the Kola Science Center of RAS, Kola Branch of Petrozavodsk State University, Fersmana St., 24a, Apatity, 184209, Russian Federation, masloboev@iimm.kolasc.net.ru) Аbstract. Thу article proposes a method for synthesis of problem-oriented virtual organizational structures for regional security management problem-solving in crisis situations. The automated synthesis is based on object relations and object attributes analysis of the developed formal conceptual model of multi-agent information-analytical system for regional security management support. The method can use loosely-structured incomplete heterogeneous input data about the analyzed crisis situations that are considered within the region development life-cycle. The method is oriented on agent-based implementation. For decision-making process information support and regional security subjects functioning coordination the method provides dynamic formation of the problem-oriented cognitive agent coalitions and virtual networks of resources based on formalized descriptions of security control solving problems within multi-agent virtual environment.

Keywords: conceptual model, automated synthesis, multi-agent system, information support, management, regional security.

Арктическая зона Российской Федерации (РФ) становится объектом национальных интересов ведущих мировых держав (США, Норвегия, Канада, Дания, Китай, Южная Корея и др.), что ослабляет позиции присутствия в Арктике РФ, владеющей ее значительными территориями, и формирует вектор угроз национальным, геополитическим, социально-экономическим, оборонным, демографиче-

ским и экологическим интересам России в этом районе. Повышение интереса к российской Арктике обусловливает высокую актуальность защиты интересов РФ в Арктической зоне и выводит задачу обеспечения глобальной безопасности развития арктических регионов России на передний план, позиционируя ее как самостоятельную проблему, требующую научной проработки. Решение 141

Программные продукты и системы

данной задачи затрудняется необходимостью интеграции, обработки и анализа большого объема разноплановой информации для различных ведомств, а также согласованности информационного взаимодействия соответствующих структур безопасности. В связи с этим одним из приоритетных направлений государственной политики РФ в Арктике, согласно «Стратегии развития Арктической зоны Российской Федерации и обеспечения национальной безопасности на период до 2020 года» (утверждена Указом Президента РФ Пр-232 от 20.02.2013 г.), является развитие информационных технологий и связи. Реализация Стратегии в данном направлении предполагает создание комплексной информационно-телекоммуникационной инфраструктуры для поддержки управления рискоустойчивым развитием регионов, входящих в состав Арктической зоны РФ. Анализ мер, осуществляемых РФ по развитию сферы информационных технологий для задач обеспечения различных видов безопасности (экономической, промышленно-экологической, кадровой и т.д.) в российской Арктике, свидетельствует о том, что их эффективность, согласно [1], существенно снижается из-за отсутствия целостной информационно-аналитической среды поддержки управления глобальной безопасностью арктических регионов, позволяющей повысить оперативность, достоверность и качество выдаваемой информации об обстановке в Арктической зоне РФ. Таким образом, актуальной задачей является разработка новых и развитие существующих методов и технологий динамического формирования и конфигурирования расширяемой многофункциональной информационно-аналитической инфраструктуры безопасности арктических регионов РФ, подверженных влиянию множества разнородных внутренних и внешних факторов, а также наделенной потенциалом к саморазвитию и самоорганизации. Информационно-аналитическая среда поддержки управления глобальной безопасностью арктических регионов (далее – региональной безопасностью), согласно [2], представляет собой комплекс проблемно-ориентированных, взаимоувязанных и взаимодействующих информационных и аналитических ресурсов и систем, а также технологическую и организационную инфраструктуру их создания и использования.

№ 4, 2013 г.

сти. Вариант реализации такой инфраструктуры – виртуальная информационно-аналитическая среда региональной безопасности, в числе главных задач которой удовлетворение информационных потребностей и обеспечение согласованного информационного взаимодействия субъектов и организационных структур безопасности посредством оперативного и своевременного предоставления соответствующих информационных данных и сервисов для решения задач управления региональной безопасностью в кризисных ситуациях. Для этого в рамках виртуальной среды региональной безопасности должны формироваться потенциально эффективные проблемно-ориентированные организационные структуры безопасности, способные участвовать в решении различных классов задач управления региональной безопасностью с учетом специфики возникающих кризисных ситуаций, согласованности целей взаимодействия входящих в их состав субъектов безопасности, временных и ресурсных ограничений. Проблемно-ориентированные структуры безопасности представляют собой согласованно взаимодействующую совокупность субъектов безопасности, каждый из которых обладает целенаправленным поведением, имеет необходимый набор компетенций и ресурсов для реализации некоторого процесса или функции в направлении решения конкретных задач, что ведет к достижению общей цели формирования структуры – выработке рекомендаций по локализации возникшей кризисной ситуации в процессе совместного решения определенных в ее рамках задач. Таким образом, процесс управления региональной безопасностью в кризисных ситуациях может быть частично автоматизирован путем реализации метода формирования допустимых виртуальных организационных структур безопасности, обеспечивающего синтез виртуальных сетей информационных и аналитических ресурсов для решения задач управления безопасностью в кризисных ситуациях и оценку потенциальной эффективности их конфигурации. В качестве формальной основы метода используется разработанная с помощью средств концептуального синтеза динамических моделей сложных систем [3] формализованная концептуальная модель мультиагентной информационноаналитической среды (КМ МИАС) поддержки управления региональной безопасностью.

Постановка задачи В условиях мировой глобализации и современных тенденций развития информационно-коммуникационных технологий адекватным подходом к управлению глобальной безопасностью развития региональных социально-экономических систем (РСЭС) является неявное управление через создание эффективной сетецентрической информационной инфраструктуры региональной безопасно142

Концептуальная модель мультиагентной виртуальной среды региональной безопасности Состав модели. КМ МИАС обеспечивает базу для формализованного описания задач управления региональной безопасностью в кризисных ситуациях с целью их последующего использования в процессе автоматизированного синтеза и анализа

Программные продукты и системы

виртуальных организационных структур безопасности (ВОСБ). Концептуальная модель виртуальной среды региональной безопасности, ориентированной на агентную реализацию, задана в виде теоретико-множественных отношений и представляет собой набор множеств KMМИАС={O, S, R, A, CS, CSC, CSF, Z, ZC, P, SS, U, I, Attr}. Основными элементами, образующими модель, являются следующие: O – множество объектов безопасности; S – множество субъектов безопасности; R – множество информационных и аналитических ресурсов; SS – множество организационных структур безопасности; A – множество когнитивных агентов, представляющих интересы субъектов безопасности в распределенной мультиагентной виртуальной среде поддержки управления региональной безопасностью; CS и CSC – множества кризисных ситуаций и их классов соответственно; CSF – иерархический классификатор предметных областей кризисных ситуаций; Z и ZC – множества задач управления безопасностью и их классов соответственно; P – множество процессов управления безопасностью в кризисных ситуациях; U – множество клиентских и серверных узлов, на которых развернута распределенная агентная платформа для исполнения агентов системы информационной поддержки управления региональной безопасностью; I – отношения на множествах объектов модели; Attr – множество атрибутов объектов модели. Объекты безопасности O представляют собой разнородные потенциально опасные компоненты РСЭС (промышленность, экосистемы, экономика, логистика и др.), критически важные с точки зрения обеспечения региональной безопасности. В рамках КМ МИАС данные объекты характеризуются набором атрибутов, определяющих их тип, принадлежность и существо, а также индикаторы и допустимые области безопасности. Субъекты безопасности S описываются в КМ МИАС набором атрибутов, определяющих целенаправленность их проблемно-ориентированной деятельности, информационную и функциональную мощность, однозначно определяющую возможный класс ZC решаемых ими задач Z. Множество информационных и аналитических ресурсов R представляет собой совокупность баз данных и аналитических средств обработки данных (сервисов, вычислительных модулей, прикладных программ), необходимых для поддержки принятия решений по управлению безопасностью в кризисных ситуациях. Множество ресурсов R включает также подмножество исполнительных ресурсов, определяющих план действий в некоторой кризисной ситуации, выполняемый конкретными категориями субъектов безопасности в зависимости от профиля их деятельности или роли в системе информационной поддержки управления безопасностью.

№ 4, 2013 г.

В модели явно представлены когнитивные агенты субъектов безопасности A как специальный тип объектов. Агенты обеспечивают имитацию деятельности субъектов безопасности в распределенной виртуальной среде поддержки управления региональной безопасностью, предоставляют информационные сервисы другим агентам, реализуют поиск потенциальных субъектов совместной деятельности и участвуют в формировании ВОСБ для совместного решения задач управления безопасностью в кризисных ситуациях. Отличительными особенностями когнитивных агентов по сравнению с другими типами агентов являются реализация полного цикла «восприятие– познание–исполнение» в среде двух искусственно имитируемых реальностей: виртуальное пространство и семантическое пространство знаний. Основная задача когнитивного агента в виртуальной среде региональной безопасности – мониторинг состояния показателей безопасности функционирования РСЭС в реальном масштабе времени в результате информационных взаимодействий с внешней средой, с пользователем и коммуникаций с другими агентами. Кризисные ситуации CS={O, Z, S, R, P} представляют собой формализованные описания критических состояний соответствующих объектов безопасности O, характеризующихся определенным набором параметров. Класс кризисных ситуаций CSC определяет набор задач Z, которые необходимо решить для локализации сложившейся кризисной ситуации, а также требуемые ресурсы и состав участников формируемых организационных структур безопасности. Кризисная ситуация связывает субъекты безопасности с реализуемыми ими процессами/функциями управления безопасностью. Процесс управления безопасностью в кризисных ситуациях P является обобщенным формализованным описанием кризисной ситуации в виде некоторой совокупности функций, в ходе выполнения которой достигается локализация возникшей кризисной ситуации и минимизируется общий ущерб от ее последствий. Множества взаимосвязанных субъектов, задействованных в решении задач управления региональной безопасностью в различных кризисных ситуациях, образуют проблемно-ориентированные организационные структуры безопасности SS. В терминах КМ МИАС они представляют собой связанные фрагменты SS={S, R, A, CS, Z, P, I, Attr}, включающие объекты модели, удовлетворяющие определенным условиям в соответствии с моделью рассматриваемой ситуации CS. Объекты модели, представляющие субъекты безопасности, образуют иерархию, что позволяет учитывать организационную подчиненность субъектов, ответственных за обеспечение определенных видов безопасности (экономической, экологической, 143

Программные продукты и системы

кадровой и др.), при формировании организационных структур безопасности. В рамках процессно-ориентированного подхода к моделированию деятельности сложных систем организационная структура безопасности может рассматриваться как целенаправленный процесс управления безопасностью в некоторой кризисной ситуации. В ходе реализации функций участников данного процесса некоторый набор входных ресурсов преобразуется в набор выходных ресурсов. Выполнение функции или группы функций является отдельным подпроцессом. В такой постановке организационную структуру безопасности можно определить как связанную совокупность процессов, преобразующих некоторые входные ресурсы в выходные. Таким образом, процессы управления безопасностью имеют древовидную организацию, то есть каждый процесс, за исключением листовых, есть связанная совокупность процессов нижележащего уровня. В соответствии с теоремой о покрытии, доказанной для древовидных иерархических систем, реализация всех составляющих процесса эквивалентна реализации данного процесса. Структура модели. На множествах объектов модели заданы отношения, определяющие ее структуру и обеспечивающие возможность автоматизированного логического вывода в терминах КМ МИАС, в частности, возможность формирования допустимых вариантов ВОСБ. Вместе с тем отношения, представленные в модели, обеспечивают формализацию взаимосвязей и взаимодействия компонентов реальной социально-экономической среды и инфраструктуры безопасности региона. Отношения принадлежности связывают когнитивных агентов с субъектами региональной безопасности: I={SZ, CSP, PA, PSS, UA, IN, OUT, CLASS, FIELD, H}, где SZS×Z – отношение «субъект безопасности участвует в решении задачи управления безопасностью в определенной кризисной ситуации»; CSPCS×P – симметричное отношение «кризисная ситуация– процесс управления безопасностью», ассоциирующее возникающую кризисную ситуацию с соответствующим ей процессом управления безопасностью; PAP×A – симметричное отношение «процесс управления безопасностью–агент», ассоциирующее процесс управления безопасностью в кризисной ситуации с представляющим его в мультиагентной виртуальной среде управления региональной безопасностью когнитивным агентом; PSSP×SS – отношение «организационная структура безопасности включает процесс управления безопасностью», отношение транзитивно, то есть xP, y, zCS(xPCSyyPCSzxPCSz); UAU×A – отношение «узлы виртуальной среды безопасности включают когнитивных агентов»; INP×B(R) – отношение «процесс–множество входных ресурсов»; OUTP×B(R) – отношение 144

№ 4, 2013 г.

«процесс–множество выходных ресурсов»; CLASSCS×CSC – отношение, ассоциирующее рассматриваемую кризисную ситуацию с соответствующим ей классом; FIELDCS×CSF – отношение, задающее предметную область рассматриваемой кризисной ситуации; H – иерархия объектов модели, отражающая их организационные взаимоотношения (отношение иерархии H определено на множествах S, P, CSC, CSF). На множестве S отношение H задает иерархии организационной подчиненности субъектов безопасности. На множестве P это отношение задает иерархию процесс–подпроцесс–функция. На множествах CSC и CSF отношение H задает иерархии классов и предметных областей соответственно. Отношение иерархии H на множестве O определяется следующим образом: HOB(O), где B(O) – булеан множества O. Отношение определяет для каждого элемента oO множество подчиненных элементов – подэлементов. Также определим обратное по семантике отношение «является потомком»: ISCHOO. Отношение иерархии определяет на множестве О классы эквивалентности, то есть o1, o2O, o1o2: H(o1) H(o2)=, где H(o) – множество подэлементов (потомков) элемента о. Введем следующие обозначения классов эквивалентности по отношению к H: O0={o0} – корневой элемент иерархии (класс эквивалентности состоит из одного элемента); O1  {o11 , ..., o1N1 } – класс эквивалентности, образованный элементами иерархии 1-го уровня; Oln1 ...nl 1 – класс эквивалентности, образованный элементами 1-го уровня иерархии, являющимися потомками элемента ni на i-м уровне иерархии, то есть omkn1 ...nk 1 HOk 1n1 ...nk 1m . Определим также метрику d, которая характеризует дистанцию между парой элементов в иерархии:

]o1  O 1 1

l n ...nm ...nl11

и

]o2  O 2 1

l k ... km ... kl 2 1

и

ni  ki , i  1, m , тогда l l / z  e 1 2 , если m  l1  1 или m  l2  1; d (o1 , o2 )   ( l1  m )/ z  e( l2  m)/ z в противном случае,  e где z>0 – масштабирующий коэффициент, определяющий скорость убывания метрики d в зависимости от дистанции между o1 и o2 в иерархии. Первое условие за фигурной скобкой означает, что элементы o1, o2 равны или находятся в отношении ISCH. В соответствии с определением метрики d параметры m и l находятся в соотношениях m<l1 и m<l2. Тогда с учетом того, что для равных o1, o2 l1=l2, областью значений метрики d является интервал [1, +]. Множество атрибутов объектов концептуальной модели описывается следующим образом:

Программные продукты и системы

Attr=<TA, TR, TO, F>, где TA – множество типов агентов (web-сервисов); TR – множество типов информационных ресурсов; TO={'on-line', 'off-line'} – множество типов (режимов) доступа к информационным ресурсам; F – множество функций агентов. КМ МИАС включает в себя также иерархическую древовидную структуру – дерево целей, которое отражает процесс декомпозиции главной цели обеспечения глобальной безопасности развития региона на подцели, такие как обеспечение экономической безопасности, обеспечение кадровой безопасности, обеспечение экологической безопасности и т.д. Таким образом, КМ МИАС выполняет две основные функции [4]: во-первых, является средством структуризации и формализованного представления знаний о предметной области и, вовторых, за счет формального задания отношений на множествах объектов модели обеспечивает возможность автоматического логического вывода в процедурах формирования ВОСБ, объединяющих агентов субъектов безопасности, ориентированных на решение конкретных задач управления региональной безопасностью в кризисных ситуациях. Модель является также основой для представления структуры и алгоритмов работы разработанного прототипа распределенной мультиагентной системы информационно-аналитической поддержки управления региональной безопасностью [2], ее функциональных возможностей и составляющих программных модулей. Для структуризации, формализации и обеспечения возможностей гибкого многократного использования экспертных знаний в распределенных информационных системах в настоящее время широко применяются онтологии как динамично развивающаяся и перспективная форма представления знаний [5]. Поэтому практическим воплощением предложенной КМ МИАС является ее реализация в виде прикладной онтологии региональной безопасности, используемой в качестве базы знаний агентов системы. Онтология задает интеллектуальность когнитивного агента: чем точнее составлена онтология и более корректно обозначены связи, тем полнее агент представляет предметную область, для которой он существует. Она определяет цели и правила взаимодействия агентов, а также отношения между ними. Созданная онтология реализована в терминах языка онтологического моделирования OWL. Так как разработка агентов системы выполнялась на базе платформы JADE, для возможности работы агентов с прикладными онтологиями использовалась специальная библиотека AgentOWL. Она обеспечивает создание и использование RDF/OWL-онтологий в качестве моделей знаний агентов. Из построенной концептуальной модели следует система показателей безопасности – набор

№ 4, 2013 г.

определенных параметров для каждой области региональной безопасности, которые используются в качестве входных параметров соответствующих имитационных моделей. Основное назначение имитационной модели – сделать прогноз показателя безопасности при заданных параметрах и ограничениях. Имитационные модели реализуются с помощью агентной технологии и системной динамики. Системно-динамические модели используются для приближенного прогноза и выявления тенденций в динамике показателей безопасности, а агентные модели – для более точных количественных оценок этих показателей. Переход от концептуальной модели к модели системной динамики реализуется на основе разработанного в Институте информатики и математического моделирования технологических процессов Кольского научного центра РАН метода концептуального синтеза динамических моделей сложных систем, представленного в работе [3] и обеспечивающего синтез моделей системной динамики из соответствующих концептуальных моделей. Метод синтеза ВОСБ Автоматизированный синтез ВОСБ основан на анализе отношений и атрибутов объектов разработанной КМ МИАС. ВОСБ представляют собой коалиции когнитивных агентов и набор информационных ресурсов, сформированные в зависимости от концептуальных описаний рассматриваемого класса кризисных ситуаций и моделей решаемых задач. Предлагаемый в данной работе метод синтеза проблемно-ориентированных ВОСБ, направленных на решение задач управления региональной безопасностью в кризисных ситуациях, включает шесть основных этапов.

1. Формализация описаний разнотипных кризисных ситуаций в терминах КМ МИАС, определение параметров моделей решаемых задач.

2. Формирование коалиций агентов, обладающих достаточными суммарными компетенциями для решения определенного на первом этапе перечня задач, и последующий синтез допустимых ВОСБ в рамках мультиагентной информационно-аналитической среды с учетом заданных ограничений, обеспечивающих информационную поддержку процесса принятия решений по управлению безопасностью в кризисных ситуациях.

3. Оценка неопределенности и степени разрешимости рассматриваемых кризисных ситуаций с учетом имеющихся ограничений на основе синтезированных альтернативных вариантов ВОСБ (оценка потенциальной эффективности ВОСБ).

4. Доопределение параметров ВОСБ в автоматизированном режиме либо в режиме диалога с пользователем и формирование на их основе си145

Программные продукты и системы

туационно-коалиционных мультиагентных систем управления безопасностью, представляющих собой совокупность взаимодействующих коалиций когнитивных агентов и виртуальных сетей ресурсов, динамически формируемых в зависимости от класса (модели) анализируемых кризисных ситуаций на треке развития РСЭС и множества решаемых при этом задач. Под моделью кризисной ситуации понимается формализованное описание параметров состояния РСЭС в рассматриваемый момент времени.

5. Оценка потенциальных угроз региональной безопасности с учетом выбранных критериев, анализ сценариев развития ситуации с помощью имитационного моделирования.

6. Реконфигурация ВОСБ в случае получения новой информации из внешней среды либо по результатам прогноза изменения параметров состояния рассматриваемого множества кризисных ситуаций. Метод позволяет в автоматизированном режиме формировать потенциально эффективные проблемно-ориентированные виртуальные организационные структуры, направленные на решение задач управления безопасностью РСЭС, на основе формализованных описаний кризисных ситуаций и деятельности субъектов безопасности в рамках мультиагентной виртуальной среды региональной безопасности. Представим формальную постановку задачи синтеза ВОСБ в терминах КМ МИАС. Пусть для некоторого объекта безопасности O в момент времени t зафиксирована кризисная ситуация CS класса CSC. Модель кризисной ситуации описывается набором компонентов CS={O, Z, S, R, P, t}, где O – объект безопасности; Z={z1, z2, …, zN}, q  1, N – совокупность взаимосвязанных задач, которые необходимо решить для разрешения ситуации CS; S – множество субъектов безопасности, участвующих в локализации кризисной ситуации; R – множество ресурсов, необходимых для решения задач zqZ, q  1, N , причем

R  R  t   ri  t  , i  1, M , M – мощность множе-

№ 4, 2013 г.

чии информационные ресурсы для поддержки принятия решений в рассматриваемой кризисной ситуации. Функциональная мощность субъекта безопасности





Fzq  f z1q , f z2q ,..., f zrqF ,

f zqj  0 ,

j  1, rF , определяет набор реализуемых им функций (предоставляемых сервисов, аналитических ресурсов). Семантика компетенций субъектов безопасности определяется на онтологии региональной безопасности, созданной на основе КМ МИАС. Тогда любая задача, решаемая в рамках процесса управления безопасностью в текущей кризисной ситуации, может быть формально описана в виде zq 

F  , I  , C zq

zq

, где C zq – век-

zq

тор ограничений, характеризующийся такими параметрами, как время кризисного реагирования, определяемое классом объекта безопасности, количество имеющихся в наличии исполнительных ресурсов и т.д. Для решения задач zqZ требуются исполнительные ресурсы, которые представлены субъектами безопасности: профильными ведомствами и службами, ситуационными центрами, центрами кризисного реагирования, центрами мониторинга и прогнозирования социально-экономического развития, органами регионального управления и т.д. Субъекты безопасности являются автономными проактивными сущностями и обладают целенаправленным поведением, что обеспечивает предпосылки для имитации и виртуализации их проблемно-ориентированной деятельности посредством программных мобильных агентов в распределенной виртуальной среде. Пусть в контексте рассматриваемой постановки задачи синтеза ВОСБ также известно конечное множество агентов субъектов безопасности A={a1, a2, …, am}, такое, что каждому субъекту безопасности ставится в соответствие его виртуальный представитель в распределенной информационной среде, то есть G:SA, SASA. Тогда каждый из агентов apA, p  1, M , реализует компетенции своего хозяина-пользователя в виртуальной среде,





ства R; P – процесс управления безопасностью в рассматриваемой кризисной ситуации CS, представляющий собой последовательное решение всех задач zqZ, q  1, N ; t – параметр времени.

а именно Fa p и I a p , где Fa p  f a1p , f a2p , ..., f arpF ,

Для решения совокупности задач zqZ, q  1, N , субъекты безопасности S должны обладать соответствующими компетенциями. В качестве количественной меры для оценки компетенций субъектов безопасности предложено использовать их информационную и функциональную мощности. Информационная мощность субъекта безопасно-

определяющий возможности субъекта безопасности – возможное время реагирования, количество имеющихся в наличии ресурсов (единицы техники, человеческие ресурсы, информация) и т.д. Таким образом, задача синтеза ВОСБ заключается в подборе множества агентов KCSA, суммарная компетенция которых удовлетворяет требованиям разрешимости кризисной ситуации CS с учетом имеющейся неполной исходной информации о ситуации, а также минимизации вовлеченных в





сти I zq  i1zq , iz2q , ..., izrqI , izkq  0 , k  1, rI , для решения задачи zqZ задает имеющиеся у него в нали146

f ajp  0 , *





j*  1, rF ; I a p  ia1p , ia2p , ..., iarIp , iakp  0 , *

k  1, rI . Также задан вектор ограничений Ca p , *

Программные продукты и системы

№ 4, 2013 г.

процесс управления безопасностью информационных, аналитических и исполнительных ресурсов, то есть RCS(t)min, причем ресурсы должны обеспечить решение всех задач zqZ, q  1, N , и быть доступными на интервале времени [t0; T], где t0 – время поступления информации о кризисной ситуации (идентификация входных данных в системе) в виде пользовательского запроса; T – момент времени принятия решения. Для решения задачи синтеза ВОСБ для рассматриваемой кризисной ситуации необходимо следующее.  Определить соответствие между компетенциями (j, k), требуемыми для решения совокупности задач по локализации кризисной ситуации, и компетенциями агентов субъектов безопасности (j*, k*). Решение данной задачи позволяет определить множество потенциальных субъектов безопасности, участвующих в разрешении рассматриваемой кризисной ситуации, и сводится к определению семантической близости описания ситуации и компетенций агентов, то есть к установлению взаимно однозначного соответствия между компетенциями, необходимыми для решения задач в кризисной ситуации, и компетенциями

f ajp  f zqj |CS и *

агентов субъектов безопасности:

iajp  izjq |CS . *

 Определить требуемый набор ресурсов для разрешения кризисной ситуации в соответствии с выбранными критериями. В рамках данной задачи агент apA может участвовать в решении нескольких задач zqZ при условии, что имеет доступные (свободные) ресурсы, определяемые его компетенциями. Каждый агент в зависимости от своих компетенций может стремиться к максимальному использованию своих функциональных и информационных

  f aj  f z j   min rF

мощностей:

p

j 1

q

и

  iak  izk   min ; а также к сокращению времеrI

p

k 1

q

 tz  f aj   min и rF

ни решения задачи zqZ:

j 1

q

p

j k  tz  iak   min , где tz  f a  и tz  ia rI

k 1

q

p

q

p

q

p



– время

выполнения агентом apA задачи zqZ в зависимости от своих компетенций f ajp и iakp . Для совместного решения сложных задач zqZ в контексте рассматриваемой кризисной ситуации агенты могут объединяться в коалиции. Коалицию агентов можно определить как группу агентов, объединенных общими целями для решения задачи zqZ и обладающих достаточной суммарной компетенцией для ее решения. Возможны два спо-

соба формирования проблемно-ориентированных коалиций агентов: статическое и динамическое. В случае статического формирования коалиций параметры, описывающие текущую ситуацию CS и компетенции агентов A, фиксированы, тогда как при динамическом формировании коалиций они меняются с течением времени. В работе исследован процесс динамического формирования коалиций агентов. Совокупность коалиций агентов   COALCS  coal j k  A , объединяющая всех f ,i zq zq   агентов субъектов безопасности, участвующих в разрешении кризисной ситуации CS, соответствует синтезируемой ВОСБ. Таким образом, задача синтеза ВОСБ для управления безопасностью в кризисных ситуациях непосредственно связана с формированием проблемно-ориентированных коалиций агентов. Формирование проблемно-ориентированных коалиций агентов, согласно [6, 7], – один из эффективных подходов к конфигурированию виртуальных организационных структур под конкретную задачу посредством применения согласованных стратегий, временная логика которых зависит от динамически меняющихся условий. Компетенции агентов субъектов безопасности реализуются, как правило, в виртуальной среде в виде информационных сервисов, которые агенты предоставляют по запросу пользователям либо другим агентам. Пусть AS={as1, as2, …, asQ} – множество сервисов агентов. В концепции SOA (методология построения распределенных информационных систем на базе сервисно-ориентированной архитектуры [8]) сервисы описываются следующими компонентами asi=(Ii, Oi, Yi, Ei), где Ii – входы сервиса; Oi – выходы сервиса; Yi – условия корректной работы сервиса asi и ожидаемых результатов его функционирования; Ei – состояние среды исполнения сервиса asi, в которое она переходит в результате его выполнения. Если рассматривать сервисы агентов как функции для решения задач zqZ в рамках процесса управления безопасностью P в конкретной кризисной ситуации CS, то синтез ВОСБ представляет собой итеративный процесс подбора композиции сервисов, таких, что выходные ресурсы одного сервиса могут быть использованы в качестве входных ресурсов другого сервиса, обеспечивая при этом решение всех взаимосвязанных задач по разрешению ситуации CS, то есть должны выполняться следующие условия: OUT (ask )  IN (asl ) asl ASi 1

ask ASi

либо ask ASi

IN (ask ) 

asl ASi 1

OUT (asl ) ,

где IN(asi) и OUT(asi) – множества входных и выходных ресурсов сервиса asi соответственно. Вир147

Программные продукты и системы

туальная организационная структура формируется как направленный ациклический граф, вершинами которого являются сервисы агентов, а дугами – их входные и выходные ресурсы. Условием останова итеративного алгоритма может быть достижение целевой установки в виде заданного результирующего ресурса, получение на очередной итерации множества входных ресурсов, удовлетворяющих заданным требованиям (например, ресурсов, имеющихся в наличии у субъекта безопасности), или же истечение времени жизни агента, инициировавшего процедуру синтеза. Для определения сходства множества входных и выходных ресурсов сервисов необходимо установить сходство экземпляров, которые описывают эти ресурсы. Так как ресурсы описываются в терминах онтологии предметной области и основаны на OWL, семантическое сходство описаний экземпляров ресурсов определяется с использованием понятий эквивалентности и производной, определенных в дескриптивной логике. Считается, что все элементы множества равны, если на них может быть определено одно из двух отношений, а именно, эквивалентности  и включения . Соответствие концептов из конкретной онтологии, представляющих входные и выходные ресурсы сервисов, относится к одному из следующих типов: а) соответствие эквивалентности или б) соответствие включения. Сходство ресурсов измеряется с помощью их параметров. Степень сходства определяется на основе вычисления дистанции между концептами онтологии, в которой параметры описания ресурсов являются концептами. Для оценки степени соответствия ресурсов (сходства по входам и/или выходам сервисов), получаемых на выходе одного сервиса, входным ресурсам другого в условиях неполных слабоструктурированных разнородных исходных данных предложено использовать составную семантическую метрику, основанную на отношении d-эквивалентности [9], заданном на множестве ресурсов. Отношение d-эквивалентности, заданное на множестве ресурсов, используется в качестве критерия отбора включаемых в виртуальную структуру сервисов (агентов). В заключение отметим, что в ходе проведенных исследований были получены следующие основные результаты.

1. Разработана формальная концептуальная модель мультиагентной интегрированной информационно-аналитической среды поддержки управления региональной безопасностью, обеспечивающая основу для автоматизированного синтеза ВОСБ.

2. Предложен метод автоматизированного синтеза ВОСБ. Синтез осуществляется на базе формализованных концептуальных описаний решаемых в рамках информационно-аналитической среды безопасности задач с учетом модели рас148

№ 4, 2013 г.

сматриваемой кризисной ситуации, согласованности целей взаимодействия субъектов безопасности, временных и ресурсных ограничений. Метод позволяет синтезировать виртуальные структуры безопасности, в том числе в условиях использования слабоструктурированных неполных исходных данных о рассматриваемой кризисной ситуации. Это обеспечивает его применимость на начальных этапах процесса принятия решений по управлению безопасностью в кризисных ситуациях, связанных с определением необходимых исполнительных ресурсов, согласованием и формированием планов совместных действий. Полученные результаты использовались при разработке «Стратегии социально-экономического развития Мурманской области до 2015 года», а также при реализации «Стратегии развития Арктической зоны Российской Федерации и обеспечения национальной безопасности на период до 2020 года» на территории Мурманской области. На основе представленных в работе результатов сформирована мультиагентная виртуальная сетецентрическая информационно-аналитическая среда поддержки управления безопасностью развития Мурманской области – МИАС «Безопасный Виртуальный Регион» [2], представляющая собой иерархическое виртуальное пространство региона как интеграционную площадку для проблемноориентированных ситуационно-коалиционных мультиагентных систем управления региональной безопасностью, мониторинга социально-экономического развития и кризисного реагирования. Литература 1. Олейник А.Г., Федоров А.М. Проблемы и задачи формирования единого информационного пространства Арктической зоны РФ: тр. Кольского науч. центра РАН: Сер. Информационные технологии. Апатиты, 2011. Вып. 2. С. 19–28.

2. Маслобоев А.В. Мультиагентная информационноаналитическая среда поддержки управления региональной безопасностью «Безопасный Виртуальный Регион» // Науч.технич. вест. информ. технологий, механики и оптики. 2013. № 4 (86). С. 128–138.

3. Емельянов С.В., Попков Ю.С., Олейник А.Г., Путилов В.А. Информационные технологии регионального управления. М.: Эдиториал УРСС, 2004. 400 с.

4. Горохов А.В., Олейник А.Г., Путилов В.А. Когнитивные функции концептуальных моделей социально-экономических систем // II Междунар. конф. по когнитивной науке: тез. докл. СПб: Изд-во СПбГУ, 2006. Т. 2. С. 576–577.

5. Ломов П.А., Шишаев М.Г. Интеграция онтологий с использованием тезауруса для осуществления семантического поиска // Информационные технологии и вычислительные системы. 2009. № 3. С. 49–59.

6. Смирнов А.В., Шереметов Л.Б. Модели формирования коалиций кооперативных агентов: состояние и перспективы исследований // Искусственный интеллект и принятие решений. 2011. № 1. С. 36–48.

7. Путилов В.А., Шишаев М.Г., Олейник А.Г. Технологии распределенных систем информационной поддержки инновационного развития региона: тр. Института системного анализа РАН: Прикладные проблемы управления макросистемами. М.: ЛИБРОКОМ, 2008. Т. 39. С. 40–63.

8. Жебрун Н.Н. Использование сервис-ориентированных архитектур при построении информационных систем // Алго-

Программные продукты и системы ритмы, методы и системы обработки данных. 2005. № 10. С. 249–254.

9. Маслобоев А.В., Шишаев М.Г. Модели и технологии информационной поддержки логистики инноваций // Инновации. 2011. № 6 (152). С. 40–53.

References 1. Oleynik A.G., Fedorov A.M. Issues of consolidated information area of Russian Arctic zone. Trudy Kolskogo nauchnogo centra RAN [Proc. of Kola science centre RAS].

Apatity, 2011, iss. 2, pp. 19–28 (in Russ.).

2. Masloboev A.V. Multi-agent research and information environment for regional security control support. Scientific and technical journ. of information technologies, mechanics and optics.

2013, no. 4 (86), pp. 128–138 (in Russ.).

3. Emelyanov S.V., Popkov Yu.S., Oleynik A.G., Putilov V.A. Informatsionnye tekhnologii regionalnogo upravleniya [Information technologies for regional management]. Moscow, Editorial URSS Publ., 2004, 400 p.

4. Gorokhov A.V., Oleynik A.G., Putilov V.A. Tezisy dokladov v 2 t. II Mezhdunar. konf. po kognitivnoy nauke [Proc. of

№ 4, 2013 г. the 2nd int. conf. on cognitive science: thesis]. St. Petersburg, St. Petersburg State Univ. Publ., 2006, vol. 2, pp. 576–577.

5. Lomov P.A., Shishaev M.G. Ontologies integration using thesaurus for semantic search. Informatsionnye tekhnologii i vychislitelnye sistemy [IT and computer systems]. 2009, no. 3, pp.

49–59 (in Russ.).

6. Smirnov A.V., Sheremetov L.B. Formation models for collaborative agents combinations: current state and research trends. Iskusstvenny intellekt i prinyatie resheniy [Artificial intelligence and decision making]. 2011, no. 1, pp. 36–48 (in Russ.).

7. Putilov V.A., Shishaev M.G., Oleynik A.G. Trudy Instituta sistemnogo analiza RAN: Prikladnye problemy upravleniya makrosistemami [Proc. of ISA RAS: macrosystems control applied problems]. Moscow, “LIBROKOM” Publ., 2008, vol. 39, pp. 40– 63 (in Russ.).

8. Zhebrun N.N. Using service-oriented architechtures when designing information systems. Algoritmy, metody i sistemy obrabotki dannykh [Data processing algorithms, methods and systems]. 2005, no. 10, pp. 249–254 (in Russ.).

9. Masloboev A.V., Shishaev M.G. Innovatsii [Innovations].

2011, no. 6 (152), pp. 40–53 (in Russ.).

УДК 004.42

КЛАСТЕР ВЫСОКОЙ ДОСТУПНОСТИ ПРОГРАММНОГО КОМПЛЕКСА АВТОМАТИЗАЦИИ ПРОЦЕДУРЫ СБОРА ДАННЫХ И.Ю. Артемов, ст. преподаватель (Тверской государственный технический университет, наб. Аф. Никитина, 22, г. Тверь, 170026, Россия, i_artemov@ak-obs.ru) Описывается архитектура кластера высокой доступности программной системы автоматизации процедуры сбора данных. Приводятся причины, в силу которых требуется повышение отказоустойчивости системы. Основное внимание уделено описанию компонентов, расположенных на серверной стороне и работающих в режиме отказоустойчивого кластера. Кроме того, приводятся способы распределения запросов между различными узлами отказоустойчивого кластера, позволяющие отказаться от использования центрального узла кластера. Предлагаемый метод заключается в том, что за перераспределение запросов между узлами отвечает клиентское программное обеспечение, которое осуществляет выбор доступного узла путем выполнения специальной процедуры, описанной в статье. В данном исследовании рассмотрены механизмы распределения пакетов между узлами внутри отказоустойчивого кластера, позволяющие проводить асинхронную репликацию данных даже в том случае, если один из узлов некоторое время был недоступен. Ключевые слова: управление, архитектура программного обеспечения, сервер, мобильный терминал, кластер.

HA-CLUSTER OF DATA COLLECTION SYSTEM Artemov I.Yu., senior lecturer (Tver State Technical University, Quay Nikitin, Tver, 22, 170026, Russian Federation, i_artemov@ak-obs.ru) Аbstract. The article describes the high available cluster (failover cluster) architecture of the software system for automation of data collection procedures. This architecture allows implementing software systems that provide service availability with needed guarantee. The article describes all parts of the software system such as server side and client side software. The paper is focused on server side components of the system, that works in the hight available cluster. The author gives the description of method for distribution packets between different failover cluster nodes. This method eliminates the use of the central failover cluster nodes. The basic idea of the method is that client software automatically selects first available cluster node using special procedure discribed in the article. The author also discusses algorithms for the distribution of packets between cluster nodes within the server software.

Keywords: control, software architecture, server, mobile terminal, cluster.

Большинство крупных производителей заинтересованы в повышении эффективности работы сотрудников отделов продаж (торговых/медицинских представителей – ТП). Одним из возможных способов повышения эффективности является использование систем SFA (Sales Force Automation).

Крупные производители напрямую не осуществляют продажу продукции, этим занимаются дистрибьюторы (как правило, территориально распределенные по всей стране), в штате которых работают сотрудники производителя. Необходимо учитывать тот факт, что у дистрибьюторов и про149

Программные продукты и системы

№ 4, 2013 г.

изводителя разные корпоративные информационные системы (КИС). При этом одна часть данных, собранных ТП, должна передаваться дистрибьюторам (заказы продукции), а другая – производителю (информация о представленности продукции в торговой точке). С учетом всего перечисленного сегодня наиболее часто используются следующие варианты развертывания SFA-систем: 1) у каждого дистрибьютора устанавливается серверное оборудование SFA-системы; данный сервер подключается к КИС дистрибьютора и отвечает за обслуживание небольшой группы ТП; 2) в специализированном дата-центре устанавливается сервер SFA-системы, который отвечает за обслуживание всех дистрибьюторов и ТП. В связи с тем, что у производителя достаточно много дистрибьюторов (как правило, сотни), первый вариант развертывания SFA-систем характеризуется как высокой стоимостью владения (совокупная стоимость оборудования, ПО и дальнейшей поддержки аппаратно-программного комплекса), так и чрезвычайно низкой надежностью (возрастает вероятность выхода оборудования из строя, нестабильность каналов связи у дистрибьюторов и т.д.) [1, 2]. Главным достоинством данного варианта является возможность распределения нагрузки на серверные элементы SFA-системы и ускорения попадания данных в КИС дистрибьютора. Второй вариант развертывания SFA-системы (единый сервер) позволяет в большей или меньшей степени устранить недостатки первого варианта, однако в данном случае к серверу SFA-системы предъявляются повышенные требования по надежности аппаратно-программного комплекса в целом. На самом деле проблема надежности становится первоочередной, так как выход центрального узла из строя приведет к коллапсу всей SFAсистемы. В данной статье описывается разработка архитектуры развертывания серверной составляющей SFA-системы OMOBUS (см. рис. 1), которая позволила бы повысить отказоустойчивость системы в целом и полностью устранила бы возможные риски, связанные с простоем системы.

Проведенные предварительные исследования показали, что фактически единственным способом, которым можно повысить отказоустойчивость системы, является организация кластера, состоящего из нескольких узлов [3]. Под кластером понимается группа компьютеров, объединенных высокоскоростными каналами связи и представляющая, с точки зрения пользователя, единый аппаратный ресурс. К кластеру SFA-системы OMOBUS предъявляются следующие основные требования: – гарантированная высокая отказоустойчивость системы при возможном выходе аппаратного обеспечения сервера из строя; – отсутствие в кластере центрального узла; – полностью автономная работа всех узлов кластера (взаимное влияние узлов должно быть абсолютно исключено); – введение узлов в эксплуатацию после сбоя без необходимости временной остановки всей системы. Среди известных видов кластеров выделим [3]: – отказоустойчивые кластеры (High-Availability Clusters – HA-кластеры высокой доступности) с холодным и горячим резервами, с модульной избыточностью; – кластеры с балансировкой нагрузки (Load Balancing Clusters); – вычислительные кластеры (High Perfomance Computing Clusters); – grid-системы. Для решения поставленной задачи необходимо использовать кластеры высокой доступности с модульной избыточностью. Только в этом случае гарантируется, что разные узлы кластера будут находиться всегда в едином состоянии либо различия гарантированно не повлияют на дальнейшую работу. При этом количество узлов, входящих в кластер, должно быть не менее двух, желательно расположенных в разных дата-центрах. Все остальные виды кластеров по тем или иным причинам не позволяют решить поставленную задачу в полной мере: отказоустойчивые кластеры с холодным/горячим резервом подразумевают потенциальную возможность простоя, если основной узел вышел из строя и не гарантирует эквивалент-

Internet

Internet

Internet

node 1 ftp-сервер

Мобильный терминал

users

Сервер документов (отвечает за ввод документов, созданных пользователями )

Хранилище данных

Генератор данных для дистрибьюторов Генератор данных для производителя

Рис. 1. Схема взаимодействия элементов SFA-системы OMOBUS

150

КИС дистрибьютора ESB КИС производителя

Программные продукты и системы

№ 4, 2013 г.

Internet

Сервер документов (отвечает за ввод документов, созданных пользователями )

users

node 1

Мобильный терминал

Internet

Internet node 1

ftp-сервер

Отправка данных на первый доступный узел

Хранилище данных

Сервер документов (отвечает за ввод документов, полученных на узел node 2)

Генератор данных для дистрибьюторов

КИС дистрибьютора

Генератор данных для производителя

ESB

ftp-сервер node 2

users

node 2

Сервер документов (отвечает за ввод документов, полученных на узел node 1)

Сервер документов (отвечает за ввод документов, созданных пользователями )

Хранилище данных

Генератор данных для дистрибьюторов

КИС производителя

Генератор данных для производителя

Рис. 2. Схема взаимодействия элементов SFA-системы OMOBUS (HA-кластер с модульной избыточностью)

ность данных, хранящихся на узлах; кластер с балансировкой нагрузки предполагает наличие центральных узлов, отвечающих за диспетчеризацию данных; вычислительные кластеры и grid-системы используются для других целей. С учетом всего перечисленного схема элементов HA-кластера с модульной избыточностью будет иметь вид, приведенный на рисунке 2. Как видим, кластер не содержит центральный узел, все элементы кластера равноправны и не зависят друг от друга. Выход любого узла кластера из строя не повлечет за собой отказ всей системы. Концептуально HA-кластер SFA-системы OMOBUS включает следующие основные элементы (в скобках указываются названия модулей, разработанных в рамках реализации задачи, описываемой в данной статье): – специально спроектированный мобильный терминал (omobus-mobile), который может осуществлять выбор доступных узлов кластера; – FTP-сервер Pure-FTPd для обмена данными, в рамках которого происходит репликация (omobus-pk-repl) полученных пакетов на другие узлы кластера; – сервер документов, отвечающий за обработку данных, напрямую полученных на данный узел с мобильных терминалов; – сервер документов (omobus-node), который обрабатывает данные, полученные с других узлов кластера; – агрегационное хранилище данных, реализованное на основе системы управления реляционных БД (в текущий момент времени поддерживаются СУБД Postgres и Firebird);

– генератор данных для дистрибьютора; – генератор данных для производителя; – единая шина (Enterprise Service Bus – ESB), к которой подключены производитель, дистрибьюторы и SFA-система OMOBUS. Как видно из рисунка 2, процедура выбора доступного узла кластера реализована на стороне мобильного терминала. Данный подход позволяет отказаться от использования центрального узла кластера, который отвечает за диспетчеризацию принимаемых потоков данных. Фактически за диспетчеризацию данных отвечает каждый мобильный терминал самостоятельно. Список узлов кластера загружается при запуске мобильного терминала из текстового конфигурационного файла. Из этого же файла загружаются параметры, связанные с проверкой доступности узла кластера (тайм-аут выполнения процедуры подключения к узлу). Код процедуры проверки доступности узла написан на языке C с использованием BSD sockets [4]. Данный подход позволяет добиться высокой производительности и переносимости кода. В настоящий момент процедура проверки доступности узла используется на терминалах, работающих под управлением Windows Mobile и Android. Схема проверки доступности узла кластера приводится на рисунке 3. Как видно из приведенной схемы, в ходе выполнения процедуры выбирается первый доступный узел из списка. Проверка доступности узла осуществляется путем выполнения определенных действий (для предотвращения длительных задержек, связанных с сетевыми интерфейсами, все перечисленные действия выполняются в неблоки151

Программные продукты и системы

№ 4, 2013 г.

Загрузка параметров: 1. список узлов кластера; 2. тайм-аут подключения, получения и отправки данных Выбор первого узла кластера из списка

Подключиться к узлу кластера Подключение выполнено успешно Получить данные Ответ Тайм-аут или (приветствие) корректный ошибка с ftp-сервера подключения Тайм-аут получения данных или данные возвращены в ошибочном виде

Вернуть адрес текущего узла кластера

Переход к следующему узлу кластера

Рис. 3. Схема процедуры проверки доступности узла кластера

рующем режиме, который предполагает, что выполняющаяся в текущий момент операция имеет строго предписанное максимальное значение времени выполнения), а именно: – подключение к требуемому узлу путем вызова функции connect; перед вызовом данной функции выполняется определение IP-адреса по DNS-имени; – получение приветствия со стороны ftpсервера согласно RFC959; данная процедура выполняется с помощью функции recv. Узел считается доступным и готовым к приему данных только в случае, если все перечисленные шаги выполнены успешно. При штатной работе кластера большая часть данных будет передаваться на первый узел кластера. В результате этого возникает вторая задача, которая подразумевает репликацию полученных на каждый узел данных на другие узлы кластера. Данная задача решается с помощью модуля omobus-pk-repl. Модуль omobus-pk-repl работает на каждом узле кластера и отвечает за репликацию входящих потоков данных на общие ресурсы, доступные всем заинтересованным сторонам. Данный модуль написан на языке C с использованием компилятора gcc и может работать под управлением любой unix-подобной операционной системы (Linux, FreeBSD и т.д.). Модуль omobus-pk-repl интегрируется с ftp-сервером Pure-FTPd (http://www.pureftpd.org/project/pure-ftpd), который вызывает данный модуль для всех входящих потоков данных. Входящий поток данных представляет собой набор специально оформленных файлов (пакетов), содержащих структурированные данные в текстовом формате (XML – eXtensible Markup Language). При необходимости пакеты могут сжиматься с 152

помощью алгоритма deflate или Барроуза–Уилера. Исходя из этого omobus-pk-repl выполняет следующие операции.  Распаковывается исходный пакет (если это необходимо). Для распаковки пакетов, сжатых с помощью алгоритма deflate, используется библиотека zlib (http://www.zlib.net/), а Барроуза–Уилера – bzip2 (http://www.bzip.org/).  Выполняются разбор данных, хранящихся в формате XML, и их первичная проверка с помощью функций библиотеки libxml2 (http://www. xmlsoft.org/).  Выполняется проверка соответствия разобранного XML предписанной схеме документов, хранящейся в формате XSD (XML Schema Definition). Это позволяет провести тонкую проверку входящих данных на соответствие требуемой спецификации.  Если все проверки прошли успешно, пакет дублируется в локальную папку, к которой имеется доступ через FTP с других узлов. Дальнейший ввод реплицированных пакетов осуществляется с помощью сервера документов omobus-node, который загружает данные, хранящиеся на удаленном узле. С учетом того, что сервер документов работает с высокой периодичностью (не реже двух раз в минуту), узлы оказываются в полностью идентичном состоянии в любой момент времени. В том случае, если узел (например node1) выходит из строя (допустим, по причине поломки аппаратуры) или временно недоступен (проблемы в дата-центре или плановое обслуживание оборудования), мобильные терминалы перестают обнаруживать такой узел и отправляют данные на первый доступный узел из оставшихся в эксплуатации (node2). На узле node2 реплицированные для узла node1 пакеты будут накапливаться до тех пор, пока узел node1 не будет возвращен к активной работе. Как только это произойдет, все накопленные данные будут загружены на узел node1 и обработаны. После этого узлы станут идентичными (по данным, которые в них хранятся). В настоящий момент времени разработанное ПО находится в стадии финального тестирования. Реальная эксплуатация кластера SFA-системы OMOBUS намечена на ноябрь–декабрь 2013 года. Планируется, что кластер будет состоять из двух узлов (каждый из них оснащен двумя восьмиядерными процессорами Intel Xeon и 32 Gb RAM), которые разместятся в разных дата-центрах. К кластеру планируется подключить около 500 мобильных терминалов, предназначенных для работы на территории всей страны. В заключение следует отметить, что полученная архитектура кластера высокой доступности с избыточной модульностью позволяет реализовать SFA-систему, работающую в режиме 24X7X365, то есть фактически обеспечить необходимый сер-

Программные продукты и системы

вис в непрерывном режиме в любой момент времени круглый год. Литература 1. Everitt B.S., Landau S., Leese M. Cluster Analysis. A Hodder Arnold Publ., 2001, pp. 120–234.

2. Пономаренко В.С., Листровой С.В., Минухин С.В., Знахур С.В. Методы и модели планирования ресурсов в GRIDсистемах. Украина, Харьков: Издат. дом ИНЖЭК, 2008. 408 с.

3. Стивенс Р., Раго С. UNIX: профессиональное программирование: 2-е изд. СПб: Символ-Плюс, 2007. 1040 с.

4. Стивенс Р., Феннер Б., Рудофф Э.М. UNIX: разработка сетевых приложений: 3-е изд. СПб: Питер, 2007. 1039 с.

№ 4, 2013 г.

References 1. Everitt B.S., Landau S., Leese M. Cluster Analysis. A Hodder Arnold Publ., 2001, pp. 120–234.

2. Ponomarenko V.S., Listrovoy S.V., Minukhin S.V. Metody i modeli planirovaniya resursov v GRID- sistemakh [Planing methods and models for resourses in GRID-systems]. Ukraine, Kharkov, INZHEK Publ., 2008, pp. 95–102 (in Russ.).

3. Stivens R., Rago S. UNIX professionalnoye programmirovaniye [UNIX professional programming]. 2nd ed., St. Petersburg, Simvol-Plyus Publ., 2007, pp. 504–532.

4. Stivens R., Fenner B., Rudoff E.M. UNIX: razrabotka setevykh prilozheniy [UNIX developing network applications]. 3rd ed., St. Petersburg, Piter Publ., 2007, pp. 185–222.

УДК 004.05

ЗАЩИТА ИНФОРМАЦИИ В САМООРГАНИЗУЮЩЕЙСЯ ИНФОРМАЦИОННОЙ СИСТЕМЕ БЕЗ ИСПОЛЬЗОВАНИЯ СПЕЦИАЛЬНЫХ СРЕДСТВ В.В. Дрождин, к.т.н., доцент, зав. кафедрой; Р.Е. Зинченко, к.т.н., доцент (Пензенский государственный университет, ул. Красная, 40, г. Пенза, 440026, Россия, drozhdin@yandex.ru, rzinchenko@yandex.ru) Рассматривается обеспечение безопасного доступа в самоорганизующейся информационной системе. Проанализировано текущее состояние информационной безопасности и защиты данных. Для повышения уровня безопасности самоорганизующейся информационной системы предложено использование трех компонентов: взаимодействие информационной системы с системой иерархически связанных пользователей, взаимодействие пользователей с системой через области видимости, регулярная аутентификация пользователей по их поведению. Взаимодействие информационной системы с системой иерархически связанных пользователей, объединенных в сетевую структуру, с одной стороны, упрощает создание системы и обеспечивает контроль и управление деятельностью подчиненных пользователей вышестоящими пользователями, а с другой – предоставляет возможность системе обратиться за помощью к вышестоящим пользователям в случае возникновения сложной или неопределенной ситуации с конкретным пользователем. Использование механизма областей видимости для всех пользователей системы позволяет легко формировать пользовательские представления о предметной области и делегировать полномочия вышестоящих пользователей подчиненным пользователям, а самоорганизующаяся информационная система будет обеспечивать корректное функционирование и эффективную обработку данных, соответствующие концептуальной модели предметной области. Реализация регулярной аутентификации пользователей в самоорганизующейся информационной системе по их поведению позволит более точно идентифицировать каждого пользователя системы и более корректно предоставлять конфиденциальные полномочия. Таким образом, предложенный подход естественным образом сочетает программные (автоматические) и организационные средства защиты информационной системы. Ключевые слова: самоорганизующаяся информационная система, защита информации, аутентификация пользователя, модель предметной области, область видимости.

DATA PROTECTION IN SELF-ORGANIZING INFORMATION SYSTEM WITHOUT USING SPECIAL FACILITIES Drozhdin V.V., Ph.D. Tech. Sc., associate professor, head of chair; Zinchenko R.E., Ph.D. Tech. Sc., associate professor (Penza State University, Krasnaya St., 40, Penza, 440026, Russian Federation, drozhdin@yandex.ru, rzinchenko@yandex.ru) Аbstract. The safe access in self-organizing information system is described. The current state of information security and data protection is shown. To increase a level of safety of self-organizing information system three components are offered: interaction of information system with system of hierarchically connected users, interaction of users with the system via visibility areas, regular users' authentication based on their behavior.

Interaction of information system with the system of hierarchically connected users united in a network structure, on the one hand, simplifies system creation and provides control of subordinated users’ activity by higher users. On the other hand,

153

Программные продукты и системы

№ 4, 2013 г.

it gives an opportunity to the system to gain the help of higher users in case of a difficult or uncertain situation with the specific user.

Using the areas visibility mechanism for all users allows to form the user representation of data domain easily and to delegate powers of higher users to the subordinated users, and the self-organizing information system will provide the correct functioning and the effective data processing according to conceptual data domain model.

Regular users' authentication in self-organizing information system based on their behavior will allow to identify each user more precisely and to confer confidential powers more correctly.

Thus, the offered approach combines naturally both program (automatic) and organizational means of information system security.

Keywords: self-organizing information system, information security, user authentication, data domain model, scope.

В современных информационных системах очень важное значение придается безопасности и защите информации. Защитой данных называется предотвращение доступа к ним со стороны несанкционированных пользователей и обеспечение выполнения пользователями только разрешенных действий. Поэтому систему защиты информации в информационной системе составляют технические, программные и программно-технические средства защиты информации, а также средства контроля эффективности защиты информации. Основными механизмами защиты информации в автоматизированных информационных системах (АИС) являются регистрация и учет пользователей системы, управление доступом пользователей к данным, криптографическая защита данных, обеспечение целостности БД. Целесообразно, чтобы все меры по обеспечению безопасности АИС выполнялись средствами самой компьютерной системы автоматически. На основе анализа источников [1, 2] можно сделать вывод, что решение проблемы обеспечения защиты данных идет по пути наращивания количества всевозможных специальных средств, таких как биометрические средства (дактилоскопические считыватели, устройства измерения геометрии ладони, голосовая верификация, считывание радужной оболочки и сетчатки глаза, устройства распознавания подписей), электронные жетоны – генераторы случайных последовательностей, электронные внешние ключи классов Touch Memory и eToken, механические ключи, пластиковые карты различных технологий и др. Использование указанных средств сопровождается повышением сложности процедур регистрации и входа в систему и ужесточением политик доступа, что чрезвычайно усложняет работу пользователей с АИС и требует большого штата специалистов для обслуживания системы защиты информации. Рассмотрим преимущества самоорганизующейся информационной системы в обеспечении безопасности и защиты информации. Прежде всего необходимо отметить, что все указанные проблемы являются следствием того, что в современных информационных системах пользователи рассматриваются как множество независимых друг от друга объектов (рис. 1).

154

Пользователь 1 Пользователь 2

Пользователь 3

…

Пользователь n

АИС Рис. 1. Пользователи современных АИС

Хотя у разных пользователей разные права, однако с точки зрения АИС они ничем не отличаются друг от друга и не имеют друг к другу никакого отношения. Поэтому для управления доступом пользователей к АИС используются многочисленные внешние средства и искусственные правила, с помощью которых специалисты пытаются решить возникающие проблемы. Целесообразно признать такое взаимодействие пользователей с АИС крайне непродуктивным, неэффективным и не способствующим качественному решению проблем безопасного доступа и защиты информации, что давно вызывает критику. Еще в 1989 г. авторы работы [3] предлагали взаимодействие АИС с вложенными пользовательскими группами и указывали, что способность классифицировать пользователей в виде иерархии групп является мощным инструментом администрирования больших систем с тысячами пользователей и объектов. Поэтому предлагается новый подход к взаимодействию пользователей с информационной системой, которая должна быть самоорганизующейся. Самоорганизующейся информационной системой (СИС) называется система, способная активно поддерживать свое существование и обеспечивать решение информационных задач с требуемым качеством в течение длительного времени в условиях существенных изменений внешней среды и внутренней организации системы. Под существенными изменениями внешней среды понимаются изменения с возникновением ситуаций высокой агрессивности среды (например несанкционированный доступ) либо недостаточности ресурсов (например машинного времени или объема памяти). В предлагаемом авторами подходе с СИС должна взаимодействовать система иерархически связанных пользователей, объединенных в сетевую структуру (рис. 2).

Программные продукты и системы

№ 4, 2013 г.

…

Пользователь k.1

Пользователь k.s

……….. Пользователь 2.1

Пользователь 1.1

…

Пользователь 2.m

Пользователь 1.2

Пользователь 1.3

…

Пользователь 1.n

СИС Рис. 2. Взаимодействие с СИС системы иерархически связанных пользователей

Таким образом, СИС организует свое взаимодействие с внешней средой не как с множеством отдельных пользователей, а как с системой взаимосвязанных пользователей. Поэтому каждый пользователь имеет определенную позицию в модели пользователей СИС. Данный подход способствует тому, что вышестоящие пользователи могут контролировать и управлять деятельностью подчиненных пользователей, а система при взаимодействии с конкретным пользователем всегда знает, к кому ей необходимо обратиться при возникновении сложных, неопределенных ситуаций. В целом взаимодействие СИС с системой пользователей позволяет существенно снизить затраты на ее эксплуатацию, так как наличие иерархических отношений между пользователями позволяет распределить обязанности администрирования системы среди довольно большого числа иерархически привилегированных пользователей. Это делает СИС достаточно прозрачной снизу вверх и реализует возможность естественного контроля вышестоящими пользователями действий нижестоящих пользователей. Другой особенностью СИС является то, что пользователи получают возможность формировать собственное представление о предметной области (ПрО) и решаемых задачах в форме концептуальной модели ПрО [4] и формулируют информационные потребности путем оперирования понятиями. Совместно с иерархическими отношениями между пользователями это позволяет естественным путем реализовать механизм областей видимости для каждого пользователя СИС, что существенно повышает защищенность системы без применения специальных средств защиты. Для каждого пользователя на уровне концептуальной модели предметной области определяется подмодель, называемая областью видимости данного пользователя (рис. 3). Учитывая, что БД СИС создает и поддерживает самостоятельно на основе концептуальной модели ПрО, доступ поль-

зователей к данным и их обработка полностью определяются областью видимости. Данный подход позволяет обеспечить одно из важнейших требований [1] к защите информации: пользователи будут получать доступ только к той информации и с теми возможностями по ее обработке, которые соответствуют их функциональным обязанностям. Область видимости для каждого пользователя определяется его вышестоящим пользователем. Поэтому в СИС осуществляется реализация концепции доступа, которую можно определить как «все запрещено». В соответствии с расширением функциональной деятельности и решаемых задач будет изменяться и область видимости пользователя. В случае подчинения некоторого пользователя нескольким вышестоящим пользователям его подмодель ПрО представляется совокупностью взаимосвязанных секций, которые будут доступны соответствующим вышестоящим пользователям. Контроль деятельности подчиненных пользователей вышестоящими пользователями осуществляется правом на просмотр и модификацию любых действий, выполненных подчиненными пользователями. Поэтому, если какой-либо пользователь пытается выполнить в системе действие, которое им ранее не выполнялось, СИС инициирует запрос к вышестоящему пользователю на разрешение этих действий. Вследствие такого функционирования у пользователей будет больше доверия к системе, что обеспечит более интенсивное взаимодействие системы пользователей и СИС и создаст реальные условия для их коэволюции и возникновения системы принципиально нового типа. Новая система будет являться суперсистемой и включать СИС и систему пользователей как равноправные подсистемы. Существенной проблемой в рамках организации защиты данных в АИС является аутентификация пользователей, заключающаяся в умении 155

Программные продукты и системы

№ 4, 2013 г.

Пользователь k.1

……

Пользователь k.s

………..……….. Пользователь 2.1

Пользователь 1.1

Область видимости (подмодель 1)

…

Пользователь 2.m

Пользователь 1.2

…

Пользователь 1.3

Область видимости (подмодель 2)

Пользователь 1.n

Область видимости (подмодель N)

Концептуальная модель предметной области СИС Рис. 3. Механизм областей видимости в СИС

системы опознавать конкретного пользователя. В настоящее время в большинстве случае аутентификация пользователя осуществляется путем ввода пароля. При этом предполагается, что пароль известен только системе и тем лицам, которые имеют право применять данный идентификатор пользователя [5]. Однако на практике это предположение не всегда оказывается истинным. Если какому-либо лицу становятся известны логин/пароль пользователя АИС, то АИС не в состоянии препятствовать действиям данного лица в системе. В отличие от этого СИС будет обладать способностью опознавать поведение пользователя и в случае обнаружения каких-либо нестандартных, отклоняющихся от обычной практики действий будет сигнализировать об этом вышестоящим пользователям и фиксировать в журналах аудита либо блокировать действия данного пользователя. В [1, 5] указывается, что во многих системах управления БД поддерживаются дискреционный, мандатный или оба способа управления доступом одновременно. В СИС внутренняя организация управления доступом существенно сложнее, однако для пользователей она естественна и не требует больших усилий. Кроме этого, в [5] указывается, что в действующем стандарте языка SQL предусматривается поддержка только избирательного метода управления доступом, осуществляемая двумя механизмами: 156

– механизмом представлений, позволяющим скрывать важные данные от несанкционированных пользователей; – подсистемой авторизации, предоставляющей возможность привилегированным пользователям избирательно назначать необходимые полномочия менее привилегированным пользователям, а также отзывать предоставленные полномочия в случае необходимости. В [5] описывается способ защиты данных в прототипе системы University Ingres, заключающийся в том, что любой запрос перед выполнением автоматически модифицировался таким образом, чтобы предотвратить любые возможные нарушения установленных ограничений защиты. Например, если для некоторого пользователя доступны для просмотра в БД только те детали, которые хранятся в Лондоне, то при выполнении им запроса SELECT * FROM Детали система автоматически преобразует его к виду SELECT * FROM Детали WHERE Город = 'Лондон'. Предлагаемый подход конструктивно является усовершенствованием и существенным расширением данной идеи. Источник разграничений доступа – концептуальная модель предметной области, в которой каждому пользователю видна только его часть предметной области. Далее СИС создает

Программные продукты и системы

БД, соответствующую концептуальной модели предметной области, а также систему базовых запросов, в которых уже заложены все необходимые ограничения видимости в соответствии с подмоделью ПрО каждого пользователя. Таким образом, доступ к БД и обработка данных в СИС возможны только через концептуальную модель предметной области и области видимости пользователей, что обеспечивает корректное функционирование системы и автоматическую реализацию мощных механизмов защиты информации. При этом предложенный подход способствует наиболее тесному сотрудничеству пользователей и выполнению ими кооперативных действий, способствующих более высокому темпу развития предприятия и конкурентным преимуществам на рынке. Литература 1. Духан Е.И., Синадский Н.И., Хорьков Д.А. Применение программно-аппаратных средств защиты компьютерной информации: учеб. пособие. Екатеринбург: УГТУ-УПИ, 2008.

182 с.

2. Мельников В.П., Клейменов С.А., Петраков А.М. Информационная безопасность и защита информации. М.: Академия, 2008. 336 с.

№ 4, 2013 г.

3. Gagliardi R., Lapis G., Lindsay B. A flexible and efficient database authorization facility. IBM Res. Rep. RJ6826, San Jose, CA, 1989.

4. Дрождин В.В., Зинченко Р.Е. Информатизация предприятия на основе самоорганизующейся информационной системы // Инновации в управлении и образовании: техникотехнологические и методические аспекты: матер. II Междунар. науч.-практич. конф. В 2-х т. Тула, 2009. Т. 2. С. 91–93.

5. Дейт К. Введение в системы баз данных. М.: Вильямс, 2006. 1328 с.

References 1. Dukhan E.I., Sinadskiy N.I., Horkov D.A. Primenenie programmno-apparatnykh sredstv zashhity kompyuternoy informatsii: ucheb. posobie [Application of computer information security firmware: tutorial]. Ekaterinburg, Ural. State Tech. Univ. Publ., 2008 (in Russ.).

2. Melnikov V.P., Kleymenov S.A., Petrakov A.M. Informatsionnaya bezopasnost i zashchita informatsii [Information security]. Moscow, Akademiya Publ., 2008 (in Russ.).

3. Gagliardi R., Lapis G., Lindsay B. A flexible and efficient database authorization facility. IBM Res. Rep. RJ6826, San Jose, CA, 1989.

4. Drozhdin V.V., Zinchenko R.E. Materialy II Mezhdunar. nauchno-prakticheskoy konf. “Innovatsii v upravlenii i obrazovanii: tekhniko-tekhnologicheskie i metodicheskie aspekty” [Proc. of the 2nd int. research-to-practice conf. “Innovations in management and education: engineering and methodological aspects”]. Tula, 2009, vol. 2, pp. 91–93 (in Russ.).

5. Date C.J. Introduction to Database Systems, 8th Ed. Addison-Wesley, 2003, 1024 p.

УДК 004.896

ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ РОБОТОМ-МАНИПУЛЯТОРОМ НА ОСНОВЕ МЯГКИХ ВЫЧИСЛЕНИЙ А.В. Николаева, аспирант; С.В. Ульянов, д.ф.-м.н., профессор (Международный университет природы, общества и человека «Дубна», Институт системного анализа и управления, ул. Университетская, 19, г. Дубна, 141980, Россия, nikolaevaav@lenta.ru, ulyanovsv@mail.ru) Рассматривается проблема проектирования интеллектуальных систем управления с применением технологий мягких вычислений на примере робота-манипулятора с тремя степенями свободы. Приводится общая методология проектирования робастных баз знаний с использованием специального интеллектуального инструментария – оптимизатора баз знаний на мягких вычислениях. Предложены варианты организации координационного управления: создание единой базы знаний, содержащей информацию о трех звеньях робота-манипулятора, а также метод разделения (декомпозиции) управления – создание независимых баз знаний для индивидуального управления звеньями. Эффективность спроектированных интеллектуальных систем управления с применением технологий мягких вычислений рассматривается в сравнении с системой управления с постоянными параметрами регулирующего звена, определенными с помощью генетического алгоритма. Для оценки работы систем управления введена система критериев качества, учитывающая методы оценки переходных процессов теории автоматического управления, адаптированная для рассматриваемого объекта управления – робота-манипулятора с тремя степенями свободы. Оценка работы систем управления производится по результатам моделирования в среде MatLab/Simulink и по результатам серии экспериментов на физическом макете объекта управления. Ключевые слова: интеллектуальная система управления, нечеткий регулятор, база знаний, технологии мягких вычислений.

INTELLIGENT CONTROL OF A ROBOT MANIPULATOR BASED ON SOFT COMPUTING Nikolaeva A.V., postgraduate student; Ulyanov S.V., Dr.Sc. (Physics and Mathematics), professor (Dubna Internacional University for Nature, Socitty and Man, Universitetskaya St., 19, Dubna, 141980, Russian Federation, nikolaevaav@lenta.ru, ulyanovsv@mail.ru) Аbstract. The problem of designing control systems using soft computing is described with 3 degrees of freedom manipulator as an example. The article investigates a general methodology of robust knowledge base design using special

157

Программные продукты и системы

№ 4, 2013 г.

intelligent toolkit (Knowledgebase Optimizator on soft computing technology). Variations of organization coordinated control are proposed: single knowledge base containing information about manipulator’s three links, and a divided control method (independent knowledge bases for particular links control). The efficiency of constructed intelligent control systems using soft computing technology is described in comparison with control system using constant settings of regulator defined by genetic algorithm. Set of performance criteria taking into consideration for automatic control theory methods of transition estimations and tailored to concerned control object (3 degrees of freedom robot manipulator) is used to estimate control systems work. Estimate of control system work is performed by results of MatLab/Simulink simulation and experiment series on practical control object.

Keywords: intelligent control system, fuzzy controller, knowledge base, soft computing technology.

Принципиальной особенностью в построении многозвенных манипуляционных устройств является модульность, которая обеспечивает адаптивность и реконфигурируемость динамической структуры в соответствии с решаемой задачей [1–3]. Увеличение сложности структур объектов управления и трудности прогнозирования непредвиденных ситуаций управления усиливают внимание к поиску решения задачи гарантированного управления в условиях риска возникновения нештатных ситуаций. Построение интеллектуальной системы управления (ИСУ) роботом-манипулятором возможно с применением технологий мягких вычислений. Структуры интеллектуальных систем управления с применением технологий мягких вычислений Основным элементом ИСУ с применением технологий мягких вычислений [4, 5] является нечеткий регулятор (НР), управляющий коэффициентами усиления регулятора. НР осуществляет управление коэффициентами усиления регулятора за счет интегрированной в него базы знаний (БЗ), включающей данные о виде и параметрах функций принадлежности входных и выходных нечетких переменных, а также набор нечетких продукционных правил. В качестве регулятора используем пропорционально-интегрально-дифференциальный регулятор (ПИД-регулятор) как наиболее распространенный [6, 7]. Создание БЗ для НР производится с помощью Оптимизатора баз знаний (ОБЗ) на основе мягких вычислений в следующей последовательности: – создание обучающего сигнала – определение типовой ситуации управления (например штатной ситуации), формирование таблицы коэффициентов ПИД-регулятора и ошибок управления с помощью генетического алгоритма (ГА); – формирование модели нечеткого вывода – определение типа нечеткой модели, интерпретации нечетких операций, числа входных и выходных переменных; – создание лингвистических переменных для входных значений; – создание базы правил; – настройка базы правил; 158

– оптимизация левых и правых частей правил БЗ. (Разработка инструментария подтверждена Свид. о гос. регистр. прогр. для ЭВМ № 2011619257 от 1.12.2011 г., авторы: С.В. Ульянов, Л.В. Литвинцева, А.А. Мишин, С.В. Сорокин.) На рисунке 1 приведена прямая цепь структуры ИСУ на основе ОБЗ с применением технологий мягких вычислений для управления роботом-манипулятором с тремя степенями свободы. НР K



ПИДрегулятор

TS

ГА

БЗ U

ОУ

Q

Рис. 1. ИСУ на ОБЗ на мягких вычислениях с одним НР: E=[1 2 3] – ошибка управления; K – матрица пропорциональных, дифференциальных и интегральных коэффициентов ПИД-регулятора – KПi , KДi , KИi ,

i  1,3 , где i – номер соответствующего звена робота-манипулятора; U=[u1 u2 u3] – управляющее воздействие; TS – обучающий сигнал; Q=[q1 q2 q3] – регулируемая величина

ИСУ на ОБЗ на мягких вычислениях с единой БЗ, заложенной в НР, позволяет собрать информацию о взаимном поведении одновременно трех звеньев робота-манипулятора в единую БЗ, однако высокая сложность реализуемой БЗ требует значительных вычислительных ресурсов для создания и размещения. В [8] приводится зависимость максимального числа нечетких правил создаваемой БЗ от числа степеней свободы робота-манипулятора. Упростить процесс проектирования ИСУ и снизить требования к вычислительным ресурсам возможно путем декомпозиции управления – разделения единой БЗ на несколько независимых. Однако в результате рассогласования работы разделенных независимых БЗ несколько снижается качество управления. ИСУ с разделенным управлением на основе технологий мягких вычислений для управления манипулятором с тремя степенями свободы и с применением на нижнем исполнительном уровне ПИД-регулятора представлена на рисунке 2.

Программные продукты и системы

№ 4, 2013 г.

K3=[KП3 KД3 KИ3]

НР3

TS3 БЗ3

K2=[KП2 KД2 KИ2]

НР2

TS2 БЗ2

K1=[KП1 KД1 KИ1]

НР1

TS1

ГА3

q3

ГА2

q2 q1

ГА1

БЗ1

Интеллектуальная надстройка на основе ОБЗ на мягких вычислениях

3

Кп3 п1 d dt

2

Qref

u2

Звено 2



u1

q1

Ки1

q1

Звено 1

U ПИД-регулятор

Q'

q2

q2

Ки2

Кд1



q3

q3

Звено 3



Кд2



u3

Ки3

Кп1 п3 d dt





Кп2 d dt

1



Кд3

Q

ОУ

s(t)

m(t) d(t) Измерительная система

Рис. 2. ИСУ с разделенным управлением на ОБЗ на мягких вычислениях для управления манипулятором с тремя степенями свободы: Qref – воздействующий (задающий) сигнал; Q – измеренная регулируемая величина; s(t) – ограничение управляющего воздействия; d(t) – задержка в измерительной системе; TSi, i  1,3 – обучающий сигнал соответствующего НР; m(t) – внешнее воздействие среды

Используется способ декомпозиции управления, когда каждый НР с заложенной БЗ отвечает за управление одним звеном. Оценка работы рассмотренных ИСУ производится по результатам MatLab/Simulink-моделирования и по результатам серии экспериментов на физическом ОУ.

Дисплей

Клавиатура Плата управления Сервоприводы

Реализация системы управления роботом-манипулятором с тремя степенями свободы

Акселерометры

Ручное управление

q2 q3

Для исследования качества систем управления был разработан макет робота-манипулятора с тремя степенями свободы (рис. 3). В отличие от традиционного подхода в данной работе поведение звеньев макета робота-манипулятора было формализовано таблицами соответствий, что позволило описать поведение робота в среде MatLab/Simulink, то есть была создана мо-

q1 X

Рис. 3. Макет робота-манипулятора с тремя степенями свободы

159

Программные продукты и системы

Критерий качества Решение в штатных ситуациях управления Решение в непредвиденных ситуациях управления Быстродействие Относительное значение перерегулирования Относительная ошибка позиционирования звеньев Время одной итерации Сложность реализации управления Общее управление

№ 4, 2013 г.

MatLab/Simulink-модели Физический макет Система ИСУ с раздеСистема ИСУ с раздеИСУ с ИСУ с управления ленным управуправления ленным управодним НР одним НР на ГА лением на ГА лением 0,7 1 1 0,5 1 1 0,1

0,833333

1

0

0,9

1

0,102167 1

0,516917 0,996353

0,870667 1

0,02075 0,9282

0,569167 0,996051

0,813167 0,999625

0,820618

0,888263

0,999603

0,797575

0,989769

0,999625

0,981935 1

0,96783 0,948788

0,969978 0,9682

0,7483 1

0,75755 0,935675

0,771525 0,965925

0,410689

0,819583

0,969501

0,305148

0,845152

0,938026

дель реального ОУ без привлечения математической модели манипулятора. Это позволило ускорить идентификацию модели ОУ и получение приемлемых параметров управления для разных типов систем управления и с различным уровнем интеллектуальности. Для оценки работы систем управления (как для MatLab/Simulink-моделей, так и для физического макета) введена хорошо известная система критериев качества, учитывающая методы оценки переходных процессов теории автоматического управления. Данные методы были адаптированы для рассматриваемого ОУ в следующем виде: – решение задачи позиционирования в штатных ситуациях управления; – решение задачи позиционирования в непредвиденных ситуациях управления; – быстродействие; – относительное значение перерегулирования; – относительная ошибка позиционирования звеньев; – время одной итерации; – сложность реализации управления; – общая оценка управления. Методика проведения экспериментов приведена в [8]. Работу рассмотренных ИСУ на ОБЗ на основе мягких вычислений (с одним НР и с разделенным управлением) рассмотрим в сравнении с системой управления с постоянными коэффициентами ПИД-регулятора, подобранными с помощью ГА. В таблице приведено сравнение ИСУ на ОБЗ на мягких вычислениях с системой управления на ГА соответственно для MatLab/Simulink-модели и физического макета робота-манипулятора по введенному ряду критериев качества. Из результатов сравнения видно, что при использовании ИСУ на ОБЗ на мягких вычислениях в отличие от системы управления на ГА задача управления решается как для штатных, так и непредвиденных ситуаций управления, значительно 160

увеличивается быстродействие, улучшается показатель точности позиционирования, однако увеличивается сложность реализации управления. В результате использования ИСУ на ОБЗ на мягких вычислениях с разделенным управлением по сравнению с ИСУ на ОБЗ на мягких вычислениях с одним НР все показатели качества несколько ухудшаются, что происходит из-за рассогласования работы разделенных независимых БЗ. Продемонстрируем работу рассмотренных ИСУ с применением технологий мягких вычислений (с одним НР) в условиях непредвиденных ситуаций управления (рис. 4) по сравнению с системой управления на ГА. В качестве непредвиденной выступает ситуация, одновременно включающая внешнее воздействие (принудительное перемещение второго звена) и внутренние изменения регулирующего звена (ограничение управляющего воздействия). Как видно из рисунка 4, в отличие от системы управления на ГА ИСУ на ОБЗ на мягких вычислениях справляется с задачей точного позиционирования за малое число итераций. Рассмотрим законы управления (рис. 5), формируемые описанными типами систем управления. Из рисунка видно, что законы управления, формируемые системой управления на ГА, для первого и третьего звеньев имеют заведомо большую амплитуду по сравнению с аналогичными законами управления, формируемыми ИСУ на ОБЗ на мягких вычислениях, однако для второго звена в законе управления, формируемом системой управления на ГА, не отражается реакция на внешнее воздействие, в результате чего задача точного позиционирования не решается. Законы управления, формируемые ИСУ на ОБЗ на мягких вычислениях с разделенным управлением, по сравнению с ИСУ на ОБЗ на мягких вычислениях с одним НР при сравнимой амплитуде имеют большее перерегулирование. Таким образом, минимальный расход полезного ресурса при формировании законов управления

Программные продукты и системы

№ 4, 2013 г.

0.3

0.3

Принудительное изменение положения

0.25

Начальное положение

0.2

Принудительное изменение положения

0.25

0.2

0.15

0.1

0.1

Y

Y

0.15

Начальное положение

0.05

0.05

0

0

-0.05

-0.05

Решение задачи позиционирования за 25 итераций

Желаемое положение

Желаемое положение -0.1

-0.1

Достигнутое положение

Достигнутое положение -0.15

0

0.05

0.1

0.15

0.2

0.25

-0.15 0 0.35

0.3

0.05

0.1

0.15

0.2

0.25

0.3

0.35

X вычислениях с одним НР Рис. 4. Работа системы Xуправления на ГА (слева); работа ИСУ на ОБЗ на мягких в непредвиденной ситуации управления (справа)

обеспечивается при использовании ИСУ на ОБЗ на мягких вычислениях с одним НР. В результате сравнения работы рассмотренных типов систем управления можно сделать следующие выводы: – структура системы управления на основе ГА проста для реализации, однако вследствие постоянства параметров управления решение задачи точного позиционирования возможно только для части штатных ситуаций (для которых были подобраны коэффициенты ПИД-регулятора); Первое звено GA FC FC Decomposition

40 30 20 10 0 0

10

20

30

40

50

Второе звено 50

Реакция на внешнее воздействие

40 30 20 10 0 0

10

20

30

40

50

Третье звено 60

40

20

– единая БЗ ИСУ на ОБЗ на мягких вычислениях с одним НР содержит наиболее полную информацию о поведении всех звеньев, что позволяет ИСУ работать как в штатных, так и в непредвиденных ситуациях управления; однако создание единой БЗ – сложный и длительный процесс, требующий значительных вычислительных ресурсов, а в дальнейшем и большого объема памяти для размещения БЗ; – декомпозиция управления в структуре ИСУ на ОБЗ на мягких вычислениях с разделенным управлением за счет незначительного снижения качества управления вследствие рассогласования поведения звеньев в результате независимости создания и функционирования БЗ позволяет значительно упростить процессы создания и размещения БЗ. Влияние рассогласования управления в структуре ИСУ на ОБЗ на мягких вычислениях с разделенным управлением может быть снижено организацией координационного управления путем введения дополнительного согласующего звена, реализация которого возможна с применением технологий квантовых вычислений. Опыт применения ОБЗ на мягких вычислениях показал повышенную эффективность по сравнению с инструментарием ANFIS в среде MatLab [9].

0 0

5

10

15

20

25

30

35

40

45

50

Рис. 5. Законы управления, формируемые системой управления на ГА, ИСУ на ОБЗ на мягких вычислениях с одним НР и ИСУ на ОБЗ на мягких вычислениях с разделенным управлением: GA – формируемый системой управления на ГА; FC – формируемый ИСУ на ОБЗ на мягких вычислениях с одним НР; FC Decomposition – формируемый ИСУ на ОБЗ на мягких вычислениях с разделенным управлением

Литература 1. International assessment of research and development in robotics. WTEC Panel Report, 2006.

2. Lewis F.L., Munro N. Robot Manipulator Control, NY, 2004, 607 p.

3. Черноусько Ф.Л., Болотник Н.Н., Градецкий В.Г. Манипуляционные роботы: динамика, управление, оптимизация. М.: Наука, 1989. 368 с.

4. Ульянов С.В., Литвинцева Л.В., Добрынин В.Н., Мишин А.А. Интеллектуальное робастное управление: технологии мягких вычислений. М.: ВНИИгеосистем, 2011. 408 с.

161

Программные продукты и системы 5. Zadeh L.A. Fuzzy Logic, Neural Networks, and Soft Computing. Communications of the ACM, 1994, vol. 37, no. 3, pp. 77–84.

6. Yu W., Rosen J. Neural PID Control of Robot Manipulators with Application to an Upper Limb Exoskeleton. Cybernetics, IEEE Transactions, 2013, vol. 43, no. 2.

7. Meza J.L., Santibáñez V., Soto R., Llama M.A. Fuzzy Self-Tuning PID Semiglobal Regulator for Robot Manipulators. Industrial Electronics, IEEE Transactions, 2012, vol. 59, no. 6.

8. Николаева А.В., Ульянов С.В. Проектирование интеллектуальной системы управления роботом-манипулятором. Ч. 2: Декомпозиция управления и физический эксперимент на основе технологии мягких вычислений // Системный анализ в науке и образовании: сетевое научное издание. 2013. № 1. С. 1–22.

9. Patel J., Gianchandani R. ANFIS control for robotic manipulators: Adaptive neuro fuzzy inference systems for intelligent control. LAP Lambert Academic Publ., 2011.

References 1. International assessment of research and development in robotics. WTEC Panel Report, 2006.

2. Lewis F.L., Munro N. Robot Manipulator Control. NY, 2004, 607 p.

№ 4, 2013 г.

3. Chernousko F.L., Bolotnik N.N., Gradeckiy V.G. Manipulyatsionnye roboty: dinamika, upravlenie, optimizatsiya [Manipulation Robots: Dynamics, control, optimization]. Moscow, Nauka Publ., 1989, 368 p.

4. Ulyanov S.V., Litvintseva L.V., Dobrynin V.N., Mishin A.A. Intellektualnoe robastnoe upravlenie: tekhnologii myagkikh vychisleniy [Intelligent robust control: soft computing technology]. Moscow, VNIIgeosystem Publ., 2011, 408 p.

5. Zadeh L.A. Fuzzy Logic, Neural Networks, and Soft Computing. Communications of the ACM. 1994, vol. 37, no. 3, pp. 77–84.

6. Yu W., Rosen J. Neural PID Control of Robot Manipulators with Application to an Upper Limb Exoskeleton. Cybernetics, IEEE Transactions. 2013, vol. 43, no. 2.

7. Meza J.L., Santibáñez V., Soto R., Llama M.A. Fuzzy Self-Tuning PID Semiglobal Regulator for Robot Manipulators. Industrial Electronics, IEEE Transactions. 2012, vol. 59, no. 6.

8. Nikolaeva A.V., Ulyanov S.V. Intelligent control system of a robot manipulator. Pt. 2. Control decomposition and physical experiment based on soft computing technology. Sistemny analiz v nauke i obrazovanii [System analysis in science and education].

2013, no. 1, pp. 1–22 (in Russ.).

9. Patel J., Gianchandani R. ANFIS control for robotic manipulators: Adaptive neuro fuzzy inference systems for intelligent control. LAP Lambert Academic Publ., 2011.

УДК 338.2:681

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО УПРАВЛЕНИЮ СЛОЖНЫМИ ОБЪЕКТАМИ С ИСПОЛЬЗОВАНИЕМ ДИНАМИЧЕСКИХ НЕЧЕТКИХ КОГНИТИВНЫХ КАРТ (Работа выполнена при поддержке РФФИ, грант № 12-07-00238-а)

М.И.

Б.В. Палюх, д.т.н., профессор (Тверской государственный технический университет, наб. Аф. Никитина, 22, г. Тверь, 170026, Россия, boris@tstu.tver.ru); Дли, д.т.н., профессор; Т.В. Какатунова, д.э.н., доцент; О.В. Багузова, аспирант (Смоленский филиал Национального исследовательского университета МЭИ, Энергетический проезд, 1, г. Смоленск, 214013, Россия, midli@mail.ru, tatjank@yandex.ru, baguzova_ov@mail.ru)

Обоснована необходимость использования алгоритмов когнитивного моделирования для определения согласованности стратегий социально-экономического и инновационного развития региона. Показана возможность реализации методов когнитивного моделирования, предполагающих применение многоуровневой динамической нечеткой когнитивной модели управления региональными инновационными процессами, в виде компьютерной программы. В процессе стратегического управления инновационной деятельностью в регионе выделены его основные функциональные блоки, что позволило сформулировать ключевые функциональные возможности предлагаемой интеллектуальной системы поддержки принятия решений по управлению сложными объектами. На основе результатов проведенного структурно-функционального моделирования бизнес-процессов стратегического управления инновационной деятельностью в регионах разработана адаптивная интеллектуальная информационно-аналитическая система, обеспечивающая поддержку принятия управленческих решений в области развития инновационной деятельности в регионе. Предложена архитектура адаптивной интеллектуальной информационно-аналитической системы поддержки принятия решений по управлению инновационной деятельностью в регионе. Настоящая адаптивная интеллектуальная информационно-аналитическая система поддержки принятия решений по управлению инновационной деятельностью в регионе включает четыре блока: формирования стратегии регионального управления инновационной деятельностью, моделирования, оценки эффективности инвестиционных решений в области поддержки инновационной деятельности, контроллинга инновационной деятельности. Ключевые слова: интеллектуальная система поддержки принятия решений, многоуровневая нечеткая когнитивная модель, инновационная деятельность, управление сложными объектами.

162

Программные продукты и системы

№ 4, 2013 г.

INTELLIGENT DECISION SUPPORT SYSTEM TO MANAGE COMPLEX OBJECTS USING DYNAMIC FUZZY COGNITIVE MAPS Palyukh B.V., Dr. Tech. Sc., professor (Tver State Technical University, Quay Nikitin, Tver, 22, 170026, Russian Federation, boris@tstu.tver.ru); Dli M.I., Dr. Tech. Sc., professor; Kakatunova T.V., Dr.Sc. (Economics), associate professor; Baguzova O.V., postgraduate student (Smolensk Branch of the Moscow Power Engineering Institute, Energeticheskiy proezd, 1, Smolensk, 214013, Russian Federation, midli@mail.ru, tatjank@yandex.ru, baguzova_ov@mail.ru) Abstract. The article discusses the necessity of using cognitive modeling algorithms to determine the consistency of strategies for social, economic and innovative development of the region. It also shows the way of implementing cognitive modeling techniques based on the use of fuzzy dynamic multi-level cognitive model of regional innovation processes management as a computer program. The authors identify the main functional blocks in the process of strategic innovation management in the region. It allows choosing the key features of the proposed intelligent decision support system for complex objects management. Based on the results of the structural and functional modeling of business processes for strategic management of innovative activity in the regions, an adaptive intelligent information-analytical system has been developed. This system provides decision- making support for innovative development in the region. The authors propose an architecture of adaptive intelligent information and analytical decision support system for managing innovations in the region. Proposed system consists of four blocks: the formation of a regional strategy for innovation management, modeling, performance evaluation of investment decisions to support of innovation; innovation controlling.

Keywords: intelligent decision support system, multi-level fuzzy cognitive model, innovation, complex objects management.

Одной из важнейших задач управления на региональном уровне является обеспечение экономического роста за счет разработки и внедрения инноваций. В то же время внести существенные коррективы в источники экономического роста регионов можно только путем разработки и обоснования стратегий их инновационного развития, ориентированных в том числе и на достижение основных показателей социального и экономического развития регионов. Эффективность указанных стратегий определяется согласованностью предлагаемых в соответствии с ними мероприятий с задачами социально-экономического развития регионов, а также учетом специфики уже сформированной инновационной инфраструктуры и выбранных направлений ее развития [1, 2]. Наличие сложных причинно-следственных отношений между мероприятиями, направленными на социально-экономическое и инновационное развитие регионов, а также формирование региональной инновационной инфраструктуры, определяет необходимость использования математического аппарата, позволяющего осуществлять моделирование инновационной деятельности. Одним из наиболее перспективных подходов к решению задачи моделирования и интеллектуального анализа сложных систем, к которым в полной мере можно отнести региональные инновационные системы, является использование многоуровневых динамических когнитивных моделей, позволяющих выявить взаимное влияние показателей реализации стратегий социально-экономического развития региона, инновационных стратегий развития региона и стратегий развития региональной инновационной инфраструктуры, а также обеспечить согласованность процессов их разработки, реализации и контроля выполнения [3]. Для учета таких особенностей региональных инновационных систем, как изменение во времени связей между концептами (элементами) карты и

характера их влияния, а также необходимость расчета системных показателей, характерных для традиционных видов когнитивных карт, целесообразно применять нечеткие динамические когнитивные модели сложных систем, в которых используются нечеткие множества для представления отношений влияния между концептами, а для учета отрицательного влияния концептов базовое множество для этих нечетких множеств расширяется на область отрицательных значений. При этом предлагается использовать интервальный метод с реализацией операций над интервалами α-уровней нечетких множеств с целью решения задачи аккумулирования воздействия ряда входных концептов на один выходной концепт, а также для выявления опосредованного воздействия концептов друг на друга [4]. Для определения системных характеристик нечеткой динамической когнитивной модели может применяться транзитивно замкнутая матрица взаимовлияний с основными элементами в виде нечетких множеств, а непосредственно сами системные показатели рассматриваться как результат преобразований нечетких множеств. Значительно повысить эффективность применения аппарата когнитивного моделирования для управления региональными инновационными процессами можно путем разработки интеллектуальной системы поддержки принятия решений, позволяющей моделировать инновационные процессы и осуществлять проверку согласованности стратегий социально-экономического и инновационного развития региона на основе расчета системных показателей (консонанс, диссонанс, взаимное влияние и т.д.), используемых для анализа когнитивных карт. В этом случае использование информационной системы позволит сократить время, необходимое для построения и анализа когнитивной модели управления инновационными процессами в регионе, а также учесть значитель163

Программные продукты и системы

ное число внешних и внутренних факторов, влияющих на данную систему. Рассмотрим основные функциональные возможности и особенности построения предлагаемой адаптивной интеллектуальной информационно-аналитической системы поддержки принятия решений (ИАСППР), которая позволит осуществить планирование, бюджетирование и мониторинг инновационной деятельности на уровне региона, а также выработку решений по повышению эффективности реализации мероприятий для ее поддержки. В общем случае в процессе стратегического управления инновационной деятельностью в регионе можно выделить три основных функциональных блока: – разработка региональных инновационных стратегий, осуществляемая с учетом стратегии социально-экономического развития и инновационного потенциала; – проверка согласованности стратегии социально-экономического развития региона и его инновационной стратегии, реализуемая на основе результатов анализа взаимного влияния показателей их эффективности в результате построения динамических нелинейных нечетких когнитивных карт инновационных процессов; – разработка мероприятий по поддержке инновационной деятельности и мониторинг их осуществления, реализуемый с учетом результатов расчета дисконтированных показателей эффективности функционирования инновационной системы региона, а также выработка процедуры корректировки предлагаемой системы мероприятий в случае необходимости. С учетом выявленных функциональных задач стратегического управления инновационной деятельностью в регионе можно сформулировать следующие функциональные возможности предлагаемой ИАСППР.

1. Оценка инновационного потенциала региона и его промышленного комплекса, осуществляемая на основе сбора данных и анализа значений показателей, характеризующих социально-экономическое развитие и региональную инновационную активность, результаты которой являются основой выработки региональной инновационной стратегии развития.

2. Моделирование инновационной деятельности с помощью многоуровневой нечеткой динамической когнитивной модели, позволяющей определить взаимное влияние показателей реализации стратегий социально-экономического и инновационного развития региона.

3. Обмен информацией с базами данных органов государственной власти и ведомственных учреждений, осуществляющих информационное обеспечение инновационной деятельности в регионе и стране в целом, например, Федеральной 164

№ 4, 2013 г.

службой государственной статистики и Государственной системой научно-технической информации.

4. Идентификация и оценка рисков, сопутствующих внедрению инноваций, осуществляемые с целью определения ставки дисконтирования, используемой для оценки эффективности различных инвестиционных решений, направленных на активизацию региональной инновационной деятельности.

5. Выбор социально и экономически эффективных инноваций для региона на основе результатов оценки инвестиционных предложений с точки зрения их полезности и соответствия основным запросам потребителей.

6. Разработка комплекса мероприятий по поддержке инновационной деятельности в соответствии с выбранной инновационной стратегией развития региона.

7. Мониторинг реализации комплекса указанных мероприятий в результате анализа соответствия показателей функционирования элементов формируемой региональной инновационной среды целевым значениям показателей уровня инновационного развития региона.

8. Формирование отчетности по результатам мониторинга реализации комплекса мероприятий, направленных на развитие инновационной деятельности в регионе. На основе анализа основных бизнес-процессов стратегического управления инновационной деятельностью в регионе, осуществленного с помощью методологии функционального моделирования сложных систем IDEF0, была разработана архитектура ИАСППР по управлению инновационной деятельностью в регионе (см. рис.). Данная информационно-аналитическая система построена по принципу трехзвенной архитектуры с целью удаленного размещения бизнеслогики и данных, а также организации доступа к ним через сеть Интранет/Интернет. Реализация указанного принципа обеспечивает повышение безопасности данных, масштабируемости, надежности и эффективности функционирования информационной системы, а также оптимизацию распределения ее программно-аппаратных ресурсов. ИАСППР по управлению инновационной деятельностью в регионе разработана с помощью средств web-программирования на языках HTML, PHP, JavaScript, а также ActionScript 3.0, позволяющего создать различные интерактивные webприложения. Предлагаемая ИАСППР по управлению инновационной деятельностью в регионе представляет собой GUI-приложение, которое включает четыре блока, реализованных в виде динамических webстраниц.

1. Блок формирования стратегии регионального управления инновационной деятельностью,

Программные продукты и системы

№ 4, 2013 г.

Государственные БД БД Системы научнотехнической информации

БД Росстата

БД органов гос. власти

ИАСППР Блок формирования стратегии Модуль задания показателей оценки

Модуль графического построения лепестковых диаграмм

Блок моделирования инновационной деятельности Модуль ввода значений и весов концептов

Модуль ввода значений показателей

Модуль выбора стратегии

Оперативная БД

Система управления БД Модуль обработки транзакций

Модуль репликации

Модуль управления данными во внешней памяти

Модуль конвертирования форматов

БД моделирования

Модуль формирования концептов

Модуль задания связей между концептами

Модуль графического построения нечеткой когнитивной карты

Модуль анализа нечеткой когнитивной карты

Блок оценки эффективности Модуль идентификации рисков

Модуль качественной оценки рисков

Блок контроллинга Модуль бюджетирования мероприятий

Модуль мониторинга реализации

БД контроллинга Модуль планирования инвестиционных мероприятий

БД оценки эффективности Модуль расчета показателей эффективности

Модуль количественной оценки рисков

Модуль расчета ставки дисконтирования

Архитектура интеллектуальной ИАСППР по управлению инновационной деятельностью в регионе

предназначенный для определения инновационной стратегии региона на основе данных социально-экономического развития и региональной инновационной активности. Для обоснования выбора конкретной инновационной стратегии региона может быть использован такой инструмент, как лепестковые диаграммы инновационного профиля исследуемого региона, построение которых предполагается осуществлять путем разработки системы нормированных показателей инновационного потенциа-

ла региона и введения для соответствующего ряда значений каждого нормированного показателя собственной оси координат, что позволяет сравнивать несколько рядов показателей одновременно. В этом случае сравнение полученной лепестковой диаграммы инновационного профиля исследуемого региона с лепестковыми диаграммами инновационного профиля, отображающими каждую из типовых инновационных стратегий региона, построенными с учетом соответствующих установленных для них нормативных значений 165

Программные продукты и системы

показателей инновационного потенциала региональной экономики, позволит осуществить выбор рациональной инновационной стратегии исследуемого региона. Для объяснения системой результатов выбора конкретной стратегии предлагается выводить графическое изображение сравнения лепестковых диаграмм, программа для построения которого реализована в мультимедийной среде Adobe Flash CS3, предназначенной для создания векторной анимации и интерактивных элементов, а также для интеграции SWF-файлов в web-страницы.

2. Блок моделирования, осуществляющий проверку согласованности стратегий социальноэкономического и инновационного развития региона, которая проводится с целью повышения эффективности оценки стратегических инновационных программ. Также предоставляется возможность визуального просмотра результатов нечетко-логического динамического моделирования инновационных процессов в регионе с помощью SWF-программы графического построения многоуровневой когнитивной карты, разработанной в мультимедийной среде Adobe Flash CS3.

3. Блок оценки эффективности инвестиционных решений в области поддержки инновационной деятельности, осуществляемой с учетом выявленных рисков, сопутствующих предлагаемым инвестиционным проектам, на основе результатов которого выбираются эффективные инновации для региона.

4. Блок контроллинга инновационной деятельности, в рамках которого осуществляется календарное и ресурсное планирование комплекса мероприятий, направленных на развитие инновационной деятельности в регионе, а также мониторинг их исполнения, на основе результатов которого вносятся соответствующие корректировки в процесс реализации инновационных решений с целью повышения эффективности. В качестве варианта технической реализации системы контроллинга инновационной деятельности региона также можно предложить создание виртуализированного координационного центра управления инновациями. В этом случае к основным функциям данного виртуализированного координационного центра управления инновациями необходимо отнести следующие: – нормативное правовое обеспечение специалистов в сфере организации инновационной деятельности; – обеспечение взаимодействия разработчиков инноваций с потенциальными потребителями в регионе и за его пределами; – исследование региональных потребностей в инновациях; – проведение экспертизы инновационных предложений; 166

№ 4, 2013 г.

– поддержка в составлении бизнес-планов инновационных проектов, а также в мониторинге их реализации; – организация подготовки специалистов в инновационной сфере под конкретные потребности предприятий региона с использованием дистанционных обучающих курсов, виртуальных тренажеров и т.д.; – помощь специалистам в сфере инноваций в трудоустройстве и др. Реализация указанных функций позволит повысить качество средне- и долгосрочного планирования инновационной деятельности в регионе. В целом ПО, которое целесообразно использовать для организации деятельности виртуализированного координационного центра управления инновациями, предлагается разбить на два блока.

1. Интернет-портал координационного центра, который представляет собой внешний информационно-аналитический блок управления его деятельностью, размещенный в свободном доступе в сети Интернет. Данный web-ресурс предназначен для обеспечения информационной поддержки участников инновационного процесса, в том числе и в области законодательства в сфере организации инновационной деятельности; размещения сведений об имеющихся вакансиях в сфере инновационной деятельности, а также резюме специалистов, желающих работать в данной области; организации взаимодействия разработчиков и потребителей; исследования региональных инновационных потребностей.

2. Информационная система управления координационным центром, используемая для организации его функционирования как субъекта экономической деятельности (то есть управление финансовыми, материальными, кадровыми, информационными ресурсами). В то же время ее важнейшими функциями будут являться организация и управление инновационными процессами в рамках данного координационного центра. Для организации целостности и безопасности данных в разработанной информационной системе управления координационным центром применяется центральное хранилище (единый интегрированный источник данных), которое обеспечивает постоянное хранение агрегированной информации (в то время как детальная информация хранится в оперативных базах данных каждой подсистемы), а также осуществляет обмен данными между различными подсистемами. Для организации информационного взаимодействия данной системы с интернет-порталом используется специальная витрина, представляющая собой БД с выдержками из центрального хранилища, что обеспечивает повышение степени защиты информации от несанкционированного доступа. Обмен информацией, предусмотренный в ИАСППР по управлению инновационной дея-

Программные продукты и системы

тельностью в регионе, с БД органов государственной власти, Федеральной службой государственной статистики и Государственной системой научно-технической информации осуществляется с помощью XML-технологии. Пользователи системы получают возможность использовать в качестве клиентского приложения обычный web-браузер с установленным Adobe Flash Player 9.0 и выше, что значительно снижает предъявляемые к системе программно-аппаратные требования и делает интерфейс системы удобным, привычным и интуитивно понятным для пользователя. Установку и администрирование СУБД предполагается осуществлять на главном сервере департамента, отвечающего за экономическое развитие исследуемого региона. При ее инсталляции проводятся автоматическая проверка настроек операционной системы и необходимое конфигурирование ресурсов, в частности, автоматическое определение web-сервера, конфигурирование компонентов и создание необходимых виртуальных директорий. Применение разработанной ИАСППР по управлению сложными объектами, в частности, региональной инновационной системой, с использованием динамических нечетких когнитивных карт в качестве инструмента моделирования, анализа, выработки и мониторинга рациональных стратегически ориентированных предложений в области развития инновационной деятельности в регионе позволит значительно повысить их эффективность и обоснованность. Это представляется особенно актуальным в условиях необходимости учета значительных объемов изменяющихся во времени качественных и количественных характеристик региональной инновационной среды,

№ 4, 2013 г.

являющихся исходным материалом при построении и исследовании динамических нечетких когнитивных моделей управления региональной инновационной деятельностью для определения согласованности предлагаемых мероприятий социально-экономического и инновационного развития региона. Литература 1. Дли М.И., Какатунова Т.В. Общая процедура взаимодействия элементов инновационной среды региона // Журнал правовых и экономических исследований. 2009. № 3. С. 60–63.

2. Дли М.И., Какатунова Т.В. О перспективах создания виртуальных технопарковых структур // Инновации. 2008. № 2. С. 118–120.

3. Палюх Б.В., Какатунова Т.В. Нечеткая когнитивная карта как инструмент моделирования инновационной деятельности на региональном уровне // Программные продукты и системы. 2012. № 4. С. 128–131.

4. Дли М.И., Какатунова Т.В. Трехуровневая нечеткая когнитивная модель для анализа процессов инновационного развития региона // Прикладная информатика. 2013. № 1. С. 5–10.

References 1. Dli M.I., Kakatunova T.V. The general procedure of elements interaction in the innovation environment of the region.

Zhurn. pravovykh i ekonomicheskikh issledovaniy [Journ. of Legal and Economic Studies]. 2009, no. 3, pp. 60–63 (in Russ.).

2. Dli M.I., Kakatunova T.V. On the prospects of creating virtual technopark structures. Innovatsii [Innovations]. 2008, no. 2, pp. 118–120 (in Russ.).

3. Palyukh B.V., Kakatunova T.V. A fuzzy cognitive map as a tool to model innovations at the regional level. Programmnye produkty i sistemy [Software & Systems]. Tver, 2012, no. 4, pp.

128–131 (in Russ.).

4. Dli M.I., Kakatunova T.V. A three-level fuzzy cognitive model to analyse the processes of innovation development in the region. Prikladnaya informatika [Applied Informatics]. 2013, no. 1, pp. 5–10 (in Russ.).

УДК 004.891

РАЗРАБОТКА АДАПТИВНЫХ МОДЕЛЕЙ ПОВЕДЕНИЯ АГЕНТОВ МУЛЬТИАГЕНТНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ТЕЛЕКОММУНИКАЦИОННЫМИ ПРЕДПРИЯТИЯМИ (Работа выполнена при финансовой поддержке РФФИ, проект № 12-01-00266)

В.В. Гимаров, к.э.н., доцент; В.А. Гимаров, д.т.н., профессор; М.И. Дли, д.т.н., профессор, зам. директора; И.В. Иванова, аспирант (Смоленский филиал Национального исследовательского университета МЭИ, Энергетический проезд, 1, г. Смоленск, 214013, Россия, feu@sci.smolensk.ru, feu@sci.smolensk.ru, midli@mail.ru, ivanova_iv@list.ru) Исследование и анализ рынка как открытой социально-экономической системы, объединяющей большое количество взаимодействующих элементов, требует обработки огромных массивов статистических данных и информационной поддержки прогнозирования маркетинговых ситуаций с целью выбора стратегий и принятия решений по их реализации на основе формализованных знаний. В то же время известные на сегодняшний день методы, основанные на использовании аналитических выражений и теории игр, описывают состояние элементов статистически, без учета динамики их поведения и взаимовлияния. Динамика поведения системы в условиях неопределенности, риска, нечеткой или неполной информации в большинстве случаев непредсказуема. В связи с этим для принятия эффективных

167

Программные продукты и системы

№ 4, 2013 г.

управленческих решений целесообразно использовать агентно-ориентированный подход к описанию и моделированию взаимодействия элементов системы, которые изменяют свойства и поведение в зависимости от состояния окружающей среды. Одной из основополагающих проблем в построении мультиагентных систем является организация взаимодействия агентов. При наличии ограничений на использование процедурных подходов более предпочтительными для организации взаимодействия агентов являются декларативные языки. В статье предложена онтологическая модель предметной области взаимодействия агентов, определяющая совокупность коммуникативных актов, а также разработана модель акта «запрос» в нотации цветной сети Петри. Адаптивность поведения агентов системы достигается за счет классификации показателей внешней и внутренней среды с использованием аппарата нейронных сетей и выбора соответствующей стратегии поведения. Ключевые слова: маркетинговые исследования, мультиагентное моделирование, структура мультиагентной модели, коммуникация агентов, онтологическое исследование предметной области, цветные сети Петри.

DEVELOPMENT OF AGENT BEHAVIORAL ADAPTIVE MODELS FOR MULTI-AGENT SYSTEM OF TELECOMMUNICATION ENTERPRISE MANAGEMENT Gimarov V.V., Ph.D. (Economics), associate professor; Gimarov V.A., Dr. Tech. Sc., professor; Dli M.I., Dr. Tech. Sc., professor; Ivanova I.V., postgraduate student (Smolensk Branch of the Moscow Power Engineering Institute, Energeticheskiy proezd, 1, Smolensk, 214013, Russian Federation, feu@sci.smolensk.ru, feu@sci.smolensk.ru, midli@mail.ru, ivanova_iv@list.ru) Abstract. The article considers a market as an open socio-economic system involving a large number of interacting elements. Market research and analysis requires processing massive amounts of statistical data and information support to forecast marketing situations in order to select strategies and decision-making for their implementation based on formalized knowledge. At the same time, known methods based on using analytical expressions and games theory, describe the state of the elements statistically excluding changes in their behavior and interaction. The dynamics of the system behavior under conditions of uncertainty, risk, illegible or incomplete information is mostly unpredictable. That is why to make effective management decisions it is appropriate to use the agent-oriented approach to the description and simulation of the system elements interaction. These elements alter the properties and behavior depending on the environment. One of the fundamental problems of multi-agent systems construction is the organization of agents’ interaction. If there are restrictions to use procedural approaches, declarative languages are preferred for interaction of agents. The paper proposes an ontological domain model of agent interaction that defines a set of communicative acts. It also shows a model of "request" act in the notation of colored Petri nets. The adaptability of the system of agents' behavior is achieved due to the classification of indicators of external and internal environment using neural networks and selecting the appropriate behavioral strategies.

Keywords: market research, multi-agent modeling, structure multiagent models, communication agents, ontological research domain, colored Petri nets.

Для принятия эффективных решений по управлению инновационными проектами в условиях нестабильной внешней и внутренней среды целесообразно использовать моделирование проблемных ситуаций. Задача разработки таких моделей особенно актуальна для высокотехнологичных отраслей промышленности. Инновационная деятельность этих рыночных субъектов характеризуется большим многообразием, высокими темпами роста продаж новых продуктов и услуг, зависимостью финансово-экономических показателей предприятия от результатов реализации инновационных проектов, высокой долей затрат на НИОКР в бюджете предприятия, необходимостью постоянного увеличения интеллектуального потенциала. Таким образом, управление инновационными проектами в высокотехнологичных организациях должно строиться с учетом перечисленных специфических факторов на основе использования принципов математического и имитационного моделирования, что позволит определить роль всех субъектов проекта, систему интеграционных связей между ними и повысить эффективность управления в целом в условиях сложности и многогранности протекающих инновационных процессов. Принятие решений по управлению инновационными проектами осуществляется в условиях нестационарной внешней и 168

внутренней среды и должно учитывать взаимовлияние интересов всех субъектов рынка, так как это дает возможность не только скоординировать действия отдельных участников, но и повысить эффективность функционирования всей организационной системы в целом. Использование формализованных математических и инструментальных методов на различных этапах управления инновационными проектами позволяет обоснованно намечать цели и составлять планы инновационной деятельности, эффективно управлять рисками, оптимально использовать ресурсы и избегать конфликтов, увеличивать эффективность контроля, анализировать отклонения фактических и плановых показателей и вносить своевременные коррективы. Известные способы моделирования охватывают аналитическое моделирование, аналитическое моделирование с элементами дискретно-событийного моделирования, дискретно-событийное моделирование с элементами аналитического моделирования, дискретно-событийное моделирование с элементами аналитического и/или агентного моделирования. Одним из наиболее перспективных направлений являются мультиагентные системы (МАС). Мультиагентная технология – новая программная технология, которая для решения сложной задачи

Программные продукты и системы

№ 4, 2013 г.

или проблемы использует системы, состоящие из множества взаимодействующих агентов [1]. Зарождение основ концепции связывается с появлением формулировки термина «агент» как некоторого интеллектуального посредника, необходимость возникновения которого объясняется желанием упростить стиль общения пользователя с программой через интерфейс. Другими словами, появление агента послужило попыткой увеличить интеллектуальность пользовательского интерфейса. С его помощью осуществляется замещение взаимодействия, задаваемого пользователем в виде команд и прямых манипуляций, на вовлечение его в процесс решения. В настоящее время МАС является некоторой совокупностью интеллектуальных агентов, локализованных в отдельных звеньях в сети, перетекающих по ней в процессе поиска актуальной информации, знаний и процедур и координирующих свои действия в процессе выработки решений. При разработке МАС предполагается, что каждый агент обладает ограниченным представлением о задаче и может решить только некоторую ее часть. В связи с этим решение комплексной проблемы требует организации взаимодействия агентов. В МАС задачи распределены между агентами – членами группы или организации. Разделение задач предполагает назначение ролей каждому из агентов, определение меры его ответственности и требований к опыту. В общем случае мультиагентная модель управления инновационными проектами телекоммуникационного предприятия может быть представлена кортежем следующего вида: MS=<A, E, O, D, Gi, G0>, где A – множество агентов системы A={Ацентр_управ, Aфилиал}; Е – множество внешних сред, в которых функционируют агенты, не имеющие отношения к рассматриваемой системе E={Eконкур_р, Eконкур_н, Епотреб, Еорганы_управлен}; O – множество взаимодействий между агентами системы; D – множество комму-

никативных актов взаимодействия между агентами, которые формируют протокол коммуникации D={D1, D2, D3, D4}: D1 – множество коммуникативных актов, имитирующих передачу информации, D2 – множество актов, имитирующих управление одних агентов другими, D3 – множество актов, имитирующих поиск потенциальных поставщиков услуг, D4 – множество актов, имитирующих запрос на подключение к предприятиюпоставщику; Gi={G1, G2, …} – цели агентов системы: G1 – максимизация прибыли от продаж в регионе, G2 – минимизация расходов на формирование инфраструктуры в регионе; G0={G01, G02…} – цели агентов внешней среды: G01 – максимизация прибыли от продаж, G02 – минимизация расходов на формирование инфраструктуры в регионе. На рисунке 1 представлена общая структура мультиагентной модели управления телекоммуникационным предприятием. Одной из основополагающих проблем в построении мультиагентных систем является организация взаимодействия агентов. Как правило, коммуникации в мультиагентных системах основаны на теории переговоров, которые представляют собой прагматичные теории языка. Они отображают процесс использования людьми языка для достижения определенных целей. Существуют два главных подхода к разработке языка коммуникации агентов – процедурный и декларативный [2]. В процедурном подходе коммуникации базируются на выполняемом содержимом, которое представляет собой исполняемый код на какомлибо языке программирования, например Java. В декларативном – на утверждениях, таких как определения, допущения и им подобные. Большая часть реализаций декларативного подхода опирается на действия, такие как отправка сообщений. Для организации общения между агентами необходимо иметь согласованный набор терминов.

D1

Агенты внешней среды

Агенты системы управления телекоммуникационным предприятием

D4

Агент типа центральное управление

Агент типа конкурент: региональное предприятие

D1 D1

D1

D2

Агент типа региональный филиал

Агент типа потребитель: физическое лицо D1 D1 D1

D3 D1

Агент типа конкурент: национальное предприятие

Агент типа органы местного самоуправления

D3

Агент типа потребитель: юридическое лицо

Агент типа маркетинговый посредник

D4 D1

Рис. 1

169

Программные продукты и системы

№ 4, 2013 г.

&

Предприятие

Δ

Ищет Потенциальные рынки сбыта

Разрабатывает

Стратегии проникновения

Аренда каналов связи

Анализ рынков

& Прокладка каналов связи

Органы местного управления

Выход на рынок

Новый рынок сбыта

Δ

К ак

т час

ь

К ак

т час

Как часть

Подразделение компании

ь

Конкуренты

Обслуживает

Привлекает

Удержание клиента

Формируют Региональные операторы

Государственные заказы

Участвуют в конкурсе

Привлечение клиента (запрос на подключение)

Национальные операторы

Потенциальные потребители

Привлечение клиента (запрос на подключение)

&

Δ

Потребители

Физические лица

Юридические лица

Потребители конкурентов Переманивание клиентов (запрос на подключение)

Рис. 2

Их формальная спецификация называется онтологией. Практическая роль онтологий – определение совокупности понятий, в терминах которых будет осуществляться процесс проектирования. На рисунке 2 представлена диаграмма онтологии предметной области взаимодействия агентов на рынке телекоммуникационных услуг в нотации IDEF5. Главными пользователями онтологий являются естественные и искусственные когнитивные агенты, а основной целью их построения – обеспечение взаимопонимания и совместной работы таких агентов. Здесь онтология используется и как метод представления информации, и как способ интеграции различных моделей знаний и управления знаниями в сети, и как формальный инструмент семантического анализа предметной области, и как средство поддержки коммуникации между агентами, в частности, реализации диалога между человеком и искусственным агентом. Как видно из рисунка 2, телекоммуникационное предприятие осуществляет поиск новых рынков сбыта, разрабатывает стратегии для проникновения на них. При этом предприятие для привлечения или переманивания новых клиентов посылает запрос на 170

подключение. Для моделирования данного запроса как обособленного коммуникативного акта использован аппарат цветных сетей Петри [3]. Данная модель представлена на рисунке 3. В соответствии с моделью на рисунке 3 коммуникативный акт «запрос» представляется следующим образом. Агент получает запрос и анализирует принятое сообщение на понимание. Если сообщение понято, агентом оцениваются собственные возможности для выполнения запроса. В случае, когда реализация запроса невозможна, агент посылает отправителю отказ. В противном случае запрос выполняется, отправителю посылается либо результат исполнения, либо подтверждение выполнения, либо сообщение о сбое в процессе реализации. Для облегчения моделирования и исследования пространства состояний был использован специализированный пакет для моделирования цветных сетей Петри – CPN Tools. Таким образом, для реализации на практике взаимодействия между агентами мультиагентной системы необходимо построить аналогичным образом модели всех коммуникативных актов в нотации цветных сетей Петри в соответствии с он-

Программные продукты и системы

№ 4, 2013 г.

IN

If(x=0) then (1' 0) else empty

18 If(x=1) then (1' 1) else empty

Receive request

Request not understood

Request understood

INT

x INT

x

Resources are available

k 15

Analyze ability

INT

If(x=k) then 1' IntAb() else empty

Send not understood Request refused

Request agreed INT

x x

Fulfill request x

Send refused

INT 2 OUT

If(s=0) then 1' s else empty

1' s If(s=2) then 1' s else empty

If(s=1) then 1' s else empty

Result

Done INT 2

Fall INT 2

Send result s

Send done s

INT 2 Send failed s

Рис. 3

тологической моделью предметной области. Это значительно упростит их дальнейшую программную реализацию и позволит проанализировать всевозможные коммуникационные операции, возникающие в процессе функционирования агентов. Поведение всех агентов (последовательность принимаемых решений) должно носить адаптивный характер, то есть изменяться в зависимости от условий внешней и внутренней среды. В целом можно выделить следующие основные стратегии поведения агентов: – агрессивная: решения, принимаемые агентами, недостаточно проверяются и оцениваются; они оказываются недостаточно обоснованными и надежными, принимаются «с наскока»; – активная: при принятии решений агенты идут на сознательный риск; – осторожная: любое решение агента им проверяется и критически оценивается; – пассивная: решения агента становятся результатом осторожного поиска, в них преобладают контрольные и уточняющие действия; – инертная: решения характеризуются тщательностью оценки менеджером всех вариантов, сверхкритичным подходом к делу, что зачастую приводит к снижению эффективности деятельности агента.

На рисунке 4 показана процедура классификации моделей поведения агентов на основе прогнозирования показателей внешней и внутренней среды с использованием нейронных сетей [4, 5]. Таким образом, с точки зрения моделирования поведения агентов данные стратегии отличаются степенью обоснованности принимаемого решения. Суть представленной классификационной модели заключается в следующем. На основании анализа статистической информации о состоянии факторов внешней и внутренней среды осуществляется прогноз их значений (нейронная сеть Хопфилда и Хэмминга, обобщенная регрессионная нейронная сеть). Далее полученные прогнозные значения являются входными параметрами для классификации (нейронная сеть Кохонена, нейронечеткая система, сеть векторного квантования). Использование нейронных сетей различного типа обусловлено отличиями в количестве и качестве исходных данных для обучения и анализа исходной ситуации. Таким образом, предложенная структура МАС, совокупность коммуникативных актов для описания взаимодействия между агентами, а также методика выбора стратегии поведения отдельных агентов позволяют повысить эффективность про171

Программные продукты и системы

№ 4, 2013 г. Прогнозирование

Обобщеннорегрессионная нейронная сеть

Сеть Хопфилда

Сеть Хэмминга

Факторы внешней среды Число конкурентов Темп роста рынка за прошлый год Количество альтернативных услуг (заменителей)

Средняя рентабельность продаж

Ф

Размер инвестиций на освоение рынка

Рентабельность активов Рентабельность продаж

Количество открытых отраслевых вакансий на рынке труда

Рекламный бюджет

внутренней ры то к а Инвестиции в основные фонды

ср

Объем государственного заказа на рынке

ед ы Доля затрат на НИОКР в выручке

Агент конкурент (Р)

Агент конкурент (Н)

Агент потребитель (Ф)

Агент потребитель (Ю)

Агент местного управления

Агент маркетинговый посредник

Агент управления (Ц)

Агент управления (Р)

Среднерыночные затраты на НИОКР

Коэффициент инвестиционной привлекательности предприятия

Среднерыночная цена

Доля рынка

Темп роста рентабельности продаж

Выручка от реализации

Класс агента

Инфляция Класс агента

Класс агента

Совокупный объем продаж

Класс агента

Темп роста дохода потребителей

Сеть векторного квантования (LVQ)

Класс агента Класс агента

Насыщенность рынка

Нейронечеткая система

Классификация

Текущая емкость рынка

Нейронная сеть Кохонена

Рис. 4

цессов моделирования за счет улучшения адаптационных свойств модели и более естественного отображения окружающей среды. Литература 1. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002. 352 с.

2. Gmytrasiewicz P.J., and Durfee E.H. Rational communication in multi-agent systems. Autonomous Agents and Multi-Agent

172

Systems Journ., 2001, no. 4 (3), pp. 233–272.

3. Питерсон Дж. Теория сетей Петри и моделирование систем. М.: Мир, 1984. 264 с.

4. Бояринов Ю.Г., Борисов В.В., Дли М.И. Методы построения и использования нечетких полумарковских моделей для анализа сложных систем // Информационные технологии моделирования и управления. 2011. № 1 (66). С. 43–55.

5. Борисов В.В., Бояринов Ю.Г., Дли М.И., Мищенко В.И. Методы анализа сложных систем на основе нечетких полумарковских моделей // Нейрокомпьютеры: разработка, применение. 2011. № 8. С. 33–41.

Программные продукты и системы

References 1. Tarassov V.B. Ot mnogoagentnykh sistem k intellektualnym organizatsiyam: filosofiya, psikhologiya informatika [From multi-agent systems to intelligent organizations: philosophy, phychology, informatics]. Moscow, Editorial URSS Publ., 2002, 352 p.

2. Gmytrasiewicz P.J., Durfee E.H. Rational communication in multi-agent systems. Autonomous agents and multi-agent systems journ. 2001, no. 4 (3), pp. 233–272.

3. Piterson Dzh. Teoriya setey Petri i modelirovanie system

№ 4, 2013 г.

[The theory of Petri nets and systems’ modeling]. Moscow, Mir Publ., 1984, 264 p.

4. Boyarinov Yu.G., Borisov V.V., Dli M.I. Design and using method of fuzzy semi-Markov models to analyse comlex systems.

Informatsionnye tekhnologii modelirovaniya i upravleniya [IT for modeling and management]. 2011, no. 1 (66), pp. 43–55.

5. Borisov V.V., Boyarinov Yu.G., Dli M.I., Mishchenko V.I. Analysing methods for comlex systems based on fuzzy semi-Markov models. Neyrokompyutery: razrabotka, primenenie [Neurocomputers: design and applications]. 2011, no. 8, pp. 33–41 (in Russ.).

УДК 621.396

РЕШЕНИЕ ЗАДАЧИ ОПТИМАЛЬНОЙ МАРШРУТИЗАЦИИ ПО КРИТЕРИЮ ЗАГРУЖЕННОСТИ СЕТИ Г.А. Дмитриев, д.т.н., профессор; Б.И. Марголис, д.т.н., профессор; М.М. Музанна, аспирант (Тверской государственный технический университет, наб. Аф. Никитина, 22, г. Тверь, 170026, Россия, borismargolis@yandex.ru, mohamed1984a@yahoo.com) Рассмотрена потоковая модель информационной сети с альтернативной маршрутизацией сообщений для произвольного количества коммутационных узлов и каналов связи. Сформулированы критерии оптимизации по времени задержки сообщений и максимальной загруженности сети, ограничения на пропускные способности каналов и условия сохранения потоков в сети. Рассмотрен пример сети, состоящей из пяти узлов и семи каналов связи. Показано, что задача оптимальной маршрутизации относится к классу задач нелинейной оптимизации функции нескольких переменных с ограничениями типа неравенств и равенств. Сформулированы ограничения типа неравенств для пропускных способностей каналов и типа равенств для условия сохранения потоков в узлах сети с учетом их разбиения на узел-вход, узел-выход и промежуточные узлы. На основе стандартной функции fmincon в среде MatLab разработана программа, позволяющая по топологической структуре сети, входному потоку и пропускным способностям каналов найти оптимальное распределение потоков в сети, состоящей из произвольного количества узлов и каналов связи. Приведены результаты расчета оптимального разделения потоков по критериям загруженности и задержки для рассмотренного примера. Проведен анализ изменения критерия максимальной загруженности при различных интенсивностях входного потока. Показано, что определение оптимального распределения нагрузки каналов при разделении каждого канала на произвольное количество линий связи может быть выполнено с помощью аналитических оптимизационных методов. Приведены результаты расчета оптимального разделения потоков на две линии связи по критерию загруженности для рассмотренного примера. Ключевые слова: информационная сеть, коммутационный узел, канал связи, средняя задержка сообщений, максимальная загруженность, пропускная способность, нелинейная оптимизация, ограничения типа неравенств и равенств, входной поток, топология сети, оптимальная маршрутизация.

OPTIMAL ROUTING USING THE NETWORK CONGESTION CRITERION Dmitriev G.A., Dr. Tech. Sc., professor; Margolis B.I., Dr. Tech. Sc., professor; Muzanna M.M., postgraduate student (Tver State Technical University, Quay Nikitin, Tver, 22, 170026, Russian Federation, borismargolis@yandex.ru, mohamed1984a@yahoo.com) Аbstract. The article considers the network information flow model with reroute messages for any number of switching nodes and links. There are criteria for optimizing with time-delay messages and the maximum network congestion, restrictions for the capacity of the channels and the conservation of flows in the network. An example of a network consisting of five nodes and seven channels of communication is described. It is shown that the problem of optimal routing refers to non-linear optimization of several variables function with inequality constraints and equations. Inequality constraints are formulated for channel capacity and the type of equations for the conservation of flows in the network nodes according to their division into input node, output node and intermediate nodes. Based on the standard fmincon function, a program as developed in MatLab. It allows finding the optimal distribution of flows in the network consisting of an arbitrary number of nodes and links according the topological structure of the network, the input flow and capacity of channels. The article shows the results of the optimum flow separation calculation using criteria of congestion and delays for the considered example.

The analysis of changes in the criteria of maximum load at different intensities of the input stream is made. It is shown that the determination of the optimum distribution of channels load while separating each channel to any number of lines can be done using analytical optimization techniques. There are results of the calculation of the optimum flow separation on two links by load for the considered example.

Keywords: information network, switching node, communication channel, average delay of messages, maximum load carrying capacity, nonlinear optimization, inequality constraints and equations, input stream, network topology, optimal routing.

173

Программные продукты и системы

Графовые модели маршрутизации [1, 2], положенные в основу большинства существующих маршрутизирующих протоколов (RIP, IGRP, EIGRP, IS-IS, OSPF, PNNI), получили широкое распространение, однако на практике все более востребованы именно потоковые модели маршрутизации, которые, с одной стороны, учитывают потоковый характер современного, преимущественно мультимедийного трафика (видео, речь и др.), а с другой – более адаптированы под решение задачи балансировки нагрузки и обеспечение качества обслуживания в мультисервисных телекоммуникационных сетях (ТКС). Модель оптимального распределения потоков в телемедицинских сетях, предложенную в [3], можно использовать для произвольного числа линий связи и узлов. Однако при наличии в топологии моделируемой сети промежуточных узлов необходимо также учитывать условия сохранения потоков для них. В этом случае для решения задачи понадобится использование численных оптимизационных методов. В то же время распределение полученных оптимальных потоков по нескольким линиям связи может быть произведено по аналитической оптимизационной модели. Рассмотрим следующую модель информационной сети (ИС) с альтернативной маршрутизацией сообщений. ИС состоит из n узлов коммутации и M каналов. Обозначим через ik, i  1, M ,

k  1, m, информационные потоки по каналам с учетом того, что каждый канал может быть разделен на m линий связи. Основными характеристиками качества функционирования сети являются средняя задержка сообщения T и максимальная загруженность T1 сети. Тогда задачу оптимальной маршрутизации можно сформулировать следующим образом. По заданной топологической структуре ИС, значению входного потока  и матрице пропускных способностей С1ik, i  1, M , k  1, m, необходимо найти оптимальные значения потоков ||ik||. Минимизацию можно производить по двум указанным критериям T и T1: ik 1M m T    min, (1)  i 1 k 1 C1ik  ik

  T1  max  ik  , i  1, M , k  1, m  min, (2)  C1ik  при выполнении следующих ограничений: (3) 0  ik  C1ik , i  1, M , k  1, m . Для каждого из узлов коммутации должно выполняться условие сохранения потоков: , l  i; m m  (4)   ik     jk  0, l  i, j; iE k 1 jE k 1  , l  j ,  где E – множество каналов связи; i – узел-источ174

№ 4, 2013 г.

ник; j – узел-адресат; l=i и l=j характеризуют соответственно узел-вход и узел-выход. Рассмотрим пример сети [4], состоящей из n=5 узлов и M=7 каналов связи (рис. 1), в которой поступающая нагрузка формируется в виде бесприоритетного трафика. Входной поток должен быть передан из узла 1 в узел 5. В данном примере разделение по линиям связи не производится, то есть m=1, и рассмотренные матрицы потоков и пропускных способностей являются одномерными массивами. Номера каналов указаны на рисунке в круглых скобках.



2

(1) 40 1

5

(3) 45 (2) 20

3

(5) 10 (4) 35



40 (7)

(6) 50 4

Рис. 1. Топология моделируемой сети

Задача оптимизации критериев (1) и (2) относится к классу задач нелинейной оптимизации функции нескольких переменных с ограничениями типа неравенств (3) и равенств (4) [5]. Решение таких задач может быть эффективно осуществлено в среде MatLab с помощью функции fmincon.

Cтандартное обращение с полным списком выходных параметров, возвращаемых функцией, выглядит следующим образом: A=[ ]; b=[ ]; nonlcon=[ ]; options=optimset('Display', 'iter', 'MaxFunEvals', 1000, 'TolX', TolX, 'GradObj', grad_par, 'Hessian', 'off'); [fmin, Tval, exitflag, output, lambda, grad, hessian]=fmincon(@Tkrit1, f0, A, b, Aeq, beq, lb, ub, nonlcon, options, Ysum, C1, nsig, TolX, nkrit). Ограничения типа неравенств могут быть заданы в виде матриц A; b или нижней и верхней границ lb, ub. В данном случае предпочтительнее задать (3) с помощью границ. Ограничения типа равенств (4) задаются в виде матриц Aeq, beq. Нелинейные ограничения nonlcon отсутствуют. Расчет критериев (1) или (2) Tval производится функцией Tkrit1, а выбор критерия осуществляется по значению nkrit. Начальное приближение разделения потоков f0 может быть определено с помощью функции linprog с учетом тех же граничных условий. Ограничения типа равенств (4) являются условиями сохранения потоков для узлов коммутации и для приведенной на рисунке 1 сети будут выглядеть следующим образом: 1+ 2=; (5) –1+ 3+4+5=0; (6) –2–3+6=0; (7)

Программные продукты и системы

№ 4, 2013 г.

–4–6+7=0; (8) –5–7= –.

(9) Здесь равенства (5) и (9) описывают условия сохранения потоков соответственно для узлавхода и узла-выхода, а (6)–(8) – для промежуточных узлов. Пропускные способности линий связи первоначально удобно задать в виде двухмерного массива ||Cij||, а уже затем перейти к одномерному массиву пропускных способностей ||C1i||, чтобы рассчитать оптимизируемые потоки ||i||. Для рассмотренного примера указанные массивы выглядят следующим образом: 0 40 20 0 0

40

0

0

50

0 ,

35 50

0

40

(10)

0 10 0 40 0 ||C1i|| = |40 20 45 35 10 50 40|.

(11) Для решения задачи оптимальной маршрутизации в среде MatLab разработана программа chisl.m, позволяющая найти оптимальные информационные потоки по каналам как по критериям средней задержки сообщения T и максимальной загруженности сети T1. Для информационной сети, изображенной на рисунке 1, входного потока =40 и пропускных способностей ||C1i|| (11) результаты расчета оптимального распределения потоков по критериям T и T1 представлены на рисунках 2 и 3.

2

(1) 28,0053 1

40

(2)

(3) 1,8301

(5) 10,0000 (4) 16,1752

5

C

Y 0 0 0 40 0

0

40 40

0 0 0

0 0

40

0

0 0 0

0 0

20 45

0 0 0

0 0

0

0

0

45 35 10 0

50

0

35 50

0

40

beq 

0 10 0 40 0 0 0 0 0 0 krit =1 C1 = 40 20 45 35 10 50 40 lb  Aeq  1.0e  005

40

1

1

0

0

0

0

0

1.0e  005

20

0

1

0

1

1

1

0

0

1.0e  005

45

0

0

1 1

0

0

1

0

1.0e  005

35

0

0

0

0

1

0

1

1

1.0e  005

10

40

0

0

0

0

1

0

1

1.0e  005

45 35 10

Cij  20 45 0

Внешний вид экрана при оптимизации по критерию задержки с помощью программы chisl.m показан на рисунке 4. Оптимальное значение критерия T=0,2029, но в этом случае критерий загруженности сети T1=1 (полностью загружен канал 5). При оптимизации по критерию загруженности T1=0,8113, но T=0,3295, то есть больше, чем в первом случае.

ub  40

50 1.0e  005 40 f0=28,0053 11,9947 1,8301 16,1752 10,0000 13,8248 30,0000 Tval1=0,2029, Tval2 =1,0000

Рис. 4. Результаты расчета оптимального разделения потоков по критерию задержки

С помощью разработанной программы можно проанализировать зависимость загруженности информационной сети от интенсивности входного потока . На рисунке 5 показаны результаты расчета изменения критерия максимальной загруженности T1 при различных интенсивностях входного потока.

40

(7) 30,0000

11,9947 (6) 13,8248 3

4

Рис. 2. Результаты расчета оптимального разделения потоков по критерию задержки 2

(1) 25,3519 40

1

(3) 0,4303

(2) 14,6481

Рис. 5. График зависимости критерия загруженности от входного трафика

(5) 7,9788

(4) 16,9428 (7) 32,0212

5

40

6 15,0784 3

4

Рис. 3. Результаты расчета оптимального разделения потоков по критерию загруженности

Оптимальное распределение нагрузки каналов можно произвести и для произвольного количества m линий связи. В этом случае удобно использовать соотношения аналитической оптимизационной модели, предложенной в работе [3]. Результаты расчета оптимальных потоков по критерию загруженности при разделении на два канала для топологии сети, приведенной на рисунке 1, при входном потоке =40 показаны на рисунке 6.

175

Программные продукты и системы

№ 4, 2013 г.

2

1

(5) 5,7784

(1) 16,7457

40

(3) (4) 0,4303 0,0000 8,6062 11,7907 2,2003 (7) 5.1521 (2) 20,5039 7,3241

7,3241

(6) 13,8949 3

1,1835

5

40

11,5173 4

Рис. 6. Результаты расчета оптимального разделения потоков на два канала

Внешний вид экрана при оптимизации по критерию загруженности с разделением потоков на два канала с помощью программы chisl.m показан на рисунке 7. Оптимальные значения критериев: T1=0,8005, T=0,6692. fnew :,:,1 

fnew :,:,2  

0 8,6062 7,3241 0 0 0 16,7457 7,3241 0 0 0 0 5,1521 2,2003 0 0 0,4303 11,7907 5,7784 0 0 0 0 1,1835 0 0 0 0 13,8949 0 0 0 0 11,5173 0 0 0 0 20,5039 0 0 0 0 0 0 0 0 0 0 0

Рис. 7. Результаты расчета оптимального разделения потоков на два канала

Таким образом, предложенная модель оптимального распределения потоков в информационной сети позволяет на основе численных и аналитических оптимизационных методов для произвольных топологии сети и количества каналов связи произвести оптимизацию по критериям

средней задержки и максимальной загруженности сети. Она учитывает условия сохранения потоков для промежуточных узлов сети. Оптимизация по критерию максимальной загруженности позволяет обеспечить наиболее сбалансированную загруженность каналов ТКС и повысить качество обслуживания. Литература 1. Остерлох Х. Маршрутизация в IP-сетях. Принципы, протоколы, настройка. СПб: БХВ, 2002. 512 c.

2. Вегенша Ш. Качество обслуживания в сетях IP; [пер. с англ.]. М.: Вильямс, 2003. 386 с.

3. Марголис Б.И., Музанна М.М. Решение задачи оптимальной маршрутизации по критерию средней задержки // Программные продукты и системы. 2013. № 3. С. 202–205.

4. Лемешко А.В., Вавенко Т.В. Усовершенствование потоковой модели многопутевой маршрутизации на основе балансировки нагрузки // Проблемы телекоммуникаций. 2012. № 1 (6). С. 12–29.

5. Пантелеев А.В., Летова Т.А. Методы оптимизации в примерах и задачах. М.: Высш. школа, 2005, 544 с.

References 1. Osterlokh Kh. Marshrutizatsiya v IP-setyakh. Printsipy, protokoly, nastroyka [Routing in IP nets. Principles, protocols, customizing]. St. Petersburg, BHV Publ., 2002, 512 p.

2. Vegensha Sh. Kachestvo obsluzhivaniya v setyakh IP [Quality of service in IP Networks]. (Russ. ed.) Moscow, Vilyams Publ., 2003, 386 p.

3. Margolis B.I., Muzanna M.M. Solving the problem of optimal routing using average delay criteria. Programmnye produkty i sistemy [Software & Systems]. 2013, no. 3, pp. 17–19.

4. Lemeshko A.V., Vavenko T.V. Upgrading flow-oriented model of multipath routing based on load balancing. Problemy telekommunikatsiy [Telecommunication problems]. 2012, no. 1 (6), pp. 12–29 (in Russ.).

5. Panteleev A.V., Letova T.A. Metody optimizatsii v primerakh i zadachakh [Optimization methods on examples and tasks].

Moscow, Vysshaya shkola Publ., 2005, 544 p.

УДК 004.5

ПРИМЕНЕНИЕ МЯГКИХ ВЫЧИСЛЕНИЙ ДЛЯ АНАЛИЗА СТРУКТУРЫ БАЗЫ ЗНАНИЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ (Работа выполняется при поддержке Минобрнауки РФ в рамках ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технического комплекса России на 2007–2013 гг.», НИР «Разработка универсального программного комплекса интерактивного отображения, обработки и управления большими массивами данных на основе методик и алгоритмов построения связей между объектами», ГК № 14.514.11.4036)

Р.Н. Гордеев, к.ф.-м.н., доцент; А.В. Бурилин, ст. преподаватель (Тверской государственный университет, ул. Желябова, 33, г. Тверь, 170100, Россия, rgordeev@naumen.ru, aburilin@naumen.ru) Рассматривается возможность применения генетических алгоритмов и нейронных сетей для предварительного анализа и оптимизации структуры БЗ информационной системы. Описан пример построения структуры нейронной сети. После выполнения процедуры анализа генерируются описание структуры взаимосвязей объектов анализируемой системы и ее кластерное представление, то есть на выходе получается перечень классифицированных объектов по заданному перечню признаков.

176

Программные продукты и системы

№ 4, 2013 г.

Результаты исследования могут быть использованы государственными и частными организациями, вовлеченными в процесс управления научно-техническим комплексом, например, в сферах патентования, управления программами и проектами, хранением и обработкой наукометрической информации. Ключевые слова: информационная система, прогнозирование, мягкие вычисления, генетический алгоритм, искусственная нейронная сеть.

APPLICATION OF SOFT COMPUTING FOR TO ANALYSE THE KNOWLEDGE BASE STRUCTURE OF INFORMATION SYSTEM Gordeev R.N., Ph.D. (Physics and Mathematics), associate professor; Burilin A.V., senior lecturer (Tver State University, Zhelyabova St., 33, Tver, 170100, Russian Federation, rgordeev@naumen.ru, aburilin@naumen.ru) Аbstract. The article investigates the possibility of using genetic algorithms and neural networks for preliminary analysis and optimization of the structure of the information system knowledge base. It describes an example of constructing the structure of a neural network. The structure of the links between analyzed objects and its clustering representation is described after performing of the analysis. As a result, there is a list of classified objects according to given list of features.

The study can be used by public and private organizations involved in the management of scientific and technical complex. For example, in the areas of patents, program and project management, storage and processing scientometric information.

Keywords: information system, forecast, soft computing, genetic algorithm, artificial network.

В условиях расширения спектра задач, решаемых на различных уровнях управления, актуальна проблема визуализации и управления большими массивами показателей. Важность решения возникшей проблемы и необходимость разработки соответствующих научно-методических положений были обусловлены, во-первых, резким увеличением количества обрабатываемых показателей в социально-экономической и научно-технической сферах, во-вторых, недостаточным уровнем развития традиционной методологии обработки структурированной информации, в-третьих, отсутствием инструментальных средств визуализации показателей и связей между ними. В результате возникло противоречие между практической потребностью управления большими массивами показателей в среде единого информационного пространства и отсутствием соответствующего научно-технического задела, позволяющего обеспечить удовлетворение этой потребности.

Структура анализируемых данных В качестве источника анализируемых данных выступает информация о содержании и показателях реализации целевых программ и отдельных мероприятий, содержащихся в системе экспертиз Государственной дирекции научно-технических программ (далее – Дирекция). Для получения и анализа этой информации был разработан экспериментальный образец программного комплекса (ЭО ПК), позволяющий интегрироваться с системой экспертиз Дирекции и получать необходимые данные в режиме реального времени. Архитектура ЭО ПК приведена на рисунке 1. Анализируемые параметры ЭО ПК представлены значениями двух векторов: {V, S}, где V принадлежит множеству {0, 1}, S – множеству {«Прямая связь», «Объект», «Документ», «Иное»}, и {N, F}, где N принадлежит множеству действительных чисел R, F – множеству {«Поле связи», «Объект связи», «Приоритет», «Описание

ЭО ПК Модуль анализа и классификации данных Построение структуры графа Построение метаинформации

Семантический анализ

Модуль интеграции Система экспертиз Дирекции

Модуль отображения и редактирования объектов Построение интерфейса

Графическое представление иерархической информации

Модуль построения визуального интерфейса Модуль бизнес-логики СУБД Рис. 1. Структурно-логическая схема ЭО ПК

177

Программные продукты и системы

связи»}. В работе [1] проводился аналогичный анализ модели прогнозирования неисправностей вагонного оборудования. В ЭО ПК регистрируются взаимосвязи между объектами системы экспертиз по тем или иным параметрам. После проведения данной процедуры в ЭО ПК будет сформирован пул объектов, отражающих взаимосвязи объектов системы экспертиз и их свойства. Так строится таблица, содержащая данные о типах связей объектов. Возможные варианты связей объектов могут быть следующими:  прямая связь, то есть у одного объекта есть прямая ссылка на другой объект;  связь через сторонний объект, то есть в системе имеется объект, ссылающийся на пару объектов, которые в данном случае считаются связанными;  связь посредством документа; этот вид связи аналогичен предыдущему и выделен, чтобы подчеркнуть особую роль объекта «Документ», поскольку в данном случае связями считаются не только программные ссылки, но и упоминания объектов в контенте объекта «Документ»;  иной вид связи; этот вид связи не может быть определен посредством анализа данных системы и устанавливается исключительно ЛПР. Кроме того, строится таблица, детализирующая параметры связи, а именно: имена свойств объектов, посредством которых осуществляется связь; идентификаторы объектов, выступающих в роли связующих; приоритет связи (целое число от 0 до 10); описание связи, заполняемое автоматически или ЛПР. БД ЭО ПК, хранящая записи о типах связей и их наличии между объектами системы экспертиз Дирекции, оперирует параметрами и хранит данные об их значениях в определенные моменты времени. ЭО ПК периодически запускает процесс актуализации данных о значениях параметров. Описание проблемы Количество параметров ЭО ПК варьируется от 100 до 200, количество различных типов связей объектов, которые могут быть установлены ЭО ПК, превышает 500. Данный факт затрудняет эффективный интеллектуальный анализ данных в режиме реального времени [1]. В связи с этим возникает задача разработки алгоритма, позволяющего отобрать входные данные, которые будут подаваться на вход комплекса прогнозирования и принятия решений [1], устанавливающего взаимосвязи объектов в анализируемой системе экспертиз. Для установления значимых взаимосвязей между объектами системы экспертиз Дирекции требуется осуществить предварительный анализ 178

№ 4, 2013 г.

исходных данных с целью последующего сокращения объема данных, анализируемых в модуле построения визуального представления взаимосвязей объектов в системе экспертиз Дирекции. Алгоритм отбора значимых параметров Для отбора значимых параметров предлагается решение, основанное на использовании мягких вычислений, в частности, нейронных сетей и эволюционных алгоритмов. Принцип работы алгоритма, реализованного для предварительного анализа исходных данных и решения задачи отбора входных переменных для конкретного случая прогнозирующей искусственной нейронной сети (ИНС) [2], базируется на сочетании ИНС и генетического алгоритма (ГА) [3, 4]. Главными операторами ГА являются кроссинговер, мутация, выбор родителей и селекция (отбор хромосом в новую популяцию). Вид оператора играет важную роль в реализации и эффективности ГА. Существуют основные формы операторов, чистое использование или модернизация которых ведет к получению ГА, пригодного для решения конкретной задачи [5]. Важнейшие понятия, используемые в работе данного алгоритма, – прогнозный горизонт и период основания прогноза. Прогнозный горизонт – максимально возможный период упреждения прогноза заданной точности [5]. Периодом основания прогноза считается промежуток времени, за который используют информацию для разработки прогноза [5]. Процесс выполнения ГА описывается последовательностью выполняемых операторов [6–8]:  инициализация, или выбор исходной популяции хромосом;  селекция – выбор хромосом, которые будут участвовать в создании потомков для следующей популяции;  применение генетических операторов – мутации и скрещивания (кроссинговера);  сокращение популяции до исходного размера за счет оценки качества хромосом в популяции – расчет функции пригодности для каждой хромосомы;  проверка условия остановки алгоритма;  выбор наилучшей хромосомы. Работа ГА представлена на рисунке 2. В реализованном алгоритме ГА работает с наборами векторов, сформированными из блоков срезов данных ЭО ПК с учетом значений прогнозного горизонта и периодом основания прогноза [9]. Блок срезов данных представляет собой мат T1 V11  V1 p    рицу       . T V  V  k1 kp   k

Программные продукты и системы

Создание начальной популяции Селекция Скрещивание Мутация Сокращение популяции до исходного размера Проверка условия остановки: Если не выполнено, возвращаемся к шагу «Селекция», иначе идем дальше Выбор лучшей хромосомы Наилучшая хромосома Рис. 2. Схема работы ГА

Начальный вектор данных формируется из блока срезов следующим образом: [V11, …, V1p, …, Vk1, …, Vkp]T. Он имеет длину, равную k·p, и представляет собой набор значений, которые могут быть поданы на вход нейронной сети для прогнозирования возможности установления взаимосвязи между объектами системы экспертиз. Перед запуском алгоритма необходимо ввести настройки работы алгоритма: количество хромосом в популяции Npop, итераций Nitr, особей Nbest, для которых будут применены генетические операторы, операций скрещивания Nc и операций мутации Nm на каждом шаге алгоритма, а также вероятности pc и pm скрещивания и мутации соответственно [10, 11]. На шаге инициализации происходит формирование исходной популяции из Npop хромосом длины k·p со случайно сгенерированными значениями генов (аллелями). Аллели в хромосомах представляются в двоичном виде и определяют, какие элементы входных векторов должны использоваться при построении и обучении ИНС: 0 – элемент не используется, 1 – элемент используется [1, 5]. Селекция заключается в расчете качества (значения функции пригодности) каждой хромосомы и выборе по рассчитанным значениям Nbest хромосом, которые будут участвовать в создании потомков для следующего поколения. Выбор хромосом в данном случае производится согласно принципу естественного отбора: чем выше качество хромосомы, тем больше вероятность ее участия в создании новых особей [5]. На этапе скрещивания в цикле по Nc случайным образом выбираются две хромосомы из ото-

№ 4, 2013 г.

бранных на этапе селекции, порождающие нового потомка; с вероятностью pc потомок наследует ген первого или второго родителя. Потомок включается в состав текущей популяции [12]. На этапе мутации в цикле по Nm случайным образом выбираются хромосома из потомков, созданных на этапе скрещивания, и любой ее ген, аллель которого с вероятностью pm меняется на противоположную [12]. Сокращение популяции до исходного размера Npop происходит в соответствии с качеством каждой хромосомы: чем выше качество, тем больше вероятность попадания хромосомы в новую популяцию. Полученная популяция становится текущей для следующей итерации ГА [12]. Затем производится проверка условия остановки алгоритма и фиксируется результат в виде хромосомы наивысшего качества либо осуществляется переход к следующему шагу генетического алгоритма, то есть к селекции. В данном случае условие остановки – достижение определенного количества итераций Nitr [12]. Апробация алгоритма на реальных данных Рассматриваемая модель взаимодействия объектов в системе экспертиз Дирекции содержит более сотни параметров, определяющих наличие взаимосвязей между объектами и их типы. Различных видов взаимосвязей было выявлено около тысячи. В качестве целевого типа взаимосвязи при построении прогноза выбрана взаимосвязь с типом «Документ» с приоритетом 1 и кодом 10. Взаимосвязь подразумевает, что в системе экспертиз существует документ, содержащий в описательной форме упоминания о паре объектов, для которых рассматривается данная взаимосвязь. В подобном случае синтаксический анализ контекста, где упоминаются эти объекты, не проводится. Такая взаимосвязь выбрана из-за большой частоты возникновения, что дает возможность использования небольших объемов данных для анализа. БД срезов значений параметров ЭО ПК обновлялась в течение всего срока подачи заявок по госпрограммам Дирекции при каждом добавлении нового документа в систему экспертиз, потенциально содержащего данные о связях объектов системы. В своем исследовании авторы используют самоорганизующиеся карты Кохонена в сочетании с нейронной сетью с обратным распространением и ГА. Самоорганизующиеся карты Кохонена в первую очередь служат для первоначального (разведывательного) анализа данных. Каждая точка данных отображается соответствующим кодовым вектором из решетки. Так получают представление данных на плоскости, карту данных. На этой 179

Программные продукты и системы

карте возможно отображение многих слоев, в частности, количество данных, попадающих в узлы (то есть плотность данных), различные функции данных и т.д. Карта данных является подложкой для произвольного по своей природе набора данных. На карте данных близкие объекты имеют близкие свойства. Карта служит также информационной моделью данных. С ее помощью можно заполнять пробелы в данных [9]. Эта последняя ее способность используется авторами для решения задачи прогнозирования. Следующим слоем модели является многослойный персептрон с обратным распространением ошибки. Обучение алгоритмом обратного распространения ошибки предполагает два прохода по всем слоям сети – прямой и обратный. При прямом проходе входной вектор подается на входной слой нейронной сети, после чего распространяется по сети от слоя к слою. В результате генерируется набор выходных сигналов, который и является фактической реакцией сети на данный входной образ. Во время прямого прохода все синаптические веса сети фиксированы. Во время обратного прохода все синаптические веса настраиваются в соответствии с правилом коррекции ошибок, а именно: фактический выход сети вычитается из желаемого, в результате формируется сигнал ошибки. Этот сигнал впоследствии распространяется по сети в направлении, обратном направлению синаптических связей. Для работы алгоритма была введена линейная временная шкала с равномерной сеткой в 10 минут. При этом происходила выборка блоков данных из БД ЭО ПК по временным меткам. Если блок данных, выбранный из БД, не содержал информацию о связи, его относили к блоку срезов, не приводящих к установлению связи, иначе – к приводящему. В результате были блоки, приводящие к установлению взаимосвязи, и блоки, не приводящие к этому. Полученные блоки срезов представлены в виде векторов X=[V11, …, V1p, …, Vk1, …, Vkp]T и поровну разделены между обучающим и контрольным наборами. В каждом из наборов содержатся векторы, образованные приводящими к установлению взаимосвязи блоками срезов, и векторы, образованные не приводящими к установлению взаимосвязи блоками срезов. Их количество в каждом наборе примерно одинаковое. Настройки работы самого ГА следующие: количество хромосом в популяции Npop=1 000; количество итераций Nitr; количество особей для создания потомков Nbest; количество операций скрещивания Nc и количество операций мутации Nm – случайно сгенерированные целые числа в промежутке от 10 до 50; вероятности pc и pm скрещивания и мутации, равные 0,5 и 0,1 соответственно. Было проведено несколько запусков алгоритма с разными значениями параметров, вы180

№ 4, 2013 г.

бираемых случайно, в качестве конечного результата отобран лучший из достигнутых во всех запусках [1]. Функция пригодности рассчитывается следующим образом: для каждой хромосомы Oi в текущей популяции строится ИНС, проводится ее обучение на обучающем наборе векторов и оценивается качество прогнозирования на контрольном наборе. Архитектура использованной ИНС (рис. 3) включает входной слой, состоящий из нейронов, количество которых определяется числом N Oi единичных аллелей в хромосоме Oi; промежуточный слой Кохонена, формирующий группы наиболее близких векторов; многослойный персептрон, состоящий из двух рабочих слоев и выходного слоя, содержащего только один нейрон. Выходное значение нейрона рассматривается как сигнал, обозначающий наличие/отсутствие рассматриваемого типа взаимосвязи. Входящий вектор, I

Слой Кохонена, K

Слой с методом обратного распространения, P

Выход, O

P1 K1 X

P2

OUT

P3 K2

P4

Рис. 3. ИНС в рамках расчета функции пригодности

Построенная ИНС обучается с использованием векторов из обучающего набора. При этом хромосома Oi определяет, какие из значений будут поданы на вход ИНС: используются только те элементы векторов, для которых значение аллелей в данной хромосоме на соответствующем месте равно 1. После обучения проводится проверка качества прогнозирования полученной ИНС с помощью векторов из контрольного множества. При этом отбор входных значений осуществляется аналогичным образом с учетом хромосомы Oi. Таким образом, рассчитывается внешний критерий, характеризующий качество применяемого метода по тем данным, которые не использовались в процессе обучения ИНС. В используемом алгоритме [1] в качестве внешнего критерия применяется следующий критерий ошибки на контрольных дан1 m ных: E (Oi )     yk log( xk )  (1  yk ) log(1  xk ) , m k 1 где m – количество векторов в контрольном наборе; yk – ожидаемое значение для k-го вектора в

Программные продукты и системы

№ 4, 2013 г.

контрольном наборе; xk – значение, выданное ИНС для k-го вектора в контрольном наборе. Очевидно, что в данном случае чем меньше значение данного критерия, тем выше качество хромосомы. Функция пригодности имеет вид J (Oi )  1  E(Oi ) 

1 m    yk log( xk )  (1  yk ) log(1  xk ) . m k 1 На рисунке 4 изображен график, на котором показаны значения количества единичных аллелей N Oi и внешнего критерия ошибки E(Oi) для наи 1

лучших хромосом, найденных при каждом запуске алгоритма. Видно, что минимальное значение критерия ошибки достигается при количестве входов от 4 830 до 4 900, и данный алгоритм позволил сократить число входов ИНС примерно в два раза.

1,2 1 0,8 0,6 0,4 0,2 0 0

500

1000

1500

2000

Рис. 4. Значения N Oi и E(Oi) для наилучших хромосом

По результатам нескольких запусков ГА была отобрана хромосома максимального качества с функцией пригодности 0,59. После проверки работы соответствующей прогнозирующей ИНС на наборе данных, не участвовавших в отборе с помощью ГА, получен результат, определивший, что прогноз построен правильно примерно в 80 % случаев. Из них в 65 % правильный прогноз сделан в случае наличия взаимосвязи и в 90 % – в случае отсутствия взаимосвязи. В заключение отметим, что в результате применения описанного в работе алгоритма были получены данные о выявленных значимых параметрах при установлении взаимосвязей между объектами системы экспертиз Дирекции. Это значительно сократило объем анализируемых данных на последующих этапах процесса формирования графа представления взаимосвязей объектов системы экспертиз Дирекции и позволило ускорить работу системы визуализации в несколько раз. Естественно, эвристические методы имеют свои недостатки, в частности, могут приводить к потере значимой информации в процессе своей работы, поэтому требуют дополнительного контроля и постоянной подстройки управляющих параметров. В дальнейшем предполагается рассмот-

реть возможности применения более устойчивых к ошибкам такого рода стохастических методов выявления значимых характеристических параметров системы. Литература 1. Иванова Е.И., Сорокин С.В. Оптимизация базы данных и построение модели прогнозирования неисправностей вагонного оборудования на основе нейросетевых технологий и методов эволюционного программирования для информационной системы управления железнодорожным транспортом // Нечеткие системы и мягкие вычисления. 2012. Т. 7. № 2. С. 89–98.

2. Хайкин C. Нейронные сети. Полный курс. М.: Вильямс, 2006.

3. Кричевский М.Л. Интеллектуальные методы в менеджменте. СПб: Питер, 2005. 304 с.

4. Дубровин В.И., Субботин С.А. Оценка значимости признаков с фиксацией значений // Нейронные сети и модели в прикладных задачах науки и техники: тр. междунар. конф. КЛИН-2002. Ульяновск: УлГТУ, 2002. Т. 3. С. 101–102.

5. Панченко Т.В. Генетические алгоритмы: учеб.-методич. пособие. Астрахань: Издат. дом «Астраханский университет», 2007. 87 с.

6. Back T., Fogel D.B. Michalewicz Z. Evolutionary Computation 1. Basic Algorithms and Operators, Institute of Physics Publ., Bristol, 2000.

7. Frénay B., Doquire G., Verleysen M. Is mutual information adequate for feature selection in regression? Neural Networks, 2013, no. 48, pp. 1–7.

8. Shena C., Lib H., van den Hengela A. Fully corrective boosting with arbitrary loss and regularization. Neural Networks.

2013, no. 48, pp. 44-58.

9. Okuno H., Yagi T. A visually guided collision warning system with a neuromorphic architecture. Neural Networks, 2008, vol. 21, no. 10, pp. 1431–1438.

10. Галушка В.В., Молчанов А.А., Фатхи А.А. Применение многослойных радиально-базисных нейронных сетей для верификации реляционных баз данных // Инженерный вестник Дона. 2012. № 1. URL: http://ivdon.ru/magazine/archive/n1y2012/ 686 (дата обращения: 06.08.2013).

11. Галушка В.В., Фатхи В.А. Формирование обучающей выборки при использовании искусственных нейронных сетей в задачах поиска ошибок баз данных // Инженерный вестник Дона. 2013. № 2. URL: http://www.ivdon.ru/magazine/archive/ n2y2013/ 1597 (дата обращения: 06.08.2013).

12. Жданов В.А. Методы и алгоритмы многокритериальной оптимизации кластерных информационных систем: дис. … канд. техн. наук. М.: МГИЭТ. 2008.

References 1. Ivanova E.I., Sorokin S.V. Nechyotkiye sistemy i myagkiye vychisleniya [Fuzzy Systems and Soft Computing]. 2012, vol. 7, no. 2, pp. 89–98.

2. Khaykin C. Neyronnye seti. Polny kurs [Neural networks.

Full-time course]. Moscow, Vilyams Publ., 2006 (in Russ.).

3. Krichevskiy M.L. Intellektualnye metody v menedzhmente [Intelligent methods in management]. St. Petersburg, Piter Publ., 2005 (in Russ.).

4. Dubrovin V.I., Subbotin S.A. Neyronnyye seti i modeli v prikladnykh zadachakh nauki i tekhniki: Trudy mezhdunar. konf.

KLIN-2002 [Neural networks and models in applied problems of science and technology]. Ulyanovsk State Tech. Univ. Publ., 2002, vol. 3, pp. 101–102 (in Russ.).

5. Panchenko T.V. Geneticheskiye algoritmy [Genetic algorithms]. Astrakhan, Astrakhanskiy Univ. Publ., 2007, 87 p.

6. Back T., Fogel D.B., Michalewicz Z. Evolutionary Computation 1. Basic Algorithms and Operators. Bristol, Institute of Physics Publ., 2000.

7. Frénay B., Doquire G., Verleysen M. Neural Networks.

2013, no. 48, pp. 1–7.

8. Shena Ch., Lib H., Hengela A. Neural Networks. 2013, no. 48, pp. 44–58.

181

Программные продукты и системы 9. Okuno H., Yagi T. Neural Networks. 2008, vol. 21, no. 10, pp. 1431–1438.

10. Galushka V.V., Molchanov A.A., Fatkhi A.A. Inzhenerny vestnik Dona [Engineering Bulletin of Don]. 2012, no. 1, available at: http://ivdon.ru/magazine/archive/n1y2012/686 (accessed 06 August 2013).

11. Galushka V.V., Fatkhi V.A. Inzhenerny vestnik Dona

№ 4, 2013 г.

[Engineering Bulletin of Don]. 2013, no. 2, available at: http://www.ivdon.ru/magazine/archive/n2y2013/1597 (accessed 06 August 2013).

12. Zhdanov V.A. Metody i algoritmy mnogokriterialnoy optimizatsii klasternykh informatsionnykh system [Methods and algorithms of multiobjective optimization of cluster information systems]. Ph.D. thesis, Moscow, MIET Publ., 2008 (in Russ.).

УДК 004.415, 004.418

ПРОГРАММНАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ АВТОМАТИЧЕСКОЙ ИДЕНТИФИКАЦИИ СЛЯБОВ (Работа выполнена при поддержке РФФИ, грант № 13-07-00845)

А.В. Провоторов, аспирант; А.А. Орлов, д.т.н., доцент, зав. кафедрой (Муромский институт (филиал) Владимирского государственного университета им. Александра Григорьевича и Николая Григорьевича Столетовых, ул. Орловская, 23, г. Муром, 602264, Россия, gothicalex@mail.ru, alexeyalexorlov@gmail.com) В работе описана структура программно-аппаратного комплекса для отслеживания движения заготовок между складом и основным производственным оборудованием цеха в рамках автоматического контроля продукции металлопрокатного комплекса. Отличительной особенностью этой системы является алгоритм автоматической идентификации маркировки слябов (крупногабаритных металлических блоков), который позволяет с большой точностью идентифицировать перемещаемый объект, тем самым освобождая работника крана от рутинной работы определения номера или кода сляба. Одним из логических блоков алгоритма является поэтапное автоматическое обнаружение маркера на изделии. В результате выполнения этапов обнаружения маркировки производится настройка положения поворотного устройства и трансфокатора видеокамеры для получения приближенного изображения высокого качества груза с маркировкой, его последующего анализа, поиска и распознавания маркировки. Приведены экспериментальные результаты, подтверждающие оперативность и достоверность методики. Ключевые слова: сляб, кран, идентификация, методика, локализация, распознавание, штрих-код.

SOFTWARE IMPLEMENTATION OF SLABS AUTOMATIC IDENTIFICATION SYSTEM Provotorov A.V., postgraduate student; Orlov A.A., Dr. Tech. Sc., associate professor, head of chair (Murom Institute Vladimir State University, Orlovskaya St., 23, Murom, 602264, Russian Federation, gothicalex@mail.ru, alexeyalexorlov@gmail.com) Аbstract. The structure of hardware and software complex (SALI) for slabs moving tracking between warehouse and main manufacture equipment is described in the article. It considers automatic metalrolled manufacture complex production monitoring. Distinctive feature of the system is algorithm of automatic slabs identification (bulky metal units) which allows identifying the moving object with high accuracy. It can make the workers of crane free from their routine of slab number or code identifying. One of the logic units of algorithm is automatic step-by-step product label identifying. The result of label detection steps is calibration of camera moving mechanism position and zoom for getting primary hi-res image of load with label, its analysis, label scanning and recognition. There are the results confirming efficiency and reliability of the method.

Keywords: slab, crane, identification, technique, localization, recognition, barcode.

В современных условиях развития промышленности в России автоматизация процессов производства – одно из приоритетных направлений. Во многом это обусловлено сегодняшним экономическим курсом страны, направленным на модернизацию всех отраслей промышленности, поэтому совершенствование, улучшение, обновление объекта, приведение его в соответствие новым требованиям и нормам, техническим условиям, показателям качества является актуальной научнотехнической проблемой [1]. В целях модернизации производства сейчас динамично развиваются системы технического зрения (СТЗ), позволяющие автоматически анали182

зировать изображения промышленной продукции (идентифицируя ее по маркерам). Системы автоматической идентификации (САИ), использующие СТЗ, заменяют человека в опасных и вредных зонах производства, значительно уменьшают его рутинный труд в ситуациях, когда практически невозможно применение других существующих методов идентификации [2, 3]. Целью работы является разработка САИ маркировки (САИМ) для отслеживания движения заготовок между складом и основным производственным оборудованием цеха для автоматического контроля продукции металлопрокатного комплекса на промышленном предприятии.

Программные продукты и системы

Идентифицирующиеся заготовки представляют собой металлические слябы длиной от 4 до 7 метров и толщиной до 40 см с закрепленной на боковой стороне маркировкой. Слябы перемещаются с помощью промышленного крана с длиной троллея 32 метра таким образом, что закрепленный груз может находиться на расстоянии от 3 до 16 метров до ближайшей опоры и на высоте до 8 метров, что значительно затрудняет задачу распознавания маркера. САИМ должна удовлетворять следующим требованиям: – отсутствие необходимости изменения техпроцесса; – автоматический поиск координат маркера (даже на движущейся продукции); – достоверная идентификация маркировки на большом расстоянии. Выделим основные типы САИ, использующие СТЗ.

1. Системы регистрации железнодорожных составов («СМС-Автоматизация», «Штрих-М»). Как правило, используются две видеокамеры для идентификации нанесенной на вагон или цистерну маркировки. Обеспечивает высокую достоверность распознавания при низкой скорости движения состава и на расстоянии до 3 метров. На больших расстояниях достоверность распознавания заметно снижается [4, 5].

2. Системы идентификации автомобильных номеров в потоке («Автоинспектор», «Кодос-авто», «CVS-авто»). Используемые методы распознавания позволяют достичь высокой достоверности при различных условиях: плохой освещенности, частичной загрязненности, плохих погодных условиях. Видеосканер закрепляется неподвижно в специальном месте, что позволяет проводить идентификацию только при пересечении объекта идентификации области зрения видеосканера и только на ограниченном расстоянии [6].

3. Системы автоматической идентификации изделий (Sick/IVP, Omron), позволяющие в автоматическом режиме идентифицировать маркировку и другие параметры товара в процессе его перемещения по предприятию. Основным недостатком является возможность распознавания маркера только на небольшом расстоянии при непосредственном расположении объекта в области видимости неподвижного видеосканера [7–9]. Для решения поставленной задачи применение данной технологии автоматической идентификации не удовлетворяет всем поставленным требованиям, необходима разработка специальной СТЗ. С целью повышения достоверности и оперативности идентификации предлагается двухэтапная идентификация: грубое наведение видеокамеры на основе информации с позиционных датчиков и тонкое наведение на основе цифрового анализа изображения для локализации и распознавания маркера металлопрокатной заготовки (сляба).

№ 4, 2013 г.

Методика автоматического обнаружения маркировки Первоочередной задачей САИМ является разработка методики автоматической локализации положения и распознавания маркера [10]. Разработанная методика состоит из следующих этапов: – грубое наведение: определение местоположения груза и наведение видеодатчика на центр маркировки, формирование детализированного снимка груза; – точное наведение: локализация области маркировки, распознавание маркировки. Методику автоматического обнаружения можно представить в виде временной диаграммы (см. рис. 1). Проектирование САИМ Для реализации методики автоматического обнаружения разработана система автоматической идентификации маркировки, состоящая из следующих элементов: видеосканер, контроллер крана, модуль управления, сервер склада. Видеосканер – это управляемый видеодатчик, элемент измерительной среды математической модели, состоящий из камеры – устройства захвата и передачи изображения; трансфокатора – оптической системы, которая дает возможность управлять масштабом изображения и фокусным расстоянием видеокамеры; поворотного устройства – механизма, позволяющего осуществлять наведение камеры по заданным параметрам. Контроллер крана – это измерительное устройство (аппаратно-программный комплекс), предоставляющее в реальном времени информацию о текущем состоянии крана. Модуль управления реализует методику автоматического обнаружения маркировки и обеспечивает анализ информации от измерительных устройств и формирование управляющих воздействий. Модуль управления включает следующие элементы: – подсистема управления положением камеры, реализующая процесс наведения видеодатчика на область маркера (грубое наведение); – подсистема управления трансфокатором камеры, обеспечивающая процесс формирования детализированного снимка области груза (грубое наведение); – подсистема локализации маркировки, реализующая процесс обнаружения области маркера (точное наведение); – подсистема идентификации маркировки, предназначенная для анализа области маркера (точное наведение). Сервер склада принимает результат распознавания маркировки и является составной частью 183

Подготовительный этап

Программные продукты и системы

САИМ

ПУ

ТК

Обработка данных

Вычисление положения ПУ

Этап грубого наведения

№ 4, 2013 г.

АСУ крана

Терминал машиниста

АСУТП

Передача координат груза и данных о состоянии груза

Начало транспортировки

Формирование задания на транспортировку

Изменение положения ПУ

Вычисление расстояния до груза Расчет фокусного расстояния и масштаба изображения

Настройка фокуса и масштаба

Этап распознавания марикровки

Этап локализации маркировки

Локализация маркировки Корректировка положения ПУ

Расчет фокусного расстояния и масштаба изображения

Изменение положения ПУ

Настройка фокуса и масштаба

Распознавание маркировки

Сохранение результата распознавания

Вывод на экран

Сохранение результата распознавания

Рис. 1. Временная диаграмма методики автоматического обнаружения маркировки: ПУ – поворотное устройство видеосканера, ТК – трансфокатор видеосканера, АСУ крана – контроллер крана, терминал машиниста – рабочее место машиниста крана, АСУТП – АСУ технологическими процессами склада слябов

АСУ ТП склада промышленной продукции металлопрокатного комплекса. Структурная схема системы автоматической идентификации маркировки представлена на рисунке 2. Программная реализация САИ слябов На основе спроектированной схемы системы была разработана программа на языке C# в среде Visual Studio. Программный комплекс состоит из трех модулей.

1. Модуль управления положением камеры, осуществляющий – включение/выключение видеосканеров; – получение информации о текущем положении камеры и поворотного устройства; – получение данных о положении груза от контроллера крана по протоколу OPC; – расчет положения груза и настроек положения поворотного устройства и трансфокатора камеры; 184

– формирование управляющих команд на трансфокатор и поворотное устройство камеры на основе протокола PELCO-D; – включение/выключение прожекторов для подсветки области маркировки.

2. Модуль локализации маркировки, выполняющий – получение изображения с видеосканера; – расчет координат маркировки на изображении; – расчет положения поворотного устройства и трансфокатора камеры на основе координат положения маркировки на изображении; – обмен командами с модулем управления положением камеры.

3. Модуль распознавания маркировки, позволяющий – получать изображения с видеосканера; – подготавливать изображения; – распознавать маркировки, оценивать вероятности успешного распознавания; – формировать и отправлять данные о маркировке на сервер склада по протоколу OPC.

Программные продукты и системы

№ 4, 2013 г.

Трансфокатор

Поворотное устройство

Видеосканер

Камера

– драйвер DLL (32 bit) платы ввода-вывода Advantech PCI-1711 для управления питанием видеосканеров и прожекторов; – Siemens Simatic NET SOFTNET-S7 Lean/ 2008 для обмена информацией с контроллером крана. Экспериментальные результаты

АСУ крана

Подсистема управления трансфокатором камеры

Подсистема управления положением камеры

Подсистема локализации маркировки

Подсистема распознавания маркировки

Модуль управления Сервер склада

Рис. 2. Структурная схема системы автоматической идентификации маркировки

Для проверки работоспособности разработанной системы автоматической идентификации маркировки был проведен ряд экспериментов (рис. 3) на складе слябов металлопрокатного комплекса СТАН-5000 Выксунского металлургического завода (г. Выкса, Нижегородская обл.). Эксперименты проведены в сравнении с ручным методом идентификации маркировки при условиях, приведенных в таблице. Метод

Количество Достовер- Среднее вреэкспериментов ность распо- мя распозназнавания, % вания, сек. Недостаточная видимость 150 86 25

Ручной метод обработки Разраба150 96 12,9 тываемая система Заранее неизвестное положение маркировки Ручной 150 72 30 метод обработки Разраба150 98 14,9 тываемая система Работа в технологических зонах с повышенной температурой Ручной Невозможно по метод техническим обработки условиям Разраба150 98 13,9 тываемая система

Для использования разработанного программного продукта необходимо следующее. Аппаратное обеспечение: – процессор Intel Core i7 2,66 GHz (модель i7920), системная шина (FSB) 1333 MHz, оперативная память 4 Гб (22 Гб) DDR3-10600 (1333 MHz), жесткий диск: интерфейс – SATAII (3 Gbit/s), 500 Гб или больше; – слоты расширения: PCI-Ex16 2.0 – для видеокарты, PCI-Ex16 или PCI-Ex4 – для платы видеозахвата (Matrox Solios GigE), PCI – для платы дискретного/аналогового ввода/вывода (Advantech PCI-1711), PCI или PCI-X – для интерфейсной платы RS-485 (Moxa CP-132UL); – мощность блока питания: минимум 500 Вт, Полученные результаты показали работоспоналичие 4-фазного коннектора питания материнсобность системы при различных условиях. Время ской платы 8-pin. работы методики локализации в зависимости от ПО: операционная система Microsoft Windows условий эксперимента составляет до 15 секунд.

XP Professional SP3 x86 (32 bit) или Windows7 x86 Достоверность распознавания – в среднем 96 %.

(32 bit). Прикладное ПО: – Matrox Imaging Library 9.0 для работы с изображениями; - Basler Pylon Driver SDK 2.1 (GigE Vision Performance Driver), драйвер видеокамеры; – Moxa ViewCom Utility V.1.0 для платы последовательных интерфейсов CP-132UL, обеспечивающей обмен командами с поворотным устройством Рис. 3. Экспериментальный результат работы системы и трансфокатором видеокамеры; 185

Программные продукты и системы

Полученные результаты подтверждают достоверность описанной методики. Таким образом, разработанная система автоматической идентификации маркировки, основанная на двухэтапном (грубом и тонком) наведении видеодатчика, позволяет достоверно локализовать и распознавать область маркера на изображении. Корректность работы системы была показана проведенными экспериментами. Литература 1. Провоторов А.В., Орлов А.А. Методика поэтапного обнаружения маркировки слябов // Современные проблемы науки и образования. 2012. № 6. С. 98.

2. Forsyth D., Ponce J. Computer Vision: a Modern Approach. Prentice Hall, Englewood Cliffs, 2003.

3. Chen I.-H., Wang S.J. Efficient vision-based calibration for visual surveillance systems with multiple PTZ cameras. IEEE Int’l Conf. on Computer Vision Systems, 2006.

4. Сырямкин В.И., Титов B.C., Якушенков Ю.Г. Системы технического зрения: справочник; [под общ. ред. В.И. Сырямкина, B.C. Титова]. Томск: МГП «РАСКО». 1993. 367 с.

5. Стародубов Д.Н., Стулов Н.Н. Комплекс программ обработки и анализа изображения объектов в системах технического зрения // Программные продукты и системы. 2006. № 3. С. 17–20.

6. Шапиро Л., Стокмап Дж. Компьютерное зрение; [пер. с англ.]. М.: БИНОМ. Лаборатория знаний, 2006. 752 с.

7. Клевалин В.А., Поливанов А.Ю. Цифровые методы распознавания в системах технического зрения промышленных роботов // Мехатроника. Автоматизация. Управление. 2008. № 5. С. 56.

8. Aluze D., Merienne F., Dumont C., Gorria P. Vision system for defect imaging, detection, and characterization on a specular surface of a 3D object. Image Vision Comput, 2008, vol. 20, pp. 569–580.

9. Rosati G., Boschetti G., Biondi A., Rossi A. Real-time defect detection on highly reflective curved surfaces. Optics Lasers Eng, 2009, vol. 47, pp. 379–384.

№ 4, 2013 г.

10. Провоторов А.В., Орлов А.А. Разработка методики и системы автоматической идентификации промышленной продукции на основе анализа изображений с управляемых видеодатчиков // Ползуновский вестн. Барнаул: РИЦ АлтГТУ, 2012. С. 67–69.

References 1. Provotorov A.V., Orlov A.A. The technique of step-bystep slab label identifying. Sovremennye problemy nauki i obrazovaniya [Modern problems of science and education]. 2012, no. 6, p. 98 (in Russ.).

2. Forsyth D., Ponce J. Computer Vision: A Modern Approach. Prentice Hall Publ., Englewood Cliffs, 2003.

3. Chen I.-H., Wang S.J. Efficient vision-based calibration for visual surveillance systems with multiple PTZ cameras. IEEE Int. conf. on computer vision systems, 2006.

4. Syryamkin V.I., Titov V.S., Jakushenkov Yu.G. Sistemy tekhnicheskogo zreniya: spravochnik [Systems of technical vision: reference guide]. Tomsk, MGP “RASKO” Publ., 1993, 367 p.

5. Starodubov D.N., Stulov N.N. Program complex for processing and analyzing object images in technical vision systems.

Programmnye produkty i sistemy [Software & Systems]. 2006, no. 3, pp. 17–20 (in Russ.).

6. Shapiro L.G., Stockman G.C. Computer Vision. Prentice Hall, 1st ed., 2001, 608 p.

7. Klevalin V.A., Polivanov A.Yu. Digital methods for identifying industrial robots in technical vision systems. Mekhatronika, Avtomatizatsiya, Upravlenie [Mechatronics, Automation, Control]. 2008, no. 5, p. 56 (in Russ.).

8. Aluze D., Merienne F., Dumont C., Gorria P. Vision system for defect imaging, detection and characterization on a specular surface of a 3D object. Image Vision Computing. 2008, no. 20, pp. 569–580.

9. Rosati G., Boschetti G., Biondi A., Rossi A. Real-time defect detection on highly reflective curved surfaces. Optics Lasers Engineering. 2009, no. 47, pp. 379–384.

10. Provotorov A.V., Orlov A.A. Developing methods and system of industrial products automatic identification based on image analysis on operated video transmitters. Polzunovskiy vestnik [Polzunov bulletin]. Barnaul, RIC Altai St. Tech. Univ. Publ., 2012, pp. 67–69.

УДК 004.415.2, 004.588

ТЕХНОЛОГИИ МЯГКИХ ВЫЧИСЛЕНИЙ В ИНТЕЛЛЕКТУАЛЬНОМ УПРАВЛЕНИИ А.Г. Решетников, аспирант; Т.А. Керимов, аспирант; С.В. Ульянов, д.ф.-м.н., профессор; И.А. Бархатова, старший преподаватель (Международный университет природы, общества и человека «Дубна», ул. Университетская, 19, г. Дубна, Московская обл., 141980, Россия, reshetnikovag@pochta.ru, T.Kerimov@hotmail.com, ulyanovsv@mail.ru, i.a.barhatova@gmail.com) Рассматриваются методы и возможности проектирования баз знаний на основе моделей интеллектуальной системы управления в автономном и дистанционно управляемом режимах (по кабелю и Wi-Fi) на примере физического динамически неустойчивого объекта типа «каретка – перевернутый маятник» (типовой Benchmark). Особенностью работы является разработка методологии интеллектуального управления с математической моделью слабоструктурированного объекта управления и без нее. Обучающий сигнал проектируется как с помощью математической модели в режиме off line, так и в режиме on line непосредственно с физического объекта управления с применением программного инструментария «оптимизатор баз знаний». Приводится сравнение систем управления на основе ПИДрегулятора и нечетких регуляторов в трех режимах. Показана возможность эффективной дистанционной настройки нечеткого регулятора без математической модели объекта управления. Ключевые слова: мягкие вычисления, генетический алгоритм, оптимизатор баз знаний, интеллектуальное управление, нечеткий регулятор.

186

Программные продукты и системы

№ 4, 2013 г.

SOFT COMPUTING TECHNOLOGIES IN INTELLIGENT CONTROL Reshetnikov A.G., postgraduate student; Kerimov T.A., postgraduate student; Ulyanov S.V., Dr.Sc. (Physics and Mathematics), professor; Barkhatova I.A., senior lecturer (Dubna Internacional University for Nature, Socitty and Man, Universitetskaya St., 19, Dubna, 141980, Russian Federation, reshetnikovag@pochta.ru, T.Kerimov@hotmail.com, ulyanovsv@mail.ru, i.a.barhatova@gmail.com) Аbstract. The article consideres the methods and capabilities of knowledge base design based on models of intelligent control systems in the autonomous mode and remote-controlled mode (USB cable and Wi-Fi). As an example authors take a physical dynamically unstable “cart – pole” type object (typical Benchmark). The paper focuses on developing intelligent control methodology with /without ill-structured mathematical model of control object. The teaching signal designed off-line using a mathematical model, and on-line directly from a physical object using “knowledge base optimizer” tool. The comparison of control systems based on PID controller and fuzzy controllers in three modes is introduced. The possibility of effective remote configuration of a fuzzy controller without a mathematical model of the control object is discussed.

Keywords: soft computing optimizer, genetic algorithm, optimizer of knowledge base, intelligent control, fuzzy controller.

В данной работе рассматривается способ поОптимизатор БЗ вышения надежности и адаптивности систем автоматического управления (САУ) с помощью Применительно к проектированию ИСУ мягспециального программного инструментария – кие вычисления представляют собой комбинацию оптимизатора баз знаний (ОБЗ) на мягких выиз следующих подходов: теория нечетких систем, числениях [1]. Использование ОБЗ позволяет генетические алгоритмы (ГА) и нечеткие нейронуменьшить время проектирования интеллектуные сети (ННС). альной системы управления (ИСУ), повысить роНР является центральным элементом ИСУ и бастность и устранить субъективизм при формивырабатывает управляющие сигналы изменения ровании БЗ нечеткого регулятора (НР). Управлево времени (законы управления) коэффициентами ние неустойчивым динамическим объектом типа усиления kp, kd, ki ПИД-регулятора. Ядро НР осно«каретка – перевернутый маятник» является одной вано на процессе проектирования БЗ, интегрироиз типовых задач в теории управления, так как ее ванной в интеллектуальный контроллер. Струкрешение наглядно демонстрирует качество САУ. турно БЗ состоит из продукционных логических Задача управления состоит в том, чтобы, воздейправил, которые включают нечеткие входные и ствуя с помощью силы управления на тележку, выходные значения функции принадлежности удерживать маятник в вертикальном положении лингвистических переменных. Функциональная (угол отклонения оси маятника от вертикали блиструктура ИСУ с блоками НР и ОБЗ на мягких зок к 0) в условиях изменения условий среды вычислениях представлена на рисунке 1. функционирования. Интеллектуальный Такая задача часто решается с исПрограммный продукт уровень пользованием традиционной САУ на осОбучающий нове пропорционально-интегральноБЗ сигнал дифференциального регулятора (ПИДрегулятора) в контуре управления [2, 3]. Нечеткий ОБЗ ГА Если коэффициенты усиления регуляторегулятор ра являются постоянными величинами, * U (t) то система управления не обеспечивает k p, k i, k d достаточной робастности. В этом случае E(t) система неспособна функционировать в Задающий U(t) X(t) ПИДОбъект сигнал нештатных и непредвиденных ситуациях регулятор управления и демонстрирует недостаточную эффективность управления [1]. Обычно настройка регуляторов соШум провождается большим количеством экспериментов и множеством осложнений, связанных с неопределенностью неСистема управления которых параметров системы, наличием помех в каналах измерения и системе Рис. 1. Структура ИСУ с нечетким регулятором управления. Во многих работах отражена и оптимизатором БЗ возможность использования различных Такая структура обладает следующими качестинтеллектуальных методов – нейронных сетей [4] вами управления: управляемость, точность и уси генетических алгоритмов [5, 6]. В данной работе тойчивость (нижний уровень управления – САУ); отражены особенности применения нечетких реобучение и адаптация (верхний интеллектуальный гуляторов в контуре управления в реальном вреуровень управления – НР с БЗ). мени.

187

Программные продукты и системы

№ 4, 2013 г.

Наиболее актуальной проблемой при создании ИСУ является получение оптимальной робастной БЗ, которая гарантирует достижение требуемого уровня качества управления. При проектировании БЗ возникают трудности, связанные со сложностью динамической системы и наличием шумов в системе измерения и управления. В данной работе рассматривается возможность подключения физического удаленного ОУ для настройки БЗ в НР в режиме реального времени на основе ОБЗ. Входом ОБЗ является обучающий сигнал, который может быть получен либо на этапе стохастического моделирования поведения ОУ (с использованием его математической модели), либо экспериментально, то есть непосредственно из результатов измерений динамических параметров физической модели ОУ. Обучающий сигнал является источником знаний и представляет собой массив данных, разделенный на входные и выходные составляющие, каждая из которых, в свою очередь, состоит из одного и более сигналов. В общем виде каждый из составляющих сигналов является выборочной (репрезентативной) траекторией некоторого случайного процесса. При этом подразумевается, что в каждый момент времени существует некоторая корреляция между входными и выходными сигналами. Например, в случае аппроксимации некоторого управляющего сигнала входными компонентами могут являться ошибка управления, интеграл ошибки и ее производная, а выходным компонентом – требуемое значение управляющего воздействия либо некоторые настраиваемые параметры системы управления, например коэффициенты усиления ПИД. В таком случае входными данными для НР является вектор ошибки, который состоит из ошибки управления e(t), интеграла ошибки управления ie   edt и скорости изменения ошибки управления e(t ). Выходными данными НР является вектор, состоящий из значений коэффициентов усиления kp, kd, ki ПИД-регулятора, формирующих управляющее воздействие в виде t

u (t )  k p (t )e(t )  ki (t )  e    d   kd (t )e(t ) .

(1)

0

Структурно ОБЗ состоит из взаимосвязанных генетических алгоритмов (ГА1, ГА2, ГА3), оптимизирующих отдельные компоненты БЗ. Базовые шаги оптимизации и структура ОБЗ подробно описаны в [1]. Результатом аппроксимации обучающего сигнала является построенная БЗ для НР, включающая оптимальное конечное множество правил и оптимально сформированные параметры функции принадлежности входных и выходных переменных НР.

188

Таким образом, результатом проектирования является требуемый тип универсального аппроксиматора в виде НР с оптимальной структурой БЗ. Объект управления Управление объектом типа «каретка – перевернутый маятник» является одной из типовых задач в теории управления, решение которой наглядно демонстрирует качество САУ. Рассмотрим динамику модели в виде одноосевой каретки (рис. 2) с перевернутым маятником, закрепленным на оси.

Рис. 2. Модель системы «каретка – перевернутый маятник»

Динамика этого ОУ описывается системой дифференциальных уравнений второго порядка, выводимых с учетом сил трения и упругости каретки из баланса моментов и проекций сил на горизонтальную ось Z:  u  (t)-a1 z  a2 z  ml (2 sin cos) , z  mс  m    u  (t)  a1 z  a2 z  ml 2 sin   g sin   cos     k  .(2) mс  m       4 m cos 2    l     3 mс  m 

Уравнения для скорости производства энтропии следующие: k 2  1/ 2ml 3 sin 2 S  ,  4 m cos 2   l (mc  m)     3 mc  m 

a1  z 2 ; Su  kd e2 .

(3) mc  m В уравнениях (2) и (3) z и  – обобщенные координаты; g – ускорение свободного падения (9,8 м/с2); mc – масса тележки; m – масса перевернутого маятника (называемого «шест»); l – половина длины маятника; k и a1 – коэффициенты трения в z и  соответственно; a2 – сила упругости теSz 

Программные продукты и системы

№ 4, 2013 г.

лежки; (t) – внешний стохастический шум; u – сила управления. Динамическая система обладает глобальной динамической неустойчивостью, при отсутствии управляющей силы происходит неограниченный рост угла отклонения, то есть маятник падает. Задача управления системой состоит в том, чтобы, воздействуя с помощью силы управления на тележку, удерживать (стабилизировать) маятник в вертикальном положении (угол отклонения оси маятника от вертикали к 0) в условиях изменения среды функционирования. На рисунке 3 представлены макет, используемый для тестирования технологий проектирования ИСАУ с использованием ОБЗ (а), и стенд для проведения экспериментов (б). Отметим, что данный тип робота является типовым Benchmark для тестирования программного инструментария робастного интеллектуального управления, примеры аналогов которого приведены в [7–10].

в непредвиденных ситуациях управления. Реализация физической среды соединения предполагает использование дополнительного оборудования для приема-передачи данных, например, радиоканала Bluetooth, Wi-Fi, или подключение по кабелю, к примеру USB. Профиль соединения использует последовательный порт. Скорость передачи в нашем случае составляет 115 200 бит/сек. В процессе функционирования по COM-порту передаются числа с плавающей точкой в символьном виде. Предполагается обмен информацией между системой управления и ОБЗ для формирования БЗ (рис. 4). Прием-передача данных

Дистанционный контроль и настройка системы

WI FI Радиоканал

USB-соединение

Средства искусственного интеллекта. Программноаппаратный комплекс ОБЗ

а)

б)

Рис. 3: а) макет системы «перевернутый маятник», б) стенд для проведения экспериментов: TS output – представление обучающего сигнала с модели; Robot – макет ОУ; USB connection – кабельное соединение компьютера и макета; PC – персональный компьютер

Стенд оборудован различными покрытиями для проведения экспериментов с макетом, в том числе в непредвиденных ситуациях управления. На стенде также имеется возможность устанавливать определенный начальный угол для запуска макета. Интерфейсы ОБЗ Взаимодействие ОБЗ с ОУ реализуется через модули Matlab/Simulink для математических моделей и СОМ-интерфейс для реальных объектов управления. Возможность дистанционного проектирования робастных ИСУ (на основе удаленного соединения с ОУ) для настройки БЗ НР на основе ОБЗ с применением технологии мягких вычислений подробно рассмотрена в [11]. Это позволяет проектировать ИСУ без использования системы стохастического моделирования, что дает преимущество при проектировании нечетких систем управления для сложных и слабо формализованных ОУ

Рис. 4. Схема соединения настраиваемого устройства и ОБЗ

Рассмотрим подробнее процесс настройки функционирования подобной системы (рис. 5). Система управления считывает показания датчиков и отправляет их на компьютер для последующей обработки. Приняв входные значения, ОБЗ оценивает предыдущее решение (БЗ НР) и осуществляет нечеткий вывод для проверки следующего решения (БЗ НР). Результат нечеткого вывода отправляется на удаленное устройство. После этого система управления, обработав входные значения, вырабатывает управляющее воздействие. Прежде чем приступить к установке соединения между оптимизатором и системой управления, необходимо установить физические ограничения взаимодействующих устройств, то есть определить максимальные и минимальные временные границы одного такта системы управления с учетом приема, передачи и обработки сообщений. Моделирование и эксперимент Исследование качества управления ПИД-регулятора и нечетких регуляторов на основе программного инструментария ОБЗ проводилось с использованием математической модели и/или реального ОУ. Регуляторы разрабатывались для функционирования в типовой ситуации управления. В таблице 1 приведено сравнение БЗ по коли189

Программные продукты и системы

№ 4, 2013 г.

Удаленное устройство Ожидание сообщения от ОБЗ

ОБЗ Отправка команды инициализации

Типовая ситуация управления. Моделирование Отправка ошибки управления

Прием входных значений

Прием параметров регулятора

Подсчет функции пригодности

Выработка управляющего воздействия

Нечеткий вывод

Подсчет времени (синхронизация)

Отправка выходных значений

Типовая ситуация управления. Эксперимент

Непредвиденная ситуация управления. Моделирование Рис. 6. Результаты моделирования и экспериментов: ошибка управления (слева), интеграл квадратичной ошибки (справа)

Рис. 5. Алгоритм работы удаленной настройки

честву правил, количеству функций принадлежности лингвистической переменной и способу оптимизации в программном инструментарии ОБЗ. Таблица 1 Сравнение БЗ База База 1 Модель База 2 Модель База 3 Макет База 4 Макет

Количество правил

Количество функций принадлежности

245

866

276

896

288

996

270

588

Способ оптимизации Моделирование Моделирование Аппроксимация ОС (ГА2) Дистанционная настройка

Параметры математической модели, используемой для моделирования, представлены в таблице 2. Для сравнения робастности разработанных систем управления используем непредвиденную ситуацию управления. Ситуация моделируется наличием шума в коэффициентах трения, в управляющем воздействии, в системе измерения. В качестве такого шума в эксперименте используется специальное покрытие, а для моделей были установлены соответствующие значения параметров. Рассмотрим поведение ПИД-регуляторов и нечетких регуляторов в типичной и непредвиденной ситуациях управления (рис. 6, 7).

190

Разработанный с использованием математической модели для типовой ситуации управления НР2 (FC2) справился с задачей управления лучше всех, что подтверждено результатами моделирования и эксперимента. Таблица 2 Ситуации управления, параметры математических моделей Параметр Начальный угол Начальная скорость Масса тележки Масса маятника Длина маятника

Типовая ситуация (С1) 0 гр

Непредвиденная (С2) 0 гр

1 гр/с

1 гр/с

0,56 кг 0,63 кг 0,07 м 3,55 + нормированный шум с Трение интенсивностью в креплении 0,01 и амплитудой 0,35 3,63 + гауссовТрение колес ский шум 15 % Сила упругости 5,54 Н/м Равномерный Шум в системе [-2,15 2,15], интенуправления сивность 0,48 Амплитуда 0,22, Шум в системе гауссовский шум, измерения интенсивность 0,01 Задержка управляющего 0,01 с воздействия

0,56 кг 0,63 кг 0,07 м 2,75 + нормированный шум с интенсивностью 0,01 и амплитудой 0,35 2,53 + гауссовский шум 15 % 7,54 Н/м Равномерный [-2,55 2,55], интенсивность 0,48 Амплитуда 0,42, гауссовский шум, интенсивность 0,01 0,01 с

Программные продукты и системы

Рис. 7. Ошибка управления. Непредвиденная ситуация. Эксперимент

Таким образом, результаты эксперимента показывают, что нечеткие регуляторы, БЗ которых спроектированы по разработанной методологии, обладают повышенной робастностью и способны справляться с задачей управления в широком классе непредвиденных ситуаций [11, 12]. В заключение отметим, что классические системы управления не всегда успешно справляются с задачей управления в случае, если ОУ является глобально неустойчивым или существенно нелинейным, при наличии шумов или времени задержки в каналах измерения, а также при наличии стохастических шумов, особенно типа рэлеевских (с несимметричной функцией плотности распределения вероятностей). Нечеткие контроллеры, основанные на традиционных инструментариях мягких вычислений, в которых структура ННС строится вручную экспертом или ННС типа ANFIS, уступают по качеству управления и робастности нечетким контроллерам, построенным на основе ОБЗ. Результаты моделирования широкого класса объектов управления показали, что разработанная технология проектирования ИСУ на основе инструментария ОБЗ демонстрирует хорошие качества управления и робастность, несмотря на изменения (непредсказуемость) широкого класса факторов, таких как изменение внешних шумов, изменение параметров модели ОУ, изменение времени задержки в каналах измерения или изменение цели управления. Литература 1. Ульянов С.В., Литвинцева Л.В., Добрынин В.Н., Мишин А.А. Интеллектуальное робастное управление: технологии мягких вычислений. М.: ВНИИгеосистем, 2011. 406 с.

2. Grasser F., D’Arrigo A., Colombi S., and Rufer A. Joe: a mobile inverted pendulum. IEEE Transaction Electronics, 2002, vol. 49, no 1, pp. 107–114.

3. Gpmez M., Arribas T., Sanchez S. Optimal control based on CACM-RL in a Two-Wheeled Inverted Pendulum. Intern. Journ. of Advanced Robot System, 2012.

4. Jung S., Taek H. Cho. Decoupled Neural Network Reference Compensation Technique for a PD Controlled Two Degreesof-Freedom Inverted Pendulum. Intern. Journ. of Control, Automation, and Systems, 2004, vol. 2, no. 1, pp. 92–99.

5. Moghaddas M., RezaDastranj M., Changizi N., and Khoori N. Design of Optimal PID Controller for Inverted Pendulum Using Genetic Algorithm. Intern. Journ. of Innovation, Management and Technology, 2012, vol. 3, no. 4.

№ 4, 2013 г.

6. Kumar P., Mehrotra O.N., Mahto J. Tuning of PID controller of inverted pendulum using genetic algorithm. International Journal of Research in Engineering and Technology, 2012, vol. 01, iss. 03.

7. Choi D., Oh J.-H. Human-friendly motion control of a wheeled inverted pendulum by reduced-orderdisturbance observer.

IEEE Intern. Conf. on Robotics and Automation Pasadena, CA, USA, May 19–23, 2008, pp. 2521–2526.

8. Nawawi S.W., Ahmad M.N., and Osman J.H.S. Real-time control system for a two-wheeled inverted pendulum mobile – robot. Advanced Knowledge Application in Practice, InTech, 2010, pp. 299–312.

9. Gocmen A. Design of two wheeled electric vehicle. Master Sci. Thesis. Atilim Univ., Temmuz, 2011.

10. Castro A. Modeling and dynamic analysis of a twowheeled inverted pendulum. Master Sci. Thesis, Georgia Institute of Technology, Atlanta, USA, 2012.

11. Ульянов С.В., Решетников А.Г. Метод извлечения знаний из физически измеряемого сигнала обучения: проектирование баз знаний нечеткого регулятора // Системный анализ в науке и образовании. 2013. № 1. URL: http://www.sanse.ru/archive/154 (дата обращения: 16.09.2013).

12. Ульянов С.В., Решетников А.Г., Керимов Т.А., Дистанционная настройка базы знаний для интеллектуального управления автономным роботом на основе оптимизатора баз знаний. Ч. 1: технологии мягких вычислений. 2013. № 1. URL: http://www.sanse.ru/archive/156 (дата обращения: 16.09.2013).

13. Buonocunto P., Corucci F. Real-time PID control of an inverted pendulum. MSc in Computer Engineering, Univ. of Pisa, Italy.

References 1. Ulyanov S.V., Litvintseva L.V., Dobrynin V.N., Mishin A.A. Intellektualnoe robastnoe upravlenie: tekhnologii myagkikh vychisleniy [Intellegent robust control: soft computing technologies]. Moscow, VNIIgeosystem Publ., 2011, 406 p.

2. Grasser F., D’Arrigo A., Colombi S., Rufer A. Joe: A mobile inverted pendulum, IEEE Transaction Electronics. 2002, vol. 49, no. 1, pp. 107–114.

3. Gpmez M., Arribas T., Sanchez S. Optimal control based on CACM-RL in a Two-Wheeled Inverted Pendulum. Int. journ. of advanced robot system. 2012 (accessed 30 October 2012).

4. Jung S., Cho T.H. Decoupled Neural Network Reference Compensation Technique for a PD Controlled Two Degrees-ofFreedom Inverted Pendulum. Int. journ. of control, automation, and systems. 2004, vol. 2, no. 1, pp. 92–99.

5. Moghaddas M., RezaDastranj M., Changizi N., Khoori N. Design of Optimal PID Controller for Inverted Pendulum Using Genetic Algorithm. Int. journ. of innovation, management and technology. 2012, vol. 3, no. 4.

6. Kumar P., Mehrotra O.N., Mahto J., Tuning of PID controller of inverted pendulum using genetic algorithm. Int. journ. of research in engineering and technology. 2012, vol. 01, iss. 03.

Available at: http://ijret.org/volumes/2012_11_Vol_01_Iss_03/ P2012_01_03_029.pdf (accessed 10 August).

7. Choi D., Oh J.-H. Human-friendly motion control of a wheeled inverted pendulum by reduced-orderdisturbance observer.

IEEE int. conf. on robotics and automation pasadena. CA, USA, 2008, pp. 2521–2526.

8. Nawawi S.W., Ahmad M.N., Osman J.H.S. Real-time control system for a two-wheeled inverted pendulum mobile – robot. Advanced knowledge application in practice. 2010, pp. 299–312.

9. Gocmen A. Design of two wheeled electric vehicle. Master Sc. thesis, Atilim Univ. Publ., Temmuz, 2011.

10. Castro A. Modeling and dynamic analysis of a twowheeled inverted pendulum. Master Sc. thesis, Georgia Institute of Technology Publ., Atlanta, USA, 2012.

11. Ulyanov S.V., Reshetnikov A.G. Knoledge extract method from physically measured teaching signal: knowledge base design for fuzzy controller. Sistemny analiz v nauke i obrazovanii [System analyze in science and education]. Available at: http://www.sanse.ru/archive/154 (accessed 16 September 2013).

191

Программные продукты и системы 12. Ulyanov S.V., Reshetnikov A.G., Kerimov T.A. Remote configuration of knowledge base for autonomous robot intelligent control based on knowledge base optimizer: soft conputing. Sistemny analiz v nauke i obrazovanii [System analyze in science and

№ 4, 2013 г. education]. Available at: http://www.sanse.ru/archive/156 (accessed 16 September 2013).

13. Buonocunto P., Corucci F. Real-time PID control of an inverted pendulum. MSc in Comp. Engineering, Univ. of Pisa, Italy.

УДК 004.415.2, 004.588

РОБАСТНОЕ ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ НА ОСНОВЕ ТЕХНОЛОГИИ КВАНТОВЫХ ВЫЧИСЛЕНИЙ А.Г. Решетников, аспирант; Т.А. Керимов, аспирант; С.В. Ульянов, д.ф.-м.н., профессор (Международный университет природы, общества и человека «Дубна», ул. Университетская, 19, г. Дубна, Московская обл., 141980, Россия, reshetnikovag@pochta.ru, T.Kerimov@hotmail.com, ulyanovsv@mail.ru) Рассматривается технология проектирования робастных интеллектуальных систем управления на основе квантового нечеткого вывода в двух вариантах: с использованием дистанционного подключения к объекту управления без математической модели объекта управления и с использованием верифицированной математической модели. Применение разработанной методологии проектирования основано на самоорганизации знаний и приводит к повышению уровня робастности интеллектуальных систем управления в непредвиденных ситуациях управления. В качестве информационных источников для проектирования нечетких регуляторов используются два варианта: в первом случае применяется математическая неточная (с недоопределенными параметрами) модель объекта управления, второй вариант основан на процессе измерения сигнала обучения с реального объекта управления, из которого формируется база знаний. Проводится сравнение результатов моделирования и физического эксперимента ПИД-регулятора, нечетких регуляторов и квантовых нечетких регуляторов с различными типами корреляции. Показана эффективность применения квантового нечеткого вывода в системной инженерии проектирования систем управления для повышения робастности интеллектуального управления в непредвиденных (нештатных) ситуациях управления. Ключевые слова: интеллектуальное управление, квантовый алгоритм, самоорганизация, база знаний, квантовая информация, квантовый нечеткий вывод.

ROBUST INTELLIGENT CONTROL BASED ON QUANTUM COMPUTING TECHNOLOGY Reshetnikov A.G., postgraduate student; Kerimov T.A., postgraduate student; Ulyanov S.V., Dr.Sc. (Physics and Mathematics), professor (Dubna Internacional University for Nature, Socitty and Man, Universitetskaya St., 19, Dubna, 141980, Russian Federation, reshetnikovag@pochta.ru, T.Kerimov@hotmail.com, ulyanovsv@mail.ru, i.a.barhatova@gmail.com) Аbstract. The article describes the technology of robust intelligent control system design based on quantum fuzzy inference in two versions: using remote object connection and using verified mathematical model. Developed design methodology is used based on knowledge self-organization. It improves the robustness of intelligent control systems in unforeseen situations. The information sources for fuzzy controllers design are devided into two types: the first includes inaccurate mathematical model (with sub-definite parameters) of control object, and the second is based on the process of measuring the teaching signal from the real control object. A comparison of simulation and experimental results for physical test of PID controller, fuzzy controllers and quantum fuzzy controllers with different types of correlations is considered. The efficiency of using the quantum fuzzy inference to improve the robustness of intelligent control in emergencies management situations is confirmed.

Keywords: intelligent control, a quantum algorithm, self-organization, knowledge base, quantum information, quantum fuzzy inference.

Практика и результаты моделирования реальных объектов показали, что в условиях неопределенности или неточности исходной информации, непредвиденных ситуаций или информационного риска традиционный (использующий принцип глобальной отрицательной обратной связи) и широко применяемый в промышленности ПИД-регулятор часто не справляется с поставленной задачей управления. В то же время задача глобальной робастности ПИД-регулятора до настоящего времени не решена, несмотря на актуальность данной проблемы.

192

Использование нечетких регуляторов (НР) совместно с ПИД-регулятором привело к созданию гибридных нечетких интеллектуальных систем управления (ИСУ) с различными уровнями интеллектуальности в зависимости от полноты и корректности спроектированной БЗ. Применение технологии мягких вычислений (основанной на генетических алгоритмах и нечетких нейронных сетях) расширило область эффективного применения НР за счет добавления новых функций в виде обучения и адаптации. Однако в общем случае нештатных ситуаций управления очень трудно

Программные продукты и системы

№ 4, 2013 г.

спроектировать глобально «хорошую» и робастную структуру ИСУ. Данное ограничение особенно характерно для непредвиденных ситуаций управления, когда объект управления (ОУ) функционирует в резко изменяющихся условиях (отказ датчиков или шум в измерительной системе, наличие времени задержки сигналов управления или измерения, резкое изменение структуры ОУ или ее параметров и т.п.). Решение такого рода проблем может быть найдено на основе введения принципа самоорганизации БЗ в процесс проектирования НР, который реализуется и программно поддерживается разработанной моделью квантового нечеткого вывода (КНВ) с применением методологии квантовых мягких вычислений и системной инженерией – System of System Engineering (синергетический принцип самоорганизации) [1, 2]. Предлагаемая модель КНВ использует частные индивидуальные БЗ НР, каждая из которых получается с помощью оптимизатора БЗ (ОБЗ) на мягких вычислениях для соответствующих условий функционирования ОУ и фиксированных ситуаций управления во внешней случайной среде. Проектирование частных индивидуальных БЗ НР с помощью программного инструментария ОБЗ для заданных ситуаций управления осуществляется в соответствии с технологией проектирования ИСУ и подробно рассмотрен в [3].

K FC1

Структура и основные функции КНВ Основной задачей, решаемой КНВ, является формирование БЗ с повышенным уровнем робастности из конечного множества БЗ для НР, сформированных с применением технологии мягких вычислений. Рассмотрим кратко функциональную структуру и работу основных блоков КНВ. В качестве примера, без потери общности результата, обсудим процессы извлечения скрытой квантовой информации, обработки данных и формирования робастной БЗ НР, используя БЗ двух НР, спроектированных для фиксированных (отличных друг от друга) ситуаций управления. На рисунке 1 показана функциональная структура модели КНВ. На вход КНВ в реальном времени поступают сигналы управления от сформированных заранее БЗ НР (шаг «Начальное состояние»). Следующим шагом является процесс нормализации полученных сигналов в интервале [0 1] путем деления амплитуд траектории сигналов управления на максимальные амплитуды. После нормировки сигналов осуществляется формирование квантовых битов из текущих значений нормированных сигналов управления. С этой целью предварительно определяется функция плотности распределения вероятности по представленным выборочным траекториям сигналов управления.

Квантовый нечеткий вывод (процесс реального времени) K p K d Ki

K FC 2

Нормализация

Квантовый бит

Выбор из n состояний (n=4)

…

K FCn

Функция плотности распределения вероятности

Суперпозиция

2n = 16 возможных состояний Удаленная настройка коэффициентов с использованием ГА Квантовый оптимизатор

Состояние квантовой корреляции

Выбор состояния с максимальной амплитудой

Декодирование

Шкалирование C C pCiCd 

Новый К

Рис. 1. Функциональная структура КНВ в процессе реального времени

193

Программные продукты и системы

Далее путем интегрирования полученной функции плотности распределения вероятности определяются интегральные функции распределения вероятностей. Полученные таким образом функции распределения вероятности позволяют выделить виртуальные состояния |1 сигналов управления для формирования суперпозиции с помощью преобразования Адамара из текущего состояния введенных сигналов управления. При этом используется закон вероятности типа P(|0)+ P(|1)=1, где P|0 и P|1 – вероятности текущего реального и виртуального состояний сигнала управления соответственно. Для текущего реального нормированного состояния сигнала управления |0 с помощью интегральной функции распределения вероятности определяется его вероятность. Далее из закона сохранения вероятностей рассчитывается вероятность виртуального состояния сигнала управления. Используя тот же интегральный закон распределения вероятностей, путем обратного отображения можно вычислить численное значение соответствующего виртуального состояния сигнала управления. Следовательно, суперпозиция квантовой системы «реальное состояние–виртуальное состояние» имеет следующий вид: 1   P 0  1  P 1 =квантовый бит.

2 На рисунке 2 схематично отображены вычислительный процесс и формирование квантового бита для текущего состояния нормированного сигнала управления, описывающего коэффициенты усиления нечеткого ПИД-регулятора в структуре ИСУ.



№ 4, 2013 г.

Рис. 3. Типы квантовых корреляций в законах управления коэффициентами усиления нечеткого ПИД-регулятора в процессе реального времени: а – пространственная, б – временная, в – пространственно-временная

На рисунке 3 показаны перечисленные типы корреляции между процессами управления коэффициентами усиления двух нечетких ПИД-регуляторов. На рисунке 4 приведен пример формирования пространственной корреляции в КНВ из сигналов управления коэффициентами усиления двух нечетких ПИД-регуляторов, БЗ которых спроектированы с помощью инструментария ОБЗ для двух различных ситуаций управления.



Внешняя корреляция

Внутренняя корреляция

kP

kD

Состояние четырех квантовых битов

kPFC1 K FC1

kDFC1 kIFC1 kPFC 2

K FC 2

kDFC 2 kIFC 2 kI

Рис. 4. Процесс формирования внутренней и внешней пространственной корреляции для новых коэффициентов усиления kp, ki, kd

Рис. 2. Процесс формирования квантовых битов

Далее осуществляется выбор типа квантовой корреляции (рис. 1) из соответствующих компонент для используемого типа корреляции из нормированных сигналов управления. Для рассматриваемой ситуации возможны три типа квантовой корреляции (содержащих скрытую в спроектированных БЗ ценную квантовую информацию): пространственная, временная и пространственновременная.

194

Согласно рисунку 4, квантовая пространственная корреляция (как тип) классифицируется, в свою очередь, на два вида корреляций: внутренняя и внешняя. Внутренняя корреляция формируется за счет установления статистических взаимосвязей между выходными сигналами управления коэффициентами усиления заданного первого НР типа KFC1. Внешний вид корреляции характеризует связь между соответствующими сигналами управления первого KFC1 и второго KFC2 НР, где индекс FC1 означает нечеткий регулятор 1 (НР1), а индекс FC2 – нечеткий регулятор 2 (НР2). Отметим также, что аналогичные рассуждения справедливы для временной и пространственновременной корреляций. В результате формирования таких типов и видов квантовой корреляции осуществляется координационное управление между коэффициентами усиления за счет соответст-

Программные продукты и системы

вующей внутренней и внешней силы корреляции. Следовательно, для конкретного рассматриваемого случая двух НР каждое квантовое состояние суперпозиции выбранного коэффициента усиления описывается четырьмя квантовыми битами. Рассмотрим алгоритм формирования суперпозиции (рис. 1) для вычисления оптимального значения, например, пропорционального коэффициента усиления нечеткого ПИД-регулятора, используя БЗ двух НР из разных ситуаций управления. Остальные коэффициенты вычисляются по аналогичному алгоритму. Пример вычисления искомого множества значений пропорционального коэффициента усиления из множества комбинаций {k рFC1 , k рFC 2 , kdFC1 ,

kdFC 2 } выглядит следующим образом: k PFC1  k PFC 2  k DFC1  k DFC 2  1 0 1 0 ( y1, p  0 1, p  y1,1 p  1 1, p )  ( y2, p  0 2, p  y12, p  1 2, p )  2 2 1 0 1 0  ( y1, D  0 1, D  y1,1 D  1 1, D )  ( y2, D  0 2, D  y12, D  1 2, D )  2 2 1  (1  0000   2  0001  ...   2n1  1110   2n  1111 ) 2 

16 _ возможных_состояний

n4 1  y1,0 P  y2,0 P  y1,0 D  y2,0 D : амплитуда_вероятности.

Здесь k рFC1 – используемое значение сигналов управления пропорциональным коэффициентом усиления БЗ первого НР, спроектированного для первой фиксированной ситуации управления; kdFC 2 – значение сигналов управления дифференциальным коэффициентом усиления БЗ второго НР, разработанного для второй ситуации управления (существенно отличающейся от первой по внешним условиям функционирования ОУ). Применяя тензорное произведение между преобразованиями Адамара, получим члены вида k рFC1  kdFC 2 и аналогичные комбинации коэффициентов усиления. Как видно из обозначений, имеется 16 возможных состояний, описывающих комбинации корреляций (с учетом их типа и вида) между соответствующими коэффициентами усиления двух НР, спроектированных для разных ситуаций управления. Следует отметить принципиальную особенность процесса формирования и проектирования нового вида робастных коэффициентов усиления нечеткого ПИД-регулятора за счет применения квантового оператора суперпозиции. Новые типы и виды квантовой корреляции позволяют осуществить координационное управление коэффициентами усиления только за счет физических ресурсов используемого вида корреляции. Это приводит к сжатию и устранению (редукции) избыточности информации в независимых законах управления коэффициентами усиления, извлече-

№ 4, 2013 г.

нию наиболее ценной информации и, как следствие, к повышению уровня робастности новой спроектированной БЗ за счет нового вида координации. Применение запутанных состояний в трех типах корреляции дает возможность повысить уровень робастности спроектированной БЗ (с помощью физических свойств запутанных состояний), используя эффект обмена информацией между квантовыми состояниями в сформированной суперпозиции (см. рис. 1). Такой подход к проектированию робастных БЗ не имеет классических аналогов и отличается чисто квантовой природой получаемых эффектов проектирования. Напомним, что квадрат амплитуды вероятностей состояния в квантовой механике равен классической вероятности нахождения квантовой системы в данном состоянии (постулат Бора, который имеет несколько вариантов строгого обоснования [4]). С точки зрения квантовой теории информации чистое квантовое состояние характеризуется, как известно, нулевым значением энтропии фон Неймана. Следовательно, интеллектуальное квантовое состояние в рассматриваемом КА имеет место для минимума информационной энтропии квантового состояния Шеннона. Искомый минимум достигается, в свою очередь, при максимуме вероятности состояния (по определению информационной энтропии квантового состояния Шеннона H Sh   Рi ln Pi , то есть глобальный минимум i

наблюдается при максимуме вероятности Pi). Так как Pi по определению есть квадрат соответствующей амплитуды вероятностей, принцип максимума амплитуды вероятностей при коррелированном состоянии может быть принят за критерий отбора приоритетного «интеллектуального» корреляционного (когерентного) состояния в суперпозиции возможных кандидатов [5, 6]. Таким образом, вычислением амплитуд квантовых состояний в суперпозиции состояний со смешанными видами квантовой корреляции (рис. 1) и выбором среди них максимальной реализуется модель квантового оракула, обладающего (по определению понятия квантового оракула) необходимой информацией об искомом решении. С помощью стандартной процедуры декодирования (внутреннего произведения векторов в гильбертовом пространстве) и выбора коэффициентов шкалирования для выходных значений проектируемых коэффициентов усиления (рис. 1) осуществляется итерационная работа КА КНВ. Дистанционное подключение ОУ к стационарной вычислительной системе открывает возможность удаленной настройки, формирования и самоорганизации БЗ НР в режиме реального времени. Приведенная модель КА для КНВ позволяет решать классические проблемы проектирования робастных БЗ НР в структурах ИСУ, не имеющих 195

Программные продукты и системы

№ 4, 2013 г.

аналогов решений среди семейства рандомизированных классических алгоритмов, и отличается полиномиальной вычислительной сложностью (BQP – класс вычислительной сложности) [7]. Квантовые вычисления на классическом процессоре: применение в робастном управлении неустойчивым ОУ Проектирование системы управления на основе КНВ осуществляется с использованием разработанного программного инструментария «Квантовый оптимизатор» [1, 8]. Технология применения КНВ позволяет объединять в единую систему управления несколько БЗ, тем самым позволяя нечетким нейронным сетям работать параллельно. Для демонстрации возможностей технологии квантовых вычислений используем классическую задачу теории управления «каретка – перевернутый маятник». Одно из решений данной задачи – ПИД-регулятор в контуре обратной связи. Согласно [9–12], в качестве нижнего исполнительного уровня традиционный ПИД-регулятор и его модификации используются более чем в 85 % контуров управления в промышленных и непромышленных структурах САУ, включая объекты с повышенной социально-экономической ответственностью. Настройка и проектирование регулятора осуществляются как экспертом, так и различными программами. Обычно при проектировании используют интеллектуальные технологии, и этому посвящено множество работ, например [13, 14]. В основном в них рассматриваются создание и обучение нейронных сетей или БЗ с использованием различных алгоритмов обучения. В отличие от этих работ в данном эксперименте рассмотрим возможность применения КНВ для объединения БЗ, полученных на основе обучающего сигнала с физического объекта (ГА-ПИД-регулятор) и верифицированной математической модели [3] (рис. 5). В таблице 1 приведено сравнение БЗ, используемых для формирования КНВ.

Оптимизатор БЗ

МАКЕТ

БЗ на основе ОС модели БЗ на основе ОС макета

Параметр Количество правил Количество функций принадлежности Способ оптимизации

БЗ1 Модель (FC1) 245

БЗ2 Макет (FC4) 270

866

588

Моделирование Дистанционная настройка

Перед тем как приступить к созданию квантового НР, необходимо получить гистограммы распределения выходных сигналов (коэффициентов усиления) нечетких регуляторов (рис. 6). Инструментарий КНВ и ОБЗ (offline) Гистограммы K p Kd Ki Квантовый оптимизатор

при моделировании/ эксперименте в ситуации управления 1 K p K d Ki

БЗ1

Квантовый нечеткий вывод

K p K d Ki + E(t) Задающий сигнал

БЗ2

U (t ) U * (t )

ПИД-регулятор -

Оптимизатор БЗ

+

Объект управления

X (t )

+ Шум

Сенсоры

Рис. 6. Структура квантового НР

Для этого проводится серия экспериментов и моделирования в типовой ситуации управления. Используя полученные значения коэффициентов усиления при работе модели и макета, сформируем массив данных для построения гистограмм коэффициентов усиления ПИД-регуляторов (рис. 7).

Квантовый оптимизатор

МОДЕЛЬ КНВ на основе макета

КНВ на осноКНВ ве макета на основе и модели модели

Рис. 5. Технология применения КНВ для проектирования робастных БЗ

196

Таблица 1 Сравнение БЗ

Рис. 7. Гистограммы выходных значений НР

Построение гистограмм происходит автоматически при загрузке данных в квантовый оптимизатор БЗ. В дальнейшем они используются в алгоритме КНВ для формирования виртуальных состояний. Гистограммы коэффициентов усиления,

Программные продукты и системы

полученные экспериментально, используются в формировании КНВ для робота (в физическом эксперименте); гистограммы коэффициентов усиления, полученные с использованием математической модели, применяются в формировании КНВ для моделирования. После загрузки данных выбирается вид квантовой корреляции между коэффициентами усиления. Формирование запутанных состояний осуществляется на основе выбранной корреляционной матрицы, которая устанавливается в рабочем окне оптимизатора. На следующем шаге устанавливаются соответствующие максимальные и минимальные значения для входных и выходных сигналов КНВ и осуществляется настройка шкалирующих коэффициентов (рис. 1). Планируется использовать математическую модель или дистанционное подключение к объекту управления, то есть дополнительного оборудования для приема-передачи данных, например, радиоканал Bluetooth, Wi-Fi или подключение по кабелю, например USB. Предполагается обмен информацией между ОУ и квантовым оптимизатором для поиска шкалирующих коэффициентов (рис. 1) квантового регулятора. В результате проектирования выходной сигнал из блока КНВ применяется для управления коэффициентами усиления ПИД-регулятора в случае моделирования математической модели, а для робота в физическом эксперименте применяется экспортируемый файл с расширением «*.с». Моделирование и эксперимент Рассмотрим применение разработанной модели КНВ для формирования процесса управления коэффициентами усиления нечеткого ПИД-регулятора. Для этого проведем компьютерное моделирование и эксперимент для двух ситуаций управления: – в первой (типовой) ситуации (С1) задержка управляющего сигнала стандартная – 0,01 сек.; – во второй (непредвиденной) ситуации (С2) задержка управляющего сигнала – 0,04 сек. (увеличенная в четыре раза). В таблице 2 представлены параметры математической модели [3] для С1 и С2. На рисунке 8 представлены результаты моделирования в непредвиденной ситуации управления. Рассмотрим результаты эксперимента в непредвиденной ситуации управления (С2). Рисунки 9–11 иллюстрируют результаты экспериментов в непредвиденных и типовой ситуациях управления. Оценка управления показала, что НР, разработанные с использованием ОБЗ, обеспечивают систему более простым управлением, что в итоге положительно сказывается на сроке использования оборудования, повышении надежности, снижая износ и энергопотребление. Разработанная мето-

№ 4, 2013 г.

дология объединения стратегий управления на основе КНВ позволяет эффективно справляться с задачами управления и в нештатных ситуациях, в которых с задачей управления не справляются НР, спроектированные на ситуациях обучения. Таблица 2 Ситуации управления и параметры математических моделей Параметр С1 С2 Начальный угол 0 гр.

0 гр. Начальная 1 гр./сек.

1 гр./сек. скорость Масса тележки 0,56 кг 0,56 кг Масса маятника 0,63 кг 0,63 кг Длина маятника 0,05 м 0,07 м Трение в крепле- 3,55 + нормиро- 3,73 + нормиронии ванный шум с ин- ванный шум с тенсивностью 0,01 интенсивностью и амплитудой 0,35 0,01 и амплитудой 0,35 Трение колес 3,63 + гауссовский 3,63 + гауссовшум 15 % ский шум 15 % Сила упругости 5,54 Н/м 5,54 Н/м Шум в системе Равномерный Равномерный управления [-2,15 2,15], интен- [-2,15 2,15], инсивность 0,48 тенсивность 0,48 Шум в системе Амплитуда 0,22, Амплитуда 0,32, измерения гауссовский шум, гауссовский интенсивность шум, интенсив0,01 ность 0,01 Задержка 0,01 сек.

0,04 сек. управляющего воздействия

Таким образом, имеем новый синергетический эффект за счет квантовой самоорганизации знаний: спроектированный на основе КНВ интеллектуальный регулятор справляется в нештатной ситуации с поставленной задачей управления и имеет робастную БЗ, в основе проектирования которой лежат неробастные БЗ (см. рис. 9 и 11). В этом случае имеем новый синергетический эффект в теории искусственного интеллекта: из двух необученных классических автоматов можно спроектировать новый интеллектуальный квантовый автомат. Причем система управления на основе КНВ наследует лучшие характеристики качества

Рис. 8. Угол отклонения математической модели. Непредвиденная ситуация управления. Моделирование

197

Программные продукты и системы

Рис. 9. Угол отклонения макета. Непредвиденная ситуация управления. Моделирование

№ 4, 2013 г.

квантовый нечеткий регулятор (на основе этих же НР) справляется с задачей управления на требуемом уровне качества управления. Установленный эффект подтверждает реализацию принципа самоорганизации БЗ за счет использования алгоритма КНВ. Показано применение квантовых вычислений на классическом процессоре в режиме реального времени. Результаты моделирования и экспериментов подтверждают полезность и эффективность использования скрытой квантовой информации, извлекаемой из классических состояний коэффициентов усиления, в процессах управления. Таким образом, показаны эффективность и необходимость применения квантовых вычислений и алгоритмов управления не только для квантовых систем, но и для классических ОУ. Литература

Рис. 10. Угол отклонения макета. Непредвиденная ситуация управления. Эксперимент

Рис. 11. Интеграл квадратичной ошибки. Типовая ситуация управления. Эксперимент

управления от БЗ спроектированных ранее нечетких регуляторов, добавляя способность к самоорганизации в реальном времени. На основании изложенного можно сделать следующие выводы. Технология квантового нечеткого вывода, не разрушая нижний исполнительский уровень управления, обеспечивает систему дополнительным свойством робастности только за счет использования нового квантового программно-алгоритмического обеспечения. Проведенные эксперименты и результаты моделирования показали, что интеллектуальное управление позволяет в непредвиденных ситуациях управления гарантированно достигать цели управления с минимальным расходом ресурса, что по своей сути отражает на содержательном уровне само определение целенаправленной деятельности ИСУ. Продемонстрировано существование непредвиденных ситуаций управления, в которых НР не обладают требуемым качеством робастности, а 198

1. Ulyanov S.V., Litvintseva L.V. Design of self-organized intelligent control system based on quantum fuzzy inference: Intelligent system of systems engineering approach. Proc. of IEEE Internat. Conf. on System, Man and Cybernetics (SMC’2005), Hawai, USA, 2005, vol. 4.

2. Ulyanov S.V., Panfilov S.A., Kurawaki I., Yazenin A.V. Information analysis of quantum gates for simulation of quantum algorithms on classical computers, Proc. of Intern. Conf.

QCM&C’2000. Capri, Italy, 2000, Kluwer Acad. Plenum Publ., 2001, pp. 207–214.

3. Решетников А.Г., Ульянов С.В. Метод извлечения знаний из физически измеряемого сигнала обучения: проектирование баз знаний нечеткого регулятора. Системный анализ в науке и образовании. 2013. Вып. 1.

4. Zurek W.H. Probabilities from entanglement, Born’s rule pk =|k|2 from envariance. Phys. Review, 2005, vol. A71, № 5.

5. Гольденблат И.И., Ульянов С.В. Введение в теорию относительности и ее приложения к новой технике. М.: Физматгиз, 1979.

6. Петров Б.Н., Уланов Г.М., Ульянов С.В. Проблемы управления релятивистскими и квантовыми динамическими системами. М.: Наука, 1982.

7. Li Y., Ang K.H., Chong G.C.Y. Patents, software and hardware for PID control: an overview and analysis of the current art. IEEE Control Syst. Mag., 2006, vol. 26, no. 1, pp. 42–54.

8. Решетников А.Г., Ульянов С.В., Шоланов К.С. Робастное интеллектуальное управление физическим динамически неустойчивым объектом «каретка–перевернутый маятник». Ч. 2: Технологии квантовых вычислений. Системный анализ в науке и образовании. 2013. Вып. 1. URL: http://sanse.ru/download/155 (дата обращения: 11.09.2013).

9. Khan H. PID controller: Comparative analysis and design diverse realizations (Moving towards efficient control in robotics and industries), Lambert Academic Publ. House, 2012.

10. Choi D., Oh J.-H. Human-friendly motion control of a wheeled inverted pendulum by reduced-order disturbance observer, IEEE Intern. Conf. on Robotics and Automation Pasadena, CA, USA, 2008, May 19–23, pp. 2521–2526.

11. Nawawi S.W., Ahmad M.N., and Osman J.H.S. Real-time control system for a two-wheeled inverted pendulum mobile – robot. Advanced Knowledge Application in Practice, InTech, 2010, pp. 299–312.

12. Gocmen A. Design of two wheeled electric vehicle. Master Sci. Thesis, Atilim Univ., 2011.

13. Moghaddas M., RezaDastranj M., Changizi N., and Khoori N. Design of Optimal PID Controller for Inverted Pendulum Using Genetic Algorithm. Intern. Journ. of Innovation, Management and Technology, 2012, vol. 3, no. 4.

14. Kumar P., Mehrotra O.N., Mahto J. Tuning of PID controller of inverted pendulum using genetic algorithm. Intern. Journ. of Research in Engineering and Technology, 2012, vol. 01, iss. 03.

Программные продукты и системы

References 1. Ulyanov S.V., Litvintseva L.V. Design of self-organized intelligent control system based on quantum fuzzy inference: Intelligent system of systems engineering approach. Proc. of IEEE int. conf. on system, man and cybernetics (SMC’2005). Hawai, USA, vol. 4.

2. Ulyanov S.V., Panfilov S.A., Kurawaki I., Yazenin A.V. Information analysis of quantum gates for simulation of quantum algorithms on classical computers. Proc. of int. conf. on quantum communication, measurements and computing (QCM&C’2000).

Kluwer Acad. Plenum Publ., 2001, pp. 207–214.

3. Reshetnikov A.G., Ulyanov S.V. Knoledge extract method from physically measured teaching signal: knowledge base design for fuzzy controller. Sistemnyy analiz v nauke i obrazovanii [System analyze in sience and education]. 2013, vol. 1.

4. Zurek W.H. Probabilities from entanglement, Born’s rule pk =|k|2 from envariance. Phys. Review. 2005, vol. A71, no. 5.

5. Goldenblat I.I., Ulyanov S.V. Vvedenie v teoriyu otnositelnosti i ee prilozheniya k novoy tekhnike [Introdaction to relativity theory and its applications to a new technique]. Moscow, Fizmatgiz Publ., 1979.

6. Petrov B.N., Ulanov G.M., Ulyanov S.V. Problemy upravleniya relyativistskimi i kvantovymi dinamicheskimi sistemami [Control problems of relativistic and quantum dynamic systems].

Moscow, Nauka Publ., 1982.

7. Li Y., Ang K.H., Chong G.C.Y. Patents, software and hardware for PID control: an overview and analysis of the current art. IEEE Control Syst. Mag. 2006, vol. 26, no. 1, pp. 42–54.

№ 4, 2013 г.

8. Reshetnikov A.G., Ulyanov S.V., Sholanov K.S. Robust intelligent control of physical dynamic unstable object «cart – pole». Pt. 2: quantum computing technology. Sistemnyy analiz v nauke i obrazovanii [System analyze in sience and education].

2013, vol. 1. Available at: http://sanse.ru/download/155 (accessed 11 September 2013).

9. Khan H. PID controller: Comparative analysis and design diverse realizations (Moving towards efficient control in robotics and industries). Lambert Academic Publ. House, 2012, 96 p.

10. Choi D., Oh J.-H. Human-friendly motion control of a wheeled inverted pendulum by reduced-orderdisturbance observer.

IEEE int. conf. on robotics and automation Pasadena. CA, USA, 2008, pp. 2521–2526.

11. Nawawi S. W., Ahmad M. N., Osman J. H. S., Real-time control system for a two-wheeled inverted pendulum mobile – robot. Advanced knowledge application in practice. InTech, 2010, pp. 299–312.

12. Gocmen A. Design of two wheeled electric vehicle. Master Sci. thesis, Atilim Univ. Publ., 2011.

13. Moghaddas M., RezaDastranj M., Changizi N., Khoori N. Design of Optimal PID Controller for Inverted Pendulum Using Genetic Algorithm. Int. journ. of innovation, management and technology. 2012, vol. 3, no. 4.

14. Kumar P., Mehrotra O.N., Mahto J. Tuning of PID controller of inverted pendulum using genetic algorithm. Int. journ. of research in engineering and technology. 2012, vol. 01, iss. 03.

Available at: http://ijret.org/volumes/2012_11_Vol_01_Iss_03/ P2012_01_03_029.pdf (accessed 10 August 2012).

УДК 004.032.26

НЕЧЕТКИЙ ФИЛЬТР КАЛМАНА В СТРУКТУРЕ АЛГОРИТМА РЕШЕНИЯ ОБРАТНЫХ ЗАДАЧ ДЛЯ ЭКОНОМИЧЕСКИХ ОБЪЕКТОВ Д.А. Павлов, аспирант (Смоленский филиал Национального исследовательского университета МЭИ, Энергетический проезд, 1, г. Смоленск, 214013, Россия, putchkov63@mail.ru) Предложен метод решения обратных задач на основе применения нечеткого фильтра Калмана, учитывающего специфику объектов экономики, такую как невозможность построить физическую модель процесса или явления. В основе алгоритма лежат переход от описания системы в форме интегрального уравнения Фредгольма I рода к форме дискретного фильтра Калмана, а также применение методов нечеткой логики для задания элементов уравнений фильтра. Рассматриваемый метод решения обратных задач опирается на данные о выходном процессе объекта, которые обычно являются результатом измерений каких-либо параметров. Наличие шума измерений приводит к дополнительному снижению точности решения, поэтому целесообразно применение такого алгоритмического средства, как фильтрация, способствующего уменьшению этого влияния. В случае экономического объекта шум измерений может трактоваться как, например, погрешности получаемых статистических данных, неточность аналитических и экспертных моделей, применяемых при трактовке результатов его функционирования. Для снижения субъективизма, вносимого в базу знаний экспертами, предлагается применение методов нечеткого кластерного анализа и адаптивных нейро-нечетких систем, позволяющих автоматически синтезировать структуру базы знаний. Средой разработки программного обеспечения выбран MatLAB, имеющий библиотеку для создания адаптивных нейро-нечетких систем (ANFIS-редактор). Ключевые слова: интегральное уравнение Фредгольма, обратные задачи, нечеткая логика, фильтр Калмана.

KALMAN FUZZY FILTER IN THE STRUCTURE OF THE ALGORITHM SOLVING INVERSE PROBLEMS FOR ECONOMIC OBJECTS Pavlov D.A., postgraduate student (Smolensk Branch of the Moscow Power Engineering Institute, Energeticheskiy proezd, 1, Smolensk, 214013, Russian Federation, putchkov63@mail.ru) Аbstract. A method solving inverse problems using Kalman fuzzy filter considering specific economic facilities, such as the inability to build a physical model of the process or phenomenon has been proposed. The algorithm is based on the

199

Программные продукты и системы

№ 4, 2013 г.

transition from the system description in the form of a Fredholm integral equation of the type I to the form of the discrete Kalman filter, as well as the using fuzzy logic to set the elements of filter equations. The method for solving inverse problems is based on object output process data, which is usually the result of any parameters measurement.

The measurement noise results in a further decrease of the solutions accuracy. Therefore it is appropriate to use filtration which reduces this impact. As for economic object, the measurement noise can be interpreted as statistical data precision, inaccurate analysis and expert models used in the interpretation of its operating results and others.

To reduce experts subjectivity contributed to the knowledge base, it is proposed to apply fuzzy cluster analysismethods and adaptive neuro-fuzzy systems methods allowing automatical synthesizing the knowledge base structure. MatLAB has been used as a software development environment, because it has a library to create adaptive neuro-fuzzy systems (ANFIS-editor).

Keywords: Fredholm integral equation, inverse problems, fuzzy logic, Kalman filter.

Новые направления и результаты исследований в области информационных технологий все более привлекают бизнес, позволяя ему за счет внедрения передовых информационных методов получать устойчивый рост прибыли как главной цели своего существования. Разработка новых алгоритмов, методов обработки данных, совершенствование и модификация имеющихся подходов с учетом изменившихся требований и возможностей вычислительной техники становятся привлекательным направлением разработок и усилий специалистов в области IT, так как позволяют привлекать значительные материальные ресурсы заинтересованных бизнес-структур. Одним из таких направлений можно считать разработку информационных систем диагностики состояний экономических систем, позволяющих по результатам анализа показателей функционирования системы сделать суждение о причинах, вызвавших такое состояние. Поиск причин в наиболее простых случаях взаимосвязи выходных и входных сигналов не вызывает трудностей (например, при связи выхода x и входа v вида x=kv причину v, вызвавшую появление x, легко определить при известном k). Однако такие ситуации встречаются редко – чаще приходится иметь дело со сложными зависимостями (так, при x=kv2 определить причину v однозначно уже не удается). С точки зрения математики обозначенная проблема диагностики может быть отнесена к классу некорректно поставленных задач, а именно, к подклассу обратных задач [1]. Задачи в обратной постановке возникают и решаются в самых различных областях: в рентгеновской компьютерной томографии, магнитно-резонансной томографии, реконструкции искаженных изображений (иконки), спектроскопии, геологоразведке. Процесс решения обратных задач опирается на данные о выходном процессе, которые обычно являются результатом измерений. Наличие шума измерений приводит к дополнительному снижению точности решения, поэтому целесообразно применение такого алгоритмического средства, как фильтрация, способствующего уменьшению этого влияния. Одна из возможных структур решения обратных задач с применением фильтра предложена в [2]. В этой структуре сделана попытка компенсировать одну из возможных некорректностей обратных задач, которая проявляется в том, что ма200

лые изменения исходных данных приводят к произвольно большим изменениям решений. Для снижения влияния этого фактора там использована искусственная нейронная сеть, на вход которой подаются данные, подвергнутые процедуре фильтрации. В качестве алгоритма фильтрации использован фильтр Калмана. Процедуру решения реализует искусственная нейронная сеть, а фильтр является обеспечивающей подсистемой, улучшающей точность решения. Рассмотрим другую структуру алгоритма решения обратной задачи, также использующую фильтрацию, но уже без применения нейронной сети. Такая структура решения позволяет использовать наибольшее количество априорной информации среди устойчивых (регулярных) методов: в методе Калмана – ковариации ошибок и математического ожидания правой части и решения, а в методе Винера – спектральные плотности мощности шумов правой части и решения [3]. Данные методы относятся к методам статистической регуляризации. Процедура регуляризации в общем случае позволяет перейти от постановки задачи, приводящей к неустойчивому решению, к постановке, дающей устойчивый результат. Объекты экономики не функционируют сами по себе, они встроены в контур управления, где роль регулятора выполняет административная надстройка, а исполнительный механизм состоит из рабочих и служащих, реализующих бизнеспроцесс. В этой связи можно рассматривать задачу управления в постановке и терминах, аналогичных применяемым для технических объектов. Проявляющаяся в процессе изложения материала специфика экономического приложения методов будет оговариваться отдельно. Обозначим входной сигнал (управляющее воздействие) V, а выходной (реакция системы) x. В обратной постановке получаем задачу восстановления сигнала V по измеренному выходному сигналу x. Дискретный аналог интегрального уравнения Фредгольма I рода, связывающего сигналы x и V, позволяет перейти к постановке решения обратной задачи, характерной для фильтра Калмана [3]: n

A j 1

i, j

V j +Nj=xi ,

(1)

где А – матрица размером mn; Ni – дискреты m-мерного шума измерений.

Программные продукты и системы

В методе фильтрации Калмана делаются следующие предположения.

1. Математическое ожидание случайного вектора N равно нулю: E[N]=0, где запись E[N] означает математическое ожидание.

2. Задана симметричная положительно определенная mn-матрица ковариации ошибок правой части: R=E[N NТ]. Каждый диагональный элемент матрицы R представляет собой квадрат среднеквадратической погрешности измерения Ni, то есть Ri=i2, а внедиагональный элемент Ri, i≠j, определяет корреляцию погрешностей Ni и Nj. 3. Задан n-вектор =E[V] – математическое ожидание (начальное приближение, априорная оценка, прогноз) вектора V. 4. Задана симметричная положительно определенная nп-матрица – априорная ковариация ошибок решения: M=E[(V–ψ)(V–ψ)Т]. Далее искомое решение V находится из условия минимума квадратичной формы: (AV–x)Т R-1 (AV–x)+(V–ψ)Т M-1(V–ψ)=miny . (2) Из условия (2) получается решение (апостериорная оценка V, свертка замера с прогнозом): Vоц=ψ+(M– 1+AТR-1A)-1AТR-1(N–A ψ), (3) причем апостериорная nn-матрица ковариаций ошибок решения равна P≡E[(Vоц–V)(Vоц–V)Т]=(M-1+AТR-1A)-1.

(4) Итак, если помимо N и А известны дополнительно R, ψ и М, то уточненное решение уравнения (2) согласно методу фильтрации Калмана выразится формулой (3), а уточненная матрица ковариаций ошибок решения – формулой (4). Когда имеется лишь одна реализация вектора x, требование об априорном знании ψ и М, содержащееся в методе Калмана, трудновыполнимо. Поэтому фильтр Калмана обычно применяется в том случае, когда в функции времени поступают новые реализации х, а ψ и М итеративно уточняются. Отличительной чертой объектов экономики является невозможность применения к ним физических законов и, соответственно, получения аналитических зависимостей, точно описывающих происходящие в них процессы. Объясняется это тем, что на функционирование организации, помимо законов экономики, влияет еще множество факторов: социальных, политических, случайных, вызванных природными явлениями и катаклизмами. В этих условиях на помощь приходят интеллектуальные методы, позволяющие найти решение в обозначенных выше условиях. В рассматриваемом подходе к решению обратных задач предлагается формировать значения матрицы А из (1), используя продукционные правила системы нечеткого вывода [4]. Нахождение Ai,j выполняется на основании процедуры нечеткого вывода с использованием базы знаний, сформированной экспертами соответствующей предметной области. База знаний заполняется набором правил вида

№ 4, 2013 г.

Пi: ЕСЛИ g1 ЕСТЬ «Gj» И g2 ЕСТЬ «Gj+1» … И gk ЕСТЬ «Gj+u», ТО Ai,j ЕСТЬ «Di», (5) где g – некоторый параметр, учитываемый экспертами при формировании матрицы А; Gi – лингвистическая переменная «величина g», содержащая термы «малое значение», «среднее значение» и т.д.; k – количество учитываемых параметров g; Di – лингвистическая переменная «значение d», определяющая значение элемента Ai,j, содержащая термы «малое значение», «среднее значение» и т.д. Представленные выкладки демонстрируют, что калмановский алгоритм может быть приспособлен для решения обратных задач, исходная постановка которых базируется на интегральных уравнениях Фредгольма. Структура такого алгоритма представлена на рисунке 1. В отличие от структуры, приведенной в [2], здесь отсутствует искусственная нейронная сеть, так как процедуру решения выполняет сам фильтр.

AV

V SO

N

V оц

X MEO

FFK

Рис. 1. Структура алгоритма решения обратной задачи с применением фильтра Калмана: SO (studiedobject) – исследуемый объект; MEO (measuring instrument of anexi to fobject) – измеритель выхода объекта; FFK (fuzzy filter of Kalman) – фильтр Калмана, использующий базу знаний, построенную на основе нечеткой логики

Процедура формирования базы правил экспертами, безусловно, вносит определенный субъективизм в процесс решения. Однако его влияние можно значительно снизить различными способами, начиная от усреднения оценок экспертов и заканчивая применением методов статистической обработки информации, поступающей из различных источников об экономическом объекте, и методов нечеткого кластерного анализа. Применение последнего инструмента позволяет вообще избежать привлечения экспертов за счет использования систем ANFIS (AdaptiveNeuro-FuzzyInferenceSystem – адаптивная нейро-нечеткая система).

ANFIS-редактор, реализованный в MatLAB [4], позволяет автоматически синтезировать из экспериментальных данных нейро-нечеткие сети. Нейро-нечеткую сеть можно рассматривать как одну из разновидностей систем нечеткого логического вывода типа Сугэно. При этом функции принадлежности синтезированных систем настроены (обучены) так, чтобы минимизировать отклонения между результатами нечеткого моделирования и экспериментальными данными [5, 6]. В качестве примера использования предлагаемого алгоритма возьмем взаимосвязь таких характеристик экономического объекта, которые трудно поддаются точному расчету по бухгал201

№ 4, 2013 г.

терским методикам. К такой взаимосвязи можно отнести зависимость среднего объема продаж х на одного работающего коммерческого предприятия за какой-либо период времени от качества обслуживания клиентов V. Объемы продаж измеряются в денежном эквиваленте, а для оценки качества обслуживания используется балльная система. Пусть количественно такую взаимосвязь, сформированную на основе экспертных оценок, отражает кривая, показанная на рисунке 2.

Нормированное значение продаж

Программные продукты и системы

0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0

1

2

3

Номер филиала

4

5

Рис. 3. Нормированные данные об объемах продаж в филиалах фирмы-конкурента

Средний объем продаж на одного работника (тыс. руб.)

80 70 60 50 40 30 20 10 0 0

1

2

3

4

5

6

7

8

9

10

Качество обслуживания (баллы)

Рис. 2. Зависимость объемов продаж от качества обслуживания

Эта кривая служит наглядным отображением набора правил (5). Зависимость учитывает тот факт, что при высоком качестве обслуживания продажи велики, но при этом наступает некоторое насыщение, когда повышение качества уже не дает той отдачи, которая наблюдалась в начале и середине шкалы качества. Общая постановка задачи звучит так: по имеющимся данным о средних объемах продаж конкурирующей фирмы, которые могут быть неточны, требуется сделать заключение о качестве обслуживания V в ней, чтобы с помощью этих сведений менеджеры компании могли принять соответствующие решения для обеспечения положительной динамики развития своей фирмы. Неточность данных может быть обусловлена рядом причин, такими как нежелание фирмы-конкурента предоставлять такие данные в свободное пользование; ошибки, допускаемые источниками информации; преднамеренные искажения информации и ряд других. Предположим, что имеются данные о средних объемах продаж за шесть фиксированных интервалов времени (например, за шесть последних месяцев) в четырех филиалах фирмы-конкурента. Целесообразно сразу привести объемы продаж к диапазону от 0 до 1, чтобы обеспечить нормирование точности расчетов. Так как оцениваемые объемы продаж находятся в диапазоне от 0 до 70 тысяч рублей (рис. 2), приведение к диапазону от 0 до 1 происходит делением абсолютных значений на 70 тысяч рублей. В результате получаем исходные данные, отраженные на рисунке 3.

202

Реализацию алгоритма начнем с формирования матрицы А. Учитывая, что имеются четыре филиала, в матрице А будут четыре строки. Для упрощения иллюстративных расчетов количество столбцов возьмем также равным четырем. При определении элементов матрицы А будем считать, что качество обслуживания в филиалах взаимно независимо, поэтому aij=0, если i≠j, и aij≠0 при i=j. Учитывая, что объемы продаж не выходят за рамки коридора от 20 до 50 тысяч рублей, зависимость х(V) на этом интервале можно считать линейной и А(V)=A. Если для всех филиалов зависимость, показанная на рисунке 2, одинаковая, то и диагональные элементы матрицы А будут одинаковыми. Для перехода к форме (1) необходимо найти параметры шума N, а именно, среднеквадратичное отклонение i. На основании данных, отображенных на рисунках 2 и 3, определяются оценки i для филиалов. Шести реализаций для каждого филиала недостаточно для статистически корректных расчетов, но пример носит иллюстративный характер. Старт расчетов по алгоритму требует наличия априорной оценки вектора математического ожидания сигнала V, в качестве которой возьмем середину диапазона от 20 до 50 тысяч рублей для филиалов, что с учетом нормировки приводит к вектору ψТ=(0,5 0,5 0,5 0,5). Данный вектор и априорная ковариация ошибок решения M в процессе итерационной процедуры будут постоянно уточняться, поэтому их начальные значения могут быть выбраны достаточно грубо. В рассматриваемом примере моделируется ситуация, когда последовательно приходят шесть отсчетов, на основании которых формируется оценка значений V на основе наблюдаемых х. В данном случае получаем нормированный вектор xТ=(0,55 0,49 0,51 0,46) или, переходя к абсолютным значениям: (38500 34300 35700 32200). На основании этих данных, используя зависимость на рисунке 2, определяются оценки качества VТ=(4,81 4,63 4,68 4,56). Полученные значения интерпретируются менеджерами для оценки состояния системы обеспечения качества на предприятии-конкуренте и выработки соответствующих мероприятий в своей организации. На данном иллюстративном примере показан порядок применения рассмотренного подхода к

Программные продукты и системы

решению обратных задач. Однако этот пример не позволяет провести сравнительный анализ точности данного метода с уже известными ввиду небольшого количества данных, но, как ожидается, его точность повысится за счет использования алгоритма фильтрации Калмана, что будет проанализировано во время дальнейших исследований. Предложенная структура алгоритма решения обратных задач может быть положена в основу ПО, используемого в системах поддержки принятия решений в различных отраслях экономики. Литература 1. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, 1979.

2. Абраменкова И.В., Пучков А.Ю., Павлов Д.А. Нейронечеткий метод снижения чувствительности решения обратных задач к вариациям данных // Программные продукты и системы. 2011. № 4 (96). С. 72–75.

3. Сизиков В.С. Устойчивые методы обработки результатов измерений. СПб: СпецЛит, 1999. 240 с.

4. Гимаров В.А., Дли М.И., Круглов В.В. Задачи распознавания нестационарных образов // Изв. РАН. Теория и системы управления. 2004. № 3. С. 92–96.

5. Бояринов Ю.Г., Борисов В.В., Мищенко В.И., Дли М.И. Метод построения нечеткой полумарковской модели

№ 4, 2013 г. функционирования сложной системы // Программные продукты и системы. 2010. № 3. С. 26–31.

6. Мешалкин В.П., Белозерский А.Ю., Дли М.И. Методика построения комплексной математической модели управления рисками предприятия металлургической промышленности // Прикладная информатика. 2011. № 3. С. 100–120.

References 1. Tikhonov A.N., Arsenin V.Ya. Metody resheniya nekorrektnykh zadach [Methods of the solution of incorrect tasks].

Moscow, Nauka Publ., 1979.

2. Abramenkova I., Puchkov A.Yu., Pavlov D. A. Neuro and indistinct method of decrease in sensitivity of the inverce tasks solution to data variations. Programmnye produkty i sistemy [Software & Systems]. 2011, no. 4 (96), pp. 72–75.

3. Sizikov V.S. Ustoychivye metody obrabotki rezultatov izmereniy [Steady methods of processing measurements results].

St. Petersburg, SpetsLit Publ., 1999, 240 p.

4. Gimarov V.A., Dli M.I., Kruglov V.V. Problems of nonstationary images recognition. Journ. of Computer and Systems Sciences Int. 2004, no. 3, pp. 92–96.

5. Boyarinov Yu.G., Borisov V.V., Mishchenko V.I., Dli M.I. A building technique for fuzzy semi-Markov model of complex system functioning. Programmnye produkty i sistemy [Software & Systems]. 2010, no. 3, p. 26.

6. Meshalkin V.P., Belozerskiy A.Yu., Dli M.I. A building technique for complex mathematical model of metallurgy industry enterprise risk management. Applied informatics. 2011, no. 3, pp. 100–120.

УДК 004.912:004.89

АРХИТЕКТУРА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ИНФОРМАЦИОННОЙ ПОДДЕРЖКИ ИННОВАЦИЙ В НАУКЕ И ОБРАЗОВАНИИ (Работы проводились при финансовой поддержке РФФИ, договор № НК13-07-00342/13)

В.К. Иванов,

к.т.н., доцент, директор Центра научно-образовательных электронных ресурсов;

Б.В. Палюх, д.т.н., профессор, зав. кафедрой (Тверской государственный технический университет, наб. Аф. Никитина, 22, г. Тверь, 170026, Россия, mtivk@mail.ru, pboris@tstu.tver.ru); А.Н. Сотников, д.ф.-м.н., профессор, зам. директора (Межведомственный суперкомпьютерный центр РАН, Ленинский просп., 32а, г. Москва, 119991, Россия, asotnikov@jscc.ru)

Поиск инновационных решений с использованием различных источников данных – важная составляющая многих направлений деловой активности. Одним из основных трендов развития методологии и решений для поиска инноваций является автоматизированная семантическая обработка больших массивов научно-технической информации, позволяющая осуществлять поиск прорывных технологий и других инновационных идей. Очевидно, что нужны эффективные методы создания и наполнения электронных коллекций новейших идей и технологий, содержащих не просто их описания, а специальным образом отобранные, классифицированные и ассоциированные данные. Разработка новых методов поиска готовых решений в базе данных центра обработки данных (data centre) – суть проекта системы информационной поддержки инноваций в науке и образовании. В настоящей статье описываются один из подходов к поиску информации об инновациях и область его применения. Приведена общая архитектура системы с указанием пилотных компонентов. Описана архитектура соответствующего программного обеспечения, включая его функциональность и поведение системы в течение конкретного сеанса работы. Представлена объектная модель для работы с документами, под которыми понимаются любые текстовые объекты, имеющие отношение к предмету обработки: запросы, результаты поиска, текстовые документы. Даются сведения о текущем состоянии реализуемого проекта. Ключевые слова: поддержка принятия решений, архитектура программного обеспечения, поисковый алгоритм, инновация, классификация данных, сервис.

203

Программные продукты и системы

№ 4, 2013 г.

ARCHITECTURE OF INTELLIGENT INFORMATION SUPPORT SYSTEM FOR INNOVATIONS IN SCIENCE AND EDUCATION Ivanov V.K., Ph.D. Tech. Sc., associate professor, director of Center for research and educational digital resources; Palyukh B.V., Dr. Tech. Sc., professor, head of chair (Tver State Technical University, 22, Quay Nikitin, Tver, 170026, Russian Federation, mtivk@mail.ru, pboris@tstu.tver.ru); Sotnikov A.N., Dr.Sc. (Physics and Mathematics), professor, deputy director (Joint Supercomputer Centre of RAS, Leninskiy Av., 32a, Moscow, 119991, Russian Federation, asotnikov@jscc.ru) Аbstract. The search for innovative solutions using different data sources is an important part of many lines of business, science and education. One of the main trends in the development of methodologies and solutions for search innovation is an automated semantic processing large volume of scientific and technical information that allows searching for breakthrough technologies and other innovative ideas. Obviously, there is a need in efficient methods of digital collections creating and filling with the latest ideas and technologies that contain not just their descriptions, but specially selected, classified and associated data.

The development of new methods to search for ready-made solutions in the data center database is the essence of the Information Support System for Innovations in Science and Education.

The article describes one of the approaches to finding information on innovations and its scope. The software common architecture and pilot components are presented. The relevant software architecture, including its functionality and behavior of the system during a given session is described. The object model for working with documents is presented. The document is any text object that is relevant to the subject matter of processing: query, search result, text document. There is information about the current state of the ongoing project.

Keywords: decision support, software architecture, search algorithm, innovation, data classification, service.

Поиск инновационных решений с использованием различных источников данных является важной составляющей многих направлений деловой активности. Разнообразные исследования в этой области инновационного менеджмента касаются особенностей поиска инноваций в экономике, науке, образовании (см., например, [1–3]). В этой связи несомненную ценность представляют специализированные коллекции научно-технических достижений [4]. Один из основных трендов развития методологии и решений для поиска инноваций – автоматизированная семантическая обработка больших массивов научно-технической информации, позволяющая осуществлять поиск прорывных технологий и других инновационных идей. В качестве примеров приведем несколько известных решений: illumin8, NetBase, Orbit. При всех различиях этих и других подобных систем основной паттерн поиска включает в себя отбор материалов по запросу, выделение ключевых понятий в заданной области и соответствующую группировку материалов, фильтрацию результатов, генерацию аналитических отчетов. Не затрагивая вопросов стратегии внедрения инноваций в конкретных приложениях, отметим ряд принципиальных, на взгляд авторов, особенностей, касающихся реализации непосредственных механизмов автоматизированного поиска инновационных решений: – искомые решения часто находятся на стыке смежных областей – отсюда сложности формулировки точного запроса; – одновременно с информацией о собственно инновациях желательно получить сведения о примерах применения, рисках, особенностях использования, пользователях, авторах, производителях; – наличие альтернатив и необходимость одновременного поиска критериев отбора наиболее эффективных решений; 204

– разрозненность и неоднородность сведений об инновациях; преимущественно внутриотраслевой характер. Очевидно, что полностью задача автоматизированного поиска инновационных решений далеко не решена. Нужны новые эффективные методы создания и наполнения электронных коллекций новейших идей и технологий, содержащих не просто их описания, а специальным образом отобранные, классифицированные и ассоциированные данные. В настоящей статье описываются один из подходов к поиску информации об инновациях и область его применения, представляется архитектура соответствующего ПО, даются сведения о текущем состоянии реализуемого проекта программной системы с функциями семантического поиска и интеллектуального анализа данных для предложения инновационных решений. О цели проекта Предположим, что пользователю необходимо получить максимально исчерпывающую информацию о возможных инновационных решениях задачи в какой-либо предметной области. Естественные первоочередные действия – выполнение поискового запроса/запросов для поиска научнотехнической информации: – в ресурсах Интернета (издания общероссийских и отраслевых институтов информации, справочники, статьи и обзоры, материалы конференций, ГОСТы, технические регламенты, нормативно-техническая документация, отчеты о НИР/ОКР, рекламные материалы, статистические данные, экспертные оценки); – в специализированных БД (патентных, описаний изобретений и полезных моделей, промышленных образцов, реферативной и/или библиографической информации, товарных знаков).

Программные продукты и системы

№ 4, 2013 г.

Связь

Операционное управление

Безопасность

Сквозная функциональность

Слой доступа к данным

Бизнесслой

Слой сервисов

Слой представления

В результате в распоряжении Внешние системы пользователя будет большое коПользователи 1 Потребители сервисов личество данных, в той или иной степени релевантных соответствующим запросам. При этом, как правило, у пользователя нет воз2 можности подробно рассмотреть Компоненты UI все имеющиеся результаты. ВозКомпоненты логики никают следующие вопросы: представления – является ли ранжирование результатов, выполненных поисковой системой, корректным с 3 точки зрения ожиданий пользоваИнтерфейсы Типы сервисов сообщений теля; – все ли результаты, доступные для непосредственной оценки Фасад приложения 4 пользователем, соответствуют его БизнесБизнесБизнесожиданиям; компоненты процессы сущности – все ли результаты, соответствующие ожиданиям пользователя, попали в число доступных для 5 Вспомогательные методы/утилиты непосредственной оценки; Компоненты работы доступа Агенты – все ли искомые решения с данными к данным сервисов найдены вообще; 6 – обнаружатся ли эффективные решения, которые относятся к другим областям применения, но Источники 8 Сервисы 7 могут успешно использоваться данных как инновации в данной области. Ответы на эти вопросы может Рис. 1. Общая архитектура дать выполнение работ по проекту системы информационной подПриведем состав пилотных компонентов с держки инноваций в науке и образовании. Суть кратким описанием их функциональности: проекта – разработка новых методов поиска гото1) пользовательское приложение; вых решений в базе данных центра обработки 2) графическая визуализация результатов поданных (data centre) и ее пополнения результатами иска и работы поисковых алгоритмов, семантика интеллектуального анализа данных Интернета. связей между объектами; Пользователи должны иметь возможность визу3) сервисы для поиска и резюмирования реально оценить найденные решения в совокупношений научно-технических и образовательных засти со связанными объектами. Основной инструдач, имеющих инновационный потенциал; мент – приложение для мобильных устройств с 4) библиотеки классификационных алгоритпереносом большей части ресурсоемких вычислемов и алгоритмов определения семантически свяний в облачный сервис. занных данных; 5) программная реализация модели векторноОбщая архитектура го пространства документов: объектная модель, библиотеки доступа к документной БД, индексаСогласно руководству Microsoft по проектиротор данных; ванию структуры приложений (2-е изд., 2009 г.), 6) подсистема мониторинга – учет и анализ типовая архитектура ПО включает слои представпосещаемости и цитируемости ресурсов различления, сервисов, бизнес-логики, доступа к данными категориями пользователей; ным, а также сквозную функциональность, ко7) ресурсы Интернета, специализированные торые должны обеспечивать взаимодействие БД; пользователей и внешних систем с источниками 8) реестр инновационных решений научноданных. На рисунке 1 приведена общая архитектехнических и образовательных задач. тура системы с указанием пилотных компонентов (графические элементы – окружности). ОбосноваАрхитектура ПО ние состава пилотных компонентов – реализация полного цикла обработки с ограниченной функОбщее представление функциональности ПО циональностью каждого этапа (слоя). системы показано на рисунке 2. Применена нота205

Программные продукты и системы

Модуль визуализации

№ 4, 2013 г.

Модуль поиска

Результаты поиска Ход обработки данных

Модуль уточнения запроса

Для ИПС Интернет Каталог инновационных решений

<<включить>>

<<включить>>

Фильтрация

<<включить>> <<включить>> Для других

Отображение результатов

<<включить>>

Контроль тематики

<<включить>>

ИПС

<<включить>>

Выполнение поискового запроса

<<включить>>

Результаты классификации

Отбор результатов поиска <<включить>>

Уточнение поискового запроса

Модуль идентификации связей Оценка качества классификации Отбор лучших результатов

<<включить>>

Модуль классификации Пользователь

Подбор метода

<<включить>>

<<включить>>

Установление связей

Классификация результатов поиска

<<включить>>

<<включить>> <<включить>>

Интерпретация результатов

Кластерный анализ

Классификация

Рис. 2. Функциональность ПО

ция диаграммы использования UML c действующими лицами, вариантами использования, ассоциациями между ними, а также с зависимостями между вариантами использования. Поведение системы в течение конкретного сеанса работы представлено на диаграмме последовательности UML (рис. 3). Изображена последовательность сообщений между взаимодействующими объектами-классификаторами (компонентами и действующими лицами). Отметим два периода активации пользователя: формулировка запроса (начальный шаг) и визуализация результатов, включая получение вариантов запрошенного инновационного решения и связанных объектов (конечный шаг). Промежуточные шаги отражают алгоритмические аспекты взаимодействия компонентов системы. Таким образом, основными функциональными компонентами проектируемой системы для интеллектуальной обработки результатов поиска ин206

формации будем считать следующие модули: поиска, уточнения запроса, классификации, идентификации связей, визуализации и управления хранилищем данных. Само хранилище данных построено на основе модели векторного пространства документов [5] и пополняется в процессе своей актуализации. На диаграмме последовательности не отображен служебный модуль мониторинга, основными функциями которого являются учет и анализ запрашиваемых ресурсов, агентный мониторинг доступных открытых информационных ресурсов для автономного пополнения хранилища и фоновая индексация документов хранилища. Объектная модель На рисунке 4 изображена объектная модель программного обеспечения в виде диаграммы классов UML. Данная объектная модель предна-

Программные продукты и системы

Модуль управления хранилищем данных

Модуль поиска

Пользователь

Формулировка запроса

№ 4, 2013 г.

Модуль уточнения запроса

Директива на уточнение запроса

Запрос Результаты запроса

Модуль классификации

Модуль идентифкации связей

Модуль визуализации

Фильтрация

Результаты запроса

Результаты запроса Контроль тематики Дистилированные результаты Уточнение запроса запроса Уточненный запрос Результаты Результаты запроса запроса Параметры

Подбор метода Кластерный анализ

Группировки данных

Классификация

Оценка качества классификации Отбор группировок

Группировки данных

Запрос сервиса

Результаты классификации - "сервисы" Параметры обработки данных

Запрос сервиса Сервис

Интерпретация результатов Результаты классификации

Параметры обработки данных

Сервис Визуальные объекты

Рис. 3. Поведение компонентов программного обеспечения

значена для работы с документами, под которыми здесь понимаются любые текстовые объекты, имеющие отношение к предмету обработки: запросы, результаты поиска, текстовые документы. Представлены основные (но не все) используемые сущности, а также ассоциации и зависимости между ними. Кратко прокомментируем элементы модели. documentGeneral

TFIDFmeasure

stemmer

documents

finder

reports

document

files

reportoutput

words

word

documentStructure

structure

divisionList

tableOfContent

paragraphList

literatureList

Рис. 4. Объектная модель ПО (основные классы)

Класс documentGeneral задает среду обработки документов и порождает классы: – documents – коллекция документов для обработки; ассоциированный с ним класс TFIDFmeasure обеспечивает вычисление мер сходства документов корпуса; – finder – поисковые функции в корпусе документов; – reports – определяет виды отчетов из базы данных документов; выходные формы задаются классом reportOutput. Класс document описывает конкретный документ. Ассоциированный с ним класс files определяет представление документа в файловой системе. Класс words, также ассоциированный с классом document, определяет коллекцию слов документа, каждое из которых описывается классом word. Лемматизация слов задается классом stemmer. Класс documentStructure определяет структуру документа и порождает классы: – divisionList – коллекция описаний составных частей или разделов документа; – paragraphList – коллекция описаний абзацев документа; – structure – описание структуры документа (взаимосвязей между составными частями документа, включая типы связей и их реализацию).

207

Программные продукты и системы

Классы tableOfContent и literatureList описывают специфические части документов: оглавление и список литературы соответственно. Реализация и приоритеты Некоторые обсуждаемые компоненты уже реализованы и проходят апробацию в различных приложениях. Так, прототип хранилища данных, построенного с использованием модели векторного пространства документов, а также некоторые ключевые элементы модулей классификации документов и идентификации связей прошли успешную апробацию при реализации смежных технологий интегральной оценки качества электронных документов [6] и анализа сходства документов в различных контекстах [7]. Среди основных приоритетных задач разработки представляется важным отметить разработку унифицированного программного интерфейса доступа к информационным ресурсам и определение методики уточнения запросов и автоматической фильтрации результатов поиска. Кроме того, важное место занимают задачи количественного определения степени пертинентности найденных документов – претендентов на включение в состав искомых инновационных решений, а также алгоритмизации определения семантического ядра – идентификации связей найденных документов с похожими объектами. Литература 1. Байгулов Р.М., Рожкова Е.В. Управление промышленным предприятием: специфика поиска инновационных бизнесидей // Современные проблемы науки и образования. 2012. № 2. URL: www.science-education.ru/102-5896 (дата обращения: 09.06.2013).

№ 4, 2013 г.

2. Куракова Н.Г., Зинов В.Г. Создание прорывных инноваций на основе комбинации научных заделов мирового уровня как компетенция инновационного менеджмента // Инновации. 2012. № 10. С. 37–42.

3. Российское образование: тенденции и вызовы / Сб. ст. и аналитических докл. М.: Изд-во «Дело» АНХ, 2009. 400 с.

4. Антопольский А., Каленкова А., Каленов Н., Серебряков В., Сотников А. Принципы разработки интегрированной системы для научных библиотек, архивов и музеев // Информационные ресурсы России. 2012. № 1. С. 2–6.

5. Salton G., Wong A., Yang C.S. A Vector Space Model for Automatic Indexing. Communications of the ACM, 1975, vol. 18, no. 11, pp. 613–620.

6. Иванов В.К. Критерии интегральной оценки электронных документов в системах подготовки принятия решений // Вестн. ТГТУ, 2012. Вып. 22. С. 20–26.

7. Иванов В.К., Миронов В.И. Особенности анализа сходства документов в различных контекстах заимствования при подготовке текстовых материалов // Оценка качества высшего профессионального образования с учетом требований ФГОС и профессиональных стандартов: матер. докл. науч.практич. конф. Тверь, 2013. С. 20–28.

References 1. Baygulov R.M., Rozhkova E.V. Sovremennye problemy nauki i obrazovaniya [Modern problems of Education and Science].

2012, no. 2, available at: www.science-education.ru/102-5896 (accessed 9 June 2013).

2. Kurakova N.G., Zinov V.G. Innovatsii [Innovations], 2012, no. 10, pp. 37–42.

3. Rossiyskoe obrazovanie: tendentsii i vyzovy, Sb. st. i analiticheskikh dokl. [Russian education, proc.]. Moscow, Delo Publ., 2009, 400 p.

4. Antopolskiy A., Kalenkova A., Kalenov N., Serebryakov V., Sotnikov A. Informatsionnye resursy Rossii [Russian information resources]. 2012, no. 1, pp. 2–6.

5. Salton G., Wong A., Yang C.S. Communications of the ACM. 1975, vol. 18, no. 11, pp. 613–620.

6. Ivanov V.K. Vestnik Tver. Gos. Tekh. Univ. [Bulletin of Tver State Tech. Univ.]. 2012, vol. 22, pp. 20–26.

7. Ivanov V.K., Mironov V.I. Otsenka kachestva vysshego professionalnogo obrazovaniya s uchetom trebovaniy FGOS i professionalnykh standartov: materialy dokladov nauch.-prakt. konf. [Quality control of highest vocational education adjusted for requirements of FSES and occupational standards: Proc. of research-to-practice Conf.]. Tver, 2013, pp. 20–28.

УДК 519.6

ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ САМОКОНФИГУРИРУЕМОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА ВЫБОРА ЭФФЕКТИВНОГО ВАРИАНТА СИСТЕМЫ УПРАВЛЕНИЯ КОСМИЧЕСКИМИ АППАРАТАМИ Е.С. Семенкин, д.т.н., профессор; М.Е. Семенкина, к.т.н., старший преподаватель; Е.А. Попов, д.ф.-м.н., профессор (Сибирский государственный аэрокосмический университет им. академика М.Ф. Решетнева, просп. им. газ. «Красноярский рабочий», 31, г. Красноярск, 660014, Россия, eugenesemenkin@yandex.ru, semenkina88@mail.ru, epopov@bmail.ru) В данной статье описано моделирование работы системы управления космическим аппаратом с помощью цепей Маркова. Описаны модели технологического и командно-программного контуров для абсолютно надежного наземного комплекса управления, а также способ расчета показателей эффективности (коэффициент готовности космического аппарата и др.) выбранного варианта аппаратно-программного комплекса для систем управления космическим

208

Программные продукты и системы

№ 4, 2013 г.

аппаратом. Выполнено обобщение моделей на случай ненадежного наземного комплекса управления, состоящего из подсистем. Проблема выбора эффективного варианта для системы управления космическим аппаратом формулируется как многомерная задача оптимизации с алгоритмически заданными функциями. Предлагается использовать самоконфигурируемый генетический алгоритм, который не требует настройки параметров алгоритма для получения решений высокого качества, что позволит применять данный алгоритм конечным пользователям, инженерампроектировщикам космических аппаратов, не имеющим специальных знаний в области эволюционной оптимизации, для выбора эффективных вариантов аппаратно-программного комплекса для систем управления космическим аппаратом. Продемонстрирована высокая эффективность самоконфигурируемого генетического алгоритма при решении задач выбора оптимального варианта системы управления космическими аппаратами, заключающаяся в высокой надежности предлагаемого алгоритма при просмотре малой части поискового пространства, что существенно ускоряет нахождение решения. Ключевые слова: система управления космическим аппаратом, контур управления, цепи Маркова, оптимизация, выбор эффективного варианта, генетический алгоритм, самоконфигурирование.

PERFORMANCE INVESTIGATION OF SELF-CONFIGURING GENETIC ALGORITHM FOR SPACECRAFTS' CONTROL SYSTEMS EFFECTIVE VARIANT CHOICE Semenkin E.S., Dr. Tech. Sc., professor; Semenkina M.E., Ph.D. Tech. Sc., senior lecturer; Popov E.A., Dr.Sc. (Physics and Mathematics), professor (Academician M.F. Reshetnev Siberian State Aerospace University, Krasnoyarskiy Rabochiy Av., 31, Krasnoyarsk, 660014, Russian Federation, eugenesemenkin@yandex.ru, semenkina88@mail.ru, epopov@bmail.ru) Аbstract. The work of the spacecraft control system is modeled with Markov chains. The models for the technological and command-programming control contours are developed. The way of the calculation of the control contour effectiveness indicators (readiness coefficients and others) is described. The problem of choosing an effective variant for a spacecraft's control system is formulated as a multi-scale optimization problem with algorithmically given functions. Special selfconfiguring genetic algorithm is suggested to use for choosing effective variants of spacecraft control systems as it is very reliable, has no requirements to settings determination and parameter tuning and requires no expert knowledge in evolutionary optimization from end users (aerospace engineers). The high performance of the suggested algorithm is demonstrated by solving optimization problems. It was shown that the algorithms require the examination of small part of the search space to find solution that greatly accelerates the process of search for a solution of the problem of choosing effective variants of spacecraft control systems.

Keywords: spacecraft control system, control contours models, markov chains, optimization, effective variant choice, genetic algorithm, self-configuring.

Усилия разработчиков космических аппаратов сегодня сосредоточены на повышении эффективности использования существующих космических систем и совершенствовании разработки и проектирования новых. Одним из способов достижения этих целей является рациональный выбор эффективных вариантов разрабатываемых систем, который требует применения адекватных моделей, эффективных алгоритмических средств и мощных компьютеров. Одна из самых сложных и недостаточно изученных проблем – синтез систем управления космическим кораблем. В настоящее время она решается эмпирическими методами, а не при помощи формализованных математических инструментов. Как правило, разработка систем управления космическими аппаратами представляет собой сложный процесс, включающий сотрудничество большого числа экспертов и ведомств, каждое из которых имеет свои собственные цели и ограничения. Тем не менее можно математически моделировать некоторые подзадачи и получать некоторые качественные результаты расчетов и тенденций, которые могут предоставлять интерес для специалистов. Данная ситуация, когда математические модели являются строгими, но очень сложными для анализа, промежуточная, поэтому лучшее решение – это внедрение системы поддержки принятия решений для выбора эффективных вариантов. Од-

нако возникающие оптимизационные проблемы неразрешимы для большинства известных алгоритмов. Моделирование процесса управления космическим аппаратом производится при помощи цепей Маркова. Проблема выбора эффективного варианта для системы управления космическим аппаратом формулируется как многомерная задача оптимизации с алгоритмически заданными функциями. В данной работе для решения сложных задач оптимизации будет применяться самоконфигурируемый генетический алгоритм. Постановка задачи Система контроля и управления орбитальной группировки спутников связи представляет собой автоматизированную распределенную информационно-управляющую систему, которая включает в свой состав бортовой комплекс управления (БКУ) космическими аппаратами, систему телекоммуникации (СТК), командно-измерительные системы (КИС), а также центр управления полетом (ЦУП). Последние три подсистемы объединены в наземный комплекс управления (НКУ). НКУ взаимодействует с БКУ с помощью СТК, а также КИС и систем передачи данных, которые включают в себя узлы связи, каналы и соответствующее оборудование связи ЦУП. БКУ является 209

Программные продукты и системы

№ 4, 2013 г.

Таблица 1 Описание моделей технологического и командно-программного контуров Контур Основная задача

Описание упрощенной системы управления

Обозначения (все стохастические потоки в системе – пуассоновские с соответствующими интенсивностями) Возможные состояния системы

Граф состояний Показатели эффективности

Постановка задачи оптимизации показателей эффективности

Технологический контур Командно-программный контур Обеспечение работоспособности космического Обеспечение выработки, передачи на БКУ и отрааппарата для достижения его целей, то есть об- ботки командно-программной информации и управнаружения и локализации возможных отказов ляющих воздействий, а также реализация режима системы управления, восстановление утрачен- командно-программного управления ной работоспособности с использованием соответствующего программного обеспечения и аппаратных средств Пусть система состоит из трех подсистем: бортового целевого оборудования, БКУ и НКУ. Допустим, что НКУ абсолютно надежен, но целевая аппаратура (ЦА) космического аппарата и БКУ могут выйти из строя. Если ЦА отказала, БКУ может восстановить ее работоспособность с помощью своих программных средств с вероятностью p0 или перенаправить процесс восстановления (с вероятностью 1–р0) в НКУ, который закончит восстановление с вероятностью, равной 1. В случае неисправности БКУ НКУ восстанавливает его работоспособность с вероятностью, равной единице 1 – интенсивность отказов ЦА, 2 – интенсив- 1 – интенсивность отказов БКУ, m1 – интенсивность ность отказов БКУ, m1 – интенсивность восста- расчета временной программы (ВП), m2 – интенсивновления ЦА с БКУ, m2 – интенсивность восста- ность загрузки командно-программной информации в БКУ, m3 – интенсивность обработки временной новления ЦА с НКУ, m3 – интенсивность восстановления БКУ с НКУ программы, m4 – интенсивность восстановления БКУ после его отказа 1. Все подсистемы работоспособны.

1. БКУ работоспособен и отрабатывает ВП, НКУ 2. ЦА вышла из строя, БКУ восстанавливает свободен. ЦА, НКУ свободен.

2. БКУ работоспособен и свободен, НКУ рассчиты3. БКУ вышел из строя, НКУ восстанавливает вает ВП. БКУ, ЦА работоспособна.

3. БКУ работоспособен и свободен, НКУ вычисляет 4. ЦА вышла из строя, БКУ работоспособен и командно-программную информацию и загружает свободен, НКУ восстанавливает ЦА. ВП.

5. ЦА вышла из строя, БКУ вышел из строя, 4. БКУ отказал и восстанавливается в НКУ, который НКУ восстанавливает ЦА и БКУ ожидает вос- ждет продолжения расчета ВП. становления 5. БКУ отказал и восстанавливается в НКУ, который ждет продолжения загрузки командно-программной информации Представлен на рисунке 1 Представлен на рисунке 1 1. Коэффициент готовности космического аппа- 1. T=P1/(m2P3) – среднее время выполнения ВП в рата: kКА=P1, где Pi – вероятность пребывания БКУ, где Pi – вероятность пребывания системы в сосистемы в состоянии i, i=1, …, 5. стоянии i, i=1, …, 5.; 2. Коэффициент готовности ЦА: kЦА=P1+P3.

2. t1=(P3 + P5)/( m1P2) – среднее время взаимодейст3. Коэффициент готовности БКУ: kБКУ=P1+P2+P4 вия БКУ с НКУ при загрузке ВП; 3. t2 = (P2+P3+P4+P5)/(P1(1+m3)) – среднее время от начала расчета ВП до начала ее отработки БКУ КА Чтобы иметь эффективный вариант системы Первый показатель должен быть максимизирован, а управления космическими аппаратами, нужно два остальных минимизированы путем правильного максимизировать коэффициенты готовности в выбора интенсивностей операций, которые являются зависимости от ограничений на память компью- параметрами аппаратуры, включаемой в систему тера и вычислительных затрат, необходимых управления для реализации функций технологического контура

подсистемой управления космическим аппаратом, которая в режиме реального времени обеспечивает проверку и контроль состояний бортовых систем, а также выполнение программы полета. Кроме того, БКУ обеспечивает взаимодействие с наземными средствами управления. Контрольные функции, выполняемые системой автоматизированного управления, могут быть разделены на подсистемы, называемые контурами управления, каждый из которых выполняет различные функции. Как правило, можно рассматривать технологический контур, командно-программный, целевой и др. [1]. Модели технологического и командно-программного контуров описаны в таблице 1. В связи с высокой надежностью и стабильностью работы, практической невозможностью двух одновременных отказов, отсутствием последействия для мо210

делирования работы системы управления космическим кораблем могут быть использованы цепи Маркова (рис. 1). При предварительном проектировании системы управления основной задачей является поиск оптимальных характеристик потоков 1, 2, m1, m2, m3, m4, а также p0, то есть нахождение оптимального распределения функций контура между БКУ и НКУ. Если они являются характеристиками имеющихся вариантов программно-аппаратного оборудования, то существует проблема эффективного выбора варианта, то есть задачи дискретной оптимизации. Каждый контур имеет свои показатели качества управления, которые не могут быть выражены через показатели качества других контуров. В результате возникает множество проблем при попытке выбрать эффективный вариант системы

Программные продукты и системы

№ 4, 2013 г.

При еще более подробном рассмот1 2 рении системы необm 4 m1 ходимо продолжить m1 p0 m4 деление подсистем m4 m1 группы на части. По2 3 2 3 сле этого необходимо 1 объединить все кон2 m3 m4 1 1  p0  туры космического  m4 1 2 1 корабля и контуры различных космиче5 4 ских аппаратов орби4 5 2 тальной группировки. Кроме того, в некотоа) б) рых случаях невозможно использовать Рис. 1. Графы состояний цепи Маркова для упрощенной модели простую цепь Маркоа) технологического контура, б) программно-командного контура управления ва и нужны более сложные имитационуправления для обеспечения высокого качества в ные модели. Все это делает задачу выбора эффекотношении всех контуров управления. Многокритивного варианта аппаратно-программного комтериальность постановки задачи оптимизации – не плекса для систем управления космическими единственная проблема. Для большинства из конаппаратами исключительно сложной для сущесттуров управления критерий не может быть предвующих алгоритмов оптимизации. ставлен в виде аналитической функции своих переменных, но существует в алгоритмической Применение самоконфигурируемого форме, которая требует большого количества выгенетического алгоритма при выборе числений или запуска имитационной модели для аппаратно-программного комплекса оценки значения критерия. Чтобы иметь возможность выбрать эффективРазработанный в [2] самоконфигурируемый ный вариант такой системы управления, нужно генетический алгоритм (SelfCGA), не требующий промоделировать работу всех контуров управлевыбора его настроек, является подходящим метония, а затем объединить результаты в одной оптидом для решения сложной задачи оптимизации мизационной задаче с большим количеством мосистемы управления космическим аппаратом [3]. делей, критериев, ограничений и алгоритмически Прежде всего оценим эффективность его работы заданными функциями смешанных переменных. на упрощенных моделях технологического и коДля решения таких задач оптимизации предлагамандно-программного контуров с 5 состояниями. ется использовать эволюционные алгоритмы (ЭА), которые известны как хорошие оптимизаторы, не имеющие трудностей с описанными свойствами оптимизационной задачи, такими как смешанные переменные и алгоритмически заданные функции.

1

1

Обобщение моделей В более сложной постановке задачи оптимизации НКУ состоит из трех групп подсистем (КИС, СТК, ЦУП). Учитывая все подсистемы группы как один объект, получим три подсистемы НКУ. Если они могут выходить из строя, то в граф должны быть добавлены новые состояния и переходы. Полный граф состояний для этого случая содержит 40 состояний и 146 переходов (рис. 2). Соответствующая система уравнений Колмогорова содержит 40 строк. При тех же условиях граф состояний для командно-программного контура содержит 96 состояний и более 300 переходов и не может быть приведен здесь из-за его сложности.

Рис. 2. Граф состояний марковской цепи для моделирования технологического контура с ненадежными подсистемами НКУ

211

Программные продукты и системы

Для выбора эффективного варианта технологического контура необходимо оптимизировать алгоритмически заданную функцию от 6 дискретных переменных. Пространство оптимизации содержит около 1,67107 вариантов и может быть просмотрено алгоритмом полного перебора в разумные сроки. В такой ситуации известны лучшие и худшие допустимые значения показателей. После выполнения 100 запусков алгоритма известны также лучшие и худшие значения показателей, полученные в результате выполнения. При численном тестировании использовались 20 индивидов в 30 поколениях. Это означает, что алгоритм просматривает 600 точек из пространства оптимизации, то есть около 0,0036 % от него. В качестве показателя эффективности алгоритма будем использовать надежность (процент запусков алгоритма, которые дали точное решение), MD – максимальное отклонение полученных решений от лучшего известного; и относительное максимальное отклонение полученных решений от лучшего известного RMD. Производилось сравнение пяти групп алгоритмов, а именно четырех групп с различными вариантами модифицированного равномерного скрещивания (UE, UR, UP, UT) и лучшими вариантами других настроек (селекция, мутация) и SelfCGA. В таблице 2 представлены результаты вместе с оценкой вычислительных затрат (усредненное количество поколений, необходимых для нахождения точного решения). Надежностью в условиях данной задачи называется доля прогонов, в которых было достигнуто требуемое качество решения. Таблица 2 Сравнение надежности алгоритмов для технологического контура с 5 состояниями Алгоритм Надежность MD (%) RMD (%) Поколение UE 0,89 0,0021 0,3576 26 UR 0,92 0,0017 0,2895 22 UP 0,84 0,0024 0,4087 26 UT 0,97 0,0009 0,1533 23 SelfCGA 0,98 0,0003 0,051 21

Аналогичные оценки для всех трех показателей программно-командного контура даны в таблице 3. Разница заключается в размере задачи оптимизации. 600 вычислений целевой функции соответствуют 0,057 % от общей размерности пространства оптимизации. Из таблиц 2 и 3 видно, что SelfCGA превосходит альтернативные алгоритмы для обоих контуров управления и всех показателей. Теперь необходимо оценить эффективность предложенного алгоритма на обобщенных моделях, которые имеют гораздо большие размеры. Задача поиска оптимального варианта аппаратно-программного комплекса космического ап212

№ 4, 2013 г.

парата с точки зрения технологического контура управления имеет 11 дискретных переменных. Соответствующее пространство оптимизации содержит около 1,761013 точек и не может быть просмотрено при помощи полного перебора, особенно если вспомнить, что рассмотрение одной точки включает решение системы линейных уравнений с 40 переменными. Лучшие и худшие допустимые значения показателей неизвестны, поэтому здесь используются самые лучшие известные решения после нескольких прогонов. Тем не менее можно попытаться получить результирующую таблицу, аналогичную таблице 2. Таблица 3 Сравнение надежности алгоритмов для командно-программного контура с 5 состояниями Алгоритм UE

Показа- Надеж- MD (%) тель ность T 0,87 6,431 t1 0,76 0,956 t2 0,83 13,392 UR T 0,95 3,987 t1 0,93 0,341 t2 0,93 11,347 UP T 0,79 6,667 t1 0,71 1,156 t2 0,74 16,321 UT T 0,91 4,873 t1 0,81 0,956 t2 0,86 13,392 SelfCGA T 0,99 3,245 t1 0,96 0,1226 t2 0,98 9,987

RMD (%) 9,028 3,528 26,01 5,6 1,258 22,04 9,359 4,266 31,7 6,84 3,528 26,01 4,555 0,4524 19,397

Поколение 26 43 28 21 39 26 28 45 29 23 44 25 19 33 17

Для оценки производительности алгоритмов мы используем 40 индивидов на одно поколение и 80 поколений за один прогон, то есть алгоритм просматривает около 1,8210-7 % точек поискового пространства. Результаты численных экспериментов приведены в таблице 4. Таблица 4 Сравнение надежности алгоритмов для технологического контура с 40 состояниями Алгоритм Надежность MD (%) RMD (%) Поколение UE 0,79 0,0115 0,2178 56 UR 0,86 0,0099 0,1875 48 UP 0,73 0,0121 0,2292 59 UT 0,87 0,0095 0,1799 49 SelfCGA

0,90

0,0092

0,1742

33

Для последней задачи, то есть для модели командно-программного контура управления с 96 состояниями и более 300 переходами, нет подобной информации. Эта задача имеет 13 переменных и содержит 4,51015 точек в пространстве оптимизации. Чтобы найти надежные оценки всех показателей, требуется огромное число вычислений. Для нахождения решения алгоритмам требуется

Программные продукты и системы

просмотреть около 2,210-10 % поискового пространства (100 индивидов на 100 поколений). Усредненные результаты 100 прогонов приведены в таблице 5. Это дает нам некоторое представление о сравнительной надежности исследуемого алгоритма. Таблица 5 Сравнение надежности алгоритмов для командно-программного контура с 96 состояниями Алгоритм UE

UR

UP

UT

SelfCGA

Показатель Надежность Поколение T 0,76 65 t1 0,67 81 t2 0,75 69 T 0,84 59 t1 0,81 78 t2 0,84 64 T 0,70 69 t1 0,59 76 t2 0,63 72 T 0,83 61 t1 0,72 85 t2 0,77 66 T 0,91 58 t1 0,87 75 t2 0,89 53

Таблицы 4 и 5 демонстрируют превосходство SelfCGA над всеми альтернативными алгоритмами. При решении этих задач для реального использования нужно будет сделать только один запуск алгоритма, но с намного большими вычислительными затратами, так как для тестирования намеренно занижались выделяемые вычислительные ресурсы. В заключение отметим, что при наличии СППР при математическом моделировании систем управления космическими аппаратами, которая

№ 4, 2013 г.

позволяет инженеру-проектировщику, не владеющему технологией моделирования с помощью марковских процессов, получать адекватное описание процесса функционирования, основной сложностью при выборе эффективного варианта системы управления космическими аппаратами является оптимизация. Для выбора эффективных вариантов предлагается использовать самоконфигурируемый генетический алгоритм, так как это очень надежный метод, который может эффективно применяться инженерами-проектировщиками космических аппаратов, не имеющими специальных знаний в области эволюционной оптимизации. Литература 1. Семенкин Е.С., Семенкина О.Э., Коробейников С.П. Поисковые методы синтеза систем управления космическими аппаратами. Красноярск: СИБУП, 1996. 325 с.

2. Семенкина М.Е. Самоадаптивные эволюционные алгоритмы проектирования информационных технологий интеллектуального анализа данных // Искусственный интеллект и принятие решений. 2013. № 1. С. 13–23.

3. Semenkin E.S., Semenkina M.E. The choice of spacecrafts' control systems effective variants with self-configuring genetic algorithm. Informatics in Control, Automation and Robotics.

Proc. 9th Intern. Conf. ICINCO’2012, Rome, Italy, 2012, vol. 1, pp. 84–93.

References 1. Semenkin E.S., Semenkina O.E., Korobeynikov S.P. Search methods for the synthesis of spacecraft control systems.

Krasnoyarsk, Siberian inst. of business, management and psychology Publ., 1996, 325 p.

2. Semenkina M.E. Self-adaptive evolutionary algorithms for data mining information technologies design. Iskusstvenny intellekt i prinyatiye resheniy [Artificial intelligence and decision making].

2013, no. 1, pp. 13–23.

3. Semenkin E.S., Semenkina M.E. The Choice of Spacecrafts' Control Systems Effective Variants with Self-Configuring Genetic Algorithm. Informatics in control, automation and robotics: proc. of the 9th int. conf. ICINCO’2012. Rome, Italy, 2012, vol. 1, pp. 84–93.

УДК 519.688

ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ ОБРАБОТКИ ДАННЫХ ИОНОСФЕРНЫХ ИЗМЕРЕНИЙ В.О. Скрипачев, зам. начальника отдела (Российская корпорация ракетно-космического приборостроения и информационных систем, ул. Авиамоторная, 53, г. Москва, 111250, Россия, skripatchevv@inbox.ru) Предложен программный комплекс определения параметров ионосферы средствами радиозондирования, способствующий получению информации о параметрах среды с целью дальнейшей диагностики возмущений как естественного, так и искусственного характера, и уточнению известных ионосферных моделей. Разработанный программный комплекс предназначен для восстановления профилей электронной концентрации в ионосфере по сигналам навигационных космических аппаратов ГЛОНАСС/GPS. Для разработки комплекса используется объектноориентированное программирование. Это позволяет уменьшить время разработки новых классов, наследуя их от уже имеющихся в используемых программных библиотеках. Объектно-ориентированный подход был реализован при разработке программного кода, отвечающего за расчет полного электронного содержания по характеристикам сигналов навигационного космического аппарата. Взаимодействие между блоками комплекса также выполняется на ос-

213

Программные продукты и системы

№ 4, 2013 г.

нове объектных структур данных. Перспективы дальнейших исследований связаны с наращиванием возможностей представленного программного комплекса за счет использования программных продуктов обработки данных ионосферного зондирования, полученных с помощью методов вертикального зондирования ионосферы и некогерентного рассеяния. Ключевые слова: информационное обеспечение, навигационный космический аппарат, программный комплекс, ионосфера, приемник, полное электронное содержание.

SOFTWARE SYSTEM FOR IONOSPHERIC MEASUREMENTS DATA PROCESSING Skripachev V.O., deputy head of department (Joint Stock Company "Russian Space Systems", Aviamotornaya St., 53, Moscow, 111250, Russian Federation, skripatchevv@inbox.ru) Аbstract. The authors propose a software system to determine the ionosphere parameters by radio probing means. This system helps to get information about environment parameters in order to further diagnose the disturbances, both natural and artificial character, and to specify the known ionospheric models. The developed software system is designed to restore the profiles of the electron density in the ionosphere using signals from navigation satellites GLONASS/GPS. Object-oriented programming was used to develop the system. This reduces the time develop new classes, inheriting them from already existing in used software libraries. The object-oriented approach has been implemented when developing the code responsible for the total electron content calculation according to signals characteristics of navigation spacecraft. Therefore interaction between system blocks is also performed based on object data structures. Prospects of future work suppose building the capacity of the represented software system using the software products for ionospheric sounding data processing, and that data is obtained by vertical sounding of the ionosphere and incoherent scattering techniques.

Keywords: dataware, navigation spacecraft, software system, ionosphere, receiver, total electron content.

В настоящее время идет интенсивный процесс интеграции системы GPS с российской навигационной системой ГЛОНАСС, а в перспективе такая интеграция предполагается и с европейской навигационной системой GALILEO. Разработка технологий использования GPSизмерений для дистанционной диагностики ионосферы ведется по нескольким направлениям [1, 2]. Создана технология GIM (Global Ionospheric Maps) – построение глобальных ионосферных карт абсолютного вертикального значения полного содержания электронов в атмосфере (ПЭС). Для хранения и передачи карт ПЭС в цифровом виде разработан специальный стандартный формат IONEX (стандарт файлов по технологии Global Ionospheric Maps). Каждый файл IONEX содержит мировые карты абсолютного вертикального ПЭС и соответствующие им карты погрешностей вычисления ПЭС за одни сутки по шкале мирового времени UT с временным разрешением 2 ч. Карты ПЭС в формате IONEX представлены на сайте ftp://cddisa.gsfc.nasa.gov/pub/gps/products/ionex. Ведется разработка ассимиляционных моделей для оперативного прогноза параметров ионосферы (например модели GAIM – Global Assimilation of Ionospheric Measurements). В таких моделях теоретические распределения электронной концентрации корректируются доступными ионосферными данными (измерения ПЭС по сигналам GPS, профили распределения концентрации заряженных частиц по данным ионозондов, радаров некогерентного рассеяния, ракетным измерениям и т.д.), обеспечивая достаточную скорость компьютерных расчетов [2]. При практическом использовании технологии GPS-зондирования верхней атмосферы и ионосферы необходимы сведения об имеющихся источниках информации и архивах характеристик сигналов навигационных космических аппаратов 214

(НКА) системы GPS. Эти данные имеются в IGS (International Service for Geodynamics), куда они поступают от национальных агентств с целью обеспечения работоспособности глобальных навигационных спутниковых систем (ГНСС). На сайте ftp://igscb.jpl.nasa.gov/pub/center для каждого центра обработки дана краткая справка по используемым программам, стратегии вычислений, моделям, структуре публикуемых данных, а для центров хранения данных – дерево каталогов ftp-сервера. Некоторые центры, например SIO, предоставляют удобный web-интерфейс с большим количеством разнообразных сервисов: поиском данных по запросу, интерактивными картами и пр. В России организован Информационно-аналитический центр (ИАЦ) Федерального космического агентства, где хранятся результаты анализа навигационной информации, а также различные типы измерительной и справочной информации из международных систем сбора и хранения данных. Информацию о координатах зарегистрированных GPS-приемников можно получить по адресу http://lox.ucsd.edu/cgi-bm/allCoords.cgi. Станции наблюдений IGS ежечасно передают файлы RINEX (Receiver Independent Exchange Format) в центры накопления данных. Внутренняя структура RINEX-файлов, в которых зашифрованы данные о характеристиках GPS-сигналов, достаточно сложна. RINEX-файл содержит измеренные GPSприемником параметры сигналов всех космических аппаратов (КА), находящихся в зоне радиовидимости приемника: альманах созвездия КА, значения фазы для одной или обеих несущих частот, значения псевдодальности, метки времени, сведения о работоспособности бортовой аппаратуры КА и др. В отдельный навигационный RINEX-файл объединяются эфемериды КА, необходимые для вычисления координат НКА.

Программные продукты и системы

Так, RINEX-файлы с GPS-приемников глобальной сети IGS хранятся на HTTP-сервере SOPAC (http://lox.ucsd.edu) или на FTP-сервере (ftp://lox.uc.sd.edu/pub). Навигационные файлы находятся на том же сервере в директории ftp://lox.ucsd.edu/pub/nav. Программы обработки RINEX-файлов делятся на программы первичной и вторичной (детальной) обработки. К программам первичной обработки относится программа TEQC. Она позволяет проводить проверку качества данных, получать данные за конкретные временные интервалы, производить архивирование, редактирование и ряд других функций. К программам вторичной обработки относятся программные комплексы GAMIT и GLOBDET. Программный пакет GAMIT разработан Массачусетским технологическим институтом. Программы нет в открытом доступе, однако для желающих есть возможность обработки с помощью этого продукта небольшого объема файлов RINEX-формата на сервере SOPAC. Программный комплекс глобального детектирования и мониторинга ионосферных возмущений естественного и техногенного происхождения на основе измерений вариаций полного электронного содержания (GLOBDET) разработан в Институте солнечно-земной физики Сибирского отделения РАН (http://ckm.iszf.irk.ru/). Он, как и пакет GAMIT, позволяет производить расчет вариаций ПЭС, моделировать изменения ПЭС и др. Из краткого обзора видно, что существуют широкие возможности получения данных о состоянии ионосферы, которые могут быть использованы в интересах проведения исследований в различных областях знаний. Причем большинство таких данных доступны для свободного использования. Такое положение позволяет с минимумом затрат использовать предоставляемые возможности для проведения прикладных исследований и для обучения специалистов в области компьютерных наук по применению и дальнейшему совершенствованию технологий сбора и обработки информации, получаемой с НКА. Большое количество НКА, значительные вычислительные процедуры обусловливают применение различных программных средств. Данные навигационных приемников GPS/ ГЛОНАСС могут записываться как в собственных бинарных форматах, характерных для каждой компании-разработчика приемников ГНСС, так и в формате RINEX. Формат RINEX состоит из файлов следующих типов: – файл с данными наблюдений приемника RINEX Observation Data File (RINEX OBS); – файл навигационного сообщения RINEX Navigation Message File (RINEX NAV); – файл с метеорологическими данными RINEX Meteorological Data File (RINEX MET);

№ 4, 2013 г.

– файл навигационного сообщения ГЛОНАСС RINEX GLONASS Navigation Message File (RINEX GLO); – файл навигационного сообщения геостационарных КА RINEX GEO Navigation Message File (RINEX GEO); – файл с показаниями часов низкоорбитальных КА и приемника RINEX Satellite and Receiver Clock Data File. При этом наземные приемники в основном обеспечивают возможность получения файлов навигационных данных для ГЛОНАСС и GPS, а также файла наблюдений. Обработка данных в формате RINEX осуществляется как коммерческими программными продуктами, так и продуктами с открытом кодом. Для разработки комплекса используется объектно-ориентированное программирование, что позволяет уменьшить время разработки новых классов, наследуя их от уже имеющихся в программных библиотеках. Это было применено при разработке программного кода, отвечающего за расчет полного электронного содержания по характеристикам сигналов НКА ГЛОНАСС, где требуется знание частотного поддиапазона каждого НКА. Соответственно, взаимодействие между блоками комплекса также выполняется на основе объектных структур данных. Структура разрабатываемого программного комплекса приведена на рисунке. Графический интерфейс пользователя (библиотека Qt) Обработка формата данных RINEX (библиотека GPS Tk)

 Выделение данных по каждому НКА  Расчет координат НКА  Получение информации о частотных поддиапазонах ГЛОНАСС  Расчет полного электронного содержания по каждому НКА

Обработка XML-данных (библиотека TinyXML)

 Информация о частотных поддиапазонах НКА ГЛОНАСС  Экспорт полученных значений в формате XML

Дополнительные функции  Расчет полного электронного содержания по данным НКА ГЛОНАСС  Комплексирование данных различных НКА GPS/ ГЛОНАСС для построения карт распределения электронной плотности

Структура программного комплекса обработки данных ионосферных измерений с использованием НКА

Библиотека GPS Toolkit (http://www.gpstk.org) – набор классов, базирующихся на стандарте ISO C++ для работы с данными ГНСС GPS/ГЛО215

Программные продукты и системы

НАСС, – используется на разных платформах. Классы построены по модульному принципу с расширением возможностей за счет широкого применения концепций объектно-ориентированного программирования. Классы GPSTk подразделяются на классы ядра, вспомогательных утилит и приложений. В целом набор классов GPSTk обеспечивает широкий спектр готовых решений для задач, связанных с ГНСС, в том числе обработку и использование данных в стандартных форматах, таких как RINEX. В библиотеке реализовано большое количество моделей и алгоритмов, определенных в различных публикациях по обработке данных ГНСС, например, для определения местоположения пользователя или оценки атмосферной рефракции. Поскольку в ГНСС ГЛОНАСС вместо фиксированных частот используются 14 частотных поддиапазонов (от –7 до +6), НКА, расположенные по разные стороны Земли, могут иметь один частотный поддиапазон. При этом несущая частота L1 для нулевого поддиапазона (f01) равна 1 602 МГц, несущая частота L2 для нулевого поддиапазона (f02) составляет 1 246 МГц. Обе несущие частоты формируются на основе опорного генератора частотой 5 МГц. Описание используемых частотных поддиапазонов целесообразно оформить в виде XML-документа, для обработки которого используется программная библиотека TinyXML (http://www. grinninglizard.com/tinyxml/index.html). Таким образом, данные, хранимые в XML-файле, преобразуются в объекты С++, что позволяет легко ими манипулировать в программном коде. При этом библиотека TinyXML обладает рядом достоинств: – имеет малый размер кода; – компилируется на любой системе, поддерживающей язык C++; – может применяться совместно с Standart Template Library (STL); – поддерживает кодировку UTF-8. Для визуализации исходных и рассчитанных данных, а также построения графического интер-

№ 4, 2013 г.

фейса (GUI) целесообразно использовать возможности кроссплатформенной библиотеки QT, отличительной чертой которой является использование системы предварительной обработки исходного кода Meta Object Compiler. Библиотека QT широко используется в зарубежных космических проектах, выполняемых Европейским космическим агентством (ESA), американским Национальным агентством океанографии и атмосферы (NOAA) и др. Таким образом, применение указанных программных библиотек и их интеграция в едином программном продукте позволит разработать кроссплатформенный программный комплекс мониторинга ионосферы с помощью характеристик НКА GPS/ГЛОНАСС и затем расширять его возможности путем добавления поддержки новых систем спутниковой навигации. Литература 1. Tolman B.R., Harris B., Gaussiran T., Munton D., Little J., Mach R., Nelsen S., Renfro B., Schlossberg D. The GPS Toolkit – Open Source GPS Software, Proc. 17th Intern. Tech. Meeting of the Satellite Division of the Institute of Navigation (ION GNSS 2004), Long Beach, California, 2004, September.

2. Codrescu M.V., Viereck R. The Importance of Radio Occultation Measurements for Ionosphere modeling. URL: http:// www.irowg.org/docs/Presentation/codrescu.pdf (дата обращения: 23.09.2013).

3. Xu G. GPS: Theory, Algorithms and Applications, Springer. 2nd ed., 2007, 340 p.

4. Решетников В.Н. Космические телекоммуникации (начала). Тверь: НИИ «Центрпрограммсистем», 2009. 128 с.

References 1. Tolman B.R., Harris B., Gaussiran T., Munton D., Little J., Mach R., Nelsen S., Renfro B., Schlossberg D. The GPS toolkit – open source GPS software. Proc. of the 17th int. technical meeting of the satellite division of the Institute of Navigation (ION GNSS 2004). Long Beach, California, Univ. of California Berkeley Publ., 2004.

2. Codrescu M.V., Viereck R. The Importance of Radio Occultation Measurements for Ionosphere modeling. Available at: http://www.irowg.org/docs/Presentation/codrescu.pdf (accessed 23 September 2013).

3. Xu G. GPS: Theory, Algorithms and Applications. 2nd ed., Springer, 2007, 340 p.

4. Reshetnikov V.N. Kosmicheskie telekommunikatsii (nachala) [Space telecommunications (basics)]. Tver, Centrprogrammsystem Publ., 2009, 128 p.

УДК 528.7, 528.06

ПРИМЕНЕНИЕ INTERACTIVE DATA LANGUAGE ДЛЯ ОБРАБОТКИ ДАННЫХ РАДИОМЕТРИЧЕСКИХ ИЗМЕРЕНИЙ В.О. Скрипачев, зам. начальника отдела; Ю.А. Полушковский, начальник отдела; А.М. Стрельцов, начальник сектора (Российская корпорация ракетно-космического приборостроения и информационных систем, ул. Авиамоторная, 53, г. Москва, 111250, Россия, skripatchevv@inbox.ru) При проведении исследований в системе «атмосфера – подстилающая поверхность» используется большой объем данных, которые необходимо быстро обработать. Для детальной оперативной обработки данных радиометриче-

216

Программные продукты и системы

№ 4, 2013 г.

ских измерений целесообразно использовать приложения, написанные на языке программирования Interactive Data Language. В Interactive Data Language достаточно простой синтаксис, нет необходимости в составлении циклов и оптимизации времени выполнения функций для работы с массивами. В работе рассмотрены особенности языка, описания классов и объектов языка. Сделан краткий обзор возможностей визуализации научных данных средствами Interactive Data Language, в том числе картографические возможности. Рассмотрены возможности Interactive Data Language для построения графического интерфейса пользователя. Эти возможности были реализованы при создании приложения обработки данных спутниковых СВЧ-радиометров для определения метеорологических параметров. Рассмотрены формат данных HDF и архитектура разработанного приложения обработки данных. Ключевые слова: программный продукт, радиометр, объект, класс, обработка данных, визуализация, интерфейс, программный модуль.

INTERACTIVE DATA LANGUAGE APPLICATION FOR RADIOMETRIC SYSTEMS DATA PROCESSING Skripachev V.O., deputy head of department; Polushkovskiy Yu.A., head of department; Streltsov A.M., head of section (Joint Stock Company "Russian Space Systems", Aviamotornaya St., 53, Moscow, 111250, Russian Federation, skripatchevv@inbox.ru) Аbstract. When researching the "atmosphere – the underlying surface" system, a large amount of data is used that must be processed quickly. It is advisable to use applications written in the Interactive Data Language for detailed on-line radiometric data processing. A syntax is quite simple in the Interactive Data Language. It is not necessary in cycles preparation and run-time functions optimization for working with arrays. The paper discusses the features of the language, descriptions of its classes and objects. There is a brief overview of the scientific data visualization by Interactive Data Language tools including mapping capabilities. The possibilities of Interactive Data Language to build a graphical user interface are considered. These features have been implemented for creating data processing applications of satellite’s microwave radiometers to determine the meteorological parameters. The HDF data format and developed application architecture are given.

Keywords: program product, radiometer, object, class, data processing, visualization, interface, program module.

В состав бортовой научной аппаратуры отечественных космических аппаратов (КА) «МетеорМ» и зарубежных метеорологических КА (DMSP № 14, 15 и др.) входят СВЧ-радиометры, обеспечивающие измерение интенсивности радиотеплового излучения системы «атмосфера – подстилающая поверхность» как в окнах прозрачности атмосферы, так и в линиях поглощения кислорода и водяного пара. Это позволяет восстанавливать вертикальные профили температуры и влажности атмосферы, определять ее интегральную влажность, водозапас облачности и интенсивность осадков, а также регистрировать такие параметры океана, как состояние (балльность волнения) поверхности, скорость приводного ветра и др. В зависимости от частот можно использовать данные СВЧ-радиометра для диагностики процессов в деятельном слое океана (синоптических вихрей и волн Россби, фронтальных зон, апвеллингов и др.) [1]. Принцип работы СВЧ-радиометра основан на измерении радиотеплового излучения подстилающих поверхностей и сред. Процесс преобразования радиояркостной температуры в выходной отклик радиометрической системы складывается из формирования с помощью антенны на входе приемника сигнала, интенсивность которого называется антенной температурой, и последующего преобразования этого сигнала в выходное напряжение, величина которого фиксируется измерительным или регистрирующим устройством. Большие объемы данных измерений, получаемых с помощью СВЧ-радиометров, и важность задач, решаемых с использованием принимаемой

информации, обусловили необходимость выбора эффективных средств обработки принимаемых с КА данных. Для этого авторами были рассмотрены возможности применения для обработки поступающих данных языка Interactive Data Language (IDL), который обладает мощными средствами визуализации, что позволяет использовать его для более детального анализа данных СВЧ-радиометрии. Визуализация данных в IDL поддерживает два типа рендеринга: программный рендеринг и рендеринг с использованием аппаратных 3D-ускорителей, которые поддерживают библиотеку OpenGL. В большинстве случаев визуализация данных через OpenGL обладает лучшим качеством изображения, чем визуализация через программный рендеринг. Но необходимо учитывать, что программный рендеринг может быть единственно доступным решением для систем, в которых нет аппаратных 3D-ускорителей, например, при использовании несовместимых серверов OpenGL X этот тип рендеринга строит одноразовую визуализацию быстрее, чем OpenGL, и позволяет избежать возможных ошибок, возникающих с драйверами устройств.

IDL дает возможность работать с файлами различных форматов, в том числе с графическими (например BMP, JPEG, PNG), форматами, разработанными специально для научных задач (например HDF, CDF, NCDF), и несколькими распространенными форматами хранения данных (например XML, ASCII). Существует возможность работы с данными в формате DICOM (Digital Imaging and Communications in Medicine).

217

Программные продукты и системы

Программы, разработанные на языке IDL, можно вызывать из внешних программ, созданных на других языках программирования, или в IDLпрограммах использовать функции, реализованные на С/С++, FORTRAN, Java. Такое взаимодействие IDL с языками программирования позволяет гибко подходить к решению сложных задач. Благодаря этим преимуществам IDL нашел широкое применение при обработке космических снимков и геофизических данных. Он активно применяется в структурах национальных космических агентств: NASA (США), JAXA (Япония), CNES (Франция), Роскосмос. В IDL существует возможность применения как процедурной, так и объектно-ориентированной парадигм. Рассмотрим подробнее применение объектно-ориентированной парадигмы [2]. В IDL данные члены класса хранятся в виде именованных структур. В терминологии IDL применяется выражение «class structure» struct={Class1, field1:0L, field2:1B}. Любой объект, созданный из этой структуры (класса), будет иметь два свойства – field1 и field2. Для создания объекта необходимо вызвать функцию OBJ_NEW, имеющую следующий синтаксис: A=OBJ_NEW([Имя_класса[, аргументы]]). При этом будет вызван соответствующий метод-конструктор (если есть), который имеет строгое имя INIT и является членом класса. Для работы с изображениями IDL снабжен существенным количеством подпрограмм, позволяющим проводить обработку изображений [3].

IDL может работать с четырьмя типами изображений [4, 5]: – бинарные (0 – черный, 1 – белый); – в оттенках серого (0 – черный, 255 – белый); – индексированные (с применением Lookup tables (LUT)); – RGB (каждый компонент 0–255). Для отображения в IDL могут использоваться две системы графики – Object Graphics [6] и Direct Graphics [7]. Результаты обработки данных СВЧ-радиометрии необходимо привязать к картографическим координатам в соответствующих картографических проекциях. IDL имеет 19 встроенных картографических проекций и обладает возможностью создания картографических проекций, конвертирования данных из одной проекции в другую и отображения данных в этих проекциях.

IDL позволяет создавать графические интерфейсы пользователя с помощью виджетов. Графический интерфейс, реализованный на IDL, представляет собой древовидную иерархию: каждый виджет имеет одного родителя и ни одного или несколько потомков с важным исключением, что верхний виджет иерархии не имеет родителя [8]. Дополнительным преимуществом IDL является его кроссплатформенность. IDL приложения вы218

№ 4, 2013 г.

полняются в рамках виртуальной машины – IDL VM, реализации которой существуют для операционных систем Windows, Linux, Solaris. Рассмотрим возможности применения языка IDL на примере обработки данных спутниковых СВЧ-радиометров. Входными данными для приложения обработки данных СВЧ-радиометров являются данные в формате HDF, получившем большое распространение в обработке и хранении данных дистанционного зондирования Земли. Он стал своего рода стандартом для хранения и передачи информации в зарубежных системах. Полное наименование – формат иерархических данных (Hierarchical Data Format). Организация-разработчик – Национальный центр суперкомпьютерных приложений – National Center for Supercomputing Applications (NCSA). Исходные файлы представляют собой обзорные снимки земной поверхности (то есть компиляцию всех полувитков за сутки). Поле изображения – это глобальная прямоугольная сетка с шагом 0,5°0,5°. Размер такого изображения составляет 720360 пиксел. В HDF используются метаданные о наборах научных данных (Scientific Data Sets, SDSs):  система координат, используемая для интерпретации или отображения данных;  масштабы по каждой оси;  метки по каждой оси и для всего набора данных в целом;  единицы измерения по каждой оси и для данных;  корректные максимальное и минимальное значения данных;  информация о калибровке данных;  информация о дополнительных или отсутствующих значениях. Функции, выполняемые приложением обработки данных СВЧ-радиометров: – визуализация исходной информации о радиояркостных температурах; – отображение картографической основы, в том числе в полярных областях; – расчет метеорологических параметров: скорость приводного ветра, водозапас облачности, интенсивность осадков; – сохранение результатов расчетов. Структурная схема разработанного приложения приведена на рисунке. Приложение построено по модульному принципу. Такая архитектура позволяет для его отладки применить модульное тестирование, целью которого является изолирование отдельных частей программного комплекса и демонстрация их работоспособности [9]. Ядро приложения имеет графический интерфейс пользователя (Graphic User Interface), позволяющего взаимодействовать с указанными на рисунке модулями. Приведем краткое описание модулей.

Программные продукты и системы

Модуль локализации Модуль ввода/вывода

№ 4, 2013 г.

Ядро приложения, включающее графический интерфейс пользователя (GUI)

Модуль географической привязки

Модули тематической обработки

Модуль визуализации

Структурная схема приложения обработки данных СВЧ-радиометров 

Модуль локализации состоит из XML-файлов, созданных согласно правилам стандартного внешнего описания типа документа (DTD), используемого в IDL.  Модуль географической привязки визуализирует данные Всемирного банка данных (WDB), поставляемые с IDL; эти данные хорошо отражают картографическую основу, сравнимую по пространственному разрешению с обрабатываемыми данными; в функции модуля входит и задача преобразования координат изображения в географические координаты (широта, долгота) и обратно.  Модуль ввода/вывода выполняет функции чтения исходных файлов и записи полученных результатов.  Модуль визуализации отвечает за отображение исходных данных и результатов обработки.  Модули тематической обработки реализуют соответствующие алгоритмы определения метеорологических параметров и базируются на эмпирических зависимостях, полученных в работах [10–12]; с учетом этих зависимостей количественные значения метеорологических параметров определяются с помощью линейной комбинации каналов СВЧ-радиометра различной поляризации. Алгоритм определения скорости ветра над океаном вычисляет скорость ветра, при этом позволяет получить скорость ветра у поверхности моря от 3 до 25 м/с с точностью не хуже 2 м/с. Скорость ветра у поверхности приводится к высоте 19,5 м над поверхностью. Для расчета используются значения яркостной температуры на частотах 19, 22, 37 ГГц c вертикальной (V) и горизонтальной (H) поляризацией. При этом небольшой дождь и пары воды значительно ослабляют микроволновое излучение на выбранных частотах, равных 19, 22 и 37 ГГц [10]. Алгоритм определения водозапаса над океаном [11] определяет интегральное содержание воды в облаках над океаном в 100 кг/м2 с точностью до 0,1 кг/м2 с интервалом квантования 0,5 кг/м2. Алгоритм определения интенсивности осадков над океаном [12] использует каналы с частотами 19V, 19H, 22V, 37V, 37H, 91V и 91H и приведен к высоте 12,5 км. Данный алгоритм имеет точность 5 мм/ч, интервал квантования 1 мм/ч.

В результате работы приложения вычисляются значения соответствующих метеорологических параметров, которые визуализируются и наносятся на картографическую основу. Развитие возможностей разработанного приложения обработки данных СВЧ-радиометров возможно по направлениям расширения перечня рассчитываемых метеорологических параметров, применения параллельной обработки спутниковых изображений для обнаружения динамики метеорологических явлений, а также интеграции результатов расчетов с приложениями Google Earth, ENVI. Литература 1. Jensen J.R. Remote sensing of the environment: An Earth resource perspective. 2nd ed., Prentice Hall, 2006, 608 p.

2. Kling R. Object Oriented Programming with IDL. Kling Research and Software, 2010, 126 p.

3. Jensen J.R. Introductory Digital Image Processing. 3rd ed., Prentice Hall, 2004, 544 p.

4. Gumley L.E. Practical IDL Programming. Morgan Kaufmann, 2001, 508 p.

5. Bowman K.P. An Introduction to Programming with IDL: Interactive Data Language. Academic Press, 2005, 304 p.

6. Kling R. Power Graphics with IDL: A Beginners Guide to IDL Object Graphics. KRS, inc, 2002, 74 p.

7. Fanning D. Coyote's Guide to Traditional IDL Graphics.

Coyote Book Publ., 2011, 480 p.

8. Fanning D. IDL Programming Techniques. 2nd ed., Fort Collins: Fanning Software Consulting, 2000, 439 p.

9. Osherove R. The Art of Unit Testing: With Examples in .NET. Manning Publ., 2009, 320 p.

10. Goodberlet М.А., Swift C.T., Wilkerson J.C. Ocean Surface Wind Speed Measurements of the Special Sensor Microwave/Imager (SSM/I). IEEE Transactions on Geoscience and remote sensing, 1990, vol. 28, no. 5.

11. Weng F., Grody N., Ferraro R., Basist A., and Forsyth D. Cloud liquid water climatology from the Special Sensor Microwave Imager. Journ. Climate, 1997, no. 10, pp. 1086–1098.

12. Ferraro R.R. SSM/I derived global rainfall estimates for climatological applications. Journ. of Geophys. Res, 1997, vol. 102, no. 16, pp. 715–716, 735.

References 1. Jensen J.R. Remote sensing of the environment: An Earth resource perspective. 2nd ed., Prentice Hall Publ., 2006, 608 p.

2. Kling R. Object Oriented Programming with IDL. Kling Research and Software Publ., 2010, 126p.

3. Jensen J.R. Introductory Digital Image Processing. 3rd ed., Prentice Hall Publ., 2004, 544 p.

4. Gumley L.E. Practical IDL Programming. Morgan Kaufmann Publ., 2001, 508 p.

5. Bowman K.P. An Introduction to Programming with IDL: Interactive Data Language. Academic Press, 2005, 304 p.

6. Kling R. Power Graphics with IDL: A Beginners Guide to IDL Object Graphics. KRS Publ., 2002, 74 p.

7. Fanning D. Coyote's Guide to Traditional IDL Graphics.

Coyote Book Publ., 2011, 480 p.

8. Fanning D. IDL Programming Techniques. 2nd ed., Fort Collins: Fanning Software Consulting Publ., 2000, 439 p.

9. Osherove R. The Art of Unit Testing: With Examples in .NET. Manning Publ., 2009, 320 p.

10. Goodberlet М.А., Swift C.T., Wilkerson J.C. Ocean Surface Wind Speed Measurements of the Special Sensor Microwave/Imager (SSM/I). IEEE Transactions on Geoscience and remote sensing. 1990, vol. 28, no. 5.

11. Weng F., Grody N., Ferraro R., Basist A., Forsyth D. Cloud liquid water climatology from the Special Sensor Microwave Imager. Journ. of Climate. 1997, vol. 10, iss. 5, pp. 1086–1098.

12. Ferraro R.R. SSM/I derived global rainfall estimates for climatological applications. Journ. of Geophysical Research. 1997, vol. 102, iss. 16, pp. 715–16, 735.

219

Программные продукты и системы

№ 4, 2013 г.

УДК 004.891

ИНТЕЛЛЕКТУАЛЬНО-ЭКСПЕРТНЫЙ МЕТОД ОПРЕДЕЛЕНИЯ ОПТИМАЛЬНОГО МАРШРУТА ТРАНСПОРТИРОВКИ ПРОДУКЦИИ (Работа выполнена при финансовой поддержке РФФИ, грант № 11-01-00374-а)

М.И. Дли, д.т.н., профессор; В.В. Гимаров, к.э.н., доцент; С.И. Глушко, аспирант; И.В. Иванова, аспирант (Смоленский филиал Национального исследовательского университета МЭИ, Энергетический проезд, 1, г. Смоленск, 214013, Россия, midli@mail.ru, feu@sci.smolensk.ru, ivanova_iv@list.ru) Одна из задач сокращения транспортных расходов современного предприятия состоит в выборе оптимального по совокупности различных технико-экономических показателей маршрута доставки продукции. Поиск рациональной трассы перемещения грузов является фундаментом для построения эффективной логистической системы предприятий, определяющей своевременность выпуска продукции, длительность производственного процесса, себестоимость выпускаемой продукции. Чаще всего оптимальность маршрута определяется по критериям стоимости и времени транспортировки. Совместное применение данных критериев приводит к необходимости использования двухкритериального оптимизационного алгоритма, а принадлежность задачи к классу NP определяет целесообразность применения эвристических методов (метод имитации отжига, генетические и муравьиные алгоритмы, метод поиска с запретами и другие). Муравьиные алгоритмы основаны на моделировании поведения отдельных муравьев, действующих по простейшим правилам, в то время как общая система (колония) обладает интеллектом. Использование муравьиных колоний для двухкритериальной оптимизации маршрута транспортировки продукции предполагает необходимость использования двух различных колоний для каждого критерия и третьей, обобщающей, колонии для выбора трассы по двум критериям одновременно. Для учета неопределенности при решении этих задач целесообразно использовать нечеткие множества для неопределенных значений параметров математических моделей, а также методы нечетко-логического вывода с использованием экспертных оценок. Особенность предложенных муравьиных алгоритмов заключается в представлении информации о стоимости транспортировки на участке и весовых коэффициентов, определяющих степень жадности алгоритмов, в виде нечетких чисел с последующим применением операций нечеткологической свертки. Разработанные алгоритмы позволят повысить эффективность и надежность логистической системы предприятия. Ключевые слова: транспортировка продукции, оптимизация маршрутов передвижения, эвристические методы поиска, интеллектуальные методы, многокритериальная оптимизация, многоколониальные муравьиные алгоритмы, продукционные правила.

INTELLIGENT EXPERT METHOD FOR DETERMINE THE OPTIMAL ROUTE OF PRODUCT TRANSPORTATION Dli M.I., Dr. Tech. Sc., professor; Gimarov V.V., Ph.D. (Economics), associate professor; Glushko S.I., postgraduate student; Ivanova I.V., postgraduate student (Smolensk Branch of the Moscow Power Engineering Institute, Energeticheskiy proezd, 1, Smolensk, 214013, Russian Federation, midli@mail.ru, feu@sci.smolensk.ru, ivanova_iv@list.ru) Abstract. To reduce transport costs a modern enterprise needs to select the optimal combination of different technical and economic indicators of the product delivery route. Searching rational track for goods movement is the foundation for building an efficient logistic system, which determines the timeliness of production output, production process duration, production costs. The optimal route is often determined by cost and transit time criteria. The combined use of these criteria causes the need for a two-criterion optimization algorithm. An NP class task affiliation is the reason for using heuristic methods (simulated annealing, genetic and ant algorithms, tabu search method, and others). Ant algorithms are based on the modeling of the behavior of individual ants acting according to simple rules, while the total system (colony) has an intellect.

Using an ant colony to optimize the route of transporting products with two-criteria requires using two different colonies for each criterion, and the third generalizing colony is for route selection based on two criteria. To consider uncertainty when solving these problems it is appropriate to use fuzzy sets for unspecified parameters of mathematical models and fuzzy inference methods with expert judgment. The ant algorithms peculiarity is providing transport costs information on the site, as well as the weighting factors that determine the degree of algorithm greed in the form of fuzzy numbers and then applying the operations of fuzzy-logic convolution. The developed algorithms can improve the efficiency and reliability of enterprise logistics system.

Keywords: products transportation, transportation routes optimization, heuristic search methods, intellectual methods, multi-objective optimization, multi-colony ant algorithms, production rules.

В условиях интенсивного развития системы внутренних и внешних хозяйственных связей, а также глобализации международных товарных рынков транспортная составляющая в себестоимости готовой продукции, связанная с доставкой, 220

разгрузочно-погрузочными работами и временным хранением, постоянно растет. Проблема снижения транспортных расходов в современной экономике остро стоит не только перед предприятиями, специализирующимися на оказании услуг по

Программные продукты и системы

№ 4, 2013 г.

передвижению грузов, но и перед организациями, использующими собственную распределительную сеть (магазинов, филиалов и т.д.), между которыми осуществляется оборот продукции. Обычно схема доставки достаточно сложна и сопряжена с необходимостью использования нескольких видов транспортных средств (автомобильные, железнодорожные, морские и авиаперевозки). В этой связи оптимизация транспортно-логистических маршрутов (модификации существующей логистической системы) является многокритериальной математической задачей, ее решение имеет важное значение для поддержания конкурентоспособности и бесперебойного функционирования отдельных предприятий. В качестве критериев оптимизации, как правило, используются стоимость и время транспортировки, наилучшие комбинации которых достигаются при условии использования нескольких видов транспорта. Для решения задачи поиска оптимального маршрута целесообразно представить транспортную сеть в виде ориентированного графа [1, 2]. В нем требуется построить маршрут : (e1, e2, …, en) как непрерывную совокупность дуг между множеством вершин, отображающих транспортные узлы сети V, который обеспечивает минимум общей стоимости транспортировки S() и ее продолжительность Pr(): min{S (), Pr ()}  * , 

n

_____

где S ()   seqi , q  1, Q , ei  , i 1

n

Pr ()   t (ei ), ei  .

(1)

i 2

где ei – участок сети, входящий в маршрут ; lei – длина ребра ei; seqi – стоимость транспортировки продукции с использованием транспортного средства типа q на дуге ei;  t (ei ) – функция, ____

ei  ,i  2, n

определяющая время транспортировки продукции на маршруте . Сформулированная задача является NP-сложной, поэтому для ее решения целесообразно использовать эвристические методы. К эффективным современным эвристическим методам относятся так называемые метаэвристики, отображающие обобщенные стратегии поиска оптимума в пространстве решений: метод имитации отжига (simulated annealing), метод поиска с запретами (tabu search), оптимизационный метод муравьиной колонии (ant colony optimization), генетические и эволюционные алгоритмы. Преимущество данных методов состоит в том, что они позволяют исследовать большее пространство для поиска решения, близкого к оптимальному [3, 4]. Для решения задачи поиска оптимального маршрута доставки продукции предложено ис-

пользовать двухкритериальный алгоритм: первый критерий – минимизация стоимости транспортировки, второй – общая временная протяженность доставки продукции по маршруту. Авторами предложен муравьиный алгоритм решения двухкритериальной задачи, сущность которого состоит в использовании трех колоний муравьев: по одной для каждого из двух критериев и третьей, обобщающей, для принятия итогового решения по выбору оптимальной трассы. Цель первой колонии – сократить стоимость транспортировки продукции. Вторая колония ищет минимальный по общей стоимости проектирования и строительства маршрут. Обе колонии используют независимые друг от друга феромонные тропы: m1 и m2. На основе объединения полученных двумя колониями на каждой итерации процедуры поиска локальных решений количеств феромона и весов ребер 1 и 2 первого и второго типов третья колония искусственных муравьев осуществляет поиск оптимального решения поставленной задачи. Для описания процедуры построения решения с использованием третьей колонии муравьев авторами разработан обобщающий муравьиный алгоритм поиска оптимального маршрута транспортировки, который включает следующие этапы.

1. Первоначальный маршрут, определяемый значениями феромона и веса первого и второго типов ( m ij , m ij и 1, 2 соответственно) для каж1

2

дой дуги графа (ij)V. 2. Параллельный поиск M муравьями маршрутов по информации о количестве феромонов (m1 и m2) и весах (1 и 2). Муравей на каждом шаге прокладки трассы в графе выбирает следующую присоединяемую вершину по правилу расчета величины нечеткой возможности перехода: pijm 

[(m1ij )(1)  (mij2 ) ]  [(1ij )(1)  (ij2 ) ] m Vf

, (2)

 ([(m1ik )(1)  (mik2 ) ]  [(1ik )(1)  (ik2 ) ] )

k 1

где  – операция умножения нечетких чисел; m1ij – количество первого феромона на дуге (i, j);

m ij2 – количество второго феромона на дуге (i, j); 1ij – привлекательность перехода в вершину j из вершины i по критерию скорости доставки; ij2 – привлекательность перехода в вершину j из вершины i по критерию стоимости доставки; [0, 1] – весовой коэффициент, отражающий относительную значимость критерия стоимости маршрута; V fm – множество вершин в графе, которые муравей m еще не посетил, но они доступны для перехода на текущей итерации. Поскольку количество феромона первого и второго типов и вес ребра второго типа задаются нечеткими числами m1и ij2 , в формуле (2) алгеб221

Программные продукты и системы

раические операции заменены на операции над нечеткими высказываниями (умножение, возведение в степень, деление). На каждой итерации t обобщающего муравьиного алгоритма искусственный муравей строит решение задачи, двигаясь по графу начиная от исходной вершины, согласно правилу (2).

3. Перерасчет количества феромона первого и второго уровней по окончании каждой итерации t после того, как все муравьи завершат построение маршрута: m1ij (t  1)  (1  )m1ij (t )  mij (t ) ,

mij2 (t  1)  (1  )mij2 (t )  mij (t ) , Q / Pl (t ), если (i, j )  T l (t ), (3) mlij (t )   0 в противном случае, где  – коэффициент испарения феромона; mij(t) – суммарное изменение уровня феромона на дуге графа (i, j); Tl(t) – общий маршрут, построенный муравьем l на итерации t; Pl(t) – относительная оценка качества найденного маршрута; Q – константа, показывающая общее количество феромона у муравья. Величина Pl(t) позволяет сопоставлять полученные на различных итерациях трассы между собой, определяя тем самым наиболее рациональный маршрут: Pl (t )  (  Sij )  n , (4) ijT l ( t )

где

 Sij – общая стоимость (нечеткое выска-

ijT l ( t )

зывание) транспортировки продукции по маршруту Tl(t); η – коэффициент значимости показателя «стоимость»; n – время доставки продукции при использовании трассы Tl(t); ξ – коэффициент значимости показателя «временная протяженность». Нечетко-продукционный эвристический алгоритм работы первой и второй колоний муравьев направлены на поиск соответственно минимального по стоимости и времени маршрута доставки продукции. Он включает следующие этапы.

1. Расчет первоначальной величины феромона 0l, задающей исходную конфигурацию системы распределения, по формуле  Sijq ( i , j )G , lL l , (5) 0  min Sijq ( i , j )G , lL

где S (r , I q ) – стоимость прокладки q-го вида сети на участке между узлами i и j как функция от расстояния r; Iq – стоимость метра канала вида q.

2. Поэтапное построение маршрутов с использованием правил поведения муравьев (ППм). На каждом этапе M муравьев ищут решения с использованием информации об уровне феромона и локальной информации. Первое правило дает возможность осуществлять расчет значения вероятности передвижения муравья из вершины в вершину. q ij

222

№ 4, 2013 г.

ППм-1. «ЕСЛИ (величина феромона i,jl на дуге (i, j) типа l ЕСТЬ «Am1») И (величина совокупной стоимости транспортировки Sijl на дуге (i, j) ЕСТЬ «Bm2»), ТО (вероятность перехода (pijl)q в узел j с использованием кабеля l на итерации q ЕСТЬ «Dm4»)». Индексы m1, m2, m3, m4 определяют конкретные значения лингвистических переменных A, B, C, D соответственно. Второе правило объединяет в одно решение пути отдельных муравьев. Оно используется для устранения ограничений стандартного метода муравьиных колоний, которые связаны с отсутствием возможности учета симметричности графа. ППм-2. «ЕСЛИ муравей m достиг пути, построенного муравьем m*», ТО (пути муравьев m и m*, а также их табу-листы объединяются) И (муравей m* ликвидируется)». Обновление количества феромонов включает два этапа: испарение и добавление нового количества феромона после завершения построения решений на каждой итерации и осуществляется по формуле (6) li , j  (1  )  il , j   il , j , где  – темп испарения феромона (01); li , j – приращение концентрации феромонов на очередной итерации алгоритма. Этапы повторяются до тех пор, пока результат не перестанет изменяться в течение заранее определенного числа итераций. Алгоритм может быть остановлен и по истечении определенного времени выполнения либо после выполнения заданного количества итераций (не менее 100). Для оценки эффективности нечетко-продукционного муравьиного алгоритма оптимизации маршрута транспортировки продукции проведены вычислительные эксперименты для задач с небольшим количеством связываемых в графе узлов. Это позволило сравнить результаты, полученные с помощью трех различных алгоритмов: полного перебора, стандартного муравьиного алгоритма и нечетко-продукционного муравьиного алгоритма. Для задач малой размерности классический муравьиный алгоритм и разработанный авторами нечетко-продукционный муравьиный алгоритм обеспечивают получение точных решений, совпадающих с трассами, полученными полным перебором, однако за большее время. При решении задач средней размерности (количество узлов в графе более 10) сравнить качество решений, полученных муравьиными алгоритмами и полным перебором, затруднительно из-за экспоненциальной зависимости времени работы последнего от количества входных данных. В целом разработанный нечетко-продукционный муравьиный алгоритм позволяет находить маршрут на графе за меньшее время, чем классический муравьиный алгоритм. При этом качество трассы, полученное муравьи-

Программные продукты и системы

№ 4, 2013 г.

ными алгоритмами, практически одинаково с незначительным преимуществом предложенного авторами нечетко-продукционного муравьиного алгоритма. В то же время данное преимущество увеличивается с ростом количества узлов в графе [5]. Предложенный интеллектуально-экспертный метод определения оптимального маршрута транспортировки продукции позволяет решать задачи многокритериальной оптимизации и повышать гибкость применяемых эвристических методов за счет использования продукционных правил, описывающих перемещение муравья. Литература 1. Dorigo M., Maniezzo V., Colorni A. The Ant System: Optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics Part B: Cybernetics, 1996, vol. 26, no. 1, pp. 29–41.

2. Глушко С.И., Какатунова Т.В. Нечеткая модификация алгоритма муравьиных колоний // Научное обозрение. 2013. № 1. С. 377–381.

3. Гимаров В.А., Дли М.И., Круглов В.В. Задачи распознавания нестационарных образов // Изв. РАН. Теория и системы управления. 2004. № 3. С. 137.

4. Бояринов Ю.Г., Борисов В.В., Мищенко В.И., Дли М.И. Метод построения нечеткой полумарковской модели функционирования сложной системы // Программные продукты и системы. 2010. № 3. С. 26–31.

5. Дли М.И., Карпова Т.П. Критерии оптимизации путей доставки продукции при использовании нечетких моделей муравьиных колоний // Вестн. РАЕН. 2012. № 1. С. 55–56.

References 1. Dorigo M., Maniezzo V., Colorni A. The Ant System: Optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics. Part B: Cybernetics. 1996, vol. 26, no. 1, pp. 29–41.

2. Glushko S.I., Kakatunova T.V. Fuzzy modification of ant colonies algorithm. Nauchnoe obozrenie [Scientific survey]. 2013, no. 1, pp. 377–381.

3. Gimarov V.A., Dli M.I., Kruglov V.V. Recognition problems for nonsteady images. Izv. RAN. Teoriya i sistemy upravleniya [Journ. of computer and systems sciences international]. 2004, no. 3, pp. 137.

4. Boyarinov Yu.G., Borisov V.V., Mishchenko V.I., Dli M.I. Building method of fuzzy semi-markov model of complex system functioning. Programmnye produkty i sistemy [Software & Systems]. 2010, no. 3, pp. 26–31.

5. Dli M.I., Karpova T.P. Optimization criteria of production transportation routes using fuzzy models of ant colonies. Vestnik RAEN [The bulletin of the Russian Academy of Natural Sciences].

2012, no. 1, pp. 55–56.

УДК 629.7.017; 656.7.085

ТЕХНОЛОГИЯ АВТОМАТИЗИРОВАННОЙ ЭКСПЕРТИЗЫ ТЕХНИЧЕСКОГО УРОВНЯ ВЕРТОЛЕТНЫХ ОЧКОВ НОЧНОГО ВИДЕНИЯ (Работа поддержана РФФИ, грант № 13-01-00176)

А.В.

А.А. Есев, к.т.н., начальник отделения (в/ч 22737, г. Щёлково, 141110, Россия, a.a.esev@yandex.ru); Ткачук, слушатель Центра подготовки летчиков-испытателей (в/ч 15650, г. Ахтубинск, 416507, Россия, artkac@yandex.ru)

Описано методическое обеспечение автоматизированной экспертизы технического уровня вертолетных очков ночного видения, позволяющее получать количественную оценку их любого технического свойства, обеспечивать сопоставление технического уровня различных моделей очков ночного видения и оценивать их готовность к испытаниям в составе вертолета. Расчет оценки технического уровня основан на квалиметрическом подходе: коэффициенты качества простых, сложных и комплексных свойств определяются расчетным путем, а коэффициенты весомости свойств и индивидуальные коэффициенты качества простых (качественных) технических свойств – экспертным. Оценка коэффициента технического уровня рекурсивно вычисляется по дереву технических свойств. Полученные решения обеспечивают обоснование предложений по улучшению технических свойств (характеристик) очков ночного видения, которые требуют улучшения (в первую очередь простые свойства с низким коэффициентом качества), и разрабатывают мероприятия (компоновочные, конструктивные и т.д.) по улучшению этих свойств. За счет реализации обоснованных мероприятий по совершенствованию вертолетных очков ночного видения обеспечено снижение числа авиационных происшествий и инцидентов, а также предпосылок к ним при полетах боевых вертолетов в темное время суток с применением экипажами очков ночного видения. Ключевые слова: вертолетные очки ночного видения, технический уровень, эргономическая экспертиза, дерево свойств, полеты в темное время суток, испытания авиационной техники.

TECHNOLOGY OF TECHNICAL LEVEL AUTOMATED EXAMINATION FOR HELICOPTER NIGHT VISION GOGGLES Esev A.A., Ph.D. Tech. Sc., division head (Military Unit 22737, Shchelkovo, 141110, Russian Federation, a.a.esev@yandex.ru); Tkachuk A.V., listener Training Center for test pilots (Military Unit 15650, Akhtubinsk, 416507, Russian Federation, artkac@yandex.ru) Аbstract. The article describes methodical support for automated examination of technical level of helicopter night vision goggles that allow quantitative assessment of any technicality, to provide a comparison of technical levels of different

223

Программные продукты и системы

№ 4, 2013 г.

models of night vision goggles and to assess their tests readiness in a helicopter. Technical level estimation is based on qualimetric approach: quality factors of simple, complicated and complex properties are determined by calculation, the properties weighting coefficients and the individual quality factors of simple (qualitative) technical properties are determined by expert way. An estimate of the technical level is determined recursively using technical properties tree. The resulting solutions provide the proposals reasoning to improve technical properties of the night-vision goggles, The properties (characteristics) that need to be improved (simple properties of the low-quality factors in the first place) are determined and measures (layout, design, etc.) to improve these properties are developed. An implementation of sound measures for the improvement of helicopter night vision goggles allow reduction in the number of accidents, as well as the prerequisites for them when helicopters flying at night and the crew using night vision goggles.

Keywords: helicopter night-vision goggles, technical level, properties tree, ergonomic assessment, flying in the dark, the test aircraft.

Особенности тактики применения боевых самолетов и вертолетов предполагают все более широкое их использование для ведения боевых действий в темное время суток, в том числе и ночью. До недавнего времени выполнение большинства задач по обнаружению целей ночью было связано с необходимостью искусственной подсветки этих целей. Однако в ряде случаев традиционная подсветка ухудшает видимость из-за влияния светящегося замутненного слоя атмосферы или попросту недопустима, например, при ведении боевых действий ночью, когда исключена демаскировка войск и подвижных объектов вооружения и военной техники [1–3]. Во всех этих ситуациях для оснащения подразделений требуется самая современная техника ночного видения. Важное значение для обеспечения эффективных боевых действий в темное время суток имеет использование летчиками очков ночного видения (ОНВ). Оснащение вертолетов ОНВ позволило повысить их боевую эффективность на 40 % за счет возможности наблюдения экипажем закабинного пространства вертолета в условиях естественной ночной освещенности 0,1…5×10-4 лк [1–6]. Выполнение боевых задач экипажем боевого вертолета, оборудованного ОНВ, вне зависимости от метеоусловий, на фоне уменьшения высоты полетов до предельно малой (менее 150 м) значительно повысило требования к обеспечению летчиков инструментальными средствами отображения внекабинного пространства, каковыми и являются ОНВ [1–8]. В связи с модернизацией выпускаемых серийно боевых вертолетов и созданием новых образцов, имеющих в составе оборудования ОНВ с электронно-оптическими преобразователями второго и последующих поколений, возникает необходимость проведения их наземных и летных испытаний, важное значение для которых имеет использование адекватного методического обеспечения [1–6, 9–13]. Отсутствие в нормативно-технических документах требований к ОНВ и светотехническому оборудованию, адаптированному к их применению, а также недостаточно глубокая проработанность методического обеспечения их испытаний существенно затрудняют подготовку и проведение испытаний, не позволяя получать адекватные оценки их характеристик, и требуют разработки 224

специального методического обеспечения. Одним из важных компонентов методического обеспечения испытаний боевых вертолетов, оснащенных ОНВ и светотехническим оборудованием, адаптированным к их применению, является разработанная технология автоматизированной экспертизы технического уровня ОНВ. Технология автоматизированного расчета оценки технического уровня ОНВ Данную технологию следует применять при необходимости получить однозначную количественную оценку любого технического свойства ОНВ. С его помощью можно выполнить экспертизу технического уровня различных ОНВ и определить их готовность к испытаниям в составе летательного аппарата. Для расчета оценки технического уровня используется квалиметрический подход, при котором коэффициенты качества простых, сложных и комплексных свойств определяются расчетным путем, а коэффициенты весомости свойств и индивидуальные коэффициенты качества простых (качественных) технических свойств – экспертным. Последовательность экспертизы технического уровня ОНВ: – построение дерева технических свойств ОНВ (см. рис.); – определение коэффициентов весомости технических свойств ОНВ; – определение базовых, экстремальных и реальных технических показателей; – определение технических показателей (коэффициентов качества) простых, сложных, комплексных свойств и показателей ОНВ в целом. Оцениваемым показателем является коэффиS

циент технического уровня (КТ): KT   K F m F , j

где KF – коэффициент качества F-го сложного (менее сложного) свойства; T – номер оцениваемого комплексного (сложного) свойства (по дереву технических свойств ОНВ); S – число сложных (менее сложных) свойств, составляющих j-е комплексное (сложное) свойство; F – номер сложного (менее сложного) свойства, составляющего комплексное (сложное) свойство (по дереву техниче-

Программные продукты и системы

0-й уровень

№ 4, 2013 г.

1-й уровень

2-й уровень 12,5 20,8

0,09

Оценка комплектности документации (X1)

4,2 4,2 4,2 14,3 14,3 14,3

0,18

Оценка комплектности ОНВ (X2)

14,3 14,3 14,3 0,01 1

0,27 Коэффициент технического уровня ОНВ (X)

Оценка работоспособности (X3)

1 6,67

0,09

Оценка массогабаритных характеристик (X4)

6,67 6,67 0,065 0,065 1,96

0,18

Эргономическая оценка (X5)

РЭ (РТЭ) (X14) Этикетка на отдельные составные части (X15) Бинокуляр ОНВ (X21) Противовес (X22) Источник электропитания (ПНН) (X23)

Коэффициент весомости

Соединительные кабели (X24)

0,5

Аккумуляторы (НЛЦ-0,9) (X25)

0,5

Зарядное устройство для аккумуляторов (X26)

50 Качественная оценка изображения в ОНВ (X31) Чистота поля зрения в окулярах (X32)

50 0,09

Бинокуляр ОНВ (X41)

0,09

Противовес (X42)

0,27

Аккумуляторы (НЛЦ-0,9) (X43)

0,27

Удобство пользования регулировочными органами (X51)

0,27

Групповой (X272)

Наличие дисторсии (X311) Наличие «снежения» (X312) Оценка контрастности изображения (X321) Оценка уровня яркости изображения (X322) Оценка наличия и количества «чёрных точек» (X323) Оценка наличия посторонних предметов (X324) Оценка наличия и количества вкраплений (X325)

Достаточность диапазона регулировок (X52) Качество монтажа противовеса к защитному шлему (ЗШ) (X53) Качество монтажа бинокуляра ОНВ к кронштейну нашлемного визирного устройства (НВУ) (X54) Обеспечение легкосъёмности бинокуляра ОНВ с кронштейна НВУ в аварийной ситуации (X55)

0,01

Наличие маркировок и условных обозначений на составных частях ОНВ (X56)

0,01

5,56

Наименование свойства и его условное обозначение Индивидуальный (X271)

Комплект запасных инструментов и принадлежностей (ЗИП) (X27)

0,065

2,78

0,18

Паспорт (X12) РО (РТО) (X13)

1,96

1,96

Оценка зарядного устройства аккумуляторных батарей (НЛЦ-0,9) (X6)

3-й уровень

Формуляр (X11)

Наличие заводского номера (X561) Наличие маркировки полярности аккумуляторов (X562)

Возможность подключения к бортовой сети вертолёта +27В (X61) Возможность подключения к бытовой электросети ~220В, 50Гц (X62)

6,67 Количество одновременно заряжаемых аккумуляторов (X63) 5,56 2,78

Возможность выполнения ускоренного заряда (X64) Возможность выполнения КТЦ в режиме «разряд-заряд» (X65)

Дерево технических свойств ОНВ

ских свойств ОНВ); μF – групповой нормированный коэффициент весомости F сложного (менее сложного) свойства. Дерево технических свойств ОНВ строилось слева направо. Крайние правые окончания ветвей представляют собой простые (квазипростые) технические свойства, остальные – сложные и комплексные свойства. При экспертизе технического уровня ОНВ в целом дерево должно быть полным, то есть разделенным на все составляющие технические свойства. В случае экспертизы отдельного технического свойства дерево может быть неполным, то есть разделенным на составляющие только оцениваемого свойства. Все группировки свойств делятся на уровни, которые нумеруются слева направо, начиная с нулевого уровня – технических свойств ОНВ и заканчивая правым уровнем – простыми (квазипростыми) техническими свойствами. Свойства одного уровня размещаются на одной вертикали. Определение коэффициентов весомости (важности) технических свойств ОНВ производилось в следующей последовательности: – составление индивидуальных анкет и их заполнение экспертами (назначение индивидуальных ненормированных коэффициентов весомости); – согласование мнений экспертов; – нормирование коэффициентов весомости.

Анкета для определения ненормированных коэффициентов весомости разрабатывалась для каждого сложного (комплексного) свойства согласно дереву технических свойств ОНВ. Комплект индивидуальных анкет (число анкет в комплекте равно числу сложных и комплексных свойств дерева технических свойств ОНВ) заполнялся каждым экспертом, куда заносились значения ненормированных коэффициентов весомости. Экспертная оценка весомости свойств выставлялась в баллах (от 0 до 100) в зависимости от значимости (весомости, важности) технического свойства. Согласование мнений экспертов осуществлялось статистическими методами. Нормирование коэффициентов весомости производилось в следующей последовательности: – определение среднего значения ненормированного коэффициента весомости технического свойства (среднего балла) (Mj) по формуле n

Mj 

 Mn i 1

, где j – порядковый номер свойства n (по дереву технических свойств ОНВ); i – номер эксперта; n – число оценок экспертов для j-го свойства; Mn – оценка (в баллах) j-го свойства i-м экспертом; – определение группового (обобщенного по всем экспертам) нормированного коэффициента весомости технического свойства по формуле 225

Программные продукты и системы

mj 

Mj

M j

, где

 M j – сумма средних оценок (в j

j

баллах) ненормированных коэффициентов весомости технических свойств. Базовые (Pбаз) и экстремальные (Pэкс) технические показатели могут быть вычислены по одному из четырех вариантов в зависимости от варианта задания требований. b b 1. Pбаз  1 2 , где b1 и b2 – крайние значения 2 показателей свойства; Pэкс=0,85b1, если Pрл<Pбаз, или Pэкс2=1,15b2, если Pрл>Pбаз.

2. Pбаз=0, если технические требования заданы в виде предельно допустимых значений; Pэкс=1,15b, где b – предельно допустимое значение технического показателя.

3. Технические требования заданы в виде «не менее» или «не более». Тогда при задании значения показателя в виде «не менее» Pбаз=2b и Pэкс=0,85b, где b – заданное значение показателя. При задании значения показателя в виде «не более»: Pбаз=0,5b и Pэкс=1,15b.

4. Технические требования заданы в качественном виде (отсутствует единица измерения). Тогда Pбаз=100 и Pэкс=0. Оценки технического уровня (KT) ОНВ в целом и их комплексных (сложных) свойств рассчитываются по записанной выше формуле. Показатель технического уровня ОНВ сложного свойства (Kf), делящегося на простые (квазипростые), может быть определен по формуле m

K f    j m j , где f – номер оцениваемого сложноj

го свойства (по дереву технических свойств ОНВ); j – номер простого (квазипростого) свойства, составляющего f-е сложное свойство (по дереву технических свойств ОНВ); m – число простых (квазипростых) свойств, составляющих f-е сложное свойство; ωj – коэффициент качества j-го простого свойства; μj – групповой нормированный коэффициент весомости j-го простого свойства. Коэффициент качества простого технического свойства определяется из выражения  f 

pрл  Pэкс , где Pрл – реальное значение показатеPбаз  Pэкс ля технического свойства; Pэкс – его экстремальное значение; Pбаз – его базовое значение. Расчеты по определению технических показателей ОНВ в целом проводятся последовательно для всех сложных и комплексных свойств, начиная с последнего уровня (по дереву технических свойств ОНВ) и заканчивая нулевым уровнем – технических свойств ОНВ. После выполнения расчетов проводятся обработка, анализ и оценка результатов. Для этого разработан и реализован специальный программный 

226

№ 4, 2013 г.

комплекс. Разработка предложений по улучшению технических свойств ОНВ проводится в следующей последовательности: – определяются свойства (характеристики), которые требуют улучшения (это прежде всего простые свойства с низким коэффициентом качества); – намечаются мероприятия (компоновочные, конструктивные и т.д.) по улучшению этих свойств. Формулы для расчета технического уровня различных моделей ОНВ применительно к дереву свойств, изображенному на рисунке, имеют вид X  2 X 2  3X 3  X 4  2 X 5  2 X 6 , X 1 33 3 X  5 X12  X13  X14  X15 , X1  100 11 24 X  X 22  X 23  X 24  X 25  X 26  X 27 , X 2  100 21 7 X  X 272 X 27  271 , 2 X  X 32 X 3  31 , 2 X  X 322  3 X 323  3 X 324  3 X 325 X 32  321 , 11 X  X 312 X 31  100 311 , 2 X  X 42  X 43 , X 4  100 41 15 X  X 52  X 55 X  X 54 0,1X 56 , X 5  51  100 53  100 5,1 25,5 5,1 X  X 562 X 56  561 , 2 X  2 X 62  2 X 64  X 65 3X X 6  100 61  100 63 .

9 45 Наименования свойств вертолетных ОНВ, их коэффициенты весомости и условные обозначения представлены в таблице. Метод расчета оценки технического уровня ОНВ и дерево технических свойств ОНВ, изображенное на рисунке, позволяют выполнить сопоставление (сравнительную оценку) технического уровня различных ОНВ и определить их готовность к испытаниям в составе боевого вертолета. Использование дерева свойств для оценки готовности ОНВ к испытаниям позволяет сократить сроки наземных испытаний и повысить их качество. Результаты экспериментальной апробации разработанной технологии Разработанная технология реализована программно, ПО использовалось при испытаниях боевых вертолетов типа Ми-24, Ми-8, Ми-28Н и

Программные продукты и системы

№ 4, 2013 г.

Наименования свойств вертолетных ОНВ, их коэффициенты весомости и условные обозначения № п/п 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46

Наименование свойства Коэффициент технического уровня ОНВ Оценка комплектности документации Оценка комплектности ОНВ Оценка работоспособности Оценка массогабаритных характеристик Эргономическая оценка Оценка зарядного устройства аккумуляторных батарей (НЛЦ-0,9) Формуляр Паспорт РО (РТО) РЭ (РТЭ) Этикетка на отдельные составные части Бинокуляр ОНВ Противовес Источник электропитания (ПНН) Соединительные кабели Аккумуляторы (НЛЦ-0,9) Зарядное устройство для аккумуляторов Комплект запасных инструментов и принадлежностей (ЗИП) Качественная оценка изображения в ОНВ Чистота поля зрения в окулярах Бинокуляр ОНВ Противовес Аккумуляторы (НЛЦ-0,9) Удобство пользования регулировочными органами Достаточность диапазона регулировок Качество монтажа противовеса к защитному шлему (ЗШ) Качество монтажа бинокуляра к кронштейну нашлемного визирного устройства (НВУ) Обеспечение легкосъемности бинокуляра ОНВ с кронштейна НВУ в аварийной ситуации Наличие маркировок и условных обозначений на составных частях ОНВ Возможность подключения к бортовой сети вертолета +27 В Возможность подключения к бытовой электросети ~220 В, 50 Гц Количество одновременно заряжаемых аккумуляторов Возможность выполнения ускоренного заряда Возможность выполнения КТЦ в режиме «разряд-заряд» Индивидуальный Групповой Наличие дисторсии Наличие «снежения» Оценка контрастности изображения Оценка уровня яркости изображения Оценка наличия и количества «черных точек» Оценка наличия посторонних предметов Оценка наличия и количества вкраплений Наличие заводского номера Наличие маркировки полярности аккумуляторов

Ка-52, оборудованных ОНВ ГЕО-ОНВ-1, ГЕООНВ1-01 и ОВН-1 «Скосок». С помощью разработанной технологии выполнена экспертиза технического уровня 22 комплектов моделей вертолетных ОНВ, принятых на снабжение в Минобороны России: – ОВН-1 «Скосок»: №№ 2УШТ006, 2УШТ007, 2ВШТ063, 2ВШТ064 (Ми-28Н);

Условное Значение коДиапазон обозначение эффициента оценки свойства весомости X 0–100 X1 0,09 – X2 0,18 – X3 0,27 – X4 0,09 – X5 0,18 – X6 0,18 – X11 12,5 0–3 X12 20,8 0–3 X13 4,2 0–3 X14 4,2 0–3 X15 4,2 0–3 X21 14,3 0–1 X22 14,3 0–1 X23 14,3 0–1 X24 14,3 0–1 X25 14,3 0–1 X26 14,3 0–1 X27 14,3 – X31 1 – X32 1 – X41 6,67 0–5 X42 6,67 0–5 X43 6,67 0–5 X51 0,065 0–100 X52 0,065 0–100 X53 1,96 0–5 X54

1,96

0–5

X55

0,065

0–100

X56

1,96

–

X61 X62 X63 X64 X65 X271 X272 X311 X312 X321 X322 X323 X324 X325 X561 X562

2,78 5,56 6,67 5,56 2,78 0,5 0,5 50 50 0,09 0,09 0,27 0,27 0,27 0,5 0,5

0–1 0–1 0–5 0–1 0–1 0–1 0–1 0–1 0–1 0–100 0–100 0–100 0–100 0–100 0–1 0–1

2БШТ036, 2БШТ040, 2БШТ045 (Ми-35); 2АШТ054, 2АШТ056 (Ми-35М); 09001, 09002 (Ми-35М, Ми-35М ОП-1 и Ми-35М ОП-2); – ГЕО-ОНВ-1: №№ 160403, 180403, 190403 (Ми-8ГУ); – ГЕО-ОНВ1-01: №№ 078404, 079404, 077404 (Ми-8ГУ и Ми-28Н); 547209, 543209, 544209 (Ми8АМТШ); 061405, 062405 (Ка-52).

227

Программные продукты и системы

Результаты экспертизы технического уровня моделей вертолетных ОНВ показали, что коэффициент технического уровня для ОВН-1 «Скосок» (11 комплектов) равен 54,4, для ГЕО-ОНВ-1 (3 комплекта) – 53,3, для ГЕО-ОНВ1-01 (8 комплектов) – 66,1. Очевидно, что наибольшим коэффициентом технического уровня обладают вертолетные ОНВ ГЕО-ОНВ1-01, что подтверждается их эксплуатацией и совпадает с мнением экспертов. Достоинством технологии автоматизированного расчета оценки технического уровня ОНВ является то, что с его помощью можно получить количественную оценку технических свойств любых моделей ОНВ. Автоматизация метода обеспечивается программной реализацией алгоритмов расчета оценки коэффициента технического уровня. Адекватность технологии автоматизированного расчета оценки технического уровня ОНВ подтверждается результатами опроса группы экспертов предметной области, проведенного в соответствии с [14–16]. По мнению экспертов, использование представленной методики позволяет выполнить объективную экспертизу технического уровня ОНВ, оценить их готовность к наземным и летным испытаниям в составе боевого вертолета и сократить время выполнения приемки на испытания на 1 день (1,5–3 %) и наземных испытаний на 1–2 дня (2,9–5,8 %). Во время экспертизы технического уровня различных моделей ОНВ инженерами и летчикамииспытателями сформулированы замечания, затрудняющие их эксплуатацию, и рекомендации по усовершенствованию технических и эргономических характеристик образцов. В результате анализа более 288 наземных испытаний и 150 испытательных полетов боевых вертолетов типа Ми-24, Ми-8, Ми-28Н и Ка-52, оборудованных ОНВ, оценок 22 комплектов моделей ОНВ, принятых на снабжение в Минобороны России, разработан ряд рекомендаций для промышленности по улучшению технических и эргономических характеристик как самих ОНВ, так и боевых вертолетов, оборудованных ими. Технология автоматизированной экспертизы технического уровня авиационных ОНВ позволяет априорно оценить готовность ОНВ к испытаниям, провести объективное сравнительное оценивание различных моделей ОНВ и обосновать замечания и рекомендации промышленности по доработке и совершенствованию самолетов и вертолетов, оборудованных ОНВ и светотехническим оборудованием, адаптированным к их применению. Литература 1. Маслов С.В., Есев А.А. Анализ рисков безопасности полетов при использовании летным составом вертолетов очков ночного видения // Проблемы безопасности и чрезвычайных ситуаций. 2011. № 1. С. 52–57.

2. Моисеев Ю.Б., Кукушкин Ю.A., Богомолов A.В., Лозбин А.С. Метод расчета оценки повреждающего действия им-

228

№ 4, 2013 г. пульса воздушного давления при катапультировании летного состава // Проблемы безопасности полетов. 2010. № 11. С. 28–39.

3. Кукушкин Ю.А., Дворников M.В., Богомолов A.В., Шишов A.A., Сухолитко В.A., Симоненко A.П., Степанов В.K. Особенности поддержки принятия решений по устранению особых событий и опасных состояний летчика в высотном полете // Проблемы безопасности и чрезвычайных ситуаций.

2009. № 6. С. 74–79.

4. Есев А.А., Базаров С.А., Русскин А.В., Солдатов Т.А. Методическое обеспечение определения максимальной дальности обнаружения объектов при выполнении поисковоспасательных работ с применением вертолетов, оборудованных очками ночного видения // Научные и образовательные проблемы гражданской защиты. 2011. № 4. С. 45–52.

5. Федоров М.В., Есев А.А., Еремин Е.М. Метод расчета дальности действия низкоуровневых телевизионных систем визуализации изображения для летчиков вертолетов // Информационно-измерительные и управляющие системы. 2011. Т. 9. № 5. С. 12–17.

6. Есев А.А., Головкин А.П., Антошин А.А., Атрошенко А.И. Методы экспериментальных исследований помехозащищенности вертолетных очков ночного видения // Полет.

2012. № 2. С. 40–44.

7. Маслов С.В., Есев А.А. Методика оценивания технических показателей очков ночного видения при проведении наземных испытаний авиационной техники // Проблемы безопасности полетов. 2010. № 4. С. 27–35.

8. Ушаков И.Б., Кукушкин Ю.А., Богомолов А.В. Физиология труда и надежность деятельности человека. М.: Наука, 2008. 318 с.

9. Зинкин В.Н., Ахметзянов И.М., Солдатов С.К., Богомолов А.В. Медико-биологическая оценка эффективности средств индивидуальной защиты от шума // Медицина труда и промышленная экология. 2011. № 4. С. 33–34.

10. Федоров М.В., Калинин К.М., Богомолов А.В., Стецюк А.Н. Математическая модель автоматизированного контроля выполнения мероприятий в органах военного управления // Информационно-измерительные и управляющие системы. 2011. Т. 9. № 5. С. 46–54.

11. Медведев В.Р., Богомолов A.В., Мурашев Н.В., Гамалий В.Н., Сидоров В.A. Техническое оснащение тактического и оперативного этапов медицинской эвакуации // Оборонный комплекс – научно-техническому прогрессу России. 2011. № 4. С. 95–103.

12. Аверьянов А.А., Зотов В.A., Твердохлеб В.A., Тажетдинов Р.Г., Яниториал M.В., Богомолов A.В., Шишов A.A. Методическое обеспечение и результаты физиолого-гигиенических исследований авиационного бронежилета // Проблемы безопасности полетов. 2010. № 10. С. 30–35.

13. Зинкин В.Н., Солдатов С.K., Ахметзянов И.M., Богомолов A.В., Зосимов В.В., Еремин Г.И. Методология экспериментальных исследований акустической эффективности противошумных наушников в области низких частот // Информатика и системы управления. 2011. № 1. С. 72–80.

14. Шибанов Г.П. Порядок формирования экспертных групп и проведения коллективной экспертизы // Информационные технологии. 2003. № 12. С. 26 – 29.

15. Богомолов А.В., Зуева Т.В., Чикова С.С., Голосовский М.С. Экспертно-аналитическое обоснование приоритетных направлений совершенствования системы предупреждения биологических террористических актов // Информатика и системы управления. 2009. № 4. С. 134–136.

16. Богомолов А.В. Концепция математического обеспечения диагностики состояния человека // Информатика и системы управления. 2008. № 2 (16). С. 11–13.

17. Козлов В.Е., Богомолов А.В., Рудаков С.В., Оленченко В.Т. Математическое обеспечение обработки рейтинговой информации в задачах экспертного оценивания // Мир измерений. 2012. № 9. С. 42–49.

References 1. Maslov S.V., Esev А.А. Problemy bezopasnosti i chrezvychaynykh situatsiy [Safety and Emergency problems]. 2011, no. 1, pp. 52–57.

Программные продукты и системы 2. Moiseev Yu.B., Kukushkin Yu.A., Bogomolov A.V., Lozbin A.S. Problemy bezopasnosti polyotov [Problems of flights safety]. 2010, no. 11, pp. 28–39.

3. Kukushkin Yu.A., Dvornikov M.V., Bogomolov A.V., Shishov A.A., Sukholitko V.A., Simonenko A.P., Stepanov V.K. Problemy bezopasnosti i chrezvychaynykh situatsiy [Safety and Emergency problems]. 2009, no. 6, pp. 74–79.

4. Esev A.А., Bazarov S.A., Russkin A.V., Soldatov T.A. Nauchnye i obrazovatelnye problemy grazhdanskoy zashchity [Scientific and educational issues of civil protection]. 2011, no. 4, pp. 45–52.

5. Fedorov M.V., Esev A.A., Eremin E.M. Informatsionnoizmeritelnye i upravlyayushchie sistemy [Information-measuring and control systems]. 2011, no. 5, vol. 9, pp. 12–17.

6. Esev A.A., Golovkin A.P., Antoshin A.A., Atroshenko A.I. Polyot [Flight]. 2012, no. 2, pp. 40–44.

7. Maslov S.V., Esev А.А. Problemy bezopasnosti polyotov [Problems of flights safety]. 2010, no. 4, pp. 27–35.

8. Ushakov I.B., Kukushkin Yu.А., Bogomolov A.V. Fiziologiya truda i nadezhnost deyatelnosti cheloveka [Physiology of labor and human reliability]. Moscow, Nauka Publ., 2008.

9. Zinkin V.N., Akhmetzyanov I.M., Soldatov S.K., Bogomolov A.V. Meditsina truda i promyshlennaya ekologiya [Occupational Medicine and Industrial Ecology]. 2011, no. 4, pp. 33–34.

10. Fedorov M.V., Kalinin K.M., Bogomolov A.V., Stetsyuk A.N. Informatsionno-izmeritelnye i upravlyayushchie sistemy

№ 4, 2013 г.

[Information-measuring and control systems]. 2011, vol. 9, no. 5, pp. 46–54.

11. Medvedev V.R., Bogomolov A.V., Murashev N.V., Gamaliy V.N, Sidorov V.A. Oboronny kompleks – nauchnotekhnicheskomu progressu Rossii [Defense complex – to the scientific and technological progress in Russia]. 2011, no. 4, pp. 95–103.

12. Averyanov A.A., Zotov V.A., Tverdokhleb V.A., Tazetdinov R.G., Yanitorial M.V., Bogomolov A.V., Shishov A.A. Problemy bezopasnosti polyotov [Problems of flights safety]. 2010, no. 10, pp. 30–35.

13. Zinkin V.N., Soldatov S.K., Akhmetzyanov I.M., Bogomolov A.V., Zosimov V.V., Eremin G.I. Informatika i sistemy upravleniya [Computer science and control systems]. 2011, no. 1, pp. 72–80.

14. Shibanov G.P. Informatsionnye tekhnologii [Information Technologies]. 2003, no. 12, pp. 26–29.

15. Bogomolov A.V., Zuevа T.V., Chikova S.S., Golosovskiy M.S. Informatika i sistemy upravleniya [Computer science and control systems]. 2009, no. 4, pp. 134–136.

16. Bogomolov A.V. Informatika i sistemy upravleniya [Computer science and control systems]. 2008, no. 2 (16), pp. 11–13.

17. Kozlov V.E., Bogomolov A.V., Rudakov S.V., Olenchenko V.T. Mir izmereniy [The world measurements]. 2012, no. 9, pp. 42–49.

УДК 004.021

МЕТОДОЛОГИЯ ПОСТРОЕНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ КОНСОЛИДИРОВАННОЙ ОТЧЕТНОСТИ В.Н. Чибисов, директор по информационным технологиям (МХК «ЕвроХим», ул. Дубининская, 53, стр. 6, 115054, г. Москва, Россия, vladimir.chibisov@eurochem.ru); В.Н. Гаврилов, генеральный директор («МБК Груп», ул. Петровка, 17, стр. 1, г. Москва, 107031, Россия, vladimirng@mbcgroup.ru) Рассматриваются построение и проектирование системы консолидированной отчетности. Определены основные операции и функции, необходимые для выполнения консолидации данных, а также описаны способы организации данных, загрузки данных из сторонних источников, средства построения хранилища данных. Описаны проблемы загрузки данных из внешних источников и пути их решения, решения по обеспечению скорости обработки выполнения запросов, целостности и непротиворечивости данных, по фильтрации и обработке загружаемых в систему данных. Рассмотрены понятия агрегации и внутригрупповых операций, их назначение и особенности реализации. Описаны средства представления результатов обработки данных и решения по их реализации. Даны рекомендации к организации работы по построению системы консолидированной отчетности. Ключевые слова: консолидация, бизнес-анализ, IAS 10, методика, проектирование, OLAP-кубы, ELT, агрегация, внутригрупповые операции.

THE METHODOLOGY OF CONSTRUCTING A CONSOLIDATED REPORTING SYSTEM Chibisov V.N., IT-director (EuroChem, Dubininskaya St., 53/6, Moscow, 115054, Russian Federation, vladimir.chibisov@eurochem.ru); Gavrilov V.N., director general (Middle Business Consulting Group, Petrovka St., 17/1, Moscow, 107031, Russian Federation, vladimirng@mbcgroup.ru) Аbstract. The article describes the issues of constructing and projecting consolidated reporting system. It defines main operations and functions which are necessary for data consolidation, and describes ways of data organization, data loading from external sources, means of data warehouse construction. The paper describes problems of data uploading from external sources and ways of their solutions. It discusses solutions of providing requests processing speed, data integrity and consistency, filtration and processing of data, which are loaded into the system. The article contains descriptions of aggregation and intergroup operations, their intention and features of implementation. It describes means of providing data processing results and ways of their implementation. It also gives recommendations how to organize construction of consolidated reporting system.

Keywords: consolidation, business analysis, IAS 10, methodology, design, OLAP-cubes, ELT, aggregation, intra-group transactions.

229

Программные продукты и системы

В крупных корпорациях и холдингах несколько компаний объединяются в группы предприятий. По результатам своей деятельности они составляют консолидированную отчетность, цель формирования которой – получение полной картины реального финансового состояния дел холдинга (корпорации) как единого целого [1]. По международному стандарту финансовой отчетности (IFRS) консолидированная отчетность формируется последовательным выполнением следующих шагов:  подготовка предприятиями, входящими в холдинг, финансовой и производственной отчетности о результатах своей деятельности;  объединение данных – показателей отчетности всех предприятий в единые показатели деятельности всего холдинга;  исключение из объединенных данных значений, относящихся к показателям внутригрупповых операций;  расчет дополнительных показателей для группы компаний (холдинга). В зависимости от деятельности компаний в холдинге (корпорации) консолидация производится только по определенным сферам деятельности (данные компании, производящей продукцию, не могут быть объединены с данными компании, оказывающей услуги, так как это разные сферы деятельности). При формировании консолидированной отчетности данные отчетности материнской и дочерних компаний объединяются, при этом процесс объединения отчетности сложен и не сводится к построчному сложению показателей: он определяется в корпоративных методиках формирования консолидированной отчетности, зависит от структуры корпорации и схемы взаимодействия компаний внутри корпорации, а также от ряда других причин [1]. Из-за сложности объединения отчетности и наличия в ней больших массивов данных компании используют автоматизированные системы консолидированной отчетности. Одни компании разрабатывают их своими силами, а другие пользуются специализированными программными средствами. Такие программные средства очень часто включены в состав многих BI-систем [1], но далеко не всегда удовлетворяют потребительским требованиям компаний. Из-за этого компаниям приходится либо выполнять сложную дополнительную доработку этих систем, либо приобретать другие программные средства, либо разрабатывать их своими силами. В данной статье описывается методология построения автоматизированной системы консолидированной отчетности для ее разработки собственными силами компании. Алгоритм построения системы консолидированной отчетности следующий: 230

№ 4, 2013 г.

– построение объектной модели системы, основанной на унифицированной структуре корпоративной отчетности, и методик расчета ключевых показателей холдинга (корпорации); – определение системы кодирования и формата информационных объектов системы; – разработка хранилища данных, системы ввода и загрузки данных из различных источников (ELT-система), механизма фильтрации и расчета данных, функций ввода и учета внутригрупповых операций, функций агрегирования данных и расчета дополнительных показателей, средств формирования отчетности и анализа данных. Построение объектной модели. Построение автоматизированной системы консолидированной отчетности необходимо начинать с разработки ее объектной модели.

1. На основании унифицированной структуры корпоративной отчетности и методик расчета ключевых показателей в холдинге определяются основные сущности, участвующие в принятии решений и составлении консолидированной отчетности. К ним могут относиться компании, временные периоды, информационные срезы, категории показателей, внутригрупповые операции и т.д.

2. На основании сущностей определяются объекты, которые будут участвовать в процессе консолидации данных, и их взаимосвязи друг с другом, то есть строится объектная модель будущей системы. Объектная модель автоматизированной системы консолидированной отечности служит для определения информационных объектов и их связей, которые используются при построении структуры хранилища данных. Определение системы кодирования информационных объектов. Для каждого объекта системы определяется код, необходимый для их унификации и идентификации в больших многомерных массивах данных. Система кодирования должна быть определена таким образом, чтобы код объекта однозначно его идентифицировал и был уникальным в пределах однотипных сущностей (для сущности «Компания» не может быть двух компаний с одинаковым кодом). Например, система кодирования для сущности «Компания» может быть следующей: <2 буквы> <3 буквы>. Здесь первые 2 буквы обозначают код страны в соответствии с международным обозначением, а следующие 3 буквы – код компании. Система кодирования информационных объектов определяет формат обмена данными с внешними системами и задает правила обращения к этим данным, расположенным в хранилище данных (обращение к данным производится по их уникальному коду). Построение хранилища данных. В процессе работы с консолидированной отчетностью накап-

Программные продукты и системы

№ 4, 2013 г.

ливаются большие объемы информации. Информация собирается за различные промежутки времени, для различных компаний, производимой продукции и т.д. Для последующей обработки такого большого массива разнородной информации необходимо построение хранилища данных, которое будет структурировать всю хранящуюся информацию [2]. Построение хранилища данных производится на основании разработанной объектной модели автоматизированной системы и системы кодирования информационных объектов. В его основе используются реляционные БД (СУБД Oracle, MySQL), построенные по схеме «звезда» или «снежинка» (www.prj-exp.ru). Такие БД применяются для построения многомерного аналитического пространства (куба данных), используемого в хранилище данных для обработки и структурирования информации. Схема «звезда» характеризуется одной центральной таблицей фактов, связанной с таблицами измерений (рис. 1). Таблицы фактов содержат фактические значения показателей деятельности компаний, а таблицы измерений – данные о показателях (координатах многомерного аналитического пространства), для которых определены значения в таблицах фактов.

Таблица измерений «Компании»

Таблица «Страны»

Таблица фактов Таблица фактов Таблица фактов

Таблица «Типы клиентов»

Таблица измерений «Клиенты»

Таблица измерений «Периоды»

Таблица измерений «Товары»

Таблица «Сегменты»

Рис. 2. Схематическое изображение структуры БД по схеме «снежинка»

данных рассматривается как система координат, осями которого являются измерения. Измерениями могут быть «Компании», «Временные периоды», «Клиенты», «Товары» и т.д. (рис. 3) [3]. ТОВАР

Фосфор Карбомид

Серная кислота

ООО «ПГ Фосфорит» ОАО «Ковдорский ГОК»

Аммиак

ОАО «Невинномысский Азот» 01.13

Таблица измерений «Компании»

Таблица измерений «Периоды»

02.13

03.13

ПЕРИОД

04.13

КОМПАНИЯ

Рис. 3. Схематическое представление куба данных

В ячейке многомерного массива, определяемой с помощью координат (значений измерений), содержатся фактические значения показателей (факты) (рис. 4).

Таблица фактов Таблица фактов Таблица фактов

ТОВАР

Таблица измерений «Клиенты»

Фосфор

Таблица измерений «Товары»

Факты

Карбомид

Рис. 1. Схематическое изображение структуры БД по схеме «звезда»

Серная кислота Аммиак

Схема «снежинка» является модификацией схемы «звезда»: в ней данные об измерениях хранятся в нескольких связанных между собой таблицах (рис. 2). Основное функциональное отличие схемы «снежинка» от схемы «звезда» – возможность обеспечения детализации данных различной степени. При построении БД рекомендуется использовать схему «снежинка», так как она позволяет строить более детализированное многомерное аналитическое пространство, достигать более высокой скорости и гибкости выполнения аналитических запросов. Итак, в основе многомерности лежат два понятия – измерения и факты [2, 3]. Куб

01.13

02.13

03.13

04.13

ПЕРИОД

ООО «ПГ Фосфорит» ОАО «Ковдорский ГОК» ОАО «Невинномысский Азот»

КОМПАНИЯ

Рис. 4. Схематическое представление ячейки куба данных

Таблицы измерений БД описывают и задают формат информационных объектов, определенных при построении объектной модели системы. Связи между таблицами определяются связями объектов.

231

Программные продукты и системы

№ 4, 2013 г.

За счет такой организации достигается высокая ориентированная), что влияет на формат и струкскорость получения данных (достаточно указать туру получаемых из системы данных; только координаты ячейки, и данные будут полу– отсутствуют возможности выгрузки данных чены) [2]. Гибкость выполнения запросов в таком из системы в необходимом формате. многомерном представлении данных достигается Поэтому для загрузки информации в хранилиза счет фиксирования нескольких значений в одще данных необходимо организовать загрузку в ном или нескольких из указанных измерений. Посистему из различных источников, привести данлученные таким образом срезы данных (сечения ные к общему формату, исключить факторы, куба) отображают значения показателей для укавлияющие на некорректность данных, обусловзанных измерений. ленную их получением из различных источников Для формирования запросов к кубам данных (дубликаты, пустые значения, противоречия). разработаны специализированные языки обращеПроцесс загрузки (импорта) данных из различния к данным (например язык MDX – Multidimenных внешних систем может осуществляться поsional Expressions) [2]. Выражения, написанные на разному, но последовательность шагов остается таких языках, задают параметры формирования одинаковой: извлечение данных из источников необходимых срезов данных. В настоящее время различного формата, преобразование их в единый разработано достаточное количество различных формат и загрузка в хранилище данных. Для реарешений для реализации и работы с кубами данлизации данных функций в BI-системах испольных, которые обеспечивают хранение и обращезуются так называемые ETL-средства – инструние к данным в многомерных аналитических променты для извлечения данных (extract), их загрузстранствах. В процессе разработки автоматизироки (load), преобразования (transform), то есть ванной системы консолидированной отчетности приведения данных к необходимому формату необходимо использовать тот язык обращения к (www.prj-exp.ru). многомерным данным, который поддерживается Первый способ загрузки информации заключаиспользуемой СУБД. ется в том, что ETL-система (www.prj-exp.ru) сама База данных, построенная по одной из описанзабирает и преобразует данные из стороннего исных выше схем, в совокупности с языком обращеточника (приведение к общему формату и очистка ния к многомерным пространствам является храот мусора) в соответствии с определенными пранилищем данных. вилами и затем загружает их в хранилище (рис. 5) [1, 4]. Этот способ осложняется тем, что для полуОрганизация процесса загрузки данных из различных источников. Исходными данными для чения данных из различных учетных систем в выполнения консолидации являются значения поETL-системе необходима разработка дополниказателей деятельности, полученные со всех предтельных обработчиков обращения, извлечения и приятий холдинга (корпорации). Данные деятельпреобразования данных для учетной системы, исности компаний холдинга зачастую расположены пользуемой для получения данных (учетные сисв различных источниках: в различных системах темы имеют различные структуры и формат данучета (банк–клиент, 1С: Предприятие, Парус и ных). др.), в базах данных (Oracle, Access, MySQL, Второй способ подразумевает, что учетная dBase и др.) и в отдельных офисных документах система сама подготавливает и извлекает данные, (Excel, Word, текстовые файлы). Прямая загрузка а ETL-система только подхватывает их и загружаданных в хранилище данных из сторонних источет в хранилище (рис. 6). Этот способ более предников осложняется несколькими факторами: почтителен, так как учетная система всегда имеет – различные учетные системы неETL-система однородны по типу используемых син- Источник данных таксических соглашений и концептуальных допущений (единицы измереИзвлечение Преобразование Загрузка Данные ния, наименования, кодирование и т.п.); данных данных данных Хранилище данных – учетные системы часто имеют так называемые грязные данные – данные, замусоренные ненужной информаРис. 5. Получение данных средствами ETL-системы цией, влияющей на корректность их анализа; Источник данных ETL-система – учетные системы имеют излишнюю детализацию данных, когда для Извлечение Преобразование Получение Загрузка Данные решения задач консолидации требуются данных данных данных данных Хранилище данных обобщенные показатели; – в учетных системах могут использоваться разные модели данных Рис. 6. Получение данных, сгенерированных в источнике данных (иерархическая, реляционная, объектно232

Программные продукты и системы

№ 4, 2013 г.

одну и ту же структуру данных, и выгрузка данных осуществляется всегда одинаково, а ETLсистему необходимо настроить только на получение и загрузку данных уже необходимого формата (далее рассматривается только второй подход к загрузке данных). Основным принципиальным решением, позволяющим реализовать взаимодействие со сторонними программными средствами (системами), является выбор универсального метода обмена информацией. Решение реализуется применением формата XML в качестве формата входных данных. Этот формат – широко распространенный инструмент обмена данными между различными информационными системами. Практически все современные системы учета и BI-системы имеют средства для работы с языком XML. В формируемом сторонней системой (источником данных) файле XML должны содержаться данные о временных срезах, компаниях, показателях, для которых будет производиться загрузка данных, а также значения этих показателей. Для согласования структуры входных данных и структуры хранилища данных (преобразование к общему формату) необходимо использовать преобразования, написанные на языке XSLT, рекомендованном для осуществления трансформаций над XML-данными. При выполнении консолидации все данные, полученные из различных источников, должны быть сформированы (в соответствии с Международным стандартом финансовой отчетности) на одну дату (это одно из условий выполнения процесса консолидации), то есть даты отчетности, получаемой из различных компаний холдинга, должны быть одинаковыми. Поэтому при выполнении загрузки данных необходимо задание параметров периодичности ее выполнения. Для реализации процесса загрузки с заданной периодичностью рекомендуется использовать стандартные средства планирования операционной системы (например, в Linux – планировщик задач Cron, в Windows – стандартный планиров-

щик задач в разделе администрирования системы). Планировщик настраивается таким образом, что через определенные промежутки времени он запускает ETL-систему, которая проверяет наличие новых измененных данных (выгруженные XMLфайлы из сторонней системы) и в случае их наличия выполняет загрузку. Для контроля процесса выполнения загрузки рекомендуется настроить ETL-систему таким образом, чтобы по завершении импорта данных она формировала отчеты о результатах его выполнения (можно также настроить рассылку данных отчетов по электронной почте ответственным лицам). Обобщенная схема работы ETL-системы представлена на рисунке 7. Механизм фильтрации и расчета данных. В процессе импорта могут загружаться некорректные или излишне детализированные данные. Поэтому необходимо загружать их не в таблицы фактов БД, а в промежуточные представления (временные таблицы БД). Именно данные из промежуточных представлений должны обрабатываться на предмет отсеивания излишней детализации и некорректных данных. В процессе разработки системы необходимо при создании показателей предусмотреть возможность задания правил валидации (математических и логических операций проверки значения показателя) и формул расчета показателя. Для обработки данных, получаемых в процессе ввода и загрузки, должны использоваться правила валидации и формулы расчета. Для показателей, требующих проверки корректности, задаются формулы валидации, содержащие логические операции сравнения и проверки вводимых значений. А для показателей, рассчитываемых на основании других зависимых показателей (детализирующие показатели), задаются формулы расчета, содержащие математические и арифметические операции вычисления значений. Автоматизированная система консолидированной отчетности настраивается таким образом, что по завершении загрузки данных ETL-системой Периодический запуск ETL-системы

Источник данных

Формирование выходного файла

Планировщик задач

Проверка наличия новых файлов XML или текстовый файл

Загрузка данных Получение нового файла

ETL-система Хранилище данных

Отчет о выполнении загрузки

Рис. 7. Схема работы системы загрузки данных

233

Программные продукты и системы

для каждого показателя (для которого определены формулы валидации или расчета) выполняются расчет и проверка необходимых значений. Если значение показателя ошибочно (неуспешное выполнение валидации), данный показатель должен помечаться как некорректный (можно визуально выделить данный показатель и организовать вывод соответствующего сообщения), чтобы пользователь системы мог увидеть проблемную область и внести соответствующие корректировки. Валидация значений показателей может быть использована и для проверки зависимостей. Рассчитанные и проверенные данные записываются в таблицы фактов БД в соответствии с показателями, содержащимися на формах, для которых они загружаются, и измерениями, указанными в процессе загрузки. Если в данных таблицах нет необходимых показателей, они не загружаются (например, излишние детализирующие показатели). А если для необходимых показателей, содержащихся в таблицах фактов, нет данных, в них записываются нулевые значения (для проверки показателей может быть настроена валидация – проверка на нулевые значения). После завершения обработки данных временные таблицы БД удаляются. Схема работы подсистемы расчета и фильтрации данных представлена на рисунке 8. Агрегирование и расчет данных. Основой для принятия решений по дальнейшему развитию холдинга являются обобщенные данные деятельности компаний, входящих в холдинг. Каждая компания является отдельной юридической единицей, которая собирает, обрабатывает и анализирует данные своей деятельности, формирует соответствующую отчетность. Эти данные агрегируются, то есть показатели компаний, входящих в холдинг, объединяются в единые показатели всего холдинга. В разрабатываемой системе необходимо создать функции, которые автоматически выполняли бы агрегирование данных. Под агрегацией в простейшем случае подразумевается суммирование

ETL-система

234

№ 4, 2013 г.

показателей всех компаний, входящих в холдинг. Рекомендуется разработать данные функции таким образом, чтобы агрегация выполнялась сразу после сохранения данных. Это позволяет снизить время подготовки консолидированной отчетности за счет того, что рассчитанные агрегированные данные уже будут храниться в системе, а не рассчитываться каждый раз при открытии отчетности. Сохранение агрегированных данных нельзя осуществлять в таблицу фактов БД для материнской компании, так как они перекроют фактические данные этой компании, именно поэтому в системе создается дополнительная условная компания (например, «Консолидирующая компания» с кодом RUCON), таблицы фактов БД для которой будут хранить консолидированные данные холдинга. Для этой компании в системе необходимо предусмотреть настройку правил агрегации данных, включающих параметры расчета для различных периодов. Агрегация данных может производиться для различных временных периодов (текущий период, квартал, полугодие, год). Расчет значений агрегированных показателей может выполняться одним или несколькими способами расчета одновременно (сумма, среднее значение, медиана и т.д.). Одной из важнейших задач консолидации является учет внутригрупповых операций [5, 6]. Если в процессе деятельности групп компаний не было произведено ни одной внутригрупповой операции, агрегирование выполняется для всех показателей в рамках заданного направления деятельности. Значение показателя для каждой компании рассчитывается в соответствии с правилом расчета агрегации. Результатом такой операции являются агрегированные значения показателя по всем компаниям холдинга [5, 6]. Если в процессе деятельности групп компаний производились внутригрупповые операции, при агрегации данных учитываются значения введенных операций. В зависимости от типа внутригрупповой операции (вычитание, сложение, умножение и т.д.) осуществляется корректировка значения показаТаблица показателей теля каждой компании, участвующей в операции, на значеПравила валидации ние, указанное во внутригруппоФормулы расчета вой операции. И именно скорЗначения показателей ректированное значение участДанные Данные Признак Временная Валидация и Таблица вует при получении агрегирокорректности таблица БД расчет значений фактов показателя ванного показателя [5, 6]. Полученные значения показателей записываются в соответствующие ячейки таблицы фактов БД для условной компании. Помимо рассчитанных агреРис. 8. Схема работы подсистемы очистки гированных значений показате-

Программные продукты и системы

№ 4, 2013 г.

лей, для принятия решений по управлению бизнесом менеджерами компании может потребоваться расчет дополнительных показателей. Такими показателями могут быть гудвилл, накопленный капитал, права меньшинства [6]. Для учета и расчета дополнительных показателей при выполнении консолидации для условной компании (RUCON) создаются дополнительные объекты системы: формы первичных показателей, в которых указываются необходимые рассчитываемые показатели, формулы их расчета и правила их проверки (валидации). Расчет показателей, содержащихся в дополнительной форме, производится сразу же по завершении процесса агрегации данных. При расчете производится проверка значений показателей на корректность. Рассчитанные и проверенные данные должны загружаться в специальную таблицу фактов для дополнительных показателей. Это необходимо для того, чтобы данные не перекрывали значения показателей из основных таблиц фактов системы. Схема работы подсистемы агрегации и расчета дополнительных показателей представлена на рисунке 9. Материнская компания Значения показателей

Дочерняя компания 1 Значения показателей Дочерняя компания 2 Значения показателей Дочерняя компания 3

Таблица измерения «Компании» - Компания: RUCON - Параметры агрегации - Формулы расчета доп. показателей

ностью выполнения внутригрупповых операций в BI-системах является их несогласованность. Поэтому в автоматизированную систему консолидированной отчетности должен быть включен механизм ввода внутригрупповых операций и их согласования между компаниями-оппонентами данной операции. При этом внутригрупповая операция должна считаться введенной только после того, как обе стороны операции согласовали введенные значения. В крупных компаниях и холдингах может быть много дочерних компаний. Соответственно может производиться большое количество внутригрупповых операций. Постоянный ввод одних и тех же операций для разных компаний может быть трудоемким, поэтому рекомендуется, чтобы в системе было предусмотрено создание шаблонов для выполнения внутригрупповых операций, в которых должны описываться распределения операции, допустимые значения, тип операции (вычитание, сложение, деление и т.д.). При использовании таких шаблонов пользователям при вводе внутригрупповых операций необходимо выполнять ввод только наименования шаблона внутригрупповой операции для компаний, участвующих в операции, и значения самих операций. Учет внутригрупповых операций производится в процессе консолидации данных. Схематическое изображение процесса учета внутригрупповых операций представлено на рисунке 10.

Таблица фактов

Значения Агрегация и расчет показателей дополнительных для компании показателей RUCON

Таблица шаблонов внутригрупповых операций (ВО)

Шаблон ВО

Значение ВО

Таблица фактов для доп. показателей

Значения показателей

Автоматическое создание операции у компании «Б» (компания-оппонент ВО)

Признак несогласованности

Согласование операции в компании «Б»

Значение ВО Таблица значений внутригрупповых операций

Рис. 9. Агрегация и расчет показателей

Внутригрупповые операции. Консолидированная отчетность отражает результаты деятельности группы компаний как единого целого. Если между компаниями осуществлялись хозяйственные операции, то при консолидации отчетности их влияние должно исключаться. Этот процесс называется элиминированием внутригрупповых оборотов и является необходимым условием при выполнении консолидации данных [6]. Внутригрупповые операции происходят взаимосвязанно (продажа товаров одной компанией другой, передача активов и др.), то есть при выполнении внутригрупповой операции всегда есть две компании-оппонента, в которых значение операции равнозначно (значение операции в одной компании должно быть равным значению операции в компании-оппоненте) [6]. Основной слож-

Создание внутригрупповой операции компании «А»

Правила учета внутригрупповых операций

Корректировка агрегированных показателей в соответствии с правилами учета ВО

Признак согласованности

Значения агрегированных показателей Таблица фактов (агрегированные значения) Скорректированные значения агрегированных показателей

Рис. 10. Учет внутригрупповых операций

Средства отчетности и анализа данных. Бизнес-аналитику для принятия решений необходимо иметь инструменты, предоставляющие все необходимые для анализа данные в удобном, интуитивно понятном виде с максимальной степенью достоверности и детализацией. Общепринятыми средствами предоставления данных в современных аналитических системах являются формы, витрины данных, отчеты, информационные аналитические панели (рис. 11).

235

Программные продукты и системы

№ 4, 2013 г.

Данные

Витрины данных

Формы первичных показателей

Аналитические панели

Отчеты

Классификация и группировка показателей

Информационные срезы

Виджет: таблицы

Значения показателей

Аналитические срезы

Виджет: графики

Сегментация

Выверочные отчеты

Виджет: диаграммы

Распределение внутригрупповых операций

Виджет: карты показателей Виджет: граничные значения

Рис. 11. Средства представления данных

Для принятия решений нужна не вся расположенная в хранилище данных информация, а только касающаяся того направления деятельности, по которому производятся анализ и обработка данных. Для отображения и обработки данных по определенным направлениям деятельности в системе консолидированной отчетности создаются витрины данных. Они должны объединять в себе формы первичных показателей по всем компаниям, временным периодам для определенной сферы деятельности группы компаний, отчеты, информационные аналитические панели. Работа с данными должна быть организована только в рамках той витрины, к которой они относятся. Витрины организуются таким образом, чтобы с их помощью пользователи могли максимально быстро за минимальное количество операций найти необходимую информацию и получить нужные данные. По существу витрины данных являются продвинутым инструментом поиска информации. Отчеты, как правило, состоят из числовых значений показателей, представляющих тот или иной информационный срез данных деятельности компании. Обычно отчеты – это табличные экранные формы или файлы форматов Excel и Word. Автоматизированная система консолидированной отчетности должна предоставлять возможность настройки шаблонов отчетов, содержащих табличные данные и графики, показывающие динамику изменения показателей во времени и позволяющие сравнивать ее с запланированными значениями. Основные обобщающие показатели из этих отчетов могут быть вынесены на витрины данных в виде аналитических панелей с возможностью информирования пользователя об отклонении показателя от запланированных величин и отображения больших объемов информации в виде элементарных графических конструкций: графиков и диаграмм. Формирование отчета должно 236

производиться по заданным пользователем параметрам на основании заранее подготовленного шаблона. Аналитические панели считаются одним из наиболее удобных способов представления информации о деятельности компании. Данные, отображаемые на аналитических панелях, можно представить в виде таблиц, графиков, шкал и индикаторов, позволяющих контролировать текущие значения выбранных показателей, сравнивать их с критическими (минимально или максимально допустимыми) значениями и таким образом выявлять потенциальные угрозы для бизнеса. Аналитические панели составляются из нескольких простейших конструкций – виджетов, в которых задаются параметры формирования, источники данных, способы отображения информации (таблица, график, карта показателей и т.д.). В системе консолидированной отчетности необходима реализация механизмов формирования и настройки аналитических панелей и виджетов. На основании изложенного сделаем следующие выводы. Описанная методология может быть использована для построения и разработки систем консолидированной отчетности как крупных компаний и холдингов, так и объединений компаний малого и среднего бизнеса. Следует отметить, что наряду с крупными компаниями, в состав которых входят несколько юридических лиц, составлять управленческую консолидированную отчетность можно и для одного предприятия. Например, сформировать консолидированную отчетность по различным местам возникновения прибыли. В этом случае предприятие само вырабатывает правила консолидации. Такая управленческая консолидированная отчетность, как правило, интересует непосредственное руководство предприятия и акционеров. Методология разработана и использована в рамках Федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технического комплекса России на 2007–2013 годы» при выполнении ОКР по теме «Разработка программного комплекса и облачного сервиса для автоматизированного обобщения и анализа финансово-экономической информации о деятельности предприятий и обеспечения принятия управленческих решений» (Госконтракт № 14.527.12.0020 от 14 октября 2011 г.) ЗАО «МБК Груп» совместно с ОАО МХК «ЕвроХим» при финансовой поддержке Министерства образования и науки Российской Федерации. Литература 1. Шитов Д., Баев Н. Консолидированная отчетность: собрать, сверить, исключить и сложить // Экономика бизнеса.

2008. № 06 (42). С. 4–5.

2. Барсегян А., Куприянов М., Степаненко В., Холод И. Технологии анализа данных. Data Mining, Text Mining, Visual Mining, OLAP. СПб: БХВ-Петербург. 2007. С. 19–58.

Программные продукты и системы 3. Стариков А. Ядро OLAP системы // Лаборатория BaseGroup. 2003. URL: http://www.basegroup.ru/ (дата обращения: 23.08.2013).

4. Ковтун М.В. Реализация ELT-процессов корпоративного хранилища данных // Корпоративные хранилища данных. Интеграция систем. Проектная документация. 2011. URL: www.prj-exp.ru (дата обращения: 23.08.2013).

5. Ястребкова Е. Элиминирование внутригрупповых оборотов при консолидации // МСФО: практика применения.

2006. № 6. С. 54–61.

6. Ястребкова Е. Консолидация отчетности при использовании в производстве активов, закупленных внутри группы // МСФО: практика применения. 2007. № 2. С. 20–30.

References 1. Shitov D., Baev N. Ekonomika biznesa [Business economics]. 2008, no. 06 (42), pp. 4–5.

№ 4, 2013 г.

2. Barsegyan A., Kupriyanov M., Stepanenko V., Holod I. Tekhnologii analiza dannykh. Data Mining, Text Mining, Visual Mining, OLAP [Data analysis technologies. Data Mining, Text Mining, Visual Mining, OLAP]. St. Petersburg, BHV-Petersburg Publ., 2007, pp. 19–58 (in Russ.).

3. Starikov A. Yadro OLAP sistemy [The core of OLAP system]. BaseGroup, 2003, available at: http://www.basegroup.ru/ (accessed 23 August 2013).

4. Kovtun M.V. Korporativnye khranilishcha dannykh.

Integratsiya sistem. Proektnaya dokumentatsiya [Data Warehouse.

Systems integration. Project documents]. 2011, available at: http:// www.prj-exp.ru/dwh/implementation_of_etl_process.php (accessed 23 August 2013).

5. Yastrebkova E. MSFO: praktika primeneniya [IFRS: practice]. 2006, no. 6, pp. 54–61.

6. Yastrebkova E. MSFO: praktika primeneniya [IFRS: practice]. 2007, no. 2, pp. 20–30.

УДК 355.01: 004.056

АВТОМАТИЗИРОВАННОЕ ФОРМИРОВАНИЕ ПЕРСОНАЛЬНЫХ ДОЛЖНОСТНЫХ ИНСТРУКЦИЙ СОТРУДНИКОВ ПРОЕКТНЫХ ОРГАНИЗАЦИЙ П.И. Соснин, д.т.н., профессор, зав. кафедрой; К.В. Святов, к.т.н., доцент, директор центра новых информационных технологий (Ульяновский государственный технический университет (УлГТУ), ул. Северный Венец, 32, г. Ульяновск, 432027, Россия, sosnin@ulstu.ru, kir@ulstu.ru); А.А. Перцев, соискатель (УлГТУ), начальник отдела (НПО «Марс», ул. Солнечная, 20, г. Ульяновск, 432022, Россия, mars@mv.ru) Рассмотрены процессы коллективной разработки сложных автоматизированных систем, компетенции проектной организации и ее членов. Особое место занимает конструктивное управление организационными ресурсами и опытом проектной организации, поскольку результативность работы любой проектной организации в существенной мере зависит от профессионального опыта и компетенции ее специалистов. Основной формой группирования компетенций являются роли, с каждой из которых связывают не только группу компетенций, но и инструментально-технологическое обеспечение. Для закрепления ответственности конкретных членов проектной организации необходимо персонифицировать должностные инструкции и закреплять их в договорных обязательствах. Для формализации системы персонифицированных должностных инструкций членов проектной организации используется онтологический подход. Основная часть статьи посвящена инструментальным средствам автоматизированного формирования персонифицированных должностных инструкций сотрудников проектной организации, разрабатывающей семейства автоматизированных систем. Реализация ориентирована на процессы проектирования, для информационного обслуживания которых используется база опыта. Ключевые слова: автоматизированное проектирование, база опыта, должностная инструкция, профессиональная зрелость.

AUTOMATED ORGANIZATION OF PERSONAL JOB DESCRIPTIONS FOR DESING ORGANIZATIONS EMPLOYEES Sosnin P.I., Dr. Tech. Sc., professor, head of chair; Svyatov K.V., Ph.D. Tech. Sc., associate professor, director of Center for New Information Technology (Ulyanovsk State Technical University (UlSTU), Severny Venets St., 32, Ulyanovsk, 432027, Russian Federation, sosnin@ulstu.ru, kir@ulstu.ru); Pertsev A.A., candidate (UlSTU), head of department (Research-and-Production Association «Mars», Solnechnaya St., 20, Ulyanovsk, 432022, Russian Federation, mars@mv.ru) Abstract. The paper considers the processes for the collective development of complex automated systems (software intensive systems), and the competencies of a design organization and its members. The constructive management of organizational resources and design organization experience is very important. Its efficiency depends highly on professional experience and employee competency. A common form for the competency grouping is roles. Every role is linked not only to a group of competencies, but to an engineering tool set. Assignment of employees’ responsibilities needs job descriptions to

237

Программные продукты и системы

№ 4, 2013 г.

be personalized and consolidated in the commitments. To make a system of personalized job descriptions, an ontological approach is used. This paper presents tools for automated creating of personalized job descriptions for employees of a design organization developing computer-aided systems (CAS). The implementation is focused on design processes that use experience base for information support.

Keywords: CAD, experience base, job description, professional maturity, competence.

В процессах коллективной разработки сложных автоматизированных систем особое место занимает конструктивное управление организационными ресурсами, нашедшее свое нормативное представление в стандарте People Capability Maturity Model (CMM) (http://www.sei.cmu.edu/cmmi). Этот стандарт регламентирует работу сотрудников проектной организации, ориентируясь на модель профессиональной зрелости процессов CMM и адаптируя ее к процессам управления рабочей силой (work force) и ее совершенствования. Конкретная организация на основе данного стандарта должна специфицировать свою систему компетенций, необходимых для успешной деятельности, создавать условия для материализации компетенций (подбор кадров, профессиональное обучение и т.д.), а также распределять ответственность между сотрудниками организации за использование компетенций в процессах разработки автоматизированных систем. В настоящее время серьезное внимание уделяется спецификациям компетенций при разработке систем, к которым относятся и автоматизированные системы, интенсивно использующие ПО (Software Intensive Systems, SIS). Одним из результатов работ по спецификации компетенций является так называемое колесо компетенций (Competence Wheel) [1], объединяющее (с позиции компетенций) 11 процессных областей по уровням зрелости, в которые собрано около 400 ключевых областей деятельности. Это колесо с аббревиатурами направлений обобщенно представлено на рисунке 1. В число направлений, например, входят бизнес-процессы (CMM-BP, Business Processes) и бизнес-модели (CMM-BM, Business Models), в рамках которых перечислены компетентности с группированием. Данные компетентности приCMM-VM CMM-BM

CMM-PM

CMM-BP

CMM-BG

CMM-SO

CMM-EA

CMM-EF

CMM-ITS CMM-MDM

CMM-ITSW

Рис. 1. Колесо компетенций

238

нято обязательно называть, в частности, в должностных инструкциях сотрудников организации. Распространенной формой группирования компетенций являются роли. С каждой ролью связывают не только группу компетенций, но и инструментально-технологическое обеспечение, обслуживающее ее исполнение сотрудником (проектировщиком). Понятие «роль» является одним из центральных в технологии Rational Unified Process (RUP), обслуживающей исполнение совокупности ролей, в которую входят роли «руководитель проекта», «системный аналитик», «архитектор» и др. [2]. Роль в рамках какой-либо технологии – это нормативная спецификация профессиональных действий, исполнение которых в инструментально-технологической среде нацелено на решение задач, приводящих к созданию определенной совокупности артефактов. За исполнением роли всегда стоит экспериментирование в процессах решения определенного круга задач, причем решения в соответствии с определенными нормативными правилами и сценариями (методиками). Полезной формой описания роли является ее представление в виде должностной инструкции, доведенной в деталях до возможности результативного и эффективного применения должностной инструкции компетентными исполнителями роли. Реальность проектирования такова, что конкретную роль по разным причинам могут исполнять несколько проектировщиков, а конкретный проектировщик – исполнять несколько ролей. В таких условиях для юридического закрепления ответственности конкретного сотрудника проектной организации должностные инструкции персонифицируют и закрепляют в договорных обязательствах за исполнителями работ, названных в персонифицированных документах. В статье представлено автоматизированное формирование персонифицированных должностных инструкций в инструментально-моделирующей среде Working In Questions and Answers (WIQA) [3], на основе которой создается база опыта проектной организации [4]. Компетентность проектной организации Результативность любой проектной организации во многом определяется тем, какой профессиональный опыт E*(t) ей необходим и в каком объеме E(t) этот опыт на текущий момент времени t освоен членами {Dv} коллектива K({Dv}, t). Динамика выделенных сущностей обусловлена рядом причин, в первую очередь совершенствова-

Программные продукты и системы

№ 4, 2013 г.

Рис. 2. Перечень компетенций в контексте совершенствования процессов

нием производственных процессов, разработкой новых проектов и текучестью кадров, что указывает на необходимость управления уменьшением различий между E*(t) и E(t) и распределением E(t) между членами коллектива K({Dv}, t). Более того, в управлении отмеченными процессами следует учитывать не только единицы опыта E*(t), но и то, в каком количестве каждая из них необходима для решения задач организации. В реализации отмеченного управления важное место занимает структуризация опыта E(t) с позиций его представления как компетентности проектной организации, что позволяет ввести в структуризацию элементы знаний, умений и навыков, а с их помощью специфицировать компетенции, необходимые для решения каждой из нормативных задач {ZNip} технологий {Tp}, используемых в проектной организации. Именно такой способ используется в технологии RUP для спецификации ролей, которые она поддерживает методически и инструментально. В колесо компетенций его создателями введены названия компетенций, абстрагированные от технологий и распределенные по 11 процессным областям, обеспечивающим разработку SIS. Одна из таких областей (CMM-BP) обобщенно изображена на рисунке 2 с демонстрационными целями,

без объяснения и перевода, только для того, чтобы отметить, что подобные формы существуют и удобны для моделирования направлений деятельности проектной организации с точностью до уровня должностных инструкций работников. С другой стороны, формализация задач в цепочке стратегия развития организации – положения о подразделениях – должностные инструкции работников позволяет распределить ответственность каждого отдельно взятого работника, а самое главное, ответственность закрепляется юридически и финансово. Графически источники информации для формализации задач можно представить в виде схемы (рис. 3). Оргструктура

Компетенции

Документы

Формализованное описание должности

Планы работ

Инструкции

Инструменты

Рис. 3. Формализация описания должности с онтологической точки зрения

239

Программные продукты и системы

№ 4, 2013 г.

Ориентация на онтологию рисунка 3 приводит объект воздействия, способ применения, решаемая к следующему представлению системы должностзадача, полезный эффект, вспомогательный матеных инструкций: JD=S({JDp, JDc, JDd, JDwp, JDins, риал, необходимая инструкция.

JDi}, t), где JDp – представление должности в оргПредложенная формализация должностной инструктуре; JDc – компетенции, необходимые для струкции представима как задача класса задач Z*. данной должности; JDd – весь набор необходимых Одним из инструментов моделирования задач тидокументов для обеспечения деятельности; JDwp – па Z* является инструментальная среда WIQA. множество плановых заданий; JDins – необходимый набор инструкций; JDi – используемое мноФормирование должностных инструкций жество инструментов; t – время. в среде процессора WIQA Позиция JDp определяется организационной структурой предприятия и связана со следующиДля создания персонифицированных должноми атрибутами: уровень иерархии, функциональстных инструкций JD был разработан комплекс ное подчинение, административное подчинение, специализированных средств и встроен в систему функциональное управление, административное WIQA.NET. К настоящему времени в WIQA.NET управление, задачи. реализована подсистема документирования, поКомпетенции JDc, с одной стороны, определязволяющая формировать любые документы по их ются соответствием процессным областям колеса шаблонам в Microsoft Word (MS Word) и шаблокомпетенций, с другой – личностными качествами нам в виде дерева вопросно-ответных единиц, а на человека, например, стремление к лидерству, споее основе реализована подсистема формирования собность анализировать и решать проблемы, инидолжностных инструкций. циативность, инновативность, нацеленность на Сама задача формирования должностных инрезультат, настойчивость, работа в команде, пластрукций подразумевает, что пользователь, ответнирование деятельности. ственный за выполнение данной работы, простыКаждый документ JDd однозначно определяетми действиями в системе WIQA может создать ся набором атрибутов. Приведем минимально отформатированный документ MS Word, оформнеобходимый набор: уровень иерархии выпуска ленный в соответствии с нормативами, установдокумента; статус документа (нормативный, расленными в проектной организации. Для реализапорядительный, информационный); область исции данной задачи были использованы возможнопользования; актуальность; назначение докуменсти подсистемы документирования в сочетании с та; основные термины и определения; область надстройкой над плагином оргструктур, в котором применения документа (кому предназначен); конреализована возможность выбора позиций JDp для тролирующие органы применения документа; должностной инструкции конкретного сотрудника классификация информации, используемой при из справочника. Справочник представлен в виде применении документа; требования к информапроекта в вопросно-ответном протоколе в проекте ции; источники получения информации; техноло«Архив активов». Общий вид подсистемы форгия и технические средства получения (сбора), обмирования должностных инструкций дан на риработки, передачи, накопления и использования сунке 4. информации. Плановые задания Список должностных инструкций JDwp характеризуются с возможностью выбора (галочка) атрибутами: источник • Квалификационные требования/требование 1 • Должностные обязанности/обязанность 1 возникновения, задача • Должностные обязанности/По квалификационному (конечный результат), справочнику/обязанность 1 срок выполнения, • …

• Знания/Общие/знание 1 приемщик, ресурсы • Знания/По квалификационному справочнику/знание 2 для выполнения.

• ... Прежде всего инins струкция JD – это документ, содержаШаблон оформления документа (MS Word) щий правила, указаQA-шаблон с типовой ния или руководства, QA-структурой документа QA-протокол • Информация о подписывающем устанавливающие поДокумент в системе должностной • Информация о согласовывающем рядок и способ выдокументирования инструкции • Шифр документа полнения или осуще• Наименование отдела ствления чего-либо.

Word-документ Инструменты JDi определяются слеРис. 4. Схема формирования должностной инструкции дующими атрибутами: 240

Программные продукты и системы

Из рисунка видно, что центральным хранилищем для должностных инструкций конкретного сотрудника является вопросно-ответный протокол, в котором для каждого сотрудника назначается отдельная задача. Сами документы (MS Word) генерируются на основе данных вопросно-ответного протокола и шаблона оформления документа (MS Word) в системе документирования. Все множество доступных должностных инструкций JD* хранится в вопросно-ответном протоколе в проекте «Архив активов» в задаче «компетенции». При этом при редактировании данного архива следует учитывать следующие правила назначения атрибутов (чтобы список инструкций для конкретной должности отображался корректно).

1. Каждая QA-единица, являющаяся укрупненной компетенцией JDc, должна иметь атрибут «групповая компетенция».

2. Каждая QA-единица, являющаяся должностью JD, должна иметь атрибут «должность».

3. Каждая единица, которая в качестве дочерних содержит конкретные компетенции JDc, должна иметь атрибут «компетенция». Для адресации точек вставки данных в шаблон были разработаны контекстно-зависимые атрибуты, которые используются только при формировании шаблона отчета (в среде Microsoft Word) [5]. В общем виде работа оператора по формированию должностных инструкций состоит из этапов, представленных на рисунке 5. Формирование и изменение документа должностной инструкции Практическая работа с должностными инструкциями осуществляется в плагине «Организационная структура». В основном окне «Данные сотрудника» необходимо выбрать пункт меню «Сотрудники», в появившемся диалоговом окне необходимо выбрать работника, для которого формируется должностная инструкция. Назначив должность работника на вкладке «Работа», можно просматривать и редактировать должностные обязанности работника на вкладке «Должностные инструкции». На вкладке «Роль» можно уточнить роль, выполняемую данным работником. Должностные обязанности выбираются выделением в соответствующем поле маркером. Первоначально обязанности работника определяются ролью, затем могут корректироваться в процессе работы. Для сохранения внесенных изменений необходимо выбрать проект и задачу в QA-протоколе, для которой предполагается сохранить инструкцию. Также необходимо выбрать шаблон с общими данными для документа и шаблон отчета в MS Word. При нажатии на кнопку «сохранить» происходит следующее.

№ 4, 2013 г.

1. В плагине «Оргструктура» открыть информацию о работнике, раздел «Должностная инструкция», и установить должность

3. Откорректировать компетенции работника и набор документов

2. Выбрать необходимую роль работника и тем самым сформировать набор компетенций и используемых для работы набора документов

Да

Корректировка нужна? Нет

Создать новую роль?

Нет

5. Сохранить полученный проект должностной инструкции в проект к конкретной QA-задаче

Да

4. Создать роль на основании существующей информации о работнике

6. Определить QA-шаблон общих данных и шаблон отчета

7. Сформировать документ в формате MS Word для внешнего использования

Рис. 5. Порядок работы с должностными инструкциями для пользователя

1. Вопросно-ответный шаблон копируется в выбранную задачу вопросно-ответного протокола вместе со всеми своими подчиненными шаблонами и атрибутами.

2. Измененные элементы инструкций скопируются в качестве дочерних к QA-единице, созданной на основе шаблона. Причем скопируется структура компетенций, отфильтрованная также (кроме пользовательского выбора элементов) по должности.

3. В плагине «Проектная документация» создастся папка «Должностные инструкции», если ее не было (если была, она откроется), в которой сгенерируется должностная инструкция на основе выбранного шаблона представления и выбранной задачи вопросно-ответного протокола. После формирования инструкцию можно посмотреть в плагине «Проектная документация» в папке «Должностные инструкции». Для изменения или дополнения общих данных документа (номер, информация о подписывающих и согласующих и т.п.) в плагине «Вопросноответный протокол» необходимо открыть вновь добавленную задачу и измененить сведения. После внесения изменений документ будет содер241

Программные продукты и системы

жать обновленные данные, так как при каждой генерации используется информация из конкретного экземпляра. Дополнительно предусмотрено формирование шаблона на основе конкретного экземпляра QA-протокола. Структура вопросно-ответного протокола с должностными инструкциями полностью соответствует структуре самого документа. Подводя итоги, отметим, что представленные в статье средства автоматизированного формирования должностных инструкций нацелены на персонификацию профессиональной ответственности сотрудников проектной организации. В разработке средств учтены современные стандарты профессиональной зрелости процессов и их организационного сопровождения. Предложенные и материализованные решения ориентированы на их включение в базу опыта проектной организации. Литература 1. Von Rosing M., Moshiri S., Gräslund K. & Rosenberg A. Competency Maturity Model Wheel. URL: http://www.valueteam.biz/downloads/ model_cmm_wheel.pdf (дата обращения: 13.09.2013).

2. Borges P., Machado R.J. & Ribeiro P. Mapping RUP Roles to Small Software Development Teams. Proc. Intern.

Conf. on Software and System Process (ICSSP). Portugal, 2012, pp. 190–199.

№ 4, 2013 г.

3. Соснин П.И. Вопросно-ответное программирование человеко-компьютерной деятельности. Ульяновск: УлГТУ, 2010. 240 с.

4. Маклаев В.А. Подход к представлению и использованию профессиональных активов проектной организации // Автоматизация процессов управления. 2011. № 1 (23). С. 5–12.

5. Sosnin P. Pseudo-code programming of designer activity in development of software intensive systems. Proc. 25th Intern. Conf. on Industrial Engineering and other Applications of Applied Intelligent Systems (IEA/AIE 2012). Dalian, Chine, 2012, pp. 457–466.

References 1. Von Rosing M., Moshiri S., Gräslund K., Rosenberg A. Competency Maturity Model Wheel. Available at: http://www.valueteam.biz/downloads/ model_cmm_wheel.pdf (accessed 13 September 2013).

2. Borges P., Machado R.J., Ribeiro P. Mapping RUP roles to small software development teams. Proc. int. conf. on software and system process (ICSSP). Portugal, 2012, pp. 190–199.

3. Sosnin P.I. Voprosno-otvetnoe programmirovanie cheloveko-kompyuternoy deyatelnosti. Ulyanovsk, Ulyanovsk St. Tech.

Univ. Publ., 2010, 240 p.

4. Maklaev V.A. Podkhod k predstavleniyu i ispolzovaniyu professionalnykh aktivov proektnoy organizatsii. Avtomatizatsiya protsessov upravleniya [Automation of management processes].

2011, no. 1 (23), p. 5–12.

5. Sosnin P. Pseudo-code programming of designer activity in development of software intensive systems. Proc. 25th intern. conf. on Industrial Engineering and other Applications of Applied Intelligent Systems (IEA/AIE 2012). Dalian, Chine, 2012, pp. 457–466.

УДК 004.023

УПРАВЛЕНИЕ ПРОЕКТОМ ПО СОЗДАНИЮ ПРОГРАММНОЙ СИСТЕМЫ ЭЛЕКТРОННОГО ДОКУМЕНТООБОРОТА (Работа выполнена при поддержке РФФИ, грант № 12-01-01005-а)

В.Н. Кузнецов, д.т.н., профессор, зав. кафедрой; Н.Ю. Мутовкина, к.т.н., доцент; С.А. Чудов, аспирант (Тверской государственный технический университет, наб. Аф. Никитина, 22, г. Тверь, 170026, Россия, bua-tstu@yandex.ru) Рассмотрен метод системного анализа принятия решений по созданию системы электронного документооборота. Данный метод, основанный на принципе согласованного управления и законах согласованного планирования, включает эвристические процедуры и нечеткую логику. Разработаны неформальные процедуры управления проектом системы электронного документооборота. Осуществлены формализация и постановка задачи принятия решений в расплывчатых условиях с расплывчатой коалицией. Расплывчатость (нечеткость) является одним из основных источников неточности в процессах согласованной оптимизации. При принятии решений люди в основном применяют расплывчатые понятия и выполняют расплывчатые инструкции. Кроме того, во многих случаях они имеют разные мнения относительно конкретной проблемы и способов ее устранения. Следовательно, зачастую решение принимается в условиях конфликта. Для смягчения конфликтных ситуаций при разработке программных средств, в частности системы электронного документооборота, предлагается применение хорошо известных методов согласованного управления и планирования, входящих в состав метода системного анализа. Именно различием в целях, мнениях и интересах обусловлена необходимость формирования новых принципов построения информационно-управляющих систем поддержки принятия решений. Ключевые слова: информационно-управляющая система, принятие решений, методы системного анализа, нечеткая логика, нечеткий вывод.

PROJECT MANAGEMENT WHEN CREATING SOFTWARE SYSTEM FOR ELECTRONIC WORKFLOW Kuznetsov V.N., Dr. Tech. Sc., professor, head of chair; Mutovkina N.Yu., Ph.D. Tech. Sc., associate professor; Chudov S.A., postgraduate student (Tver State Technical University, Quay Nikitin, Tver, 22, 170026, Russian Federation, bua-tstu@yandex.ru)

242

Программные продукты и системы

№ 4, 2013 г.

Аbstract. The article considers the method of system analysis of decision making for creating an electronic workflow system. This method is based on the principle of coordinated management and the laws of coordinated planing, it includes heuristic procedures and fuzzy logic.

Informal procedures of project management for electronic workflow system are developed.Formalization and formulation of a decision-making problem in vague conditions with vague coalition is also executed. Vagueness (fuzzyness) is one of the main uncertainties in the processes of coordinated optimization. Decision-makers are mainly use vague concepts and perform vague instructions. Besides, these people have different points of view considering problem solving. That is why a decision is often made under conflict. To reduce conflict situations when developing software, it is offered to use well-known methods of coordinated control and planning as parts of system analysis method. The differences in purposes, views and interests determine a necessity for the formation of new principles of creating information-control systems of decision making support.

Keywords: information-management system, decision making, system analysis methods, fuzzy logic, fuzzy conclusion.

Информационно-управляющие системы предназначены для обеспечения эффективности управленческих решений на основе применения информации самонаблюдения, специальных наблюдений и экспериментов, взаимодействий, сообщений и анализа, формальных методов сбора и обработки информации и компьютеров [1]. Для их построения применяется системный анализ проблем принятия решений, ориентированный на решение конкретных практических задач с использованием сложной информации различной физической природы [2]. Методы системного анализа основаны на широком использовании ЭВМ и являются синтезом идей и принципов теории исследования операций и методов теории управления с возможностями вычислительной техники [2]. Системный анализ применяет гипотезу исследования операций об оперирующей стороне и исследователе операций. При этом исследователь берет то, что считает нужным, полезным и не вызывающим сомнения у него и у экспертов. Он не принимает решения о выборе способов действия, а лишь помогает в этом оперирующей стороне. В системном анализе обязательно применяются традиционные методы анализа, использующие опыт и интуицию, способности человека к наблюдениям, к восприятию информации любой физической природы, к формированию образов, представлений и убеждений, к ассоциациям и использованию этого в принятии решений [2]. Методы системного анализа используют описание неформальных процедур, эвристические приемы и способы рассуждения в процессе принятия решений, поэтому необходима проверка качества решения, ее соответствия исходной цели исследования. Это важнейшая проблема системного анализа. В задачах системного анализа применяются идеи машинного эксперимента на основе серии вариантных расчетов. На них идентифицируются характер изучаемого процесса, степень его управляемости, характер предельных возможностей. Эксперимент многократно повторяется и управляется исследователем или группой исследователей операций. Далее проводится анализ с помощью вариантных расчетов на ЭВМ. Машинный эксперимент должен удовлетворять ряду условий:

– доступность системы моделей; – достаточно быстрое выполнение итераций моделирования; – хорошая репрезентация результатов с помощью ЭВМ; – простое и эффективное управление моделированием. Человеко-машинные процессы моделирования в машинном эксперименте должны использовать интуитивные, эвристические приемы [3], оценки удовлетворительности решений и убеждения в этом на основе сравнения с другими решениями с помощью ряда эвристических критериев. Используются неформальные правила управления проведением большого числа вариантных расчетов, например, правила остановки интерактивного процесса моделирования. Системный анализ применяет различные концепции объединения математических и неформальных методов анализа, строгих способов исследования формализованных моделей с экспериментом, эвристическими приемами, суждениями экспертов и субъективными оценками [2]. На основе данного подхода разработан метод системного анализа принятия решений по созданию системы электронного документооборота, базирующийся на следующем: – принцип открытого управления и законы согласованного планирования [4]; – неформальные процедуры управления проектом системы электронного документооборота; – формализация и постановка задач принятия решений в расплывчатых условиях с расплывчатой коалицией в управлении проектом системы электронного документооборота; – неформальная эвристическая процедура в виде нечеткого алгоритма нечеткой согласованной оптимизации, применяемой при принятии решений; – неформальная коалиционная стратегия согласованной оптимизации, обеспечивающая устойчивость принимаемых решений; – компьютерный эксперимент и мягкие вычисления; – эвристическая процедура нечеткой оценки метода. Метод должен обеспечить получение нового знания, конкретной информационной технологии 243

Программные продукты и системы

и достоверность (или хотя бы полезность) получаемых с ее помощью решений. Неформальные процедуры управления проектом системы электронного документооборота Система управления проектом состоит из руководства, поставщика, пользователей, командной и целевой групп проекта. Задачи управления проектом создания системы электронного оборота с применением Microsoft Project имеет следующую структуру.

1. Разработка плана проекта. Видение (согласованное представление) проекта. Определение и согласование со всеми заинтересованными лицами и группами диапазона продукта, диапазона и структуры проекта. Ввод задач: творческий, последовательный, поэтапный, совместный. Консультация с экспертами. Добавление и удаление задач. Повторяющиеся задачи. Упорядочение списка задач. Представление задач в виде структуры: суммарные задачи, задачи, подзадачи. Вехи проекта. Запуск нового проекта. Ввод задач: творческий, последовательный, поэтапный, совместный. Консультация с экспертами. Добавление и удаление задач. Повторяющиеся задачи. Упорядочение списка задач. Представление задач в виде структуры: суммарные задачи, задачи, подзадачи. Структурная декомпозиция работ. Просмотр проектной информации. Сведения о задачах, ресурсах, назначениях. Представления проекта. Формы. Комбинированные представления. Таблицы. Фильтрация проектной информации. Организация рабочего пространства. Планирование задач. Определение длительности задач: опыт рабочей группы, экспертная оценка, файлы проекта, стандартные нормативы. Предварительная и подтвержденная оценки. Ввод длительности задач. Вычисление наиболее вероятной длительности задачи. Определение зависимостей задач: окончание – окончание, окончание – начало, начало – начало, начало – окончание. Опережения и запаздывания. Изменения и удаления связей. Просмотр. Ограничения для начальных и конечных дат задач: начало не ранее, окончание не ранее, начало не позднее, окончание не позднее, фиксированное начало (окончание). Изменение и просмотр ограничений. Жесткие и гибкие ограничения. Установка крайних сроков. Создание вех в плане проекта. Промежуточные цели. Определение ресурсов в проекте. Исполнители, оборудование, материалы. Трудовые (исполнители и оборудование) и материальные. Выделенные и используемые. Ввод названий в план проекта. Определение доступности через указание максимальных единиц или единиц ресурсов. Максимальные единицы в процентном и числовом фор244

№ 4, 2013 г.

матах (50 %40-часовая рабочая неделя). В календаре ресурса указывается рабочее время его использования (диапазон дат). Единицы измерения материальных ресурсов зависят от конкретного материала. Настройка календарей рабочего времени ресурсов. Добавление подробных сведений о ресурсах. Использование информации о ресурсах, имеющейся в Microsoft Excel. Назначение ресурсов задачам. Установка соответствия между задачей и ресурсом с помощью назначения. Назначение трудовых ресурсов задачам: указываются название ресурса и степень его доступности. Единицы назначения указывают процентные доли от доступности ресурса, выраженной в максимальных единицах. Максимальные единицы и единицы назначения выражаются в процентном и числовом форматах. Доступность с учетом назначения, вычисляемая как единица назначения, умноженная на максимальную единицу. Создание назначений. Подбор ресурсов осуществляется руководителем проекта с учетом профессии, компетентности, опыта, энтузиазма, работы в команде, скорости и затрат. Вычисление трудозатрат назначений, то есть объемов работы ресурсов. Назначение материальных ресурсов. Если задача потребляет одно и то же количество материала (независимо от длительности), она имеет фиксированную норму его расхода. При переменной норме расхода материала его потребление пропорционально длительности задачи. Планирование с фиксированным объемом работ. Применение профилей загрузки к назначениям ресурсов. Планирование затрат ресурсов. Работа с затратами и ресурсами: планирование ресурсов, оценка затрат, финансирование проекта, контроль затрат (отслеживание фактических затрат, оценка отклонений от плановых, корректировка плана проекта). Указание стоимости трудовых ресурсов (фиксированной и переменной). Указание стоимости материальных ресурсов. Указание метода начисления затрат. Планирование фиксированных затрат. Контроль и корректировка плана проекта. Критический путь и критические задачи. Проверка параметров задач. Проверка и корректировка ограничений дат. Проверка и корректировка зависимостей задач. Проверка и корректировка длительности. Проверка и корректировка доступности ресурсов. Добавление ресурсов для уменьшения длительности задач. Снижение затрат проекта: просмотр, проверка плановых затрат, корректировка расписания для снижения затрат, корректировка назначений для их снижения. Обеспечение сбалансированной загрузки ресурсов: корректировка доступности ресурсов, корректировка назначений, прерывание задач, выравнивание назначений, выравнивание загрузки ресурсов с использованием стандартных отклонений, проверка результатов выравнивания. Изменение диапазона

Программные продукты и системы

проекта. Просмотр изменений и получение одобрения плана проекта.

2. Отслеживание выполнения проекта. Сохранение базового плана и фактических данных. Перепланирование проекта. Обновление затрат проекта. Реакция на изменения в проекте: контроль и корректировка календарного плана проекта, контроль и корректировка затрат, контроль и корректировка загрузки ресурсов. Контроль и корректировка календарного плана проекта: дата окончания проекта, критический путь, начальные и конечные даты критических задач, текущее состояние критических задач; корректировка ограничений, зависимостей и длительностей задач, добавление ресурсов, сокращение диапазона. Контроль и корректировка затрат: общие затраты, отклонения трудозатрат, затраты сверх бюджета, показатели освоенного объема, оценка состояния бюджета, приведение проекта в соответствие бюджету (ставки ресурсов, затраты на использование ресурсов, фиксированные затраты задач). Сокращение длительностей и уточнение зависимостей задач, снижение их затрат. Уменьшение затрат путем удаления или замены ресурсов, то есть корректировки назначений. Уменьшение диапазона проекта, например, исключением необязательных задач. Контроль и корректировка загрузки ресурсов: общие трудозатраты проекта, отклонения трудозатрат, трудозатраты сверх проекта, выделение ресурсов, выравнивание назначений. Обеспечение сбалансированности ресурсов: корректировка их доступности, изменение назначений путем добавки или замены ресурсов, откладывание работ или введение сверхурочных работ, разбивка задач на части, выравнивание загрузки ресурсов, корректировка диапазона проекта.

3. Получение отчетов и анализ. Получение отчетов на основе проектных данных. Анализ проектной информации. Оценка выполнения проекта с помощью анализа освоенного объема. Показатели освоенного объема: базовая стоимость запланированных работ, базовая стоимость выполненных работ, фактическая стоимость запланированных работ, отклонение по стоимости, отклонение от календарного плана, предварительная оценка по завершении, бюджет по завершении, отклонение по завершении, индекс отклонения стоимости, индекс отклонения от календарного плана, относительное отклонение по стоимости, относительное отклонение от календарного плана, показатель эффективности выполнения, фактический процент выполнения. Использование Microsoft Excel для обработки проектных данных, а именно: анализ числовых проектных данных, экспорт всех данных о задачах, ресурсах и назначениях, анализ повременных проектных данных, анализ повременных проектных данных с

№ 4, 2013 г.

помощью перекрестных таблиц, представление проектных данных.

графическое

Согласованная оптимизация в расплывчатых условиях Формализация и постановка задач системного анализа в процессе управления проектом заключается в согласованной оптимизации плана (видения и диапазона) проекта внедрения системы электронного документооборота, в целенаправленном воздействии участников на проект внедрения системы электронного документооборота в процессе его отслеживания, в обработке нечеткой информации на ЭВМ. При формализации осуществляется разработка критериев и моделей описания и оценки эффективности решения задач согласованной оптимизации плана (видения и диапазона) проекта внедрения системы электронного документооборота (метод системного анализа нечеткой согласованной оптимизации) и целенаправленного воздействия участников на проект внедрения системы электронного документооборота в процессе его отслеживания (метод системного анализа целенаправленного воздействия на проект в расплывчатых условиях). В статье описывается новый метод системного анализа согласования и принятия решений в расплывчатых условиях, который применяется при постановках, описании и решении задач принятия решений при управлении проектом создания системы электронного документооборота. Рассматривается самый простой случай, когда множество состояний системы управления проектом (активной системы) и множество альтернатив проекта являются дискретными множествами с небольшим количеством элементов. Применяются полный перебор альтернатив исследователем операций или группой исследования операций, эвристические процедуры измерения степеней истинности простых высказываний и эвристическая процедура анализа альтернатив решений по проекту или его изменению. При решении более сложных задач нечеткой согласованной оптимизации, учитывающих нечеткие количественные и качественные решения, непрерывное множество альтернатив, многошаговые процессы принятия решений и т.д., применяются методы решения математических задач системного анализа. Метод системного анализа представляет собой объединение формальных процедур оптимизации, эвристических процедур нечеткого согласования (нечеткие алгоритмы), компьютерного эксперимента и мягких вычислений, эвристической процедуры нечеткой оценки метода. Метод должен обеспечить получение нового знания, конкретной информационной технологии и достоверность получаемых с ее помощью решений.

245

Программные продукты и системы

№ 4, 2013 г.

Рассмотрим формализацию и постановку задачи нечеткой согласованной оптимизации. Применяется подход Р. Беллмана и Л. Заде к согласованной оптимизации как к принятию решений в расплывчатых условиях [5]. Расплывчатость (нечеткость) является одним из основных источников неточности в процессах согласованной оптимизации. Люди при принятии решений в основном применяют расплывчатые понятия и выполняют расплывчатые инструкции [5]. Расплывчатое решение определяется как расплывчатое множество в пространстве альтернатив, получающееся в результате пересечения расплывчатых целей, ограничений и условий согласования. При реализации согласованной оптимизации и обработки информации проще и удобнее использовать математический аппарат нечетких множеств, чем, например, аппарат теории вероятностей и математической статистики [5]. Описание активной системы (АС) в целом в расплывчатых условиях будем проводить в соответствии с [1]. Оно включает расплывчатые множества возможных состояний y=(y1, y2, …, yi, …, n

yn)Y=  Yi и планов АС x=(x1, x2, …, xi, …, i 1 n

xn)X=  X i  ri  , расплывчатое множество значеi 1

n

Условия согласования задаются выражением цели АС и ограничениями m*, m*i (определяют степень согласования) на значения функций принадлежности m(yF), m(yFi). Постановка задачи согласованной оптимизации в расплывчатых условиях для одного центра и нескольких АЭ будет иметь следующий вид: n  m ( y  ( F    (  Fi ))  max,  i  * (1) m( y  ( F  ))  m  0, m( y  ( Fi  ))  m*i  0,   x  X , r  ,   L. Если некоторые цели являются более важными, чем другие, то целевая функция в выражении (2) может быть записана в виде n

m( y  ( F  T  ( Fi )  i

(2)

n

  0  m( y  ( F  T ))   i  m( y  ( Fi  T )). i 1

В выражении (2) весовые коэффициенты 0, i, характеризующие относительную важность целей, n

являются такими, что 0   i  1 [5]. i

Целевую функцию и условия согласования задачи (1) можно, применив аппарат нечетких множеств, представить в виде n

ний параметров ri и их оценок      i ,

m( y  ( F  T  ( Fi )))  min{ 0  [m( y  ( F 

множество управлений L, множество реализаций yT((x,r)); расплывчатые цели АС, центра F и активных элементов (АЭ) Fi в виде нечетких множеств. Множество реализаций T((x, r)) определяется

))  m ], min{i  [m( y  ( Fi  T ))  m ]}}. Тогда запись (3) может считаться гибким выражением компромисса [6]. Положительное значение целевой функции (3) может быть достигнуто только при m()>m*для центра и всех АЭ. Увеличение целевой функции при определенных  будет означать и увеличение всех m() [6]. Условия (3) позволяют получить ситуацию равновесия, которая является лучшей (но не единственной) и для центра, и для всех АЭ [6]. Кроме того, всегда можно выбрать такие , что максимизация (3) будет определять эффективные решения (принадлежат множеству Парето) [6]. Рассмотрим методы и технологии решения задач нечеткой согласованной оптимизации (1–3) с применением интерактивных процессов [3] с заданным и фиксированным количеством шагов и нечетких алгоритмов. При решении задачи согласованной оптимизации применялись аппарат нечеткой логики, нечеткие предикаты и нечеткие алгоритмы [7]. Введем нечеткие предикаты «ПРИНАДЛЕЖИТ(aA)» и «ИМПЛИКАЦИЯ (AB)». Полученные с их помощью простые нечеткие логические выражения y=yjFj, y=yjF, yi=yijTi, (x,r)kyij отличаются от простых высказываний наличием в их описании лингвистических и нечетких переменных y, yj, yij и нечетких отношений

i 1

n

нечетким отображением Ф :   L  X i  i   T . i 1

Нечеткое отображение моделирует выбор АЭ своих реализаций после назначения им планов и управлений с учетом возможностей ri и информированности всех участников согласованной оптимизации. Расплывчатые цели центра и АЭ отождествляются с фиксированными расплывчатыми множествами F и Fi. Расплывчатая цель АС может представлять пересечение целей центра и АЭ n  F  Fi  . Функции принадлежности расплывча i 1     n  тых целей m(yF), m(yFi), m  y   F  Fi     i 1      выполняют роль функций предпочтительности. Функции принадлежности расплывчатых ограничений m(xX), m(y Y) и т.д. измеряют степень их выполнения. Функция принадлежности расплывчатых отношений m((, x, r )  y) ) определяет их правдоподобность.

246

i

*

* i

(3)

Программные продукты и системы

№ 4, 2013 г.

, . Степень принадлежности нечетких логических выражений к множеству истинных представляет степень истинности. Для простых высказываний значения степеней истинности определяются путем специального опроса лиц, принимающих решения. Степень истинности сложных высказываний ( y  T )  ( yi  Ti )  ((  x, r k  yij )) , i

i

n

( y  ( F    ( Fi )))  i

 (( y j  F )  ( y j  T )  (( yij  Fi ))), j

i

(( y  ( F  ))  (( y j  F )  ( y j  T )), j

y  ( Fi  )  (( y  Fi )  ( y  T )) j

определяется путем их сворачивания и применения выражений m( A  B)  (m a , mb )  max{m a , mb },

m( A  B)  (m a , mb )  min{m a , mb }. В результате получим m( y  y j  T )  m(( yi  Ti )) 



i



 m    , x, r k  yij  , i

m( y  ( F    ( Fi )))  i

 (m( y j  F )  m( y j  T )  m(( yij  Fi ))), j

i

m( y  ( Fi  ))  (m( y j  Fi )  m( y j  T )) . j

Для описания процесса согласованной оптимизации в расплывчатых условиях применяется нечеткий алгоритм, представляющий последовательность следующих действий: – задание нечетких предикатов путем опроса исследователем операций агентов (центра и активных элементов) или с помощью нечетких алгоритмов по измерениям группы исследования операций (модератор и представители агентов); – формирование вариантов решения путем опроса исследователем операций агентов или с помощью нечеткого алгоритма; – решение задачи согласованной оптимизации (компьютерный эксперимент) и вычисление степеней истинности сложных высказываний; – представление результатов с помощью таблиц и графиков, сопоставляя степени истинности высказываний агентов и исследователя операций; – нечеткая оценка удовлетворительности результатов в виде нечеткого логического условия «удовлетворен»; непосредственное измерение исследователем операций или вычисление с помощью нечеткого алгоритма по измерениям группы исследования операций; – выполнение нечеткого условного оператора. Нечеткий алгоритм представляет последовательность четких и нечетких операторов, приводящую к неполностью определенному результату. Нечеткий оператор содержит хотя бы одну нечет-

кую переменную, нечеткую функцию или нечеткое отношение. Информационно-управляющая система принятия решений по созданию системы электронного документооборота Рассмотрим пример разработки данной системы для ОАО «Системный оператор Единой энергетической системы» (СО ЕЭС). Целями проекта являются: – создание и внедрение автоматизированной системы документационного обеспечения управления (АСДОУ); – организация использования электронных административных документов, обладающих юридической силой, с постепенным вытеснением бумажных документов; – организация использования АСДОУ вместо применяемых разнородных средств автоматизации делопроизводства. С помощью информационно-управляющей системы принятия решений были проведены подготовительная очередь (2007–2008 гг.), пилотная очередь (2008–2010 гг.), вторая очередь (развитие, 2009 г.) и третья очередь (адаптация, 2010 г.), внедрение и тиражирование программной системы электронного документооборота СО ЕЭС в объединенных и региональных управлениях СО. Информационно-управляющая система принятия решений по созданию системы электронного документооборота СО ЕЭС состоит из рабочей группы корпоративного проекта создания системы электронного документооборота, модели корпоративного проекта на основе использования Microsoft Office Project Professional 2010 в сочетании с Microsoft Office Project Server 2007 и Microsoft Office Project Web Access, группы исследования операций, информационной системы нечеткого анализа и нечеткого согласованного выбора вариантов проекта, подпроектов, задач, ресурсов и т.д., групп-агентов, реализующих креативный процесс поиска новых решений (вариантов) при возникновении проблем, связанных с планированием и отслеживанием проекта.

Microsoft Office Project Server 2007 и Microsoft Office Project Web Access обеспечивают в процессе моделирования корпоративного проекта просмотр информации, ввод корректировок плана и прочего, внесение изменений в процессе отслеживания, формирование отчетов по моделированию, эффективный обмен информацией между участниками корпоративного проекта, между руководителями и всеми заинтересованными лицами, между исследователями операций и специалистами, формирующими творческие решения. Исследователи операций и специалисты, формирующие творческие решения, с помощью информационной системы нечеткого анализа и нечеткого согласованного выбора вариантов реализуют интерактивные креативные процессы не247

Программные продукты и системы

четкой согласованной оптимизации решений при планировании корпоративного проекта и его отслеживании. На основании изложенного можно сделать следующие выводы. В статье рассмотрены идея системного анализа, его содержание применительно к формированию информационно-управляющей системы поддержки принятия решений, раскрыта сущность неформальных процедур управления проектом системы электронного документооборота, представлено содержание проекта системы электронного документооборота. Для создания программной системы электронного документооборота предложено применять информационно-управляющую систему поддержки принятия решений. Она является активной и имеет один управляющий элемент – центр, в который входит группа участников процесса принятия решений. Каждый из участников, как правило, имеет собственное представление о существующей проблеме, не всегда поддающееся четкому описанию. В таких случаях для принятия общего решения предложен принцип нечеткого согласования и планирования, который позволяет найти компромиссное решение в условиях нечеткой, неполной информации и противоречивых суждений. Данный принцип представлен в виде нечеткого алгоритма, состоящего из шести этапов. Он может быть реализован за конечное число итераций, которое зависит от сложности решаемой проблемы и числа задействованных в процессе принятия решений участников. Установлено, что целевые функции всех участников процесса принятия решений и условия их согласования могут быть представлены с помощью аппарата нечетких множеств как выражение компромисса. Показано, как путем взаимных уступок, включающих пересмотр участниками процесса принятия решений своих приоритетов, может быть получено окончательное решение. Принципы нечеткого согласования и планирования, изложенные в настоящей статье, были по-

№ 4, 2013 г.

ложены в основу проекта системы электронного документооборота для СО ЕЭС. Литература 1. Бурков В.Н., Кузнецов В.Н., Палюх Б.В. Информационно-управляющие системы принятия решений целеустремленными субъектами // Современные сложные системы управления (СССУ-2008): матер. VI Междунар. науч.-практич. конф. Тверь: ТГТУ, 2008. С. 31–40.

2. Моисеев Н.Н. Математические задачи системного анализа. М.: Наука. Глав. ред. Физматлит, 1981. 488 с.

3. Кузнецов В.Н. Согласование и оптимизация в иерархических системах с активными элементами. М.: Институт проблем управления РАН, 1996. 132 с.

4. Бурков В.Н. Основы математической теории активных систем. М.: Наука, 1977. 256 с.

5. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях: в кн.: Вопросы анализа и процедуры принятия решений. М.: Мир, 1976. С. 172–215.

6. Гермейер Ю.Б. Игры с непротивоположными интересами. М.: Наука, 1976. 328 с.

7. Борисов А.Н., Алексеев А.В., Меркурьева Г.В., Слядзь Н.Н., Глушков В.И. Обработка нечеткой информации в системах принятия решений. М.: Радио и связь, 1989. 304 с.

References 1. Burkov V.N., Kuznetsov V.N., Palyukh B.V. Information and control systems of decision-making of purposeful persons.

Sovremennye slozhnye sistemy upravleniya (SSSU-2008): mater. VI mezhdunar. nauch.-praktich. konf. [Modern complex management systems. Proc. 6th int. scient. practical conf.]. Tver, Tver St. Tech.

Univ. Publ., 2008, pp. 31–40.

2. Moiseev N.N. Matematicheskie zadachi sistemnogo analiza [Mathematical problems of system analysis]. Moscow, Nauka Publ., the main ed. Fizmatlit Publ., 1981, 488 p.

3. Kuznetsov V.N. Soglasovanie i optimizatsiya v ierarkhicheskikh sistemakh s aktivnymi elementami [Coordination and optimization in hierarchical systems with active elements]. Moscow, Institute of management problems RAS Publ., 1996, 132 p.

4. Burkov V.N. Osnovy matematicheskoy teorii aktivnykh sistem [Basics of the mathematical theory of active systems]. Moscow, Nauka Publ., 1977, 256 p.

5. Bellman R., Zade L. Decision-making in vague terms.

Voprosy analiza i protsedury prinyatiya resheniy [Analysis issues and decision-making procedures]. Moscow, Mir Publ., 1976, pp. 172–215.

6. Germeyer Yu.B. Igry s neprotivopolozhnymi interesami [Games with non-opposite interests]. Moscow, Nauka Publ., 1976, 328 p.

7. Borisov A.N., Alekseev A.V., Merkuryeva G.V., Slyadz N.N., Glushkov V.I. Obrabotka nechetkoy informatsii v sistemakh prinyatiya resheniy [Processing fuzzy information in decision-making systems]. Moscow, Radio i svyaz Publ., 1989, 304 p.

УДК 621.311:658.26:550.8

МОДЕЛЬ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ УПРАВЛЕНИЯ КАЧЕСТВОМ В МНОГОНОМЕНКЛАТУРНОМ МАШИНОСТРОИТЕЛЬНОМ ПРОИЗВОДСТВЕ Г.Б. Бурдо, д.т.н., профессор; Н.А. Семенов, д.т.н., профессор; А.Ю. Сорокин, аспирант (Тверской государственный технический университет, наб. Аф. Никитина, 22, г. Тверь, 170026, Россия, gbtms@yandex.ru) Показана актуальность создания автоматизированной системы управления качеством продукции на машиностроительных и приборостроительных многономенклатурных производствах. Обоснована необходимость управления качеством продукции на всех этапах жизненного цикла изделия. Подчеркнуто, что принципы функционирования

248

Программные продукты и системы

№ 4, 2013 г.

системы управления качеством продукции определяются стандартами серии ИСО 9000. Приведена типовая схема этапов и стадий жизненного цикла изделия для машиностроительной продукции. Для выявления механизма обмена информацией и принятия решений в автоматизированной системе управления качеством продукции на многономенклатурном машиностроительном предприятии была разработана ее теоретикомножественная модель. Система управления качеством, функционирующая на предприятии, рассмотрена с точки зрения управления как сложная система, представляемая подсистемами трехуровневой иерархии. Первый уровень автоматизированной системы – управляющая подсистема, принимающая заключение о качестве продукции и общих мероприятиях по ее обеспечению. Подсистемы второго и третьего уровней определяют и управляют качеством продукции на этапах и стадиях жизненного цикла изделия. Рассмотрены структуры входных и выходных данных каждой подсистемой-оператором. Показано, что часть входных параметров определяется требованиями к качеству продукции. Оценке подлежит информация, разрабатываемая на каждом этапе и стадии жизненного цикла изделия. Учитывая специфику многономенклатурного машиностроения и условий проведения конструкторской, технологической подготовки и организации производства, анализируются лишь наиболее значимые с позиций качества информационные потоки. Указывается, что разработанная модель явилась основой для разработки алгоритмов и программных средств АСУ качеством продукции в многономенклатурном машиностроении. Ключевые слова: автоматизированная система управления качеством продукции, теоретико-множественная модель, системный анализ, искусственный интеллект.

MODEL OF THE AUTOMATED QUALITY MANAGEMENT SYSTEM IN MULTIPRODUCT MACHINERY PRODUCTION Burdo G.B., Dr. Tech. Sc., professor; Semenov N.A., Dr. Tech. Sc., professor; Sorokin A.Yu., postgraduate student (Tver State Technical University, Quay Nikitin, Tver, 22, 170026, Russian Federation, gbtms@yandex.ru) Аbstract. The article shows the relevance of creation of the automated quality control systems in machine-building and instrument-making diversified industries. The necessity of quality control at all stages of the product lifecycle is proved. It is emphasized that principles of the quality management system are determined by ISO 9000standards. The article shows the typical pattern of phases and stages of products lifecycle for machine-building products.

To identify a mechanism of information exchange and decision-making in an automated quality control system in multiproduct machine-building enterprise, its set-theoretic model has been developed. The enterprise quality management system is considered from the control point of view as a complex system which is represented by three-level hierarchy subsystems.

The first level of an automated system is control subsystem that concludes with the quality of products and general events for its maintenance. Subsystems of the second and the third level determine and manage products quality at the stages of the product lifecycle. The structures of the input and output data of each subsystem-operator are considered.

It is shown that the part of input parameters is determined by the requirements to quality of production.

Information developed at each stage of the lifecycle of the product is evaluated. Because of the specificity of multiproduct machinery engineering and conditions of process design and industrial engineering, only the most important, from the quality perspective, information flows are analyzed.

The article specifies that the developed model is the basis for the development of algorithms and software of the automated quality control system of multiproduct machinery engineering.

Keywords: automated quality control system, set-theoretic model, system analysis, artificial intelligence.

Качество продукции, производимой предприятиями, напрямую влияет на уровень развития экономики государства в целом. Это утверждение неоднократно доказано передовыми экономиками стран Европы и Азии [1–3]. Главная особенность современного машиностроительного производства – широкая гамма выпускаемой продукции, ориентированной на конкретного потребителя, и сжатые сроки подготовки производства, что с полным основанием позволяет определить его как многономенклатурное. В условиях многономенклатурного производства для обеспечения качества продукции все больше внимания необходимо уделять жизненному циклу (ЖЦ) изделия [4], то есть управлять качеством продукции на каждом его этапе и на всех стадиях (рис. 1). Для этого необходимо создать систему управления качеством продукции, принципы функционирования которой определяются стандартами серии ИСО 9000. Учитывая необходимость опера-

тивного внесения корректив в качественные показатели и широкий спектр продукции, выпускаемой современным машиностроительным предприятием, создание АСУ качеством является актуальной задачей. Теоретико-множественная модель АСУ качеством Для выявления механизма обмена информацией и принятия решений в АСУ качеством продукции на многономенклатурном машиностроительном предприятии была разработана ее теоретикомножественная модель (рис. 2). Рассмотрим АСУ качеством на предприятии, представляемую подсистемами R0   {R11 , R12 ,...,

R15 , R21 , R22 ,..., R212 } , с точки зрения управления. Здесь R0 – управляющая подсистема (верхнего уровня) АСУ качеством, состоящая из следующих подсистем более низкого уровня.

249

Этап эксплуатации

Стадия консервации и утилизации

Стадия контроля и испытаний изделия

Стадия изготовления изделия

Этап изготовления

Стадия подготовки производства

Этап разработки РД и ЭД

Стадия разработки РД Стадия разработки ЭД

Стадия разработки технического проекта

Стадия разработки эскизного проекта

Этап проектных работ

Стадия разработки НИР Стадия разработки технического предложения

Стадия разработки ТЗ

Разработка ТЗ

№ 4, 2013 г.

Стадия эксплуатации изделия

Программные продукты и системы

Рис. 1. Этапы и стадии ЖЦ изделия: ТЗ – техническое задание, РД – рабочая документация, ЭД – эксплуатационная документация

Подсистема R11 осуществляет управление качеством на этапе разработки ТЗ, а входящая в нее подсистема R21 – на стадии разработки ТЗ. Подсистема R12 управляет качеством на этапе проектных работ, включающем четыре стадии ЖЦ. Ее функции: R22 – управление качеством на стадии НИР, R23 – управление качеством на стадии разработки технического предложения (ТП), R24 – управление качеством на стадии разработки эскизного проекта (ЭП), R25 – управление качеством на стадии разработки технического проекта (ПТ). Подсистема R13 осуществляет управление качеством на этапе разработки РД и ЭД, управляя двумя стадиями жизненного цикла: R26 – управление качеством на стадии разработки РД, R27 – управление качеством на стадии разработки ЭД. Подсистема R14 осуществляет управление качеством на этапе изготовления и испытания изделий, включающем три стадии ЖЦ. Ее функции: R28 – управление качеством на стадии технологической подготовки производства, R29 – на стадии изготовления изделий, R210 – на стадии испытаний изделий. Подсистема R15 управляет качеством на этапе эксплуатации и утилизации изделий на двух стадиях ЖЦ. Ее функции: R211 – управление качеством на стадии эксплуатации изделий, R212 – на стадии утилизации изделий. Управляющая подсистема R0 выполняет шесть функций управления. Первая функция – управление подсистемой R11 – определение и корректировка параметров качества продукции на этапе ТЗ: R01 : A  b11  a11 , где A – управляющий сигнал, то есть множество требований к параметрам качества изделия на всех стадиях ЖЦ изделия, определяе250

мых системой управления организацией; b11 – множество значений фактических параметров качества изделия на стадии ТЗ; a11 – множество корректирующих воздействий на параметры качества изделий на этапе ТЗ. Вторая функция – управление подсистемой R21 – определение и корректировка параметров качества продукции на этапе проектирования: R02 : A  b12  a12 , где b12 – множество значений параметров качества изделия на этапе проектных работ; a12 – множество корректирующих воздействий на параметры качества изделий на этапе проектных работ. Третья функция – управление подсистемой R31 – определение и корректировка параметров качества продукции на этапе разработки РД и ЭД: R03 : A  b13  a13 , где

b13 – множество фактических значений параметров качества изделия на этапе разработки РД и ЭД; a13 – множество корректирующих воздействий на параметры качества изделия на этапе разработки РД и ЭД. Четвертая функция – управление подсистемой R41 – определение и корректировка параметров качества продукции на этапе изготовления и испытания изделий: R04 : A  b14  a14 , где b14 – множество фактических значений параметров качества продукции на этапе изготовления и испытания изделий; a14 – множество корректирующих воздействий на параметры качества продукции на этапе изготовления и испытания изделий. Пятая функция – управление подсистемой R51 – определение и корректировка параметров качества продукции на этапе эксплуатации и утилизации: R05 : A  b15  a15 , где b15 – множество фактических значений параметров качества продукции на этапе эксплуатации и утилизации; a15 – множество корректирующих воздействий на параметры качества на этапе эксплуатации и утилизации. Шестая функция управления – определение пара-

Программные продукты и системы

№ 4, 2013 г.

B

R0

A

Управляющая подсистема АСУ качеством

a12

a11 1

a14

a13 2

b15

b14

b13

b12

b11

3

a15 4

5

Подсистема R1

Подсистема R1

Подсистема R1

Подсистема R1

Подсистема R1

Управление качеством на этапе разработки ТЗ

Управление качеством на этапе проектных работ

Управление качеством на этапе разработки РД и ЭД

Управление качеством на этапе изготовления и испытаний

Управление качеством на этапе эксплуатации и утилизации

b25

a29

b210

a10 2

b211

a11 2

b212

a12 2 Подсистема R122 Управление на стадии утилизации изделия

b29

Подсистема R112 Управление на стадии эксплуатации изделия

a28

a27

Подсистема R72 Управление на стадии разработки ЭД

a26

Подсистема R62 Управление на стадии разработки РД

a25

Подсистема R52 Управление на стадии разработки ПТ

Подсистема R42 Управление на стадии разработки ЭП

a24

a23

Подсистема R32 Управление на стадии разработки ТП

Подсистема R12 Управление на стадии разработки ТЗ

Подсистема R22 Управление на стадии разработки НИР

a22

a12

b28

b27

b26

Подсистема R102 Управление на стадии испытаний изделия

b21

Подсистема R92 Управление на стадии изготовления изделия

b24

Подсистема R82 Управление на стадии подготовки производства

b23

b22

Рис. 2. Теоретико-множественная модель АСУ качеством

метров качества изделия с учетом всех этапов ЖЦ изделия: R06 : A  b11  b12  b13  b14  b15  B, где B – выходной сигнал, то есть множество параметров качества готового изделия. Подсистема R11 осуществляет две функции управления. Первая из них – непосредственное управление качеством на стадии разработки ТЗ: 1 R11 : a11  b21  a12 , где a12 – множество требований к параметрам качества изделия на стадии технического задания; b21 – множество фактических (текущих) значений параметров качества изделия на стадии ТЗ. Вторая функция – передача информации о фактическом качестве изделия на стадии ТЗ вышестоящей управляющей подсистеме: R112 : b21  b11 .

Подсистема R12 осуществляет пять функций управления. Первая – непосредственное управление качеством изделия на стадии разработки НИР: R112 : a12  b22  a22 , где a22 – множество требований

к параметрам качества изделия на стадии НИР; b22 – множество фактических (текущих) значений качественных параметров изделия на стадии НИР. Вторая функция – управление качеством изделия на стадии разработки ТП: R122 : a12  b23  a23 , где a23 – множество требований к параметрам качест-

ва изделия на стадии ТП; b23 – множество текущих значений качественных параметров изделия на стадии ТП. Третья функция – управление качеством изделия на стадии разработки ЭП: R123 : a12  b24  a24 , где a24 – множество требований к параметрам качества изделия на стадии ЭП; b24 – множество фактических (текущих) значений качественных параметров изделия на стадии ЭП. Четвертая функция – управление качеством изделия на стадии разработки ПТ: R124 : a12  b25  a25 , где a25 – множество требований к параметрам качест-

ва изделия на стадии ПТ; b25 – множество фактических (текущих) значений качественных пара251

Программные продукты и системы

метров изделия на стадии ПТ. Пятая функция – синтез информации о состоянии качества изделия на этапе проектных работ: R152 : b22  b23  b24  b25  b12 .

Подсистема R13 предназначена для выполнения трех функций управления. Первая – непосредственное управление качеством на стадии разработки РД: R131 : a13  b26  a26 , где a26 – множество требований к параметрам качества изделия на стадии РД; b26 – множество фактических (текущих) значений качественных параметров изделия на стадии РД. Вторая функция – управление качеством изделия на стадии разработки ЭД: R132 : a13  b27  a27 , где a27 – множество требований к параметрам качества изделия на стадии разработки ЭД; b27 – множество фактических (текущих) значений качественных параметров изделия на стадии разработки ЭД. Третья функция – синтез информации о состоянии качества изделия на этапе разработки РД и ЭД: R133 : b26  b27  b13 . Подсистема R14 выполняет четыре функции управления. Первая – управление качеством изделия на стадии технологической подготовки производства: R141 : a14  b28  a28 , где a28 – множество требований к параметрам качества изделия на стадии технологической подготовки производства; b28 – множество фактических (текущих) значений параметров качества изделия на стадии технологической подготовки производства. Вторая функция – управление стадией изготовления изделий: R142 : a14  b29  a29 , где a29 – множество требований к параметрам качества изделия на стадии изготовления; b29 – множество фактических (текущих) значений параметров качества изделия на стадии изготовления. Третья функция – управление стадией испытаний изделий: R143 : a14  b210  a10 2 , где – множество требований к параметрам проa10 2 дукции на стадии испытания изделий; b210 – множество фактических (текущих) значений параметров изделий. Четвертая функция – синтез информации о состоянии этапа изготовления и испытаний: R144 : b28  b29  b210  b14 . Последняя подсистема, R15 , осуществляет три функции управления. Первая – непосредственное управление качеством продукции на стадии экс11 плуатации изделий: R151 : a15  b211  a11 – 2 , где a2 множество требований к параметрам качества изделий на стадии эксплуатации; b211 – множество фактических (текущих) значений параметров качества продукции на стадии эксплуатации изделий. Вторая функция – управление качеством продукции на стадии утилизации изделий: 252

№ 4, 2013 г.

, где a12 – множество требоваR152 : a15  b212  a12 2 2 ний к параметрам качества продукции на стадии утилизации изделий; b212 – множество фактических (текущих) значений параметров качества продукции на стадии утилизации изделий. Третья функция – передача информации о состоянии этапа эксплуатации и утилизации изделий: R153 : b211  b211  b212  b15 . Все подмножества требований к параметрам качества изделия на этапах ЖЦ изделия a11 , a12 , a13 , a14 , a15 определяются требованиями к





качеству изделия, задаваемыми АСУ организацией. Подмножества  b11 , b12 , b13 , b14 , b15  формируют параметры качества готового изделия B. Если качество обеспечивается, то множество параметров A должно включать множество параметров B. Как можно видеть, оценке подлежит информация, разрабатываемая на каждом этапе и стадии ЖЦ изделия. Учитывая специфику многономенклатурного машиностроения и условий проведения конструкторской, технологической подготовки и организации производства, анализируются лишь наиболее значимые с позиций качества информационные потоки. В заключение следует отметить, что представленная теоретико-множественная модель АСУ качеством изделия позволяет определить правила обмена информацией и ее переработки. Дальнейшим этапом явилась разработка критериев оценки качества продукции на этапах и стадиях ЖЦ изделия, способов принятия решений операторами АСУ качеством на основе продукционных моделей знаний. Это позволило разработать алгоритмы и программные средства АСУ качеством продукции в многономенклатурном машиностроении. Литература 1. Гличев А.В. Основы управления качеством продукции. М.: Стандарты и качество, 2001. 424 с.

2. Горбашко Е.А. Управление качеством: учеб. пособие. СПб: Питер, 2008. 384 с.

3. Черников Б.В., Ильин В.В. Управление качеством информационных систем в экономике: учеб. пособие. М.: Форум, 2009. 240 с.

4. Колчин А.Ф., Овсянников М.В., Стрекалов А.Ф., Сумарков С.В. Управление жизненным циклом продукции. М.: Анархист, 2002. 304 с.

References 1. Glichev А.V. Osnovy upravleniya kachestvom produktsii [Production quality control basis]. 2nd ed., Moscow, Standarty i kachestvo Publ., 2001, 424 p.

2. Gorbashko E.А. Upravlenie kachestvom: ucheb. posobie [Quality control: tutorial]. St. Petersburg, Piter Publ., 2008, 384 p.

3. Chernikov B.V., Ilin V.V. Upravlenie kachestvom informatsionnykh sistem v ekonomike: ucheb. posobie [Information systems in economics quality control: tutorial]. Moscow, Forum Publ., 2009, 240 p.

4. Kolchin А.F., Ovsyannikov M.V., Strekalov А.F., Sumarkov S.V. Upravlenie zhiznennym tsiklom produktsii [Production lifecycle management]. Moscow, Аnarkhist Publ., 2002, 304 p.

Программные продукты и системы

№ 4, 2013 г.

УДК 519.6

МОДЕЛИРОВАНИЕ ПРОЦЕССОВ УПРУГОПЛАСТИЧЕСКОГО ДЕФОРМИРОВАНИЯ МОДИФИЦИРОВАННЫМ МЕТОДОМ ГРАНИЧНЫХ ЭЛЕМЕНТОВ (Работа выполнена при частичной финансовой поддержке РФФИ, проект № 13-01-00516, и РЦП развития вычислительных, телекоммуникационных и информационных ресурсов УрО РАН, проект № РЦП-13-П4)

В.П. Федотов, д.т.н., главный научный сотрудник, старший научный сотрудник; Л.Ф. Спевак, к.т.н., доцент, зав. лабораторией; О.А. Нефедова, младший научный сотрудник (Институт машиноведения Уральского отделения РАН, ул. Комсомольская, 34, г. Екатеринбург, 620049, Россия, fedotov@imach.uran.ru, lfs@imach.uran.ru, nefedova@imach.uran.ru) В работе представлен программный комплекс, моделирующий двухмерные процессы упругопластического деформирования в элементах конструкций. В основе модели лежит решение статической задачи упругопластического деформирования. Алгоритм построен на базе модифицированного метода граничных элементов. Решение рассматриваемой нелинейной краевой задачи производится итерационно. На каждой итерации решается неоднородная линейная краевая задача теории упругости. Неоднородность определяется неупругими составляющими деформации и соответствующими напряжениями, вычисленными на предыдущей итерации. Применяемый алгоритм решения линейных задач имеет высокую эффективность благодаря точному вычислению интегралов в методе граничных элементов по полученным авторами аналитическим формулам. В алгоритм заложено распараллеливание вычислений на каждой стадии решения. Предложенный подход обеспечивает высокую скорость и точность вычислений. Разработанный на основе алгоритма программный комплекс позволяет проводить расчет напряженно-деформированного состояния при упругопластической деформации в двухмерных областях любой геометрии, находящихся под статической нагрузкой. Комплекс реализован на суперкомпьютере «Уран» ИММ УрО РАН. Кроме расчетного модуля, он включает в себя графический редактор, предназначенный для построения расчетных областей и ввода параметров и граничных условий задачи. Границы области задаются прямолинейными и круговыми участками, разбиваемыми на граничные элементы. Зона внутренней области, в которой нужно рассчитать напряжения и перемещения, произвольно задается границей, состоящей из прямолинейных и круговых участков. Частота расчетной сетки также задается произвольно, пересчет не требует нового решения задачи. В качестве примера рассмотрена задача упругопластического деформирования прямоугольной пластины с круговым отверстием. Результаты расчетов показаны на графике. Ключевые слова: параллельные вычисления, модифицированный метод граничных элементов, аналитическое интегрирование, упругопластические деформации.

ELASTIC-PLASTIC DEFORMATION PROCESSES SIMULATED

BY THE MODIFIED BOUNDARY ELEMENT METHOD Fedotov V.P., Dr. Tech. Sc., chief researcher, senior researcher; Spevak L.F., Ph.D. Tech. Sc., associate professor, head of laboratory; Nefedova O.A., junior researcher (Institute of Engineering Science of the Ural Branch of the RAS, Komsomolskaya St., 34, Ekaterinburg, 620049, Russian Federation, fedotov@imach.uran.ru, lfs@imach.uran.ru, nefedova@imach.uran.ru) Аbstract. The paper presents a software package simulating two-dimensional processes of elastic-plastic deformation in structural components. The model is based on solving static problem of elasic-plastic deformation. The solution algorithm is based on a modified boundary element method. The solution of the nonlinear boundary value problem under consideration is iterative. The inhomogeneous linear boundary value problem of the theory of plasticity is solved at each iteration. The inhomogeneity is determined by the non-elastic deformation components and corresponding stresses calculated at the previous iteration. The applied algorithm of solving linear problems is highly efficient due to the accurate computation of integrals with the boundary element method using our analytical formulae. The algorithm involves parallelized computations at each solution stage. The proposed approach provides high-speed and accurate computations. The software package based on the algorithm allows calculating the stress-strain state with elastic-plastic deformation in statically loaded two-dimensional regions of any geometry.

The package is implemented on the “Uran” supercomputer at the Institute of Mathematics and Mechanics, RAS (UB). It comprises not only a calculation module, but also a graphics editor to build computational domain and to input parameter and boundary conditions. The domain boundaries are specified by rectilinear and circular parts divided into boundary elements.

The interior domain zone for calculating stresses and displacements is arbitrarily specified by a boundary consisting of rectilinear and circular portions. The computational grid frequency is also specified arbitrarily, and recalculation does not require a new problem solution.

The problem of elastic-plastic deformation of a rectangular plate with a circular orifice is considered as an example. The calculation results are plotted.

Keywords: parallel computations, modified boundary element method, analytical integration, elastic-plastic deformations.

253

Программные продукты и системы

Расчет напряженно-деформированного состояния в элементах конструкций является базой для оценки их надежности и долговечности. Наибольшее значение имеет исследование поведения находящейся под нагрузками среды в случае возможного появления необратимых пластических деформаций. В связи с этим разработка эффективных средств решения статических задач упругопластического деформирования является важной и актуальной задачей. Применение модифицированного метода граничных элементов (ММГЭ) для решения как линейных, так и нелинейных задач математической физики показало высокую эффективность разработанного авторами подхода [1]. Создание на его основе алгоритма и высокопроизводительного программного средства для решения двухмерных задач упругопластического деформирования – логичное и естественное распространение подхода на новую область. Основой разрабатываемых граничноэлементных алгоритмов является аналитическое вычисление граничных интегралов по полученным авторами формулам. Кроме этого, в сами алгоритмы заложено распараллеливание вычислений. Решение нелинейной задачи упругопластического деформирования производится итерационно. На каждой итерации решается неоднородная линейная задача теории упругости, при этом неоднородная часть содержит расчетные данные с предыдущего итерационного шага. Таким образом, все преимущества решения МГЭ линейных задач переносятся на случай нелинейной задачи. Краевая задача упругопластического деформирования Система уравнений краевой задачи в рамках теории малых упругопластических деформаций для двухмерной области Ω состоит из уравнений равновесия, записанных в компонентах тензора напряжений σij, соотношений Коши, записанных для компонент тензора деформаций εij, определяющих соотношений, характеризующих свойства материала, и граничных условий: σij, j=0, (1) ij   ui , j  u j ,i  2 , (2)

2G  2Gij  1  2 mm ij , T  s , (3) ij   2G  2G     0  e   0 , T   ; ij mm ij ij ij ij s 1  2  * * u=u на Su; σij nj=fi= fi на Sf. (4) Здесь ui – компоненты вектора перемещения; G=E/(2(1+ν)) – модуль упругости при сдвиге, E – модуль Юнга, ν – коэффициент Пуассона; δij – символ Кронекера; T  sij sij 2 – интенсивность касательных напряжений, sij=σij–σkkδij/3 – компоненты девиатора напряжений; τs – предел теку254

№ 4, 2013 г.

чести материала на сдвиг; σije(x) – напряжения, соответствующие упругим деформациям; σij0(x) – «начальные» напряжения, соответствующие неупругим деформациям; S=SuSf – граница области Ω; fi – компоненты вектора поверхностных напряжений; ni – компоненты вектора внешней нормали к границе; i, j=1,2, по повторяющемуся индексу производится суммирование; звездочкой отмечены известные функции. В задачу входит определение во внутренних точках области Ω компонент вектора перемещения, тензора деформаций и тензора напряжений. Алгоритм решения В формулировке с начальными напряжениями для любой внутренней точки  справедливо ui    

   f j  x  uij  , x   u j  x  f ij  , x   dS  x   (5) S

  0kj uik , j  , x  d   x  , пл

где uij*(ξ, x) и fij*(ξ, x) – известные функции влияния; Ωпл – область пластического течения [2, 3]. Граничное интегральное уравнение в этом случае имеет вид 1 ui  x0   2    f j  x  uij  x0 , x   u j  x  f ij  x0 , x   dS  x   (6) S

  0kj uik* , j  x0 , x  d   x , пл

где x0 – произвольная граничная точка. Итерационная процедура, основанная на соотношениях (5) и (6), которая применялась при расчете напряженно-деформированного состояния при неупругой деформации, может быть схематично описана следующим образом.

1. На первой итерации решается задача теории упругости в предположении, что σij0(x)=0.  Для некоторого разбиения границы S на граничные элементы уравнение (6) сводится к системе линейных уравнений, решение которой дает неизвестные значения ui(1) и fi(1) в граничных точках области Ω в первом приближении.  Во внутренних точках области Ω в соответствии с формулой (5) и уравнением (2) по известным граничным значениям рассчитываются в первом приближении компоненты ui(1), εij(1). При расчетах используются аналитические формулы интегрирования, полученные ранее с использованием ММГЭ [2]. По формуле (3) вычисляются компоненты тензора напряжений σije(ε(1)), соответствующие упругим деформациям.  Из условия текучести T=τs определяются точки границы Sпл пластической зоны Ωпл области Ω.

Программные продукты и системы

 Внутри пластической зоны Ωпл рассчитываются начальные напряжения σij0(ε(1)) в соответствии с уравнением (3).

2. На k-й итерации решается задача с учетом значений начальных напряжений σij0(ε(k-1)), полученных на предыдущем шаге.  Из граничного интегрального уравнения (5) определяются неизвестные значения ui(k) и fi(k) в граничных точках области Ω. Для вычисления интеграла по Ωпл пластическая область разбивается на конечные элементы. Значения σij0(ε(k-1)) предполагаются постоянными на каждом элементе и отнесенными к их серединам, тогда справедливы соотношения  k 1 0 *  kj    uik , j  x0 , x  d   x  

пл



Nпл

 kj

0 m

m 1



Nпл

k 1

* ik , j

 x0 , x d   x  

em

 kj

m 1

     u

0 m

     u k 1

* ik

 x0 , x  n j dS  x  .

Sm

Здесь Nпл – число конечных элементов em в области Ωпл; Sm – граница элемента em; nj – компоненты внешней нормали к границе Sm.  Во внутренних точках области Ω по известным граничным значениям рассчитываются ui(k), εij(k), σije(ε(k)).  Из условия текучести T=τs определяются новые точки границы Sпл.  Внутри области Ωпл рассчитываются новые начальные напряжения σij0(ε(k)).

3. Расчет продолжается, пока две последующие итерации ui(k-1) и ui(k) не станут достаточно близки. Описание программы На основе представленного алгоритма была разработана программа для ЭВМ, выполняющая расчет напряженно-деформированного состояния для произвольной двухмерной области, подверженной упругопластическому деформированию. Основная цель создания программы заключалась в том, чтобы с привлечением технологий параллельного вычисления максимально ускорить счет, а использованием в алгоритме ММГЭ повысить точность расчетов. Блок-схема программы представлена на рисунке 1. Программа имеет простой и удобный в использовании интерфейс. Графический редактор написан на языке программирования Java. С помощью возможностей графического редактора можно построить произвольную плоскую область, аппроксимируя ее границу отрезками прямых или дуг окружности. Для целостного восприятия задачи экран ввода данных состоит из пяти окон. Первое окно – «Модель области» – это система координат для моделирования деформируемой области. Четыре других окна – таблицы для ввода входных

№ 4, 2013 г.

параметров задачи. В левой части экрана расположена таблица «Координаты граничных узлов», она содержит координаты граничных узлов прямолинейных и круговых участков границы. Справа вверху находится таблица «Расчетная область» с координатами узлов внутренней расчетной области. Под ней таблица с физическими параметрами процесса «Физические параметры». Внизу экрана расположена таблица «Граничные условия» с граничными условиями и количеством граничных элементов на каждом участке границы. Данные всех таблиц легко редактируются вручную. Можно перемещать таблицы по экрану, а также изменять их размеры. В левой верхней части экрана ввода размещены основные кнопки для работы с программой. С их помощью можно выполнять следующие действия: изменять масштаб координатной сетки, сохранять в файл геометрическую модель области и параметры задачи, открывать сохраненную ранее модель, очищать экран и таблицы параметров, отправлять задачу на счет, сохранять результаты расчета в файле Exсel. Выходные данные включают в себя компоненты вектора перемещения, тензора деформаций, тензора напряжений, а также инварианты тензора напряжений. Все величины рассчитаны для заданных внутренних точек области Ω. Использование таблицы Exсel позволяет наглядно представить полученные расчетные данные, построить графиВходные данные Решение задачи теории упругости для области  Определение границы Sпл Определение начальных напряжений ij0

Пересчет границы пластической области и начальных напряжений

Решение задачи с учетом начальных напряжений Нет k   k 1   ui  ui  dS   2

S

Да Вывод: расчет закончен Рис. 1. Общая блок-схема программы

255

Программные продукты и системы

№ 4, 2013 г.

ки на их основе, упрощает обработку и анализ результатов. Расчетная часть программы написана на языке программирования С++ с использованием библиотеки MPI для распараллеливания [4]. Счет осуществлялся на кластере umt («Уран») Института математики и механики УрО РАН (г. Екатеринбург). Пример

сдвига; eij=εij–εmmδij/3 – компоненты девиатора деформаций, значение параметра q определяется из условия непрерывности соотношений (3) при T=τs. После подстановки (7) соотношения (3) принимают вид 2G  2Gij  1  2  mm ij , T   s ,  2G  ij  mm  ij  2Gij  1  2  q  1    2  G  p    ij  3  mm ij  , T   s ,     где начальные напряжения вычисляются по форq  1   муле ij0  2  G  p   ij  mm ij  .  3    В силу симметрии деформируемой области задача была решена для половины пластины при следующих значениях параметров: l=20 м; d=10 м; a=1 м; E=2·1011 Н/м2; ν=0,28; f=2·108 Н/м2; τs=2·108 Н/м2; p=2·108 Н/м2. После введения физических и геометрических характеристик задачи с помощью разработанного графического редактора экран ввода данных имеет вид, представленный на рисунке 2. Результаты решения по предложенному алгоритму сравнивались с данными, полученными в пакете ANSYS. На рисунке 3 выполнено сравнение графиков, описывающих изменение компоненты тензора напряжений σ22 вдоль оси Ox1. На основании изложенного можно сделать вывод о том, что построенный алгоритм и разработанная программа для расчета характеристик напряженно-деформированного состояния материала при упругопластическом деформировании двухмерной области показали свою эффективность. Использование ММГЭ позволило свести 256

Рис. 2. Растяжение прямоугольной пластины c отверстием 500

400

σ22, ГПа

При использовании программы была решена задача упругопластического деформирования прямоугольной пластины размером l×d c круговым отверстием радиуса a, подверженной растяжению. Предполагалось, что в области пластического течения компоненты девиатора напряжений связаны с компонентами девиатора деформаций зависимостью 2T (7) sij  eij , T=q+pГ.  Здесь   2eij eij – интенсивность деформаций

300

200

100

0 1

2

3

4

5

6

7

8

9

x1, м

Рис. 3. Изменение напряжения 22 вдоль оси Ox1: —— – решение ММГЭ; - - - – решение в ANSYS

решение задачи в области  к решению на границе S и получать непрерывные деформации в любой точке рассматриваемой области. В области пластического течения учитывалось влияние пластической деформации на расчетные характеристики материала. Были снижены временные затраты на решение краевой задачи из-за возможности распараллеливания алгоритма. Литература 1. Федотов В.П., Спевак Л.Ф. Модифицированный метод граничных элементов в задачах механики, теплопроводности и диффузии. Екатеринбург: УрО РАН, 2009. 164 с.

2. Бенерджи П. Метод граничных элементов в прикладных науках. М.: Мир, 1984. 494 с.

3. Бреббия К., Теллес Ж., Вроубел Л. Метод граничных элементов. М.: Мир, 1987. 526 с.

4. Антонов А.C. Параллельное программирование с использованием технологии MPI. М.: МГУ, 2004. 71 с.

References 1. Fedotov V.P., Spevak L.F. Modifitsirovanny metod granichnykh elementov v zadachakh mekhaniki, teploprovodnosti i diffuzii [A modified boundary element method in mechanics, transcalency and diffusion problems]. Ekaterinburg, Ural Branch of RAS Publ., 2009, 164 p.

2. Banerjee P.K., Butterfield R. A boundary element method in engineering science. McGraw-Hill Inc. Publ., 1981, 452 p.

3. Brebbia C.A., Telles J.C.F., Wrobel L.C. Boundary element techniques. Springer. Berlin, Heidelberg Publ., 1984, 526 p.

4. Antonov A.S. Parallelnoe programmirovanie s ispolzovaniem tekhnologii MPI [Parallel programming using MPI technology]. Moscow, MSU Publ., 2004, 71 p.

Программные продукты и системы

№ 4, 2013 г.

УДК 004.67

ИСПОЛЬЗОВАНИЕ УДАЛЕННОГО ДОСТУПА ПАКЕТА MATLAB ДЛЯ РЕШЕНИЯ ЗАДАЧ ТАКСОНОМИИ ДЕТАЛЕЙ А.М. Шестаков, аспирант (Национальный исследовательский Иркутский государственный технический университет, ул. Лермонтова, 83, г. Иркутск, 664074, Россия, shestakova_olga2@mail.ru) Показана эффективность проведения таксономии деталей, обрабатываемых на металлорежущих станках, в удаленном режиме через сеть Интернет. С этой целью разработано веб-приложение средствами пакета Matlab, предназначенного для решения различных математических задач, и инструментального средства Matlab Web Server (MWS). Инструментальное средство Matlab Web Server обеспечивает работу приложений Matlab в сети Интернет, используя технологию в виде HTML-страниц и форм. Технология сети Интернет позволяет сделать приложения, разработанные в пакете Matlab, доступными во Всемирной сети. Как следствие такого подхода – от пользователя не требуются знание системы Matlab и установка на локальном компьютере, он использует сетевой ресурс, на котором выполняются процессы, реализующие возможности пакета Matlab. Технолог сможет использовать информацию, полученную в результате работы веб-приложения, для принятия решения о разработке единого технологического процесса для всех деталей, включенных в один класс. Конечное разделение деталей по классам отображается графически в виде точек в пространстве. Каждая такая точка соответствует одной детали. Точки, объединенные одной цветовой гаммой, а также скоплением точек, образуют общий технологический процесс обработки. Разработанное веб-приложение может быть использовано для разделения деталей на классы технологий удаленно через сеть Интернет, по которым они могут быть в дальнейшем изготовлены на современных машиностроительных предприятиях. Доступ к веб-приложению могут иметь несколько пользователей, работающих одновременно и независимо друг от друга. Ключевые слова: таксономия деталей, выделение классов, удаленный доступ, Matlab Web Server, веб-приложение, автоматическая классификация, классы деталей.

USING THE REMOTE ACCESS MATLAB PACKAGE TO SOLVE DETAILS TAXONOMY PROBLEMS Shestakov A.M., postgraduate student (National Research Irkutsk State Technical University, Lermontova St., 83, Irkutsk, 664074, Russian Federation, shestakova_olga2@mail.ru) Аbstract. The paper shows the efficiency of the remote taxonomy via the Internet for details to be worked on metalcutting equipment. For this purpose, a Web-based application had been developed using Matlab tools that is used for different mathematical problems, and Matlab Web Server (MWS) tool.

Matlab Web Server enables Matlab applications working in the Internet, using the technology in the form of HTMLpages and forms. The Internet technology allows making applications developed in Matlab available on the Web. As a consequence, the user does not required to know how to use Matlab, as well as to install Matlab on a local computer. The user works with a network resource that is running the processes for Matlab. The technologist can use the information obtained as a result of Web-application work and make a decision to develop a single process for all the details of the same class. Final details classification is displayed graphically as the dots in space. Each dot represents a single detail. Same colour-grade dots, as well as the accumulation of points form a common workflow processing. Developed web application can be used to classificate details according to technologies via the Internet, and then to process them in modern engineering enterprises. Access to the web application can be divided into a number of users working simultaneously and independently.

Keywords: details taxonomy, classification, remote access, matlab web server, web application, automatic classification, classes of details.

Большие трудозатраты на создание технологических процессов обусловливаются разнообразием профилей обрабатываемых поверхностей деталей. Для повышения эффективности контура разработки технологий деталей применяется методика проф. А.П. Соколовского [1]. С ее помощью схожие по признакам детали объединяются в общий технологический процесс. Это не совсем эффективно, так как объединение выполняется вручную и при выделении технологического процесса можно допустить ошибки. Для исключения подобных ошибок, а также для сокращения трудозатрат на создание технологических процессов автором статьи разработано веб-приложение, позволяющее технологу выде-

лять классы деталей, похожих с точки зрения описывающих их свойств, посредством применения таксономии. Данное научное предположение состоит в том, что получающиеся классы технологий могут быть рекомендованы для технолога. Предполагается, что для деталей, включенных в один класс, может быть разработан общий типовой технологический процесс. Постановка задачи Для выделения классов через веб-приложение технологу требуется подать на вход программы исходные данные в виде таблицы с именами и значениями показателей. Подробное описание

257

Программные продукты и системы

подхода к решению данной задачи, а также алгоритмы для выделения классов в пакете Matlab описаны в [2]. Возвращаемый результат веб-приложения отображается на экране в виде графического изображения деталей, разделенных на соответствующие классы. Описание работы взаимодействия веб-браузера пользователя и инструментального средства Matlab Web Server Веб-приложение построено на основе входных и выходных форм языка HTML, их задача – передача файла и параметров, заданных пользователем, и запуск удаленного вычисления пакета Matlab. Страницы HTML хранятся на веб-сервере. Все операции по разделению на классы производятся пакетом Matlab на стороне сервера и без участия пользователя. Команды на выполнение действий написаны на встроенном языке Matlab, это позволяет реализовать сложную задачу, не прибегая к другим языкам программирования. В пакете Matlab есть готовые алгоритмы таксономии, по которым она и происходит. Инструментальное средство, содержащееся в пакете Matlab, конвертирует его результаты и отправляет их пользователю, а также принимает входную информацию, необходимую для текущей задачи и передачи ее в пакет Matlab. Это средство позволяет реализовать удаленные вычисления и отобразить результат на браузере пользователя. Для обработки поступившего запроса инициализируются файлы-сценарии (m-файлы), содержащие список команд вычислительного процесса. В файлах-сценариях пакет Matlab определяет вычислительные операции текущего процесса. Набор файлов, обеспечивающих работу веб-приложения, недоступен для чтения извне. Вычисленные значения с графическим изображением передаются обратно пользователю, запросившему данные. В итоге на стороне веб-браузера пользователя формируется результирующая HTML-страница выходных данных. Структура взаимодействия веб-приложения с веб-браузером пользователя представлена на рисунке 1. Рассмотрим взаимодействие пакета Matlab и веб-браузера: веб-браузер передает запрос на отображение страницы HTML на сервер. После ввода необходимой информации HTML-страница отправляет параметры инструментальному средству Matlab Web Server для анализа запроса, конвертирования и передачи его пакету Matlab, после чего пакет Matlab выполняет расчеты для заданной задачи и отправляет результаты обратно на веббраузер пользователя.

258

№ 4, 2013 г.

Сервер

m-файлы

HTMLстраницы

Веб-сервер Apache

Глобальная сеть Интернет

Пакет Matlab

Передача информации на управление инструментальным средством Matlab Web Server

Веб-браузер пользователя

Рис. 1. Структурная схема взаимодействия пакета Matlab и веб-браузера пользователя

Следующая конструкция языка позволяет передать пакету Matlab информацию о файле-сценарии, который следует инициализировать: <input type=”hidden” name=”mlmfile” value=”taxonomy”>, в данной строке аргументу mlmfile присваивается значение taxonomy. Для тестирования веб-приложения был взят файл ирисов Фишера, так как хорошо известны и эти данные, и их конечное разделение на классы. Проведение такого теста с данными ирисов Фишера позволило получить результат разделения на три класса (рис. 2), что соответствует действительности. Деление на классы получилось четким и однозначным.

Рис. 2. Результат выделения классов для ирисов Фишера

На экране (рис. 2) отображается наилучшее разделение деталей. Данная работа является результатом поиска максимального значения силуэта из трех алгоритмов. На странице указан

Программные продукты и системы

найденный алгоритм, а также графически представлены детали, разделенные по классам этим алгоритмом. По результатам разделения деталей можно проводить дальнейший анализ. Конечное разделение деталей по классам отображается в виде точек в пространстве. Каждая такая точка соответствует одной детали. Точки, объединенные одной цветовой гаммой, а также скопление точек образуют общий технологический процесс обработки. Для определения качества работы алгоритма используется встроенная функция silhouette пакета Matlab, подробнее использование названной функции описано в работе [2]. Результат работы функции – график силуэтов деталей, показывающий степень принадлежности каждой детали указанному классу (рис. 3). График силуэтов деталей строится для того алгоритма, по которому получено максимальное значение силуэта. По оси Х на рисунке 3 указывается значение силуэта, по оси Y – номер класса.

№ 4, 2013 г.

В случае использования локального приложения таксономии деталей возможен только монопольный режим, веб-приложение, напротив, позволяет работать одновременно нескольким пользователям независимо друг от друга. Работа с веб-приложением не только позволяет пользователю выполнять операции с Matlab-приложениями, не зная самой системы, но и предотвращает несанкционированный доступ к исходным текстам веб-приложения. В заключение необходимо отметить, что использование удаленного доступа пакета Matlab для решения задач таксономии деталей может позволить эффективно выполнять поставленные задачи по выделению классов через сеть Интернет, используя на стороне пользователя только интернет-браузер. Возможности для анализа больших объемов данных, а также минимизация вмешательства со стороны пользователя в процесс таксономии могут существенно упростить существующий на данный момент подход к классификации деталей, а в конечном итоге значительно повысить технологичность производства деталей. Литература 1. Соколовский А.П. Основы технологии машиностроения. М.: Машгиз, 1938. Т. 1. 472 с.

2. Шестаков А.М. Использование удаленного доступа пакета Matlab для решения задач таксономии деталей // Вестн. Иркутского гос. тех. ун-та. 2012. № 6. С. 11–17.

3. Пономарева И.С., Зелепухина В.А., Тарасевич Ю.Ю. Разработка приложений для Matlab Web Server // Компьютерные инструменты в образовании. 2005. № 4. С. 48–56.

4. Котельников И.А., Черкасский В.С. MATLAB Web Server: вычисления в Интернете // Exponenta Pro. Математика в приложениях. 2004. № 1 (4). С. 4–11.

5. Настройка MatLab web-server на платформе Apache и его приложения для моделирования физических процессов.

URL: http://infocom.uz (дата обращения: 10.07.2012).

6. MATLAB Web Server. The Math Works, Inc. 2002.

References Рис. 3. График силуэтов деталей, разделенных на три класса

В приложении для таксономии применяются три алгоритма: алгоритм нечетких с-средних, алгоритм к-средних, иерархическая классификация (подробнее см. [2]). Применение нескольких алгоритмов для решения задачи дает наиболее точное решение. Кроме того, это позволяет подстраховаться от неверного результата работы одного из алгоритмов. Эффективность веб-приложения для таксономии деталей через сеть Интернет обусловлена отсутствием пакета Matlab на стороне пользователя, то есть нет привязанности приложения к конкретному компьютеру, все вычислительные операции производятся на сервере.

1. Sokolovskiy A.P. Osnovy tekhnologii mashinostroeniya [The basics of engineering technology]. Moscow, Mashgiz Publ., 1938, vol. 1, 472 p.

2. Shestakov A.M. Using remote accessed Matlab package to solb problems of details taxonomy. Vestnik Irkutskogo Gosudarstvennogo Tehnicheskogo Universiteta [Bulletin of Irkutsk State Technical University]. 2012, no. 6, pp. 11–17.

3. Ponomareva I.S., Zelepukhina V.A., Tarasevich Yu.Yu. Applications design for Matlab. Kompyuternye instrumenty v obrazovanii [Computer tools in education]. 2005, no. 4, pp. 48–56.

4. Kotelnikov I.A., Cherkasskiy V.S. MATLAB Web Server: calculations in the Internet. Exponenta Pro. Matematika v prilozheniyakh [Exponenta Pro. Math in applications]. 2004, no. 1 (4), pp. 4–11.

5. Nastroyka MatLab web-server na platforme Apache i ego prilozheniya dlya modelirovaniya fizicheskikh protsessov [Setting MatLab web-server on Apache platform and its application to simulate physical processes]. Available at: http://infocom.uz (accessed 10 July 2012).

6. MATLAB Web Server. The Math Works, Inc. Available at: http://www.mathworks.com/?s_tid=gn_logo (accessed 7 November 2012).

259

Программные продукты и системы

№ 4, 2013 г.

УДК 004:519.711.3:621.777

КОМПЬЮТЕРНАЯ СИСТЕМА МОДЕЛИРОВАНИЯ ТЕХНОЛОГИИ ВЕРТИКАЛЬНОГО НЕПРЕРЫВНОГО ЛИТЬЯ ЗАГОТОВОК ИЗ ЦВЕТНЫХ МЕТАЛЛОВ Н.К. Жиганов, д.ф.-м.н., профессор; Е.Е. Фомина, к.т.н., доцент (Тверской государственный технический университет, наб. Аф. Никитина, 22, г. Тверь, 170026, Россия, jiganov2005@yandex.ru; f-elena2008@yandex.ru); И.Н. Вольнов, к.т.н., технический эксперт (Русская промышленная компания, ул. Александра Солженицына, 29/18, г. Москва, 109004, Россия, ilja-volnov@yandex.ru) Технологи, проектирующие литейные процессы, сталкиваются с необходимостью использования компьютерных систем, позволяющих изучать физические явления, сопровождающие процесс литья и кристаллизации металла, оптимизировать технологические параметры. Такие системы на подготовительном этапе дают возможность заменить физический эксперимент вычислительным, экономя при этом временные и материальные ресурсы. Данная статья посвящена компьютерной системе, предназначенной для моделирования процесса вертикального непрерывного и дискретно-непрерывного литья заготовок цилиндрической формы из цветных металлов и их сплавов, оптимизации технологических параметров процесса и визуализации процесса роста кристаллов. В настоящей работе содержится обзор разработанных на сегодняшний день литейных пакетов, рассматриваются границы их применения. Приводится схема литейного процесса, моделируемого с использованием компьютерной системы, подробно описываются модули системы. Представлены результаты вычислительных экспериментов, которые были проведены с использованием разработанной системы. Ключевые слова: компьютерная система, моделирование процесса литья, литье цветных металлов.

CAE TECHNOLOGY OF VERTICAL CONTINUOUS NONFERROUS FEEDSTOCK CASTING Zhiganov N.K., Dr.Sc. (Physics and Mathematics), professor; Fomina E.E., Ph.D. Tech. Sc., associate professor (Tver State Technical University, Quay Nikitin, Tver, 22, 170026, Russian Federation, jiganov2005@yandex.ru; f-elena2008@yandex.ru); Volnov I.N., Ph.D., technical expert (Russian Industrial Company, Alexander Solzhenitsyn St., 29/17, Moscow, 109004, Russian Federation, ilja-volnov@yandex.ru) Аbstract. Vertical continuous casting is one of the main technologies of manufacturing nonferrous metal and their alloy products. Understanding physical phenomena of casting, cooling and crystallizing processes is the key condition of technological development. Casting process designers deal with CAE systems to research physical phenomena during metal casting and crystallizing and to optimize process-dependent parameters. Such systems at the development stage can replace a physical model experiment with a computing experiment to save time and material resources. The article describes a CAE system for modelling vertical continuous and discrete-continuous casting of nonferrous metal and alloy cylindrical feedstock, optimizing process-dependent parameters and visualizing crystal growth process. The first section of the article reviews casting packets developed to date and investigates the scope of their application. The second section describes a CAE casting process flow diagram and details system modules – a data input module, a mesh generation module, a thermal process calculation module, an optimization module, a microporosity module, a chemical component distribution module and a crystallization module. The results of computing experiments conducted with the system developed and researching the influence of technological parameters on the cooling and casting channelling processes are presented.

Keywords: CAE system, casting modelling system, nonferrous metal casting.

Вертикальное непрерывное литье является одним из основных способов получения продукции из цветных металлов и их сплавов. Понимание физических явлений, протекающих в отливке во время процесса литья, охлаждения и кристаллизации, является основным условием совершенствования технологий и проектирования литейного процесса, позволяющего получить качественную продукцию. На сегодняшний день разработан ряд компьютерных систем для анализа и визуализации процесса литья. Среди наиболее известных можно отметить системы PolyCast, Полигон, LVMFlow, ProCAST, MAGMASoft, FLOW3D, FlowVision. Все они являются мощным инструментом для исследования литья в форму, но не могут применяться для моделирования непрерывного литья. В 260

свою очередь, системы, которые могут применяться для моделирования процессов непрерывного и дискретно-непрерывного литья, необходимо адаптировать для конкретного процесса. Эта задача требует определения целого ряда теплофизических характеристик, некоторые из них известны весьма приближенно, так как зависят от режимов литья и конструктивных особенностей. Экспериментальное определение этих параметров весьма затруднительно. Важным моментом является наличие модуля визуализации картины роста кристаллов, который дает возможность получить лучшее представление о структуре отливки и прогнозировать дефекты, возникающие в процессе затвердевания. Наличие этого модуля предусмотрено не во всех программных продуктах.

Программные продукты и системы

№ 4, 2013 г.

К тому же приобретение и обслуживание описанных компьютерных систем требует значительных материальных затрат, что не позволяет использовать их на небольших заводах или в литейных цехах. Таким образом, задача проектирования компьютерных систем, предназначенных для моделирования процесса вертикального непрерывного и дискретно-непрерывного литья цилиндрических заготовок из цветных металлов и их сплавов, объединяющая в себе модули расчета теплового процесса, гидродинамики, оптимизации технологических параметров, расчета микропористости и концентрации химической компоненты, а также модуль кристаллизации, является весьма актуальной. Настоящая статья посвящена описанию компьютерной системы, предназначенной для решения названных выше задач. Виды моделируемых технологий литья. Компьютерная система может использоваться для моделирования технологического процесса вертикального непрерывного и дискретно-непрерывного литья цилиндрических заготовок, схема которого приведена на рисунке 1. Согласно схеме, расплав подается в медный кристаллизатор либо через отверстие, диаметр которого равен диаметру кристаллизатора, либо через кольцеобразные пристеночные отверстия, что позволяет уменьшить давление жидкого металла на корку слитка, обеспечить более равномерную подачу расплава и более равномерное охлаждение [1]. В установке предусмотрена возможность дополнительного подогрева расплава за счет внешнего источника тепла. Необходимость в дополнительном подогреве и подплавлении затвердевшего металла обусловлена

тем, что при непрерывном вертикальном литье в структуре заготовки может образовываться дендритный каркас, который затрудняет течение расплава и ведет к образованию пустот и усадочных раковин. Заготовка вытягивается вниз из кристаллизатора с постоянной скоростью (непрерывное литье) либо с периодическими остановами (дискретнонепрерывное литье) для достижения лучшего охлаждения. Математическое описание задачи основывалось на системе дифференциальных уравнений, включающей в себя уравнение неразрывности, уравнения количества движения, уравнение энергии, уравнения микропористости и переноса химических компонент, граничные условия, а также на модели кристаллизации. Алгоритм решения построенной системы дифференциальных уравнений, базирующийся на методе контрольных объемов и алгоритме SIMPLER, подробно описан в [2]. Моделирование кристаллизации осуществлялось на основе аппарата клеточных автоматов [3]. Адекватность разработанной математической модели подтверждена выполнением условия адектабл ватности по критерию Фишера F  F0,95 для глубины зоны затвердевания (h2, м) (рис. 2), расчет которой реализуется в компьютерной системе [2].

Электронные лучи для дополнительного подогрева х

Расплав

L

а) Кристаллизатор

Форма 0 -R

r1 r2 rf

r R

Рис. 1. Принципиальная схема непрерывного литья с вытяжкой заготовки вниз: R – радиус формы, L – длина формы, r1, r2 – внутренний и внешний радиусы кольца, через которое осуществляется дополнительный подогрев, rf – внутренний радиус кольца для литья

б)

Рис. 2. Модуль вывода результатов: а) температурный профиль, б) значение температуры в узловых точках сетки

Система включает в себя следующие модули. Модуль ввода данных, который позволяет задать теплофизические свойства металлов (теплоемкость, теплопроводность, вязкость, энтальпию, температуру ликвидуса и солидуса и др.), а также значения технологических и конструкционных параметров, таких как скорость литья, радиус и длина формы, радиусы колец для дополнительного подогрева и кольца для литья. Модуль генерации сетки, используемый для генерации равномерной фиксированной 2D-сетки по продольному сечению заготовки. Генерация сетки происходит в автоматическом режиме, кро261

Программные продукты и системы

ме того, пользователь имеет возможность самостоятельно задать шаг сетки по горизонтали и вертикали. Модуль расчета теплового процесса и поля течения решает систему уравнений движения Навье–Стокса, тепловое уравнение, уравнения, описывающие модель турбулентности, граничные условия [2, 4]. Моделирование можно проводить при различных условиях: при заливке через кольцевые пристеночные отверстия, при заливке через отверстие, диаметр которого совпадает с диаметром формы, при подключении дополнительного источника подогрева расплава (рис. 1). В результате расчета процесса пользователю будут представлены таблицы значений температуры (рис. 2б), скорости и давления в каждой узловой точке сетки по всему продольному сечению слитка; температурный профиль, содержащий жидкую зону (темносерый цвет, рис. 2а), твердо-жидкую зону (промежуточный цвет в градациях серого, рис. 2а), зону с твердым металлом (светло-серый цвет, рис. 2а); численные значения, соответствующие высоте контакта жидкого металла со стенками формы (h1, м), глубине зоны затвердевания (h2, м) и ширине твердо-жидкой зоны (h3, м). Модуль оптимизации предназначен для определения таких значений основных технологических параметров (скорость литья, время останова, длина и радиус формы), при которых обеспечиваются определенные критерии качества отливки. В качестве доступных критериев в системе предусмотрены следующие: минимизация градиентов температур по толщине затвердевшей корки (что приводит к отсутствию трещин в заготовке), линейность распределения температуры в продольном сечении затвердевающей части заготовки (что способствует формированию равномерного кристаллического строения), приближение к режиму охлаждения без термических напряжений [2]. Результатом расчета являются численные значения технологических параметров, которые необходимо задать технологу, чтобы обеспечить требуемый критерий качества. Модуль микропористости позволяет рассчитывать пористость и междендритную усадку, а также прогнозировать возникновение областей с жидким металлом в затвердевшей части отливки, которые приводят к образованию пустот и усадочных раковин и как следствие к дефектам продукции. Результатом моделирования микропористости является таблица значений, содержащая доли жидкой и твердой фаз (1 – твердая фаза, 0 – жидкая фаза) в единице объема, соответствующего ячейке сетки по всему продольному сечению слитка, и температурный профиль, на котором участки с жидким металлом отображаются темносерым цветом (рис. 3). Модуль расчета распределения химических компонент производит расчет расслоения компо262

№ 4, 2013 г.

нент сплава и выводит долю каждого компонента сплава в единице объема, соответствующего ячейке сетки (для двухкомпонентных сплавов). Результатом расчета является таблица, содержащая значения доли каждого компонента в ячейках сетки по всему продольному сечению слитка. Модуль кристаллизации предназначен для построения, Рис. 3. Моделирова- вывода и анализа диаграммы ние микропористо- роста кристаллов по прости дольному сечению отливки (рис. 4). С использованием разработанной компьютерной системы была проведена серия вычислительных экспериментов, позволяющая проанализировать влияние технологических параметров на процесс затвердевания отливки [5, 6]. Построенные кривые охлаждения позволили сделать вывод о том, что увеличение радиуса заготовки, скорости литья, температуры расплава, а также уменьшение длины кристаллизатора и формы приводят к увеличению зоны прогиба кристаллизации, в то время как увеличению высоты мягкой зоны способствуют увеличение скорости литья, уменьшение длины кристаллизатора и формы, увеличение температуры охлаждающей воды.

Рис. 4. Модуль вывода процесса кристаллизации

Выявлены технологические параметры, оказывающие наибольшее влияние на процесс охлаждения, предложены границы их изменения: скорость литья (0,001<Uлит<0,05), температура расплава (1390<Tраспл<1450), температура охлаждающей воды (280<Tохл<310), длина кристаллизатора (0,3<Lкр<1). Показано, что глубина зоны затвердевания не должна превышать длину кристаллизатора [6]. Исследовался вопрос повышения производительности за счет увеличения скорости литья при сохранении устойчивости процесса [6]. Получены особенности затвердевания заготовки при дискретно-непрерывном литье. Установлено, что периодические остановы слитка являются мощным технологическим фактором, влияющим

Программные продукты и системы

на процесс охлаждения. Степень этого влияния зависит прежде всего от способа и скорости литья, а также диаметра слитка [5]. Проведена серия экспериментов, моделирующих картину кристаллической структуры отливки и позволяющих проанализировать влияние значений технологических параметров на процесс роста кристаллов. Таким образом, разработанная компьютерная система является мощным инструментом технолога, позволяющим без натурных экспериментов произвести моделирование и оптимизацию процесса литья, избежав при этом появления дефектов продукции. Литература 1. Бровман М.Я. Непрерывная разливка металлов. М.: Экомет, 2007. 484 с.

2. Жиганов Н.К., Вольнов И.Н., Фомина Е.Е., Жиганов А.Н. Моделирование и оптимизация процессов дискретнонепрерывного литья цветных металлов и их сплавов: монография. Тверь: ТГТУ, 2009. 107 с.

3. Абашева Э.Р., Елисеев А.А., Лукашин А.В., Третьяков Ю.Д., Кольцова Э.М. Моделирование на основе аппарата клеточных автоматов синтеза нанонитей железа в матрице мезопористого диоксида кремния // Химия твердого тела и современные микро- и нанотехнологии: V Междунар. науч. конф.

2005. С. 219–220.

4. Патанкар C. Численные методы решения задач теплообмена и динамики жидкости; [пер. с англ.]. М.: Энергоатомиздат, 1984. 152 с.

№ 4, 2013 г.

5. Жиганов Н.К., Фомина Е.Е., Вольнов И.Н. Влияния технологических параметров на охлаждение непрерывнолитой медной заготовки // Литейщик России. 2008. № 8. С. 18–20.

6. Жиганов Н.К., Фомина Е.Е., Вольнов И.Н. Оптимизация процессов дискретно-непрерывного литья цветных металлов и их сплавов // Литейщик России. 2012. № 1. С. 28–30.

7. Жиганов Н.К., Фомина Е.Е. Программа выбора технологических режимов дискретно-непрерывного литья цветных металлов и их сплавов // Программные продукты и системы.

2012. № 2. С. 18–20.

References 1. Brovman M.Ya. Nepreryvnaya razlivka metallov [Continuous metal casting]. Moscow, Ekomet Publ., 2007, 484 p.

2. Zhiganov N.K., Volnov I.N., Fomina E.E., Zhiganov A.N. Modelirovanie i optimizatsiia protsessov diskretno-nepreryvnogo litya tsvetnykh metallov i ikh splavov [Modeling and optimizing discrete-continuous nonferrous metal and alloy casting processes]. monograph, Tver State Tech. Univ. Publ., 2009.

3. Abasheva E.R., Eliseev A.A., Lukashin A.V., Tretyakov Yu.D., Koltsova E.M. 5 Mezhdunar. nauchnaya konf.

“Khimiya tverdogo tela i sovremennye mikro- i nanotekhnologii” [Proc. of 5 int. scientific conf. “Chemistry of a solid and modern micro- and nanotechnologies”]. 2005, pp. 219–220.

4. Patankar S. Chislennye metody resheniya zadach teploobmena i dinamiki zhidkosti [Numerical techniques for solving problems of heat exchange and fluid dynamics]. Moscow, Energoatomizdat Publ., 1984, 152 p.

5. Zhiganov N.K., Fomina E.E., Volnov I.N. Liteyshchik Rossii [Russian caster]. 2008, no. 8, pp. 18–20.

6. Zhiganov N.K., Fomina E.E., Volnov I.N. Liteyshchik Rossii [Russian caster]. 2012, no. 1, pp. 28–30.

7. Zhiganov N.K., Fomina E.E., Programmnye produkty i sistemy [Software & Systems]. 2012, no. 2, pp. 18–20.

УДК 621.3.068

УПРАВЛЕНИЕ ПРОЦЕССАМИ ТЕХНИЧЕСКОГО ОБЛУЖИВАНИЯ АВИАЦИОННОГО ОБОРУДОВАНИЯ НА ОСНОВЕ МЕТОДА ПРОГРАММИРОВАНИЯ В ОГРАНИЧЕНИЯХ А.В. Федотова, соискатель (Московский государственный технический университет им. Н.Э. Баумана, ул. 2-я Бауманская, 5, г. Москва, 105005, Россия, afedotova@acm.org) Одной из основных задач интегрированной логистической поддержки является снижение эксплуатационных расходов. Наиболее предсказуемая и управляемая составляющая общих расходов на эксплуатацию – техническое обслуживание и ремонт оборудования. Основными параметрами, характеризующими совершенство системы, являются объем и периодичность выполнения работ по техническому облуживанию. В статье рассмотрены и проанализированы поэтапные методы распределения работ для планирования технического обслуживания сложных систем, описаны постановка задачи планирования технического обслуживания оборудования и задачи, решаемые методом удовлетворения ограничений. Приведена классификация ограничений, сформулированы ограничения для решаемой задачи распределения работ по процедурам. Приведены методы удовлетворения ограничений, подходящие для решения задачи планирования периодических процессов обслуживания. Описана онтология предметной области. Выбраны методы и сформулирована методика решения задачи, основанная на комбинации методов перебора и предварительного ограничения пространства поиска. Предложены алгоритмы реализации методов. Приведены результаты тестирования применения методики. Ключевые слова: техническое обслуживание и ремонт, удовлетворение ограничений, CSP, периодические процессы обслуживания, комбинаторная задача, методы поиска решений, поиск с возвратами, онтология предметной области.

263

Программные продукты и системы

№ 4, 2013 г.

MANAGMENT OF AIRCRAFT EQUIPMENT MAINTENANCE PROCESSES BASED ON CONSTRAINTS SATISFACTION METHOD Fedotova A.V., postgraduate student (Department of Computer Automation System, Bauman Moscow State Technical University, 2nd Baumanskaya St., 5, Moscow, 105005, Russian Federation, afedotova@acm.org) Abstract. One of the main objectives of integrated logistics support is reducing operating costs. The most predictable and controllable component of the total operation cost is the maintenance and repair of equipment. The main parameters that characterize the perfection of maintenance and repair system are the scope and frequency of maintenance operations. The article describes the incremental methods of works distribution of to maintenance scheduling complex systems, considers the problem statement of the equipment maintenance and the tasks to be solved by the method of constraint satisfaction. A classification of the constraints for the task is reviewed. The methods of constraint satisfaction, suitable for solving periodic maintenance processes scheduling is reviewed. The paper describes the domain ontology. The authors choose the methods and formulate the technique to solve the problem, it is based on a combination of search methods and preliminary restriction of search space. The algorithms of methods implementation are offered. The test results of the technique application are described.

Keywords: maintenance and repair of equipment, constraints satisfaction, CSP, periodic maintenance processes, combinatorial problem, methods to find solutions, backtracking, domain ontology.

Главное отличие процессов и процедур послепродажного сопровождения, принятых в России и описываемых в отечественных нормативных документах, от аналогичных процессов и процедур, регламентированных зарубежными стандартами, состоит в том, что отечественные документы не предусматривают систематическое применение информационных технологий для поддержки этих процессов. Проблема интегрированной логистической поддержки (ИЛП) приобрела особую актуальность в связи с выходом отечественных предприятий – производителей наукоемкой продукции – на международный рынок. Иностранные заказчики предъявляют к средствам и системам послепродажного сопровождения российских изделий те же требования, что и к аналогичным изделиям зарубежных фирм. В этой связи проблема организации ИЛП для изделий российских предприятий переходит в разряд первоочередных, поскольку от ее решения в значительной мере зависит конкурентоспособность отечественной машиностроительной продукции на мировом рынке. На рисунке 1 схематически показаны основные элементы ИЛП. Одной из составляющих является управлеУправление ТОиР Управление МТО. Запчасти и расходные материалы

Анализ логистической поддержки

Эксплуатационная документация ИЛП Обучение и обучающее оборудование

Испытательное и вспомогательное оборудование

Утилизация

Инфраструктура

Мониторинг процессов эксплуатации и технического обслуживания

Упаковка, погрузка, разгрузка, хранение и транспортировка

Рис. 1. Основные элементы ИЛП

264

ние техническим обслуживанием и ремонтом (ТОиР). В силу общеизвестных экономических причин (инфляция), с разной степенью интенсивности действующих практически во всех странах, приведенная стоимость изделия со временем возрастает, а приведенные эксплуатационные расходы убывают. На рисунке 2 представлен безразмерный график, иллюстрирующий указанные тенденции, стоимость жизненного цикла (СЖЦ) изделия. Приведенные эксплуатационные расходы

Приведенная стоимость изделия t

Рис. 2. Структура СЖЦ изделия

Снижение эксплуатационных расходов позволит снизить расходы перевозчиков и тем самым повысить конкурентоспособность воздушных судов (ВС). Расходы на ТОиР являются наиболее предсказуемой и управляемой составляющей общих расходов на эксплуатацию, величина которой может колебаться от 10 до 50 % в зависимости от совершенства действующей системы технической эксплуатации. Основными параметрами, характеризующими совершенство системы ТОиР, являются объем и периодичность выполнения работ по техническому обслуживанию (ТО), оказывающие прямое влияние на эксплуатационные расходы и интенсивность эксплуатации ВС.

Программные продукты и системы

Основой любого управления, в том числе управления ТОиР, является планирование, определяющее цели управления, ресурсы, необходимые для достижения этих целей, а также действия по достижению целей и их распределение во времени. Поэтому в дальнейшем управление ТОиР исследуется в аспекте планирования. В работе будет рассмотрено управление ТО оборудования. Все вышесказанное предопределяет актуальность тематики исследований, изложенных в статье. Поскольку управление ТОиР требует обработки больших объемов разнообразной информации, его выполнение возможно только в автоматизированном режиме, то есть по сути речь идет об автоматизации достаточно своеобразного технологического процесса инженерной деятельности. Определение ТОиР ТО – комплекс операций или операция по поддержке работоспособности и исправности изделия при использовании по назначению, ожидании, хранении и транспортировке (ГОСТ 18322-72). Ремонт – комплекс операций по восстановлению исправности или работоспособности изделий и восстановлению ресурсов изделий или их составных частей (ГОСТ 18322-72). К операциям ТОиР относятся устранение отказов оборудования, инспекция в определенном объеме с определенной периодичностью, плановая замена деталей и ремонт оборудования по состоянию, наработке, а также планирование ремонтов и обслуживания. Выделяют следующие виды ТОиР: обслуживание по событию (например, устранение поломки оборудования); регламентное обслуживание (в паспорте производителя описано, в каком режиме и какое обслуживание необходимо выполнять для поддержания работоспособности оборудования); по состоянию (на основании оценки делается прогноз, когда оборудование надо выводить в ремонт). ТОиР – сложный многофазный процесс, выполняемый силами заказчика (эксплуатанта), сервисной службы (подразделения), производителя. Работы выполняются на основе регламентов и технологий при помощи специального оборудования, разрабатываемого и изготавливаемого по согласованным с заказчиком техническим требованиям. Рассмотрим методы распределения работ для планирования ТО.  Поэтапный метод с распределением работ в пределах допусков на заданную периодичность данной формы предполагает разделение всего необходимого объема работ на несколько этапов, которые выполняются в промежутках между рейсами летательного аппарата (ЛА). Такой метод приемлем только для нетрудоемких форм ТО (рис. 3).

№ 4, 2013 г.

Т, чел.ч

ф

–ф

Налет

+ф

Рис. 3. Поэтапное обслуживание в пределах допуска на заданную периодичность τф

Прямоугольниками на рисунке показаны условные трудоемкости работ. Работы, которые следует выполнить при налете τф, разбиваются на несколько частей, которые необходимо выполнить в пределах допуска ±Δτф на периодичность данной формы ТО.  Поэтапный метод с распределенной трудоемкостью состоит в том, что выполнение отдельных объектов работ более трудоемких периодических форм совмещается с обслуживанием менее трудоемких (рис. 4а). В данном случае каждое периодическое ТО включает объем работ первой по трудоемкости формы регламента ТФ1 и трудоемкости дополнительных работ ΔТфi, присущих каждой последующей форме регламента. Так, для регламентов с обслуживанием ЛА по формам Ф1, Ф2 и Ф3 будем иметь ТФ2=Тф1+ΔТф2; ТФ3=Тф1+ΔТф2+ΔТф3=Тф2+ +ΔТф3, где ТФ1, ТФ2, ТФ3 – трудоемкость периодического ТО по формам Ф1, Ф2, Ф3 соответственно; ΔТФ2, ΔТФ3 – трудоемкость дополнительных Ф3 Т, чел.ч

Тф3

Ф2 Тф2 Ф1

300

Ф1

Ф1

900

Тф1

Ф1

1500

Налет

1800

а) Т, чел.ч

Тф3 Тф2 Тф1

300

900

1500

1800

Налет

б)

Рис. 4. Схема организации обслуживания поэтапным методом с распределенной трудоемкостью

265

Программные продукты и системы

№ 4, 2013 г.

работ при обслуживании по Ф2 и Ф3 соответственно. При таком методе организации ТО трудоемкость каждого этапа примерно одинаковая (рис.

4б), что позволяет сократить продолжительность ТО при более трудоемких формах, создать условия для равномерной загрузки цеха периодического ТО и повысить эффективность использования ЛА. Однако данный метод не обеспечивает необходимую степень увеличения налета [1]. Анализ существующих методов планирования ТОиР представлен в [2–4]. Решаемая задача ТО представляет собой совокупность процедур





P  pi | i  1, n , выполняемых на объекте для поддержания его технической исправности. Общее число процедур ТО на временном интервале T=[t1, tn], задаваемом начальной и конечной точками (t1 и tn соответственно), формирует множество процедур P (рис. 5).

Процедуры

p1

P2

pn

W1

W2

Wn

Работы

Wk . . .

W1

Wk . . .

W1

Wk . . .

W1

W1

W1

W1 Время

T

t1

t2

…

tn

Рис. 5. Задача планирования ТОиР

Имеется множество работ W={wk}, которые могут быть выполнены при ТО. Процедура ТО представляет собой множество работ: W={wk}, где wk – k-я работа; Wn – множество работ, входящих в состав процедуры ТО pn. Задача алгоритма планирования ТО состоит в формировании множества T и определении множеств Wi, i  1, n , для проведения работ в процедуре ТО. При формировании множества ТО и множества входящих в него работ следует учитывать ограничения, накладываемые различными источниками. Существует m единиц оборудования, для которого требуется провести работы по поддержанию исправности и работоспособности. Существует множество работ wk–Wn, k=[1, kmax], ТО и планового ремонта специального оборудования, выполняемых в ходе процедур ТО. Постановка задачи: определить состав и время проведения процедур ТО, при которых выбранный критерий будет принимать экстремальное (минимальное) значение, то есть определить все 266

xkn, при которых Smin, T=max(Tn)min, где xkn – логическая переменная, значение которой определяется входимостью k-й работы в n-ю процедуру ТО: если k-я работа входит в n-ю процедуру, то xkn=1, иначе xkn=0: 1, если k -я работа входит  xkn   в n-ю процедуру ТО, 0, если не входит,  S – общие материально-технические затраты на производство ТО: S   sk  xkn , где sk – материkn

ально-технические затраты на k-ю работу, k=[1, kmax], где kmax – общее количество работ в системе; Tn – трудоемкость n-й процедуры ТО: Tn   rk  xkn , где rk – трудоемкость k-й работы, k

k=[1, kmax], где kmax – общее количество работ в системе. Поставленная задача должна быть решена с учетом специальных ограничений. Для реализации поставленной цели сведем задачу к общей задаче проектирования конфигурации (configuration design) или синтеза конфигурации, где под конфигурацией понимается распределение конкретных работ по процедурам [2]. Выделяются два типа задач построения конфигурации систем – отбор и/или размещение, построение иерархии системы. Решаемая задача относится к первому типу, на ее входе множество элементов/компонентов, которое разделено на подмножества. Задача синтеза конфигурации относится к группе задач структурного синтеза с наложенными ограничениями. В общем виде задача структурного синтеза заключается в определении некоторого варианта структуры объекта или системы. Под комбинаторной понимается такая задача, решение которой сводится к выбору варианта из конечного множества решений. Задача структурного синтеза проектных решений с точки зрения возможности формализации относится к наиболее сложным. Это связано с тем, что, с одной стороны, свойства синтезируемого объекта зависят от большого числа зачастую случайных, противоречивых, но не до конца исследованных факторов. Эта причина имеет объективный характер. С другой стороны, при решении задачи синтеза часто приходится выбирать вариант из множества очень большой конечной или даже счетной мощности. Кроме того, если задача синтеза поставлена в терминах некоторой формальной системы, для реализации такого выбора необходимо решить задачу очень высокой размерности. Например, решить задачу дискретной оптимизации на множестве, состоящем из большого числа элементов. При этом могут потребоваться вычислительные мощности, превосходящие возможности современных компьютеров.

Программные продукты и системы

Большая размерность задач синтеза технических объектов делает целесообразным применение блочно-иерархического подхода, при котором весь процесс синтеза объекта разбивается на совокупность взаимосвязанных иерархических уровней [5]. Это значит, что синтезируется не весь объект в целом – на каждом иерархическом уровне синтезируются определенные подсистемы, уровень детализации которых соответствует принятому способу декомпозиции системы на подсистемы. Такой подход существенно упрощает решение задачи синтеза. Для решения подобных задач применимы многие современные методы поиска решений с некоторыми модификациями. В ходе решения задачи происходит манипулирование не обычными числовыми значениями, а разнородными объектами (процедурами), выбираемыми из соответствующих множеств. Причем свойства экземпляров объектов не являются плавно меняющимися от экземпляра к экземпляру, а подвержены непредсказуемым изменениям по причине разнородности типов свойств и различной природы значений свойств. Среди всех подходов к решению задачи структурного синтеза наибольшее распространение в системах автоматизированного проектирования получили различные методы, принадлежащие к классу комбинаторно-логических. В основе этого подхода лежит хорошо организованный перебор в массиве решений, являющихся аналогами и прототипами. Рассмотрим основные допущения: – проектируемый объект (будь то техническая система или процесс) имеет структуру; – проектируемый объект принадлежит к некоторому классу объектов (множество аналогов и прототипов), имеющих одинаковое функциональное назначение; – множество аналогов и прототипов обладает достаточной мощностью для того, чтобы поиск новых сочетаний в этом комбинаторном пространстве был результативным; – составные части объектов класса обладают хорошими комбинаторными способностями. Это значит, что принципы действия объектов не различаются настолько, чтобы запретить объединение разных компонент в составе нового объекта. Большинство комбинаторных задач относится к классу NP-трудных, а значит, требует особого внимания и специфических методов решения. Если в комбинаторной задаче присутствует набор ограничений на переменные, значения которых необходимо проанализировать, целесообразно применение методов решения задач с ограничениями. Класс таких задач называется Constraint Satisfaction Problem (CSP). Для решения подобных задач разработаны соответствующие методы и ин-

№ 4, 2013 г.

струментальные средства. В настоящее время данная область активно исследуется, появляются все новые подходы, обнаруживаются их недостатки и достоинства (см., например, [6–9]). Метод удовлетворения (распространения) ограничений (CSP) является одним из подходов искусственного интеллекта, применяемых для решения различных сложных и нестандартных задач, в том числе подобных комбинаторным. Программирование в ограничениях требует только описания задачи, но не заставляет разработчика определять алгоритм ее решения. Говоря неформально, задача удовлетворения ограничений – это задача, состоящая из конечного числа переменных, каждая из которых связана с некоторой областью ее определения (дискретной или непрерывной), и конечного множества ограничений на множества значений переменных, принимаемых одновременно. Решение задачи удовлетворения ограничений состоит в присваивании значения каждой переменной так, чтобы одновременно удовлетворялись все ограничения. Целью может являться нахождение как одного такого набора (любого или с заданным свойством), так и всех наборов. Представление же проблемы в виде задачи распространения ограничений позволяет применять для ее решения наряду со специальными методами прикладной области достаточно эффективные и универсальные методы решения задач распространения ограничений. В настоящее время техника распространения ограничений все чаще используется как основа для решения различных прикладных задач, таких как временные рассуждения, задачи ресурсного и календарного планирования, математическое и инженерное моделирование, задачи на графах и т.д. Задача и модель представляются в этом случае как совокупность отношений, которые соответствуют связям, существующим между переменными задачи. Эти отношения, называемые общим термином ограничения, могут иметь вид уравнений, неравенств, логических выражений и т.п. Система работ представляет собой набор данных, на основе которых формируется состав работ в каждом ТО. Она должна содержать информацию о функциональной декомпозиции работ в виде иерархической структуры компонентов, образующих состав работ; формальное описание закономерностей, определяющих возможность включения данной работы в состав текущего ТО; механизм, позволяющий проверять полученное множество Wn работ на соответствие требованиям. Построение системы работ является основой для дальнейшего многократного формирования множества графиков ТО [2]. Для описания функциональной декомпозиции работ в виде иерархической структуры компонен267

Программные продукты и системы

тов, образующих состав работ, представим онтологию предметной области. Она включает несколько областей: справочник изделий, к которым применяется ТО; справочник работ, из которых формируются процедуры, формирующие ТО; взаимосвязь всех компонентов с учетом принадлежностей, свойств и ограничений. Объекты предметной области: <Изделие, ТО, Процедура, Работа>. Множество процедур: ПР <ПР1, ПР2, …, ПРn>. Множество работ: РБ <РБ1, РБ2, …, РБk>. Изделие: И <И1>. Оборудование: ОБ <ОБ1, ОБ2, …, ОБg>. Техническое обслуживание: ТО. Объекты и их свойства: Объект ТО имеет следующие свойства: ТО.Трудоемкость, ТО.Затраты, ТО.Время_выполнения; Объект ПР имеет следующие свойства: ПР.Трудоемкость, ПР.Затраты, ПР.Время_выполнения, ПР.Тип; Объект РБ имеет следующие свойства: РБ.Трудоемкость, РБ.Затраты, РБ.Время_выполнения, РБ.Тип, РБ.Совместная_выполнимость; Объект И имеет следующие свойства: И.Колво_отказов, И.Время_наработки_на_отказ, И.Время_наработки, И.Тип, И.Время_простоя; Объект ОБ имеет следующие свойства: ОБ. Время_наработки, ОБ.Кол-во_отказов, ОБ.Время_простоя, ОБ.Время_наработки_на_отказ. Перечень требований ТР: {ТР}.Затраты_доп, {ТР}.Трудоемкость_доп, {ТР}.Надежность, {ТР}. Время_простоя_макс, {ТР}.Затраты_пр_мин, {ТР}.Затраты_пр_макс, {ТР}.Трудоемкость_пр_ мин, {ТР}.Трудоемкость_пр_макс, {ТР}.Время_ наработки_макс, {ТР}.Время_наработки_мин, {ТР}.Время_простоя_макс, {ТР}.Время_простоя_ мин, {ТР}.Время_выполнения_макс, {ТР}.Время_ выполнения_мин, {ТР}.Время_макс_м_раб. Ограничения содержатся в функциональной конфигурации и являются основой онтологии предметной области задачи. Ограничения имеют форму логических или функциональных выражений, а также таблиц значений. Функциональные выражения могут быть использованы решателем для вычисления любого аргумента при остальных известных. Если какие-либо из аргументов заданы в виде значения сложной формы (диапазоны, списки значений и т.д.), искомое значение параметра также будет сложной формы. К параметрам, определенным в проектной конфигурации, применяются выражения ограничений, описанных в функциональной конфигурации, и требования к значениям параметров. Ограничения делятся на два вида: – функции, позволяющие вычислить агрегативные свойства (то есть свойства более крупного компонента, вычисляемые из соответствующих 268

№ 4, 2013 г.

свойств входящих в него компонентов, например масса компонента); – ограничения (неравенства) проверки соответствия созданной конфигурации заданным требованиям; данные аксиомы могут храниться в объектах крупных законченных компонентов (узлов) либо в объекте изделия. Каждое такое ограничение может быть реализовано в виде n-сторонней функциональной зависимости, то есть в виде одной и той же зависимости, но выраженной через разные аргументы. Описание закономерностей, определяющих возможность включения данной работы в состав текущего ТО, указываются в виде ограничений. При решении задачи были использованы следующие ограничения: – период времени между работами (Δt) должен быть меньше максимально допустимого промежутка времени между работами (Δtmax) либо равен ему; – если работы, определенные матрицей совместимости, выполняются в одной процедуре ТО, их стоимость снижается на 20 %. Алгоритм и предлагаемая методика На основе обзора существующих методов [2] была сформулирована методика поиска, основанная на комбинации метода перебора с методами предварительного ограничения пространства поиска. В отличие от метода полного перебора данная методика предполагает предварительные этапы ограничения пространства поиска, чем обеспечивается значительное сокращение времени поиска решения. Методика состоит из трех этапов. На первом этапе происходит обеспечение совместимости в узлах путем проверки унарных требований к параметрам отдельных компонентов с использованием алгоритма NC-1. На этом этапе удовлетворяются ограничения, связанные с уже известными параметрами компонентов (требования к параметрам компонентов). Алгоритм обеспечения совместимости в узлах NC-1 позволяет удалить из областей определения всех переменных задачи значения, которые не удовлетворяют унарным ограничениям [9, 10]. Достижение совместности в узлах сводится к просмотру каждого элемента в каждой области и проверке того, удовлетворяет ли это значение унарным ограничениям на эту переменную. Все значения, нарушающие унарные ограничения, удаляются из этих областей. После завершения алгоритма исходная задача будет сведена к задаче, которая является совместной в узлах. На втором этапе производится предварительная проверка компонентов методом Forward

Программные продукты и системы

№ 4, 2013 г.

Checking (метод предварительной проверки). На этом этапе происходит попарное сравнение компонентов справочников с целью удаления компонентов, не совместимых между собой. С помощью метода предварительной проверки Forward Checking пространство поиска может быть значительно уменьшено или полностью разрешено [11, 12]. Основную идею метода можно выразить следующим образом: если при назначении какойлибо переменной значения ее домена набор неравенств становится несовместным, следует удалить несовместные значения из доменов остальных переменных и продолжить поиск, а если текущий домен пуст, то происходит откат на предыдущий уровень [13]. Домен – набор компонентов (работ) из справочника. Следует начинать поиск с переменных, у которых наименьшие по количеству значений домены. Адаптированный под данную задачу алгоритм выглядит следующим образом: Переменные сортируются в порядке возрастания количества значений в домене 2. Для каждой переменной xi: a. Переменной xi ставится в соответствие каждое значение из ее домена i. Для каждой переменной yi: 1. Переменной yi ставится в соответствие каждое значение из ее домена a. Проверяется выполнение бинарного ограничения на совместимость значений параметра (компонентов) xi и yi b. Если не выполняется, то удаляется текущее значение xi из соответствующего домена 1.

На третьем этапе производится поиск решений с использованием метода Back Tracking. Для этого происходит обход дерева, производятся вычисление неизвестных значений параметров компонентов и проверка соответствия расчетных параметров требованиям. Поиск с возвратом (Backtracking). Алгоритм поиска с возвратом для решения задач удовлетворения ограничений CSP составлен по принципу рекурсивного поиска в глубину [9, 14]. Данный метод предполагает перебор всех возможных комбинаций путем обхода дерева вариантов компоновки с возвратами при невыполнении ограничений (рис. 6). Начало

0

1 2

8 5

9

12

6 3

4

7

10

11

13

14 Конец

Рис. 6. Поиск с возвратом (Backtracking)

Метод позволяет произвести полный обход всех комбинаций компонентов и найти все возможные решения. Алгоритм: – поиск всех дополнительных вариантов распределения работ по процедурам ТО, по которым выполняются все ограничения; – упорядочение полученных решений по целевой функции; – поиск решения в соответствии с наилучшими значениями целевой функции. Тестирование и анализ результатов применения методики Предлагаемая методика и алгоритмы были проверены на простом примере формирования процедур ТО самолета Ту-214. Процесс основан на формировании процедур путем перебора вариантов с предварительным ограничением пространства поиска. Методика состоит из трех этапов, применяющих к задаче последовательно три разных метода. При сравнении общих материально-технических затрат на производство ТО и трудоемкости процедуры ТО до и после применения метода наблюдается значительное падение. Данный метод позволяет снизить затраты на ТО на 8,5 % и максимальное время выполнения процедуры на 34 % (см. рис. 7).

Рис. 7. Общие материально-технические затраты на производство процедуры ТО и трудоемкость процедуры ТО

Таким образом, тестирование показало применимость методики для решения задач структурного синтеза. Предложенная методика позволяет значительно сократить пространство поиска решений. Реализация алгоритма предполагает наличие раздельных модулей: парсера (решателя) ограничений и генерации и поиска решений. Это позволяет без перепрограммирования производить настройку на конкретные условия, что значительно упрощает поддержку системы в целом и расширяет области ее использования.

269

Программные продукты и системы

В дальнейших планах – реализация данной методики в виде обобщенного решателя и алгоритмов формирования множества допустимых комбинаций в онтологических структурах. При разработке решателя необходимо исследовать и разработать язык и средства создания и использования ограничений, а также апробировать алгоритмы на более объемном примере и разработать модели и интерфейсы интеграции в существующие PDM- и ЕАМ-системы. Литература 1. Чинючин Ю.М., Полякова И.Ф. Основы технической эксплуатации и ремонта авиационной техники. М.: МГТУГА.

2004. Ч. 1. 81 с.

2. Федотова А.В., Овсянников М.В., Таратухин В.В. Применение метода программирования в ограничениях при решении задач планирования технического обслуживания и ремонта воздушных судов // Бизнес-информатика. 2013. № 1 (23). С. 28–36.

3. Федотова А.В., Овсянников М.В. Исследование методов планирования периодических процессов обслуживания (на примере ТОРО) // Реинжиниринг бизнес-процессов на основе современных информационных технологий. Системы управления знаниями (РБП-СУЗ-2012): тр. XV науч.-практич. конф. М.: МЭСИ. 2012. C. 238–245.

4. Куприянов Ю.В., Овсянников М.В., Таратухин В.В., Федотова А.В. Исследование методов планирования периодических процессов обслуживания // IS&IT’12: тр. Конгресса по интеллект. системам и информ. технологиям. М.: Физматлит, 2012. Т. 2. C. 287–294.

5. Wielinga B., Schreiber G. Configuration Design Problem Solving. IEEE Intelligent Systems, 1997, vol. 12, pp. 49–56.

6. Рассел С., Норвиг П. Искусственный интеллект: современный подход. Киев: Вильямс, 2006. 1408 с.

7. Apt K.R. Principles of Constraint Programming, Cambridge Univ. Press, 2003.

8. Van Beek P., Walsh T. Principles of Constraint Programming and Constraint Processing: A Review, AI Magazine, 2004, vol. 25, no. 4. pp. 105–106.

9. Семенов А.Л. Методы распространения ограничений: основные концепции // PSI’03/ИМРО – Интервальная математика и методы распространения ограничений: тр. 5-й Междунар. конф. Новосибирск, 2003. С. 19–31.

10. Benhamou F., Older W. Applying Interval Arithmetic to Real, Integer and Boolean Constraints. Journ. of Logic Programming 32, 1997, pp. 1–24.

11. Gent Ian. Artificial Intelligence: Constraint Programming.

URL: http://www.dcs.st-and.ac.uk/~ipg/AI/ (дата обращения: 11.09.2013).

12. Bartak R. On-line guide to Constraint Programming. URL: http://ktilinux.ms.mff.cuni.cz/~bartak/constraints/ (дата обращения: 11.09.2013).

13. Беляев С.А. Проблема разрешения constraint при решении задач комбинаторной оптимизации. URL: http://constr. chat.ru/ARTICLES/cresprob_20010608.htm (дата обращения: 11.09.2013).

14. Dechter R., Frost D. Backjump-based backtracking for constraint satisfaction problems. Artificial Intelligence, 2002, no. 136 (2), pp. 147–188.

15. Буханов С.А., Овсянников М.В. Управление конфигурацией с использование метода программирования в ограничениях // Эффективные методы автоматизации подготовки и планирования производства: сб. науч. тр. М.: Спектр, 2011. С. 150–156.

16. Буханов С.А., Овсянников М.В. Управление конфигурацией на основе онтологии предметной области // AIS-IT’10:

270

№ 4, 2013 г. тр. Конгресса по интеллект. системам и информ. технологиям. М.: Физматлит, 2010. Т. 1. С. 399–403.

References 1. Chinyuchin Yu.M., Polyakova I.F. Osnovy tekhnicheskoy ekspluatatsii i remonta aviatsionnoy tekhniki [Basics of technical exploitation and repair of aircraft equipment]. Moscow, Moscow St. Tech. Univ. of Civil Aviation Publ., 2004, part 1, 81 p.

2. Fedotova A.V., Ovsyannikov M.V., Taratukhin V.V. Application of constraints satisfaction method when solving problems of planning maintenance and repair of aircraft equipment. Biznesinformatika [Business Informatics]. 2013, no. 1 (23), pp. 28–36.

3. Fedotova A.V., Ovsyannikov M.V. Research in planning periodic processes maintenance methods (TORO as an ex.). Trudy XV nauchno-prakt. konf. “Reinzhiniring biznes-protsessov na osnove sovremennykh informatsionnykh tekhnologiy. Sistemy upravleniya znaniyami (RBP-SUZ-2012)” [Proc. 15th sci. and pract. conf.

“Reengineering business processes based on modern IT. Systems of knowledge management (RBP-SUZ-2012)”]. Moscow, Moscow St. Univ. of Economics, Statistics and Informatics (MESI) Publ., 2012, pp. 238–245.

4. Kupriyanov Yu.V., Ovsyannikov M.V., Taratukhin V.V., Fedotova A.V. Researching planning methods of periodic maintenance processes. Trudy Kongressa po intellektualnym sistemam i informatsionnym tekhnologiyam “IS&IT’12” [Proc. congress on intelligent systems and IT “IS&IT’12”]. Moscow, Fizmatlit Publ., 2012, vol. 2, pp. 287–294.

5. Wielinga B., Schreiber G. Configuration Design Problem Solving. IEEE Intelligent Systems. 1997, vol. 12, pp. 49–56.

6. Rassel S., Norvig P. Artificial Intelligence: A Modern Approach. Prentice Hall Publ., 2009, 3 ed., 1152 p.

7. Apt K.R. Principles of Constraint Programming. Cambridge University Press, 2003.

8. Van Beek P., Walsh T. Principles of Constraint Programming and Constraint Processing: A review. AI Magazine.

2004, vol. 25, no. 4, pp. 105–106.

9. Semenov A.L. Methods for constraint distributing: basic consepts. PSI’03/IMRO – Intervalnaya matematika i metody rasprostraneniya ogranicheniy: tr. 5 Mezhdunar. konf. [Proc. 5th int. conf.: PSI’03/IMRO – Interval mathematics and methods for constraint distributing]. 2003, pp. 19–31.

10. Benhamou F., Older W. Applying Interval Arithmetic to Real, Integer and Boolean Constraints. Journ. of Logic Programming. 1997, vol. 32, pp. 1–24.

11. Gent Ian. Artificial Intelligence: constraint programming.

Available at: http://www.dcs.st-and.ac.uk/~ipg/AI/ (accessed 11 September 2013).

12. Bartak R. On-line guide to constraint programming.

Available at: http://ktilinux.ms.mff.cuni.cz/~bartak/constraints/ (accessed 11 September 2013).

13. Belyaev S.A. Problema razresheniya constraint pri reshenii zadach kombinatornoy optimizatsii [The problem of constraint resolution when solving combinatorial optimization tascs]. Available at: http://constr.chat.ru/ARTICLES/cresprob_20010608.htm (accessed 11 September 2013).

14. Dechter R., Frost D. Backjump-based backtracking for constraint satisfaction problems. Artificial Intelligence. 2002, no. 136 (2), pp. 147–188.

15. Bukhanov S.A., Ovsyannikov M.V. Configuration control using constraint programming. Effektivnye metody avtomatizatsii podgotovki i planirovaniya proizvodstva: sb. nauch. tr. [Efficient methods of automated production preparing and planning: proc.]. Мoscow, Spektr Publ., 2011, pp. 150–156.

16. Bukhanov S.A., Ovsyannikov M.V. Configuration control based on object domain ontology. AIS-IT’10: tr. Kongressa po intellekt. sistemam i inform. tekhnologiyam [Proc. congress on intelligent systems and IT “AIS-IT’10”]. Moscow, Fizmatlit Publ., 2010, vol. 1, pp. 399–403.

Программные продукты и системы

№ 4, 2013 г.

УДК 681.518

КОНТРОЛЬ ОШИБОЧНЫХ ДЕЙСТВИЙ ОПЕРАТОРА ПРИ ОТРАБОТКЕ НА ТРЕНАЖЕРЕ В.В. Кобзев, д.т.н., профессор, главный научный сотрудник; Ю.Н. Сизов, к.т.н., старший научный сотрудник; А.С. Скипидарников, инженер-программист 2-й категории; Д.К. Шилов, инженер (Концерн «НПО «Аврора», ул. Карбышева, 15, г. Санкт-Петербург, 194021, Россия, avrora-so31@mail.ru) Предложен подход к автоматизации контроля ошибок оператора в процессе тренажерной подготовки на основе метода эталона. Под эталоном в данном случае понимается алгоритм, записанный на основе инструкции по управлению. Отклонения обучающегося оператора от эталона и будут его ошибками, минимизация которых является целью обучения. Рассмотрены следующие виды ошибок: пропуск операции, пропуск операции с учетом ее качества, перестановка и добавление операций. Показано определение ошибок в последовательных и ветвящихся структурах. Ветвящиеся структуры описываются с помощью логических операций сравнения, операций функционального контроля и операций контроля работоспособности. В качестве примера ветвящегося алгоритма рассмотрена комплексная операция «Работа–Контроль». Приводится функциональная структура программного обеспечения учебно-тренировочного режима. Подробно рассмотрены вопросы, связанные с формированием эталонного решения учебного задания и сравнением хода тренировки с эталонным решением. Формирование эталонного решения производится редактором эталонных решений, который является встроенной утилитой редактора заданий на тренировку. При наличии в задании на проводимую тренировку эталонного решения предлагается формировать автоматическую оценку выполнения задания путем сравнения фактического хода тренировки с этим решением. Общая оценка выполнения задания определяется оценками отдельных действий, формируется по наихудшей из имеющихся частных оценок с учетом общего лимита времени на выполнение учебного задания. Ключевые слова: оператор, ошибка, алгоритм, попарное сравнение, инструкция, эталон, функциональная сеть, операция, управление.

SIMULATION EXERCISE WITH OPERATOR ERRORS CONTROL Kobzev V.V., Dr. Tech. Sc., professor, chief researcher; Sizov Yu.N., Ph.D. Tech. Sc., senior researcher; Skipidarnikov A.S., engineer-programmer 2nd category; Shilov D.K., engineer (Concern "Avrora" JSC, Karbysheva st., 15, St. Petersburg, 194021, Russian Federation, avrora-so31@mail.ru) Abstract. The article offers the approach to automation of operator's error control when simulation training based on a model method. In this case the model is the algorithm written based on operating instructions.

Deviations of an operator from the model are his errors to be minimized as a result of training.

The following types of errors are considered: missing an operation, missing an operation considering its quality, relocation and adding operations.

Detection of errors in serial and branching structures is shown in the article.

The branching structures are described using logic operations of comparison, functional checks operations and performance monitoring operations. Complex operation "Performance-Check" is considered as an example of brunching algorithm.

Functional structure of training mode structure is presented.

The issues are scrutinized considering a formation of model solution of training task and comparison of training process with model solution.

Formation of model solution is performed by model solution editor that is a built-in utility of training task editor.

In case the model solution is present in a current training task, it is offered to form automatic evaluation of task fulfillment by comparing actual training process with this solution.

General evaluation of task fulfillment, determined by evaluation of single actions, is formed according to the worst of existing partial estimates, taking into account total limit of time allotted for fulfillment of training task.

Keywords: operator, error, algorithm, pair- wise comparison, model, functional network, operation, control, code, monitoring, structure.

Обязательным компонентом современного тренажера является наличие автоматизированной системы контроля уровня обученности оператора в процессе подготовки на тренажерной технике. При создании такой системы используются два метода оценки подготовленности оператора [1]: по нормативным показателям и по результатам сравнения алгоритма работы контролируемого

оператора с эталонным алгоритмом, записанным на основе инструкции по управлению или с использованием алгоритма заведомо подготовленного оператора (принцип эталона). Отклонения оператора от эталона и будут его ошибками, минимизация которых является целью обучения. Первый метод требует большого статистического материала, который может быть накоплен в 271

Программные продукты и системы

течение ряда лет на одной и той же тренажерной технике. В современных условиях наиболее предпочтительным является второй метод. Формализация эталонных алгоритмов может производиться различными математическими моделями. В предлагаемой работе используется теория функциональных сетей [2]. Последовательность операций управления, соответствующую эталонному алгоритму, обозначим А=а1 а2 …аi…аm, а последовательность операций реального алгоритма B=b1 b2…bi…bn. В реальной структуре возможны различного рода ошибки, поэтому в общем виде m≠n, где m и n – число операций в эталонной и реальной структурах соответственно. Сравнение эталонной и реальной структур устанавливает взаимно однозначное соответствие (биекцию) двух множеств: f: А→В. Условие строгого следования операций друг за другом предполагает для функции соответствия f следующее положение: для любых пар операций (аi1, ai2)A и (bj1, bj2)В, для которых f(аi1)=bj1; f(аi2)=bj2 при условии i1<i2 следует j1<j2. При отсутствии ошибок А=В (m=n, ai=bj). В случае наличия ошибок в реальной структуре В множества операций А и В распадаются на части совпадающих и несовпадающих операций. Рассмотрим ряд практических примеров с различными видами ошибок оператора для последовательных и ветвящихся алгоритмов. Последовательные алгоритмы Пропуск операции. Пусть часть эталонного алгоритма состоит из шести последовательно выполняемых операций: А=а1а2а3а4а5а6. В реальном алгоритме пропущена операция а2: В=b1b2b3b4b5. Длину эталонного алгоритма назовем кодом алгоритма. В данном случае он равен 6. Код реального алгоритма равен 5, то есть имеем пропущенную операцию. Для наглядности эталонный и реальный алгоритмы соотнесем со словом МАШИНА: М А Ш И Н А М Ш И Н А А  ; В  . а а а а а а  1 2 3 4 5 6 b1b2 b3b4 b5 Далее последовательно проверяем совпадение или несовпадение операций, начиная с первой операции эталонного алгоритма. При условии строгого следования операций друг за другом попарное сравнение будет иметь вид a1=b1; a2=b5; a3=b2; a4=b3; a5=b4; a6=b5. Операция а2 должна соотноситься с операцией b2, а не b5. Пропущена операция а2. Пропуск операции с учетом ее качества. Пропущена первая операция а1 (единственная): а1=; а2=b1; а3=b2; а4=b3; а5=b4; а6=b5.

272

№ 4, 2013 г.

Пропущена конечная операция а6 (повторяющаяся): а1=b1; а2=b2; а3=b3; а4=b4; а5=b5; а6=b2. Пропущена третья операция а3 (единственная): а1=b1; а2=b2; а3=; а4=b3; а5=b4; а6=b5. Пропущена четвертая операция а4 (единственная): а1=b1; а2=b2; а3=b3; а4=; а5=b4; а6=b5. Пропущена пятая операция а5 (единственная): а1=b1; а2=b2; а3=b3; а4=b4; а5=; а6=b5. Символом  обозначен знак пустого множества. Перестановка и добавление операций. Перестановка соседних операций а2 и а3: М А Ш И Н А М Ш А И Н А А  ; В  . а1а2 а3 а4 а5 а6 b1b2b3b4b5b6 Попарное сравнение операций будет иметь вид а1=b1; а2=b3; а3=b2; а4=b4; а5=b5; а6=b6. Перестановка отстоящих друг от друга операций а2 и а5: М А Ш И Н А М Н Ш И А А А  ; В  . а1а2 а3 а4 а5 а6 b1b2b3b4b5b6 Попарное сравнение операций будет иметь вид а1=b1; а2=b5; а3=b3; а4=b4; а5=b2; а6=b6. Добавление операции а5 в конец реального алгоритма: М А Ш И Н А М А Ш И Н А Н А  ; В  . а а а а а а  1 2 3 4 5 6 b1b2b3b4 b5b6b7 Код эталонного алгоритма равен 6. Код реального алгоритма равен 7. Добавлена одна операция. Попарное сравнение операций будет иметь вид а1=b1; а2=b2; а3=b3; а4=b4; а5=b5b7; а6=b6. Операция b7 является лишней как операция с большим номером. В часть реального алгоритма добавлена операция, аналогичная а2 и а6: М А Ш И Н А М А А Ш И Н А А  ; В  . а1а2 а3 а4 а5 а6 b1b2b3b4b5b6b7 Код эталонного алгоритма равен 6. Код реального алгоритма равен 7. Добавлена одна операция. Попарное сравнение операций будет иметь вид а1=b1; а2=b2b3b7; а3=b4; а4=b5; а5=b6; а6=b7. В силу условия строгого следования операций и попарного сравнения операций с одинаковыми индексами из выражения а2=b2b3b7 исключаются b3b7. Операция а3 (ш) должна совпадать с b3, но в реальном алгоритме она совпадает с b4, значит, операция b3 лишняя. Операция b7 в таком случае должна иметь индекс 6. Для рассмотренных случаев достаточно условия строгого следования операций друг за другом. Ошибки здесь обнаруживаются методом попарного сравнения. Ветвящиеся алгоритмы Рассмотренными последовательными операциями деятельность оператора, безусловно, не ог-

Программные продукты и системы

№ 4, 2013 г.

раничивается. Подавляющее большинство алгоритмов управления являются ветвящимися. В теории функциональных сетей есть модели многоальтернативных операций, которые позволяют описывать ветвящиеся структуры [2]. К ним относятся (рис. 1)  логическая операция сравнения (рис. 1а), имеющая два исхода;  операция функционального контроля (рис.

1б), имеющая следующие исходы: К11 – безошибочное признание проверяемой рабочей операции безошибочной при ее фактически безошибочном выполнении; К10 – ошибочное признание проверяемой рабочей операции ошибочной при ее фактически безошибочном выполнении; К00 – безошибочное определение ошибки в проверяемой рабочей операции при ее фактически ошибочном выполнении; К01 – ошибочное признание проверяемой рабочей операции безошибочной при ее фактически ошибочном выполнении;  операция контроля работоспособности (рис.

1в), имеющая следующие исходы: Д11 – безошибочное признание техники работоспособной при ее фактической работоспособности; Д10 – ошибочное признание техники неработоспособной при ее фактической работоспособности; Д00 – безошибочное признание техники неработоспособной при ее фактической неработоспособности; Д01 – ошибочное признание техники работоспособной при ее фактической неработоспособности. а)

б) Л

Да

в) К

Нет

K11, K01

00

10

K ,K

Д

Д00, Д10

Д11, Д01

Рис. 1. Многоальтернативные операции

Операция функционального контроля может выполняться как самим обучающимся, так и руководителем обучения. В первом случае это будет операцией самоконтроля, во втором – операцией организационного контроля. Рассмотрим в качестве Р примера комплексную операцию «Работа–Контроль» (РК), состоящую из рабочей сенсорной, или моторной, К операции и операции функK00, K10 ционального контроля. Как видно из рисунка 2, при исходах К00 и К10 рабочая опеK11, K01 рация повторяется. На повторение в реальных условиях накладываются огра- Рис. 2. Комплексная операция РК ничения.

Предположим, что в данном случае повтор осуществляется один раз. Как будет видно из дальнейшего, это ограничение не является принципиальным. Рабочая операция может быть выполнена без ошибки Р' или с ошибкой Р0. Эталонное выполнение операции будет иметь вид А=а1а2=Р' К11. Реальное выполнение операции может иметь несколько исходов:  ошибка при выполнении рабочей операции (операция функционального контроля выполняется без ошибки): В'1=Р0 К00 – безошибочный переход на повтор; В1=Р0 К00 Р' К11 – безошибочное выполнение операции после повтора;  ошибка при выполнении операции функционального контроля (рабочая операция выполнена без ошибки): В'2=Р' К10 – ошибочный переход на повтор; В2=Р' К10 Р' К11 – безошибочное выполнение после повтора;  ошибки при выполнении рабочей операции и операции функционального контроля: В3=Р0 К01 – ошибочный переход к следующей операции. Количество повторов будет определять длину выражений Вj в реальном алгоритме. Попарное сравнение эталонного и реального выполнений комплексной операции РК будет иметь вид А=а1а2=Р' K11; В1=b1b2b3b4=P0 K00 P' K11; а1=b3; a2=b4. Код эталонного выполнения равен 2, реального – 4. Отсутствие операций b1 и b2 свидетельствует о выполнении комплексной операции после повтора: А=а1а2=Р' K11; В2=b1b2b3b4=P' K10 P' K11; а1=b1b3; a2=b4. Операция а1 выполняется дважды, что свидетельствует об ошибке функционального контроля (K01). Исходы В1, В2 и В3 зависят от методики проведения занятий на тренажере. Обучающийся оператор может контролировать себя сам и ошибаться на этапе самоконтроля (K10). На конечном результате выполнения комплексной операции это не скажется, время будет увеличено за счет повтора. Если оператора контролирует руководитель обучения, то после ошибочного выполнения рабочей операции он возвращает обучающегося на повтор и не допускает ошибочного перехода к следующей операции (В3). Возможен контроль по выходному событию, то есть по конечному результату. При этом невыявленная ошибка в процессе отработки алгоритма скажется на конечном результате. Функциональная сеть пооперационного контроля и контроля по выходному событию представлена на рисунке 3.

273

Программные продукты и системы

№ 4, 2013 г.

Р1

Р1

К1

Р2

Р2

а)

б) К2

Рn

Рn

Kn

K

Рис. 3. Виды контроля: а) пооперационный контроль; б) контроль выходного события

Нормативное время выполнения эталонной операции в инструкции по управлению не указано. Оно может быть определено статистически, экспериментально или методом экспертных оценок [3]. Кроме того, обучающиеся имеют разную степень профессиональной подготовки, предельным случаем которой является подготовка с нуля. При первичной отработке сенсомоторных навыков целесообразно не ограничивать обучающегося временными рамками, а акцентировать его внимание на безошибочном выполнении учебного задания (так называемая установка на безошибочность). По мере повышения сенсомоторных навыков управления можно вводить временные показатели, постепенно доводя их до нормативных (так называемая установка на быстродействие). Функциональная структура ПО учебно-тренировочного режима на основе эталона Программное обеспечение учебно-тренировочного режима (УТР) представляет собой совокупность функциональных подсистем, обеспечивающих основные формы учебных мероприятий: проведение тренировок и тестовый контроль обучающихся. Такими функциональными подсистемами являются следующие.  Подсистема учета и регистрации пользователей, обеспечивающая 274

 ведение списка обучающихся;  задание и изменение паролей пользователей: обучающихся и руководителя обучения (преподавателя);  выполнение пользовательского входа (регистрацию пользователя);  предоставление доступа к архиву учебных мероприятий пользователя (преподавателю предоставляется доступ к архивам всех пользователей), создание копий, удаление архивных записей.  Подсистема подготовки тренировки преподавателем, включающая – формирование задания на тренировку; – задание начальных условий тренировки; – формирование эталонного решения задания.  Подсистема проведения тренировки, обеспечивающая  управление ходом тренировки (начать, приостановить, продолжить, завершить тренировку);  взаимодействие со штатным ПО СУ и внедряемым для поддержки УТР комплектом программно-математического обеспечения (КПМО);  протоколирование хода тренировки (регистрация управляющих воздействий оператора и значений контролируемых параметров СУ), сохранение протокола в архиве тренировок.  Подсистема разбора тренировки, обеспечивающая – представление на экране сохраненных протоколов тренировки (управляющие воздействия обучающегося оператора и значения контролируемых параметров системы в ходе тренировки) в виде таблиц и графиков; – сравнение хода тренировки с эталонным решением, индикацию имеющихся несоответствий по набору операций (невыполненные, ошибочные), их последовательности и времени выполнения; – выставление преподавателем оценки выполнения задания; – вывод на печать любых представленных на экране результатов.  Подсистема тестового контроля для проверки теоретических знаний обучающихся, включающая – конструктор тестов, позволяющий преподавателю формировать и записывать в БД наборы предлагаемых обучающимся контрольных вопросов с указанием правильных ответов на них; – проигрыватель тестов, позволяющий выбрать из БД набор вопросов (тест), запустить его на выполнение, последовательно ответить на предложенные вопросы, сформировать интегральную оценку выполнения, а также ознакомиться с правильными ответами. Рассмотрим подробнее формирование эталонного решения задания и сравнение хода тренировки с эталонным решением.

Программные продукты и системы

Редактор эталонных решений Данный редактор является встроенной утилитой редактора заданий на тренировку, позволяющей преподавателю указать последовательность действий оператора СУ, требуемых для правильного выполнения формируемого задания. Элементами эталонного решения являются элементарные действия по управлению и контролю, выполняемые оператором, такие как ввод команды, задание уставки, проверка состояния сигнализатора. Полный набор всевозможных действий, предусмотренный разработчиком системы, хранится в БД (таблица GlobalActionsList). В зависимости от начальных условий тренировки необходимая последовательность действий оператора может различаться (особенно при срабатывании аварийно-предупредительной сигнализации вследствие задания в начальных условиях признаков аварий и неисправностей) и, кроме того, нередко имеется несколько способов достижения искомого результата, поэтому алгоритм выполнения задания в общем случае может оказаться нелинейным (ветвящимся). В силу этого последовательность действий эталонного решения необходимо формировать в виде графа, для упрощения реализации предлагается использовать стандартную для современных GUI древовидную структуру. Узлами ветвления являются, во-первых, действия по контролю состояния сигнализаторов (ветвление по результату выполнения контролируемого условия, при этом прямая нисходящая ветвь рассматривается как выбираемая при положительном результате), во-вторых, специально вводимые точки ветвления, соответствующие выбору из имеющихся равноправных альтернатив (условное действие «альтернатива»). Для некоторых действий может потребоваться задание контроля времени выполнения: для управляющих воздействий оператора может быть указано предельно допустимое время выдачи оператором требуемой команды, для действий по контролю сигнализации – время ожидания срабатывания сигнализации. Окно редактора имеет следующий вид. В левой части экранной формы отображается список всех доступных действий, разбитый на две группы: «Команды управления» и «Контроль сигнализации». Элементы в обеих группах отображаются в алфавитном порядке (для удобства поиска нужных элементов в списке разработчику при заполнении таблицы GlobalActionsList следует придерживаться единообразного именования действий, начиная каждое описание с названия системы, к которой относится команда или сигнализатор). Для СУ, характеризуемых очень большим количеством команд управления и сигнализаторов, относящихся к разным подсистемам объекта управления (например системы ОКС), целесооб-

№ 4, 2013 г.

разно ввести иерархическое представление списка доступных действий с выбором сначала интересующей подсистемы и отображением в списке элементов только для выбранной подсистемы. С правой стороны окна отображается формируемая последовательность действий эталонного решения. В центре размещены командные кнопки, используемые для включения выбранного (подсвеченного) элемента левого списка в набор решения, включения в набор условного действия «альтернатива», удаления выбранного справа элемента из формируемого набора, просмотра и изменения его атрибутов, а также перемещения вверх или вниз по последовательности действий решения. Списки слева, а в некоторых случаях и справа могут достигать большой длины, поэтому должны снабжаться стандартной прокруткой. При включении нового действия в набор эталонного решения открывается модальный диалоговый блок задания атрибутов действия, в котором требуется указать  параметр команды или сигнала в зависимости от типа действия: – для дискретной команды – включить (открыть) или отключить (закрыть); – для аналоговой команды (задание уставки) – заданную величину уставки (в единицах, отображаемых на пульте управления); – для контроля сигнализатора с двумя состояниями – есть сигнал или нет; – для контроля сигнализатора с тремя состояниями (индикатор с засветкой миганием) – есть, нет, мигает; – для контроля сигнализатора аварийнопредупредительной сигнализации (индикатор с разноцветной засветкой) – красный, желтый, зеленый цвет либо отсутствие засветки; – для контроля аналогового сигнала – пороговое значение сигнала (в единицах, отображаемых на пульте управления);  логическое место добавляемого действия в дереве формируемого набора относительно выбранного в данный момент (подсвеченного) элемента, который рассматривается как точка ветвления: – добавить ниже (в прямую нисходящую ветвь дерева); – добавить справа (в боковую нисходящую ветвь дерева);  отведенное время на выполнение действия: лимит времени на ввод команды управления или предельно допустимое время срабатывания сигнализации. При включении в набор условного действия «альтернатива» выполняется только выбор места включения. Можно вызвать аналогичные диалоговые блоки для просмотра, а при необходимости для изменения атрибутов уже включенного в формируе275

Программные продукты и системы

мый набор действия по управлению или контролю. Задание логического места действия при этом недоступно. Сформированный набор действий, включая атрибуты каждого действия, сохраняется в таблице EtalonActionsList БД. Сравнение с эталонным решением При наличии в задании на проведенную тренировку эталонного решения предлагается формировать автоматическую оценку выполнения задания путем сравнения фактического хода тренировки с этим решением. Для этого генерируется таблица действий оператора по решению задания на тренировку (фактического решения задания), она отображается во всплывающем окне, вызываемом кнопкой основного видеокадра. Таблица фактического решения задания содержит последовательность действий, выполненных обучающимся оператором в ходе тренировки (кроме действий по управлению собственно тренировкой), и формируется на основе графа эталонного решения, который при этом  линеаризуется в соответствии с фактическим ходом тренировки, где в каждой из точек ветвления выбирается одна из указанных альтернатив: – при условном ветвлении (на действиях по контролю сигнализации) – по значениям контролируемых параметров, зафиксированных к моменту выбора; – при ветвлении между равноправными альтернативами (специальные узлы типа «альтернатива») – по фактическому выбору оператора;  дополняется не предусмотренными эталонным решением управляющими воздействиями, произведенными оператором в ходе тренировки;  усекается снизу по первому обнаруженному действию, которое не было выполнено. Все действия, включаемые в таблицу фактического решения, помечаются одной из следующих оценок:  действие выполнено успешно;  действие выполнено несвоевременно (для действий по управлению) – при превышении заданного лимита времени на ввод управляющего воздействия;  действие не выполнено, в том числе по следующим причинам: – отказ системы (для действий по контролю сигнализации, не являющихся точками ветвления эталонного решения) – при превышении заданного лимита времени ожидания срабатывания сигнализации; – ошибка оператора – во всех остальных случаях невыполнения действия; 276

№ 4, 2013 г.

 действие ошибочно (неверно либо избыточно) – для действий по управлению, произведенных сверх указанных в эталонном решении. Оценка о невыполнении может быть дана только одному действию, при этом дальнейшая раскрутка графа эталонного решения прекращается. Отметим также, что для выявления отказов выполнения команд управления в эталонном решении необходимо всегда указывать предельно допустимое время срабатывания средств сигнализации. Общая оценка выполнения задания определяется оценками отдельных действий, формируется по наихудшей из имеющихся частных оценок с учетом общего лимита времени на выполнение задания (если определен) и принимает одно из следующих значений: – задание выполнено успешно (все действия в таблице имеют пометку «успешно»); – задание выполнено с ошибочными действиями; – задание выполнено с несвоевременными действиями; – задание выполнено с нарушением лимита времени; – задание выполнено с ошибочными и несвоевременными действиями; – задание выполнено с ошибочными действиями и нарушением лимита времени; – задание выполнено с несвоевременными действиями и нарушением лимита времени; – задание выполнено с ошибочными, несвоевременными действиями и нарушением лимита времени; – задание не выполнено: отказ системы; – задание не выполнено: ошибка оператора; – выполнение задания прервано (не завершено). На основании изложенного можно сделать следующие выводы. Предлагаемый подход к решению задачи автоматизации контроля уровня обученности оператора при отработке на тренажере заключается в последовательном выполнении следующих этапов:  выбор эталонных алгоритмов на основании инструкций по управлению или по алгоритмам, выполняемым высокопрофессиональными операторами;  разработка математической модели деятельности оператора на основе эталонных алгоритмов в виде функциональной сети;  разработка редактора эталонных решений;  формирование автоматической оценки выполнения учебного задания путем сравнения фактического хода тренировки с эталоном. Выбор аппарата функциональных сетей для формализации алгоритмов управления обусловлен его широкими описательными возможностями, а

Программные продукты и системы

также возможностью оценивать временные характеристики выполнения учебных заданий. Очевидно, что временные характеристики можно оценивать тогда, когда есть возможность сравнить их с нормативными (или назначенными). Литература 1. Эргономика; [под ред. В.П. Зинченко]. М.: Сов. радио, 1974. 352 с.

2. Губинский А.И. Надежность и качество функционирования эргатических систем. Л.: Наука, 1982. 270 с.

3. Кобзев В.В., Лямкин А.Д., Позняк В.К., Шилов Д.К. Автоматизированный контроль работы оператора в комплекс-

№ 4, 2013 г. ной обучающей системе // Морской вестн. 2013. № 1 (45). С. 66–68.

References 1. Zinchenko V.P. Ergonomika [Ergonomics]. Moscow, Sov. Radio Publ., 1974, 352 p. (in Russ.).

2. Gubinskiy A.I. Nadyozhnost i kachestvo funktsionirovaniya ergaticheskikh system [Quality and reliability of ergatic systems functioning]. Leningrad, Nauka Publ., 1982, 270 p. (in Russ.).

3. Kobzev V.V., Lyamkin A.D., Poznyak V.K., Shilov D.K. Avtomatizirovanny control raboty operatora v kompleksnoy obuchayushchey sisteme [Automated control of the operator in an integrated learning system]. Morskoy vestn. [Maritime Bulletin], 2013, no. 1 (45), pp. 66–68.

УДК 608.4

СПОСОБ ТРЕХМЕРНОЙ ВИЗУАЛИЗАЦИИ ЭКСПЛУАТАЦИОННЫХ ПАРАМЕТРОВ ТЕПЛОВЫДЕЛЯЮЩИХ ЭЛЕМЕНТОВ РЕАКТОРОВ ВВЭР-1000 В.В. Левщанов, к.т.н., старший научный сотрудник; Д.С. Лавыгин, младший научный сотрудник (Ульяновский государственный университет, ул. Льва Толстого, 42, г. Ульяновск, 432017, Россия, master_v@inbox.ru, vdm_adm@mail.ru) Рассматриваются вопросы, касающиеся способов трехмерного отображения эксплуатационных и геометрических характеристик тепловыделяющих элементов и тепловыделяющих сборок реакторов типа ВВЭР-1000, реализованных в авторском программном продукте Fuel Elements Data System. Предложены современные подходы к написанию приложения, обладающего полноценным графическим пользовательским интерфейсом и реализующего функционал клиента системы управления базами данных Firebird, на основе программных открытых библиотек Nokia Qt, QwtPlot и GLC_lib. Таким образом, использование данных средств позволило реализовать ряд новых функциональных возможностей при построении графиков, в числе которых удобное масштабирование графиков распределения величин и автоматическое задание пределов на координатных осях. В качестве основного инструмента при проектировании интерфейса окон визуализатора применялась программная библиотека GLC_lib, что позволило обеспечить широкие функциональные возможности, связанные с отображением сборки тепловыделяющих элементов, включающие в себя возможности управления положением камеры трехмерной сцены, освещением, наложением текстур и цвета, выбор произвольного объекта сцены с помощью курсора. Применение данной программной библиотеки в составе Nokia Qt SDK, включающей в себя программную среду разработки Nokia Qt Creator, позволило снабдить создаваемый программный продукт рядом дополнительных функциональных возможностей. Особое внимание уделено проблемам представления и цветового кодирования извлекаемой из БД информации. Ключевые слова: визуализатор, топливные элементы, программные библиотеки, трехмерное отображение, opengl, qt, glc_lib, qwtplot.

THREE-DIMENSIONAL IMAGING METHOD FOR THE PARAMETERS OF FUEL ELEMENTS OF VVER-1000 REACTORS Levshchanov V.V., Ph.D. Tech. Sc., senior researcher; Lavygin D.S., junior researcher (Ulyanovsk State University, Lva Tolstova St., 42, Ulyanovsk, 432017, Russian Federation, master_v@inbox.ru, vdm_adm@mail.ru) Abstract. The article considers the issues of 3D graphical representation of operational and geometric characteristics of fuel elements and fuel assemblies of VVER-1000, which are implemented in Fuel Elements Data System software. The paper proposes modern approaches to writing an application with a graphical user interface, which implements the Firebird database client, based on open software libraries such as Nokia Qt, QwtPlot and GLC_lib. Thus, using these tools allows creating a number of new features in charts constructing, including: easy chart scaling and automatic setting the limits on the coordinate axes. The main tool in the design of the visualizer window interface was GLC_lib software library. It provided features for the displaying assembly of fuel elements, including the functions to control the position of the three-dimensional scene camera, lighting, texturing and color. Any object in the scene can be selected by a cursor. This software library within Nokia Qt SDK which includes Nokia Qt Creator software environment, provides additional functional features for developing software product.Special attention is paid to problems of representation information extracted from the database.

Keywords: visualizer, fuel elements, software libraries, three-dimensional scenes, opengl, qt, glc_lib, qwtplot.

277

Программные продукты и системы

Использование в исследовательских целях ядерных реакторов типа ВВЭР-1000 сопряжено с накоплением большого количества информации о контролируемых параметрах тепловыделяющих элементов (ТВЭЛов) и их сборок. Эта информация составляет основу пополняемой БД, размер которой может быть достаточно большим (0,5 Гб и более), что существенно усложняет ее анализ. Стандартные инструменты для обслуживания и управления БД имеют ограниченные возможности представления накопленной информации, предоставляя лишь табличную форму результатов выборки, тем самым вынуждая исследователя прибегать к помощи стороннего ПО. Большинство существующих программных решений направлены на исследование прочностных и технологических показателей работы топливных элементов, а также инженерного анализа режимов работы ТВЭЛов реактора ВВЭР, необходимых при техническом проектировании. В качестве примера можно привести работу [1], в которой описываются результаты моделирования эксплуатационных и технологических параметров топливных элементов в программной среде MSC.MARC 2005 R2. Данное программное средство обеспечивает возможность решения связанных (fully coupled) высоконелинейных задач, исследующих термомеханическое поведение конструкции с учетом автоматического контактного взаимодействия неограниченного числа тел с изменяющимися свойствами без каких-либо упрощений геометрических форм, однако постпроцессор MARC 2005 позволяет визуализировать только результаты собственного конечно-элементного решения без возможности работы со сторонней БД послереакторных исследований. Современные возможности компьютерной графики сделали реальностью создание среды трехмерного представления данных, имеющей ряд неоспоримых преимуществ перед двухмерным или табличным представлением, что послужило толчком к разработке соответствующих программных инструментов. Таким образом, создание программного продукта для работы с БД послереакторных исследований – актуальная научная задача. Цель данной работы – разработка специализированного программного продукта, позволяющего визуализировать основные контролируемые параметры ТВЭЛов реакторов типа ВВЭР-1000. Для ее достижения необходимо решить следующие задачи: – выбор необходимых программных инструментов для реализации механизмов визуализации и построения интерфейса программы; – создание программного интерфейса с помощью выбранных инструментов; – создание основных программных модулей, обеспечивающих функционирование программно278

№ 4, 2013 г.

го продукта, включая инструменты для взаимодействия с системой управления БД; – разработка подпрограмм, осуществляющих связь программных модулей между собой; – выполнение программы тестирования. Рассмотрим один из способов трехмерной визуализации основных контролируемых параметров ТВЭЛов реакторов типа ВВЭР-1000, реализованных в рамках авторского программного продукта Fuel Elements Data System (см. табл.). Способы отображения и перечень контролируемых параметров ТВЭЛов в программе Fuel Elements Data System Геометрическая Цветовая вивизуализация зуализация Линейная мощность Обогащение Удлинение

Представление в виде графиков Линейная мощность (по длине ТВЭЛа) Дефектоскопия Зазор топливооболочка

Выгорание Усилие извлечения Расстояние от ТВЭЛов до плиты головки Диаметр Овальность Толщина оксидной пленки Пользовательский параметр (по запросу)

При создании этой программы основной задачей было решение проблемы удаленного соединения с сервером системы управления БД Firebird [2] с целью эффективной выборки данных с последующей визуализацией результатов. При создании программной среды использовались открытые кроссплатформенные программные библиотеки Nokia Qt [3], QwtPlot [4] и GLC_lib [5], что позволило реализовать ряд новых функциональных возможностей при построении графиков, в частности, удобное масштабирование представленных графиков распределения величин и автоматическое задание пределов на координатных осях. В качестве основного инструмента при проектировании интерфейса окон визуализатора применялась программная библиотека GLC_lib. В результате появились широкие функциональные возможности, связанные с отображением сборки тепловыделяющих элементов, такие как управление положением камеры трехмерной сцены, освещением, наложением текстур и цвета, выбор произвольного объекта сцены с помощью курсора. Применение программной библиотеки в составе Nokia Qt SDK, включающей в себя программную среду разработки Nokia Qt Creator, дало возможность создаваемому программному продукту выполнять определенные функции, в числе которых – плавающий/стыкующийся оконный интерфейс, позволяющий организовать рабочее пространство окна программы индивидуально для

Программные продукты и системы

каждого пользователя или текущего набора контролируемых параметров; – удаленное соединение с системой управления БД с помощью встроенного драйвера для Firebird; – сборка исполняемого файла программного продукта, включая сопутствующие библиотеки, под управлением различных операционных систем (Microsoft Windows, Linux и Unix-подобных, Mac OS X); – автоматическое масштабирование интерфейса окон в зависимости от параметров экрана, используемых шрифтовых гарнитур и размеров; – обеспечение функционирования программных библиотек QwtPlot и GLC_lib. Часть контролируемых параметров, таких как линейная мощность по длине ТВЭЛа, дефектоскопия и зазор топливо-оболочка, были представлены только в форме графиков [4]. Это связано прежде всего с тем, что данные представления требуют одновременной визуализации двух и более наборов параметров (две и более кривых на графике), поэтому трехмерная визуализация такого рода данных нецелесообразна по причине информационной перегруженности модели. Следует отметить, что диаметр, овальность и толщина оксидной пленки являются величинами, распределенными по длине каждого топливного элемента, следовательно, градация и плотность цвета индивидуальны на каждую единицу поверхности отображаемой модели ТВЭЛа. На рисунке 1 показано окно интерфейса программы Fuel Elements Data System, отображающее упрощенную трехмерную модель ТВС № 91800 реактора ВВЭР-1000. Визуализируемым параметром является набор данных, характеризующий среднюю линейную мощность ТВЭЛов в 15 компаниях при нулевом параметре эффективного времени. Величина средней линейной мощности

Рис. 1. Окно интерфейса, отображающее параметры линейной мощности и удлинения упрощенной трехмерной модели ТВС № 91800 реактора ВВЭР-1000

№ 4, 2013 г.

определяется в соответствии с оценочной шкалой, размещенной в левой верхней части окна. В левой части окна расположены элементы управления визуализацией параметров, позволяющие задавать способ отображения выбранных данных. В этом примере в качестве параметра, характеризующего относительную высоту топливных элементов, используется величина относительного удлинения. Такой подход связан прежде всего с тем, что реальное отклонение эксплуатационных параметров от средних значений невелико и их отображение в истинном масштабе сделало бы наблюдение и контроль затруднительными. По этой же причине длина визуализируемых стержней значительно отличается от реальных размеров и сопоставима с диаметром ТВЭЛов. При необходимости может быть осуществлена выборка конкретного ТВЭЛа с вызовом контекстного меню, содержащего список доступных программных инструментов получения дополнительной информации в виде графиков, либо временного сокрытия элемента. На рисунке 2 показано окно интерфейса программы, отображающее результат одновременной выборки нескольких элементов сборки, расположенных в ее разных частях. В этом случае цветовая маркировка наносится на трехмерные модели ТВЭЛов в виде предварительно рассчитанных текстур, холодный синий цвет которых соответствует наименьшему значению диаметра топливного элемента, а ярко-красный – наибольшему. На этом примере трехмерная визуализация позволяет не только наглядно охарактеризовать величину изменения диаметров выбранных элементов в процессе эксплуатации, но и получить ее качественную и количественную оценки в зависимости от расположения элементов в сборке. С помощью элемента интерфейса Fuel Elements, расположенного в левой части окна (рис. 2), можно скрывать часть элементов из рассмотрения с целью уменьшения информационной нагруженности сцены. Кнопки All, None и Invert выполняют функции задания полной, пустой и инвертированной выборки соответственно. В нижней части окна (рис. 2) расположены графики, дополняющие результат трехмерной визуализации и предназначенные для уточненного отображения изменения диаметра, овальности и линейной мощности выбранного топливного элемента. Следует отметить, что перечень контролируемых параметров, методы отображения и форма представления содержащейся в БД информации могут быть расширены пользователем, владеющим программным языком запросов SQL [2]. На завершающем этапе создания программного продукта осуществлялось его тестирование с применением образца БД, предоставленной Государственным научным центром – НИИ атомных реакторов (г. Димитровград), специалисты кото279

Программные продукты и системы

№ 4, 2013 г.

Рис. 2. Окно интерфейса, отображающее выборку топливных элементов из базы с визуализацией величины их диаметра с помощью цветового кодирования и представления в виде графиков

рого дали положительную оценку проведенной работе и сформулировали ряд конструктивных предложений по дальнейшему совершенствованию программы. Несмотря на достижение поставленных целей и задач, в процессе работы над программным продуктом за рамками проекта осталось значительное количество неразрешенных проблем, порождаемых функциональными ограничениями используемых программных инструментов. Одна из главных – трудность в реализации механизма указателя положения текущего значения величины по длине стержня, а также возможность нумерации и наложения сопроводительной текстовой информации на элементы трехмерной сцены. Авторы надеются, что эти и другие функциональные ограничения будут преодолены в последующих версиях программы, однако считают, что предложенный подход к решению задачи трехмерной визуализации основных контролируемых параметров топливных элементов является наиболее эффективным и позволяет значительно повысить удобство работы с БД, снизить количество случайных ошибок оператора и получить наглядное представление содержащейся в ней информации. Программа является самостоятельным продуктом, для эффективной работы которого требуются рабочие станции, оснащенные ускорителями трехмерной 280

графики, что в настоящее время не является сдерживающим фактором. Литература 1. Кузнецов А.В., Каширин Б.А., Медведев А.В., Новиков В.В. Опыт моделирования поведения элементов конструкции ТВЭЛов ВВЭР в среде MSC.MARC 2005 R2. М.: Изд-во ВНИИНМ, 2007.

2. Борри Х. Firebird: руководство разработчика баз данных. СПб: БХВ-Петербург, 2007. 1104 с.

3. Бланшет Ж., Саммерфилд М. Qt 4: Программирование GUI на C++. М.: КУДИЦ-ПРЕСС, 2008. 736 с.

4. Qwt User's Guide: Qwt – Qt Widgets for Technical Applications. URL: http://qwt.sourceforge.net/ (дата обращения: 26.07.2012).

5. GLC_lib Home. URL: http://www.glc-lib.net/index.php (дата обращения: 26.07.2012).

References 1. Kuznetsov A.V., Kashirin B.A., Medvedev A.V., Novikov V.V. Opyt modelirovaniya povedeniya elementov konstruktsii TVELov VVER v srede MSC.MARC 2005 R2 [An experience in modeling behaviour of fuel elements of pressurized-water reactor in MSC.MARC 2005 R2]. Moscow, VNIINM Publ., 2007.

2. Borrie H. The Firebird Book. А Reference for Database Developers. Apress, 2004, 1128 pp.

3. Blanchette J., Summerfield M. C++ GUI Programming with Qt 4. Prentice Hall Publ., 2nd ed., 2008, 752 p.

4. Qwt User's Guide: Qwt – Qt Widgets for Technical Applications. Available at: http://qwt.sourceforge.net/ (accessed 26 July 2012).

5. GLC_lib Home.

Available at: http://www.glclib.net/index.php (accessed 26 July 2012).

Программные продукты и системы

№ 4, 2013 г.

УДК 004.932

ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ ДЛЯ ПУБЛИКАЦИИ В ЭЛЕКТРОННОЙ БИБЛИОТЕКЕ (Исследование выполнено при поддержке Минобрнауки РФ, соглашение № 14.B37.21.1526 «Разработка интернет-платформы широкополосного доступа к мультимедиаресурсам библиотеки»)

М.В. Дамов, к.т.н., ст. преподаватель; В.В. Буряченко, аспирант; А.И. Пахирка, к.т.н., ст. преподаватель; А.Г. Зотин, к.т.н., доцент (Сибирский государственный аэрокосмический университет им. академика М.Ф. Решетнева, просп. им. газ. «Красноярский рабочий», 31, г. Красноярск, 660014, Россия, me@damov.pro, GamerNewb@yandex.ru, pahirka@sibsau.ru, zotinkrs@gmail.com) Рассматриваются методы повышения качества встроенных видеопоследовательностей при подготовке электронных книг и других электронных библиотечных мультимедиаресурсов. В качестве этапов обработки видеоматериалов рассмотрены нелинейная коррекция освещенности изображения, детектирование смены сцены с предварительной оценкой движения объектов в сцене, а также с предварительной оценкой качества изображения, стабилизация изображения методами восстановления границ кадра. Нелинейная коррекция освещенности выполняется при помощи модифицированного MSR-алгоритма, позволяющего повысить контрастность деталей изображения в областях высокой яркости. Алгоритм стабилизации видеопоследовательности основан на методе соответствия блоков и позволяет устранить эффекты дрожания камеры. При стабилизации используется интерполяция соседних кадров, что обеспечивает меньшие потери содержимого на границах кадров. Предлагается проводить оценку качества кадров видеопоследовательности, которая позволяет детектировать случаи смены сцены, а также высокий уровень помех. Приведено описание методики тестирования и полученных результатов по повышению качества видеопоследовательности. Ключевые слова: стабилизация видео, оценка движения, интерполяция кадров, коррекция освещенности изображения, коррекция движения, электронные публикации, электронные библиотеки.

PREPROCESSING THE VIDEO SEQUENCE TO PUBLICATE IN DIGITAL LIBRARIES Damov M.V., Ph.D. Tech. Sc., senior lecturer; Buryachenko V.V., postgraduate student; Pakhirka A.I., Ph.D. Tech. Sc., senior lecturer; Zotin A.G., Ph.D. Tech. Sc., associate professor (Academician M.F. Reshetnev Siberian State Aerospace University, Krasnoyarskiy Rabochiy Av., 31, Krasnoyarsk, 660014, Russian Federation, me@damov.pro, GamerNewb@yandex.ru, pahirka@sibsau.ru, zotinkrs@gmail.com) Аbstract. This paper presents methods for increasing the quality of embedded video sequences when preparing digital books and other digital library multimedia resources. They are presented as processing stages: non-linear correction of image brightness, scene replacement detection with preliminary motion estimation in the scene and preliminary quality estimation of the frame, image stabilization with frame borders restoration methods. Non-linear correction of images brightness performs using modified MSR-algorithm which allows increasing the contrast of image details in of high brightness areas.

The algorithm of video sequence stabilization is based on block matching method and allows removing frame-to-frame jitter effect. An interpolation of neighboring frames is used when stabilizing. It provides less image content loss on frame borders.

It is offered to evaluate the quality of video sequence frame that allows detecting cases of scene changes and high level noise.

A description of testing and results of the increase of video sequences quality it presented.

Keywords: video stabilization, motion estimation, frame interpolation, image brightness correction, motion correction, digital publication, digital library.

Системы электронных библиотек с возможностью публикации электронных книг и других ресурсов с содержанием мультимедиаматериалов пользуются большой популярностью. Кроме того, с развитием дистанционного образования наличие таких ресурсов в вузе требуется в соответствии с образовательными стандартами и лицензионными условиями. В свою очередь, подготовка подобных образовательных материалов с достаточным качеством будет иметь для вуза высокую стоимость. В связи с этим предлагается разработка комплекса алгоритмов, позволяющих автоматизировать процесс улучшения качества видеопоследовательности для издания электронных книг и публикации в электронной библиотеке. Наиболее значимыми факторами, оказывающими негативное влияние на восприятие видеоинформации, являются неравномерность освеще-

ния наблюдаемой сцены и дрожание камеры. Принимая это во внимание, предлагается алгоритм обработки видеопоследовательности, который можно представить в виде следующих основных этапов: – подготовка видеопоследовательности (разделение видеопоследовательности на сцены); – коррекция освещенности изображения; – стабилизация видеопоследовательности с предварительной оценкой движения объектов в сцене и оценкой качества кадра; – восстановление границ кадра с интерполяцией кадров (при необходимости). Предлагаемая система предусматривает возможность улучшения качества видеопотока при помощи временных и пространственных методов. Для улучшения качества видеопоследовательности применяются алгоритмы выравнивания осве281

Программные продукты и системы

№ 4, 2013 г.

щенности, основанные на технологии MSR, имитирующей визуальную систему человека [1, 2]. Для компенсации дрожания кадра предложена стабилизация видеопоследовательности, основанная на методе соответствия блоков с учетом пространственно-временной постобработки. Для устранения артефактов, возникающих при стабилизации видеопоследовательности, таких как расплывчатость изображения и потеря граничных пикселей кадра, предложены дополнительные критерии оценки качества кадра, позволяющие оценить зашумленность изображения. На основании оценки движения выполняется детектирование смены сцены. Для улучшения качества стабилизации разработан алгоритм восстановления границ изображения, основанный на интерполяции ключевых кадров видеопоследовательности.

Если на текущем кадре j функция f() достигает локального максимума, то текущий и последующий кадры являются границами сцены видеопоследовательности. На рисунке 1 приведена гистограмма, отображающая значения счетчика сильно смещенных точек в тестовой видеопоследовательности, показан порог, выше которого принимается решение о разделении сцены, показаны виды границ сцены в зависимости от значения счетчика сильно смещенных точек. Эффект растворения

Сильное изменение

Эффект перехода

Количество точек

Порог

Разделение видеопоследовательности на сцены Для повышения качества видеоматериала необходимо предварительно разделить видеопоследовательности на сцены. В таком случае каждая сцена будет обрабатываться независимо. Это нужно для исключения влияния кадров, принадлежащих соседней сцене, при выполнении стабилизации или использовании временных фильтров. Существующие методы и алгоритмы выделения сцен можно разделить на две категории. Первая категория основана на оценке информации из служебной дорожки видеопоследовательности, то есть метки начала и конца видеосцены. Вторая категория представляет собой двухпроходный анализ видеопоследовательности. На первом проходе оцениваются различные параметры полной видеопоследовательности, такие как гистограмма кадра, конфигурация и количество особенных точек, расположение цветовых блоков и другие параметры. На втором проходе устанавливаются адаптивные пороги параметров видеопоследовательности, при превышении которых выполняется разделение последовательности на сцены. В предлагаемой системе решено использовать алгоритм выделения сцен, оценивающий конфигурацию особенных точек кадра [3]. Шаг 1. Расчет расстояния от каждой особенной точки кадра до центральной точки кадра:

Rij  ( xGi  xc )2  ( yGi  yc )2 ,

(1)

где xGi , yGi – координаты i-й особенной точки; xc, yc – координаты центральной точки кадра. Шаг 2. Расчет смещения точки: |Rij–Rij-1|<e, (2) где e – порог смещения точки для кадра. Шаг 3. Расчет количества сильно смещенных точек в j-м кадре: f(R, e, j)=count(e>en), (3) где en – общий порог смещения.

282

1

2

3

4

5

6

7

8

9 10 11 12 13 14 15 16 17 18 Кадры

Рис. 1. Гистограмма значений счетчика сильно смещенных точек на тестовой видеопоследовательности

Нелинейная коррекция освещенности изображения MSR-алгоритм сжимает динамический диапазон изображения с сохранением (увеличением) локального контраста в плохо и ярко освещенных областях. В классической реализации многомерный MSR-алгоритм [4] представляется взвешенной суммой одномерных SSR-алгоритмов (SingleScale Retinex) для различных масштабов. Одномерная выходная функция i-го цветового канала Ri(x, y, ) вычисляется на основании формулы Ri(x, y, )=log{Ii(x, y)}–log{F(x, y, )×Ii(x, y)}, (4) где Ii(x, y) – входная функция i-го цветового канала по координатам x и y;  – масштабный коэффициент; знак × обозначает свертку функций; F(x, y, ) – гауссиан. Применение классического алгоритма MSR в большинстве случаев приводит к искажению цвета изображения, поскольку значение каждой цветовой составляющей пикселя (например в RGB-пространстве) заменяется отношением ее исходного значения к среднему значению данной цветовой составляющей окружающих пикселей. Для решения этой проблемы можно воспользоваться преобразованием в другие цветовые пространства. Так, некоторое улучшение результатов наблюдается при использовании цветового пространства с явным разделением яркостной и оттеночной составляющих (HSV-, HLS-пространства). Лучшего эффекта можно достичь за счет использования модели нормализованного разделения яр-

Программные продукты и системы

№ 4, 2013 г.

костной и оттеночной составляющих. При этом обработка будет выполняться в соответствии с выражением RMi(x, y, w, , b)=RMi(x, y, w, )×Ii(x, y, c), (5) где Ii(x, y, b) – нормализованная яркость, определяемая по формуле    I i  x, y   I i  x, y, с   log 1  с 3 (6) ,   I x , y    i  i 1   где c – коэффициент, выбираемый из середины диапазона значений [0, …, 255], c=100–125. Ввиду особенности логарифмической функции MSR-алгоритм делает детали изображения в теневых областях более различимыми, чем в засвеченных [1]. Чтобы сделать детали различимыми в засвеченных областях, можно применить логарифмическую функцию к инвертированному изображению. Строится модифицированная логарифмическая функция L(I(x, y)), зависящая от порогового значения Th, выбираемого пользователем: kl  log  I  x, y  , I  x, y   Th  L  I  x, y    -k2  log  DR  I  x, y    log  DR , (7)  I  x, y   Th,  где k1, k2 – весовые коэффициенты, Th   Th  log  DR  1    log  DR  DR   DR , k2  k1  ; log Th  log  DR  Th  DR – динамический диапазон изображения, в данном случае DR=255 (для изображений с 8 битами на цветовой канал); Th – пороговое значение. Объединение ветвей дает классическому алгоритму MSR возможность повышать контрастность деталей в областях повышенной яркости. Применение такого вида логарифмической функции в определенной мере повышает контрастность деталей информативной области типичных распределений яркости (60–200), но значительно в меньшей мере, чем в затененных участках и участках с высокой яркостью [2]. На рисунке 2 показан пример работы MSR-алгоритма с модифицированной логарифмической функцией. Оценка движения Много работ посвящено исследованию особенностей методов, основанных на методах соответствия блоков [5, 6]: они используют различные фильтры для уточнения оценки движения и расчета локальных векторов движения. Эти алгоритмы обычно позволяют получить хорошие результаты, но могут давать ошибочные результаты для видеопоследовательностей, содержа-

щих большие движущиеся объекты. Это связано с тем, что они не привязывают дескриптор к блоку и не отслеживают движение объектов на последовательности кадров. В общем случае схема блочной оценки движения содержит следующую последовательность действий. Изображение делится на неперекрывающиеся блоки пикселей Bij, где i, j – координаты блока. Задача оценки движения сводится к задаче поиска вектора движения νi,j для каждого блока Bi,j. При этом значение вектора νi,j определяется соотношением (8) i , j  arg  min i , j 0 F(t ,i , j ,i , j )  ,  







O  x, y | x  umax,umax  , y   max,  max  , (9) где О – область поиска векторов движения Umax; Vmax – целые положительные числа; F(t ,i , j ,i , j ) – мера близости блоков текущего и предыдущего кадров. Примером такой функции является SAD (Sum of Absolute Differences), определяемая формулой SAD( y, i, j, )  (10)   I ( p, t )  I ( p, t )  I ( p  , t  1).



pBi , j

Оценка качества кадра Для качественной работы алгоритма определения геометрических искажений на его вход должны подаваться кадры, в той или иной степени соответствующие выбранной математической модели [6]. Суть проблемы в том, что алгоритм стабилизации оценивает параметры геометрических преобразований кадров путем нахождения минимума целевой функции. Таким образом, он не может работать при несоответствии входных изображений модели геометрических преобразований, принятых при разработке алгоритма. Если алгоритм стабилизации определяет параметры геометрических преобразований неправильно, выходное изображение, стабилизированное в соответствии с такими неправильными параметрами, «скачет» больше, чем входное. Это недопустимо, поэтому следует отсеивать кадры, обработка которых не может быть выполнена достаточно качественно.

а)

б)

Рис. 2. Пример нелинейного улучшения изображений: а) входное изображение, б) изображение с применением модифицированного метода MSR

283

Программные продукты и системы

На практике такие ситуации возможны в следующих случаях: – смена сцены; – отсутствие полезного сигнала (при наличии или отсутствии шума); – высокий уровень помех; – некоторые другие, например, съемка с большим увеличением при быстром перемещении камеры приводит к сильному смазыванию изображения и слишком большим смещениям. Случаи смены сцены, помимо рассмотренного ранее алгоритма, также можно определить при наличии большого числа локальных векторов движения, направление и модуль которых значительно отличаются от векторов предыдущих кадров E'k=(e1, e2, …, en), где E'k – евклидово расстояние векторов движения кадра k. Если

1

n

 ei  ei  err , считается, что про-

k n i 1 k 1 изошла смена сцены; err – порог, при котором вектор движения признается плохим. В некоторых случаях можно построить детектор шумовых кадров, основанный на особых свойствах шума. Если шум связан с низким качеством ПЗС-матрицы камеры, то можно построить классификатор на основе оценки степени насыщенности цвета. В таких кадрах естественное изображение, как правило, имеет блеклые цвета, в то время как шумовые кадры содержат большое количество ярких цветов (риc. 3). Алгоритм классификации для такого случая сводится к простой схеме: 1) находятся все точки, насыщенность которых выше порога; 2) если количество таких точек больше порога, кадр считается шумовым.

а)

№ 4, 2013 г.

Стабилизация видеопоследовательности При анализе видеопоследовательности, содержащей движущиеся объекты, оценивается вектор смещения каждого объекта в плоскости изображения методом полного поиска соответствия блоков (FSBMA). Текущий кадр разделен на матрицы макроблоков, которые включают соответствующий блок и его ближайших соседей на предыдущем кадре [7]. Это позволяет создать вектор движения макроблока от одного места к другому на предыдущем кадре. Такое смещение, вычисленное для всех макроблоков, представляет оценку движения на текущем кадре. Область поиска для соответствия макроблока ограничена до p пикселей во все стороны на предыдущем кадре. В таком случае p является поисковым параметром и при увеличении значения p позволит находить большее движение, но при этом сделает процесс поиска движения более ресурсоемким. Соответствие одного макроблока другому основано на вычислении значения функции стоимости. Макроблок с наименьшим значением функции стоимости соответствует текущему блоку. Методика расчета локальных векторов движения заключается в сравнении блока предыдущего кадра с блоком текущего кадра и небольшом сдвиге в p пикселей [7]. Функция сравнения блоков сравнивает два переданных блока на основе метрик MSE, PSNR, SAD: 1 M 1 N 1 2 MSE  (11)   I (i, j )  K (i, j ) , MN i 0 j 0 где M, N – ширина и высота изображения; I(i, j), K(i, j) – пиксели текущего и предыдущего изображений;

б)

Рис. 3. Пример аэрофотосъемки: а) шумовой кадр с наличием большого количества ярко окрашенных пикселей; б) качественный кадр

284

Программные продукты и системы

 MAX 2I   MAXi  PSNR  10log10    20log10   , (12)  MSE   MSE  где MAXI – максимальное значение, принимаемое пикселем изображения. В свою очередь, для формирования глобального вектора движения производится расчет на основе локальных векторов по формулам 1 H 1 W 1 GVx    LVx(i, j ) , H W i 0 j 0 1 H 1 W 1 GVy  (13)   LVy(i, j ) , H W i 0 j 0 где GVx, GVy – значения компонент глобального вектора движения по осям ОХ, OY; LVx(i, j), LVy(i, j) – значения компонент локального вектора движения по осям ОХ, OY для блока с координатами i, j; H, W – размерность массива блоков движения. После нахождения глобального вектора движения кадра выполняется компенсация движения. Данный этап раскладывается на две задачи: учет глобального движения кадра, а также восстановление границ, выпавших за рамки изображения. Методы восстановления границ кадра При стабилизации динамических сцен стабилизированный кадр должен содержать только ту часть изображения, которая содержится на всех последовательных кадрах сцены. Для этого рассчитывается вектор накопленного движения (AMVk), величина которого определяет, какую часть оригинального кадра необходимо исключить при получении стабилизированного изображения. Уменьшение видимой области кадра является значимым недостатком систем стабилизации видеопоследовательности, поэтому рассматриваются варианты улучшения этого процесса. Основной причиной, по которой требуется уменьшить размер кадра, является наличие областей на стабилизированном кадре, которых нет на соответствующем кадре оригинального изображения при равном масштабе. Для решения этой проблемы предлагается брать информацию из предыдущих кадров:  I kstab ( x, y )  I korig ( x  AMVx , y  AMVy )   if 0  x  AMVx  m and 0  y  AMVy  n, (14)  stab orig else I k ( x, y )  I k 1 ( x, y), где k – номер текущего кадра; AMVx, AMVy – векторы накопленного движения по осям координат; m, n – ширина и высота изображения соответственно. При наличии смещения камеры необходимо отслеживать, происходили ли изменения по краям кадра, чтобы не ухудшать качество изображения добавлением ошибочной информации.

№ 4, 2013 г.

Интерполяция кадров при стабилизации видеопоследовательности При дрожании камеры без сильного смещения кадра удобно использовать алгоритмы интерполяции изображений для восстановления граничных пикселей кадров. Большинство алгоритмов интерполяции (MCI – интерполяция скомпенсированных кадров) используют информацию о движении объектов на изображении [4]. Отличительной особенностью применения методов интерполяции изображений для задачи восстановления граничных пикселей является необходимость осуществлять расчет значений пикселей для каждого кадра видеопоследовательности между ключевыми кадрами. Пусть ключевыми кадрами, которые соответствуют стабилизированному изображению, будут кадры In, In+k, где n – номер первого ключевого кадра; k – число кадров до следующего ключевого кадра. Поскольку для алгоритма стабилизации видеопоследовательности рассчитываются векторы движения для каждого блока пикселей, имеется информация о смещении блоков vx,y между кадрами n и n+k. Тогда значение интенсивности пикселя для кадра m, где n<m<k, можно рассчитать по формуле I xm, y  I xn, y  (k  n)  m  x, y .

(15) Расчет значений пикселей стабилизированного изображения выполняется аналогично формуле (15), но для отсутствующих пикселей используется интерполированное значение:  I kstab ( x, y )  I korig ( x  AMVx , y  AMVy )  if 0  x  AMVx  m and 0  y  AMVy  n, (16)  stab int else I k ( x, y )  I m ( x, y ). Восстановление граничных пикселей кадра возможно при помощи интерполяции. Данный метод является хорошей альтернативой стандартному увеличению изображения при стабилизации видеопоследовательности. Интерполяция с учетом смещения изображения хорошо работает при наличии статической сцены, например, при применении в системах видеонаблюдения, когда нет преднамеренного движения камеры и большого уровня движения по краям кадра. Практические результаты Проведено тестирование качества предложенного алгоритма стабилизации на различных видеопоследовательностях, содержащих движение камеры и объектов. Для исходной видеопоследовательности и стабилизированного видеоматериала находится разница между предыдущим и текущим кадрами по известной метрике PSNR. Применение пространственно-временного фильтра 2d_cleaner при стабилизации видеоматериала зна285

Программные продукты и системы

№ 4, 2013 г.

чительно улучшает качество, устраняя следы мелкого дрожания видеопоследовательности, от которого не удалось избавиться при стабилизации. На рисунке 4 показано, что PSNR-значение кадров стабилизированной последовательности заметно выше, что показывает меньшую разницу между кадрами (более низкое влияние дрожания кадров). При применении временного фильтра PSNR-значение видеопоследовательности увеличивается в пределах 30 %. Значение PSNR 50

30

4. Choi D.H., Jang I.H., Kim M.H., Kim N.C. Color image enhancement based on single-scale retinex with a JND-based nonlinear filter. Proc. IEEE Int. Symp. Circuits and Syst., New Orleans, USA, 2007, pp. 3948–3951.

5. Jang S.-W., Pomplun M., Kim G.-Y., and Choi H.-I. Adaptive robust estimation of affine parameters from block motion vectors. Image and Vision Computing, 2005, August, pp. 1250– 1263.

6. Ko-Cheung H. and Wan-Chi S. Extended analysis of motion-compensated frame difference for block-based motion prediction error. IEEE Transactions on Image Processing, 2007, vol. 16, pp. 1232–1245.

7. Буряченко В.В. Стабилизация видеопоследовательностей для статических сцен // Цифровая обработка сигналов и ее применение: тр. 14-й Междунар. конф. М., 2012. Т. 2.

C. 306–309.

8. Дамов М.В., Зотин А.Г. Хранение мультимедийных изданий в электронной библиотеке вуза // Кибернетика и высокие технологии XXI века: матер. XIV Междунар. науч.-технич. конф. Воронеж: Изд-во ВГУ, 2013, Т. 2. C. 423–428.

References 10 50

100

150

200

оригинальное видео стабилизированное стабилизированное отфильтрованное

Рис. 4. PSNR-разница между кадрами исходной, стабилизированной и обработанной временным фильтром 2d_cleaner видеопоследовательности (news.avi)

Применение описанных в работе алгоритмов позволяет значительно улучшить качество видеопоследовательности, упростить работу пользователей при публикации видеоматериалов в электронной библиотеке [8], а также провести автоматическое разделение видеопоследовательности на сцены на основе проведенной оценки движения. Литература 1. Фаворская М.Н., Зотин А.Г., Пахирка А.И. Метод улучшения цветных изображений на основе выравнивания спектральных диапазонов и коррекции контрастности // Механика, управление и информатика. 2012. № 8. С. 99–103.

2. Зотин А.Г., Пахирка А.И., Буряченко В.В. Разработка системы видеонаблюдения c возможностью улучшения визуального качества видеопотока // Программные продукты и системы. 2013. № 2. С. 191–197.

3. Дамов М.В. Программный комплекс интеллектуальной реконструкции видеопоследовательностей // Технологии Microsoft в теории и практике программирования: матер. VII Всерос. науч.-практич. конф.-конкурс. Томск, 2010. С. 82–86.

1. Favorskaya M.N., Zotin A.G., Pakhirka A.I. A method of colour images improving based on levelling-off spectral ranges and contrast correction. Mekhanika, upravlenie i informatika [Mechanics, management and informatics]. 2012, no. 8, pp. 99–103.

2. Zotin A.G., Pakhirka A.I., Buryachenko V.V. Developing video surveillance system with a possibility to improve video stream visual quality. Programmnye produkty i sistemy [Software & Systems]. 2013, no. 2, pp. 191–197.

3. Damov M.V. A software complexof intelligent reconstruction of a video sequence. Tekhnologii Microsoft v teorii i praktike programmirovaniya: mater. VII Vseros. nauch.-praktich. konf.-konkurs [Proc. All-Russian conf. “Microsoft technologies in programming theory and practice”]. Tomsk, 2010, pp. 82–86.

4. Choi D.H., Jang I.H., Kim M.H., Kim N.C. Color image enhancement based on single-scale retinex with a JND-based nonlinear filter. Proc. IEEE int. symp. circuits and syst. New Orleans, USA, 2007, pp. 3948–3951.

5. Jang, S.W., Pomplun M., Kim G.Y., Choi H.I. Adaptive robust estimation of affine parameters from block motion vectors.

Image and Vision Computing. MA, USA, Butterworth-Heinemann Newton Publ., 2005, vol. 23, iss. 14, pp. 1250–1263.

6. Hui Ko-Ch., Siu W.-Ch. Extended analysis of motioncompensated frame difference for block-based motion prediction error. IEEE transactions on image processing. 2007, vol. 16, pp. 1232–1245.

7. Buryachenko V.V. Video sequence stabilization for static scenes. Tsifrovaya obrabotka signalov i ee primenenie: tr. 14 Mezhdunar. konf. [Signals digital processing and its application: proc. 14th int. conf. DSPA-2012]. Moscow, vol. 2, pp. 306–309.

8. Damov M.V., Zotin A.G. Keeping multimedia issues in an university electronic library. Kibernetika i vysokie tekhnologii XXI veka: mater. XIV Mezhdunar. nauch.-tekhnich. konf. [Proc. 14th int.conf. “Cybernetics and high technologies of 21th century”].

Voronezh, Voronezh St. Univ., 2013, vol. 2, pp. 423–428.

УДК 519.68

ФОРМАЛЬНЫЕ МЕТОДЫ УСТАНОВЛЕНИЯ АВТОРСТВА ТЕКСТОВ И ИХ РЕАЛИЗАЦИЯ В ПРОГРАММНЫХ ПРОДУКТАХ Т.В. Батура, к.ф.-м.н. (Институт систем информатики им. А.П. Ершова СО РАН, просп. Лаврентьева, 6, г. Новосибирск, 630090, Россия, tbatura@ngs.ru) В данной статье делается обзор методов установления авторства текстов. В ней также описаны наиболее известные программные системы для определения авторского стиля, ориентированные на русский язык, предпринята по-

286

Программные продукты и системы

№ 4, 2013 г.

пытка произвести их сравнительный анализ, выявить особенности и недостатки рассмотренных подходов. Задачу атрибуции текста чаще всего решают с целью идентификации автора, исходя из того, что автор текста известен. При этом анализ синтаксического, лексико-фразеологического и стилистического уровней текста представляет наибольший интерес и наибольшую сложность. Экспертный анализ авторского стиля является трудоемким процессом, поэтому в работе уделяется внимание именно формальным методам атрибуции. В настоящее время для установления авторства текстов применяются подходы из теории распознавания образов, математической статистики и теории вероятностей, алгоритмы нейронных сетей, кластерного анализа и др. К проблемам, затрудняющим исследования в области атрибуции текстов, относятся выбор лингвостилистических параметров, характеризующих текст и стиль автора, и составление выборки эталонных текстов. Имеющиеся программные продукты не ориентированы на комплексное исследование и сравнение результатов, они применяются для разных задач анализа стилей текстов с использованием различных частотных признаков и различного тестового материала. Необходимо проводить дальнейшие исследования, направленные на поиск новых или совершенствование уже имеющихся методов атрибуции текстов. Не менее важным является осуществление экспериментов, цель которых – поиск характеристик, позволяющих четко разделять стили авторов, в том числе и на малых объемах выборки. Ключевые слова: атрибуция текста, установление авторства, формальные параметры текста, авторский стиль, классификация текстов, характеристики текста.

FORMAL METHODS OF TEXT AUTHORSHIP ATTRIBUTION AND THEIR USAGE IN SOFTWARE PRODUCTS Batura T.V., Ph.D. (Physics and Mathematics) (A.P. Ershov Institute of Informatics Systems, Siberian Branch of RAS, Lavrenteva Av., 6, Novosibirsk, 630090, Russian Federation, tbatura@ngs.ru) Аbstract. The article represents the survey of authorship attribution methods. It also provides a description of the popular software systems to determine the author's style, focused on the Russian language. There was an attempt to make their comparative analysis, to identify advantages and drawbacks of approaches.

An authorship attribution is often based on the assumption that the alleged author is known. The analysis of syntactic, lexical-phraseological and stylistic levels of text is the most interesting and the most difficult. Expert analysis of the author's style is a time consuming process, so the attention is paid to the formal methods of attribution. Currently, to establishing the authorship of texts the following methods are used: the approaches of pattern recognition theory, methods of mathematical statistics and probability theory, neural network algorithms, cluster analysis algorithms, etc.

Among the challenges to research the field of authorship attribution there is a problem of choosing formal parameters characterizing the text and style of the author, the sampling problem of reference texts. The software products are not focused on integrated study and results comparison. They are applied to various problems of analysis of text styles with different frequency characteristics and different test material. To find a new or improve existing methods of attribution of texts further research is needed. It is also important to carry out experiments aimed at finding features that allow to clearly separate the authors styles, including the small sample size.

Keywords: text attribution, authorship attribution, formal parameters of the text, author's style, classification of texts, text authorship, identification the author of a text, characteristics of text.

При решении задачи установления авторства текста (или задачи атрибуции) неизбежно приходится обращаться к экспертам. Эксперты могут идентифицировать автора неизвестного текста или определить принадлежность произведения другому автору при помощи характерных языковых особенностей и стилистических приемов. Несомненно, подобные исследования трудоемки, однако задача установления авторства текстов возникает в различных областях и представляет интерес для филологов, литературоведов, юристов, криминалистов, историков. Поэтому встает вопрос о создании формальных методов ее решения. В настоящее время для атрибуции текстов применяются подходы из теории распознавания образов, математической статистики и теории вероятностей, алгоритмы нейронных сетей и кластерного анализа и многие другие. С развитием вычислительной техники появилась возможность реализовать методы, требующие огромных вычислений, чтобы облегчить работу экспертов. Существующие программные продукты позволяют учитывать и варьировать различные лингвостатистические параметры, раз-

носторонне характеризующие текст. В статье приведен обзор различных формальных методов определения авторского стиля, предпринята попытка выявить их особенности и недостатки, сравнить программные продукты по атрибуции текстов, ориентированные на русский язык. Лингвостатистические параметры анализируемого текста Атрибуция текста – исследование текста с целью установления авторства или получения какихлибо сведений об авторе и условиях создания текстового документа. Как отмечено в [1], задачи атрибуции можно разделить на идентификационные и диагностические. Идентификационные задачи позволяют подтвердить или исключить авторство определенного лица, проверить тот факт, что автором всего текста был один и тот же человек или что написавший текст является при этом его настоящим автором. Идентификационные задачи решаются из предположения, что автор текста известен.

287

Программные продукты и системы

Диагностические задачи позволяют определить личностные характеристики автора (образовательный уровень, родной язык, знание иностранных языков, происхождение, место постоянного проживания и др.) и/или определить факт сознательного искажения письменной речи. Диагностические задачи решаются из предположения, что автор текста неизвестен. В этих случаях обычно невозможно сопоставить исследуемый текст с текстами автора. Методы атрибуции позволяют исследовать текст на пяти уровнях: пунктуационном, орфографическом, синтаксическом, лексико-фразеологическом, стилистическом. На пунктуационном уровне выявляются особенности употребления автором знаков препинания и характерные ошибки. На орфографическом уровне выявляются характерные ошибки в написании слов. На синтаксическом уровне определяются особенности построения предложений, предпочтение тех или иных языковых конструкций, употребление времен, порядок слов и т.д. На лексико-фразеологическом уровне определяются словарный запас автора, особенности использования слов и выражений, склонность к употреблению редких и иностранных слов, диалектизмов, архаизмов, неологизмов, профессионализмов, навыки употребления фразеологизмов, пословиц, поговорок и т.д. На стилистическом уровне определяются жанр, общая структура текста, для литературных произведений – сюжет, характерные изобразительные средства (метафора, ирония, аллегория, гипербола, сравнение), стилистические фигуры (градация, антитеза, риторический вопрос и т.д.), другие характерные речевые приемы. Под авторским стилем обычно понимаются последние три уровня. Анализ именно синтаксического, лексико-фразеологического и стилистического уровней представляет наибольший интерес и наибольшую сложность. Существует довольно много методов анализа стиля. В целом их можно разделить на две большие группы – экспертные и формальные. Экспертные методы предполагают исследование текста профессиональным лингвистом-экспертом. Формальные методы чаще всего основаны на сравнении вычислимых характеристик текстов, как в теории распознавания образов. Применение теории распознавания образов в задаче атрибуции текстов можно встретить, например, в [2, 3]. В общем случае текст отображается в вектор вычисленных для него параметров, каждый из которых объективно характеризует некоторый набор особенностей текста. Автор также может быть представлен в виде аналогичного вектора параметров (вектора текстов, написанных данным автором). В качестве критерия близости двух текстов вводится 288

№ 4, 2013 г.

«расстояние» между соответствующими векторами. В большинстве случаев в качестве характеризующих параметров текста выбираются статистические характеристики: количество использования определенных частей речи, знаков препинания, количество и длина предложений (измеренная в словах, слогах, знаках), объем словаря, количество полнозначных и служебных слов, средняя длина предложения в тексте и т.д. Основная проблема формальных методов анализа авторства состоит как раз в выборе параметров. Как было отмечено А.А. Марковым [4], существует целый ряд формальных статистических характеристик текстов, непригодных для установления авторства в силу одного из двух недостатков. Отсутствие устойчивости. Разброс значений параметра для текстов одного и того же автора настолько велик, что диапазоны возможных значений для разных авторов перекрываются. Очевидно, данный параметр не поможет различать авторов, а при использовании в составе группы параметров сыграет роль дополнительного шума. Отсутствие различающей способности. Параметр может принимать близкие значения для всех или большинства авторов, поскольку его значения определяются свойствами языка, на котором написаны тексты, а не индивидуальными особенностями создателя текста. Таким образом, параметры, используемые в формальных методах установления авторства, должны предварительно исследоваться на устойчивость и различающую способность, желательно на текстах большого количества различных авторов. В работе [5] выделены следующие три условия применимости формального параметра. Массовость. Параметр должен опираться на те характеристики текста, которые слабо контролируются автором на сознательном уровне. Это необходимо, чтобы устранить возможность сознательного искажения автором характерного для него стиля или имитации стиля другого автора. Устойчивость. Параметр должен сохранять постоянное значение для одного автора. Естественно, в силу случайных причин некоторое отклонение значений от среднего неизбежно, но оно должно быть достаточно мало. Различающая способность. В идеале параметр должен принимать существенно различные значения (превышающие колебания, возможные для одного автора) для разных авторов. Необходимо отметить, что выбрать параметры, которые гарантированно разделяют двух любых авторов, очень трудно. Поэтому на практике считается достаточным, чтобы параметр позволял уверенно различать между собой разные группы авторов, то есть существовало достаточно большое количество групп авторов, для которых средние значения

Программные продукты и системы

параметра существенно различаются. Параметр, очевидно, не поможет различить тексты авторов из одной группы, но позволит уверенно различать тексты авторов, попавших в разные группы. Различать тексты авторов одной группы можно за счет одновременного использования достаточно большого вектора различных по характеру параметров – в этом случае вероятность случайного совпадения, соответственно, станет заметно меньше. Применение методов теории распознавания образов для атрибуции текстов В работах [2, 3] проблему атрибуции текстов предлагается решать методами теории распознавания образов. В качестве атрибутируемых объектов были отобраны 13 комедий Мольера в стихах. Существует гипотеза, что автором большинства стихотворных пьес, приписываемых Мольеру, являются П. Корнель и некоторые другие французские драматурги. Поэтому основной целью исследования стало применение математических методов для решения проблемы «Корнель–Мольер». Количество предложений в выбранных произведениях варьировалось от 72 до 1 293. Для описания априорных классов был взят 51 параметр. Из полученного априорного словаря выбрали небольшое количество информативных параметров при помощи схемы М.М. Бонгарда, предусматривающей двухступенчатое свертывание параметрического пространства. На первом этапе производилось автоматическое разбиение априорного набора информативных параметров на два подмножества, релевантных и нерелевантных для различения априорных классов. На втором этапе релевантность параметров для различения двух априорных классов определялась по t-критерию Стьюдента, пороговое значение которого равно 1,96 при уровне значимости =0,05. Если наблюдаемое значение критерия превышало пороговое, параметр относился к числу информативных, в противном случае он исключался из дальнейшего рассмотрения. Информативный набор состоял из пяти параметров: число элементарных и сочиненных предложений, число спрягаемых форм глагола, подлежащих и местоимений-подлежащих. По результатам проведенного анализа качества классификации было установлено, что из 13 рассмотренных пьес автором 10 из них (6 на 95 % и 4 на 63–73 %) является П. Корнель, одна пьеса была атрибутирована на 68 % Ф. Кино, две оставшиеся пьесы были отнесены к отдельному апостериорному классу. Система «Лингвоанализатор» В работах [6, 7] описан ряд исследований, проведенных Д.В. Хмелевым, результатом которых

№ 4, 2013 г.

явился вывод об эффективности применения алгоритмов сжатия данных для задачи определения авторства. Также был сделан вывод о том, что простейший подход с использованием цепей Маркова первого порядка показывает хорошие результаты на файлах большого объема и плохие по сравнению с другими методами на отрывках длиной в 2 000–5 000 символов. Этот метод был реализован в системе «Лингвоанализатор» (http:// www.rusf.ru/books/analysis). Существенное преимущество метода энтропийной классификации (с помощью сжатия) состоит в отсутствии предварительной обработки текста. Суть метода в том, чтобы добавлять текст, автор которого неизвестен, к тексту, принадлежащему конкретному автору, и смотреть, насколько хорошо сжимается эта добавка. Правильный исходный класс документа – это тот, на котором он сжимается лучше всего. Существует большое множество алгоритмов сжатия данных, каждый алгоритм имеет большое число модификаций и параметров. Все они реализованы в различных программах, которых в настоящий момент довольно много. В работе [6] приведены некоторые результаты эксперимента по сравнению точности определения авторства текста с использованием алгоритмов сжатия данных. Некоторые эксперименты проводились на массиве новостей агентства Рейтерс (Reuters Corpus Volume 1). Было отобрано 50 авторов с наибольшим объемом статей, всего 1 813 статей. Выборка случайно была разбита на 10 равных частей, одна из которых использовалась для тестирования. Лучший результат получен для метода с применением программы rar (точность 89,4 %). Другие эксперименты проводились на корпусе текстов, состоящем из 385 текстов 82 писателей. Тексты подверглись предварительной обработке: были склеены все слова, разделенные переносом, и опущены все слова, начинавшиеся с прописной буквы. Оставшиеся слова помещены в том порядке, в каком они находились в исходном тексте с разделителем из символа перевода строки. У каждого из писателей было отобрано по контрольному произведению. Остальные тексты были объединены в обучающие выборки. Объем каждого контрольного произведения составлял не менее 50 000–100 000 символов. Проведенные исследования показали, что программы сжатия угадывают истинных писателей весьма часто на текстах большого объема. Особенно хорошо проявляет себя программа rarw (точность 71 %), результаты применения которой превосходят реализацию других подходов в этой области. Тем не менее остаются и открытые вопросы. Например, почему использование программы rarw, применяющей модификацию алгоритма LZ, на файлах большого объема опережает 289

Программные продукты и системы

многие другие методы, также применяющие модификацию LZ. Применение методов из теории вероятности и математической статистики для атрибуции текстов В некотором роде вышеназванное исследование продолжено в работе [8]. Предложенный метод основан на учете статистики употребления пар элементов любой природы, идущих друг за другом в тексте (букв, морфем, словоформ и т.п.), то есть на формальной математической модели последовательности букв (и любых других элементов) текста как реализации цепи Маркова. По тем произведениям автора, которые достоверно им созданы, вычислялась матрица переходных частот употребления пар элементов (букв, грамматических классов слов и т.п.). Она служила оценкой матрицы вероятности перехода из элемента в элемент. Для каждого из авторов строилась матрица переходных частот и оценивалась вероятность того, что именно он написал анонимный текст (или фрагмент текста). Автором анонимного текста считался тот, для кого вычисленная оценка вероятности больше. Исходный корпус текстов подвергался предварительной обработке и был представлен в четырех вариантах: а) пары букв в их естественных последовательностях в тексте – в словах (в той форме, в которой они употреблены в тексте) и пробелах между ними; б) пары букв в последовательностях букв в приведенных формах слов (словарных, лемматизованных или исходных); в) пары наиболее обобщенных грамматических классов слов (части речи, условные категории типа «конец предложения», «сокращение» и др.) в их последовательностях в предложениях текста; г) пары менее обобщенных грамматических классов слов; к ним относятся такие семантикограмматические разряды, как одушевленные существительные, неодушевленные существительные, прилагательные качественные, относительные, притяжательные и т.п. В процессе предварительной обработки отбрасывались все слова, для которых не удалось автоматически определить грамматический класс, все знаки препинания, все слова с заглавной буквы, склеивались все слова, разделенные переносом, каждый символ кодировался числом. Была выполнена перекрестная проверка метода на материале 385 текстов 82 авторов. Показателем точности метода является процент правильно определенных произведений. Для варианта (а) получено 73 % точных определений, для (б) – 62 %, для (в) – 61 %. На материале варианта (г) получены значительно худшие результаты – 4 %.

290

№ 4, 2013 г.

В работе [9] показано, что последовательность символов текста не обладает свойствами простой цепи Маркова. Таким образом, гипотеза, выдвинутая в [7, 8], опровергнута. Тем не менее на основе проведенных в [8] экспериментов был сделан вывод, что использование пар подряд идущих в тексте букв дает более точные результаты, чем использование таких языковых категорий, как одиночные грамматические классы слов и их пары. Поэтому было выдвинуто предположение, что в буквенных парных структурах частично отображаются полные структуры морфем словоформ текста – префиксальные, корневые, суффиксальные и флективные. Тем самым довольно большой объем словоизменительной и словообразовательной информации о структуре русских слов оказывается отображенным в статистике парной встречаемости букв, что и определяет довольно высокий уровень эффективности использования этой статистики для определения авторства текста. Другими словами, подсчет частоты употреблений пар букв позволяет учесть информацию о словаре, который используется автором, а также косвенно информацию о предпочитаемых им грамматических конструкциях. Система «Атрибутор» Как продолжение развития подхода, использующего в качестве стилевых признаков бинарные буквосочетания, А.Н. Тимашев [10] предложил применять трехбуквенные сочетания – триады. При таком методе анализу поддаются однобуквенные и двухбуквенные служебные слова, а это значительная часть наиболее частотных предлогов, союзов, частиц и междометий, которые традиционно считаются значимыми стилеметрическими показателями. По этой причине цепочки из двух, четырех и большего количества букв менее показательны, что и было доказано в процессе исследования. На основе данных рассуждений создан программный продукт для автоматического сравнения и классификации текстов по параметрам индивидуального авторского стиля под названием «Атрибутор» (http://www.textology.ru/web.htm). База этой программы содержит произведения 103 авторов и использует экспертную обработку текстов. В эталонную выборку, на которой происходило обучение «Атрибутора», попали в основном романы и повести отечественных писателей XIX–XX веков. Пополнение шло за счет ресурсов известных электронных библиотек, наибольшее количество текстов было получено в библиотеке М. Мошкова. Выборка производилась таким образом, чтобы тексты разных писателей в максимальной степени различались друг от друга, а тексты одного писателя были максимально близки. Те случаи, когда известный писатель в какой-то пе-

Программные продукты и системы

риод своего творчества резко менял стиль изложения, отсеивались. Для обработки текста «Атрибутором» необходимо, чтобы его длина была не меньше 6 страниц. Ограничение на длину текста накладывается для того, чтобы избежать ошибок, связанных со сравнением статистически несопоставимых объектов. В обработку попадают все слова, кроме имен собственных. Система «СМАЛТ» Еще один программный продукт для определения авторства текстов – «СМАЛТ» (Статистические методы анализа литературного текста), основан на алгоритмах автоматизации морфологического и синтаксического анализа текстов (http://smalt.karelia.ru). Обработка текстов в разработанной системе производится в несколько этапов. На первом шаге выполняется автоматизированное разбиение исходного текста на лексические единицы, среди которых выделяются часть (или раздел), абзац, предложение, слово. На втором осуществляется морфологический разбор текста. На третьем – синтаксический разбор. Для проведения исследований была взята 81 публицистическая статья 60–70 гг. XIX в. из журналов «Время» и «Эпоха», цель – определение принадежности ряда статей Ф.М. Достоевскому. В качестве параметров были взяты следующие величины: средняя длина слова в буквах, средняя длина предложения в словах, индекс разнообразия лексики (отношения числа разных словоформ к числу словоупотреблений). Проводилось исследование с выборками разных объемов: в 200, 300, 400, 500 и 600 слов. Использовались частотные словари на каждые 500 слов текста. Все словоформы распределились в группы по 1, 2, …, 10 раз встречаемости в выборке. Далее определялось число словоформ в каждой группе, что означает распределение частот на уровне словаря, и покрываемость текста, что означает распределение частот на уровне текста. В работе [11] были выдвинуты гипотезы об эффективности выполнения некоторых методов для анализа текстов: метода проверки гипотез с помощью критерия Стьюдента, критерия Колмогорова–Смирнова на согласованность с заданным распределением, методов кластерного анализа, методики «сильный граф», в которой в качестве основной характеристики текстов рассматривалась матрица частот парной встречаемости грамматических классов слов. В ходе исследования были получены числовые значения критерия Стьюдента для всех статей. В группе статей Ф.М. Достоевского выявлялась статья с максимальным значением t-характеристики, в то время как в группе атрибутируемых статей и статей других авторов исключались статьи со зна-

№ 4, 2013 г.

чением t-характеристики, большим фиксированного. В методе иерархической кластеризации использовались две меры расстояния между объектами: евклидова мера и мера Чебышева. Для определения расстояния между кластерами применялись методы ближнего и дальнего соседа. Исследование было проведено на основе двух наборов признаков: основного, состоящего из частей речи (16 признаков), и расширенного, с подключением дополнительных морфологических параметров, например падеж, род и т.п. (156 признаков). В результате проведенных экспериментов не удалось установить, является ли автором рассматриваемых статей Ф.М. Достоевский, так как обе гипотезы (о том, что Ф.М. Достоевский – автор, и о том, что не автор) неверны. Применение методов «сильный граф», корреляционных плеяд и иерархической кластеризации показало неэффективность использования формально-грамматических параметров для определения принадлежности исследуемых статей Ф.М. Достоевскому. Недостаток предложенного метода состоит в том, что задачу определения авторства приходится сводить к задаче построения качественного и быстрого синтаксического анализатора. Последняя из задач является не менее трудной и до сих пор не решена на требуемом уровне. Система «Антиплагиат» Среди существующих автоматических средств, призванных помочь в решении проблемы атрибуции текстов, следует также упомянуть систему «Антиплагиат» (http://www.antiplagiat.ru). Этот интернет-сервис предлагает осуществить проверку текстовых документов на наличие заимствований из общедоступных сетевых источников. На первом этапе система собирает информацию из различных источников: загружает из Интернета и обрабатывает сайты, находящиеся в открытом доступе, базы научных статей и рефератов. Загруженные документы проходят процедуру фильтрации, в результате которой отбрасывается бесполезная с точки зрения потенциального цитирования информация (например, HTML-страницы с большим количеством рекламы, новостные заголовки и т.д.). На следующем этапе каждый из полученных таким образом текстов определенным образом форматируется и заносится в системную БД. Кроме того, в общую базу текстов поступают документы, загруженные на проверку пользователем, если такая возможность была разрешена им во время процедуры загрузки. Все пользовательские документы, загружаемые для проверки, ставятся в очередь на обработку. Проверка документа, например реферата среднего размера, занимает несколько секунд.

291

Программные продукты и системы

Поиск совпадений осуществляется сравнением последовательностей символов без учета языковых особенностей и речевых взаимосвязей. За счет этого достигается высокая, в несколько секунд, скорость поиска совпадений. Система позволяет проводить атрибуцию текстов на различных языках. После проверки документа пользователь получает доступ к отчету, в котором представляются результаты. Структура отчета позволяет выделять в проверяемом тексте заимствованные части как по всем источникам, так и по их любому подмножеству. К сожалению, все программные алгоритмы, используемые в «Антиплагиате», являются коммерческой тайной компании «Форексис». К недостаткам системы можно отнести невозможность отлавливать заимствованный текст при условии, что в каждое предложение текста добавлено или убрано из него всего лишь одно слово. Сегодня существуют программы, например «Антиплагиат киллер» (http://otlichnik.biz/publ/antiplagiat_killer_ 2_0/1-1-0-4), позволяющие обходить систему «Антиплагиат». Авторский инвариант и лингвистические спектры В рамках относительно небольшого текста значения большинства формальных характеристик не позволяют установить авторский стиль. Кроме того, на коротких текстах часто не проявляются и другие характеристики, например, особенности использования автором фразеологизмов, метафор, эпитетов и т.д. С другой стороны, для текстов порядка 1 000–2 000 слов сохраняются грамматические особенности авторского стиля: частота употребления неполнозначных, служебных слов (частиц, союзов, предлогов, некоторых модальных слов, вводных выражений). Такой метод установления авторства текста иногда называют лингвостатистическим анализом неполнозначной лексики. В работе [5] исследователи вводят понятие авторского инварианта – формальной характеристики текста, удовлетворяющей условиям массовости, устойчивости и различающей способности. Авторский инвариант – характеристика текста, вычисленная как процент содержания служебных слов (их было взято 55) в тексте. Начальная выборка состояла из 2 000 слов, затем объем выборок последовательно увеличивался до 4 000, 8 000, 16 000 слов. Проведенный эксперимент показал, что дальнейшее увеличение объема выборок необязательно, так как искомый авторский инвариант был обнаружен уже при величине выборки в 16 000 слов. В качестве критерия стабилизации был взят следующий принцип. Объем выборки увеличивался до тех пор, пока не обнаруживался параметр, для которого средняя величина его от292

№ 4, 2013 г.

клонений от средних значений вдоль произведений всех исследуемых писателей оказывалась существенно меньше амплитуды колебаний параметра между текстами разных авторов. Эксперименты проводились на выборке из основных произведений 23 авторов трех веков – от XVIII до XX. В результате, например, был сделан вывод о том, что автором романа «Тихий Дон» не является М.А. Шолохов. Серьезным ограничением этого метода является очень низкая разделительная способность оценки в случае большого числа авторов (потенциально метод может разделять лишь 10 авторских стилей). Истоки этого метода восходят к работе Морозова Н.А. [12], который первым заметил, что именно особенности употребления служебных слов, лексем с общей семантикой, не привязанной к тематике художественного произведения, формируют авторский стиль и практически не поддаются имитации. В качестве характеристик авторского стиля он предложил брать часто используемые слова: предлоги, союзы, частицы, подсчитывая число употреблений каждой в отдельности. А графическое изображение их частот назвал лингвистическими спектрами. В конечном счете выяснилось, что лингвистические спектры слишком неустойчивы, чтобы служить серьезным основанием для разграничения авторского стиля. Система «Стилеанализатор» Проблему атрибуции текстов в [9, 13] предлагается решать при помощи нейронных сетей и методов иерархической кластеризации. В качестве меры сравнения матриц частот появления признаков предлагается использовать меру Кульбака и меру хи-квадрат. В работах также показано, что мера Хмелева из [7] является частным случаем меры Кульбака. Под частотным признаком понимается любой признак стиля текста, допускающий возможность нахождения частоты его появления в тексте (например, число появления абзацев в тексте). На основе проведенных исследований разработан программный комплекс «Стилеанализатор». В [9] были проведены исследования зависимости от объемов текстовых фрагментов качества классификации текстов по авторству, по жанровым типам и источникам с помощью деревьев решений, метода Хмелева и метода с использованием нейронных сетей. Для эксперимента были взяты два набора текстов: художественных произведений (156 текстов, три подмножества: 30, 20 и 10 авторов) и газетных статей (5 697 текстов, 57 журналистов за 2003–2004 гг.). Рассмотрены количественные признаки трех уровней: уровня букв, слов и предложений. Всего 14 различных наборов признаков.

Программные продукты и системы

Было обнаружено, что для разных текстов с разным числом классов, для разных наборов признаков существует примерно постоянное минимальное значение объема фрагментов для приемлемой классификации. Оно составляет около 30 000–40 000 символов, или 5 000–6 000 слов, или 400–600 предложений. Было предложено использовать нейронные сети, обучающиеся без учителя и предназначенные для обработки больших массивов многомерной информации, – самоорганизующиеся карты Кохонена (Self-organizing map – SOM). За последние годы это направление является одним из наиболее развивающихся. С помощью SOM-сетей решаются многие проблемы классификации, обработки естественного языка, изображений, тестирования и обучения. Несмотря на широкое использование, SOM-сетям не хватает теоретической обоснованности: в основном они опираются на эмпирические результаты. В итоге был получен вывод о том, что в случае удачного нахождения универсального набора характеристик можно обрабатывать любое число авторов и текстов (большие массивы информации). Достаточно постоянно модифицировать карту, добавляя новые произведения, и оценивать, как они взаимодействуют с ранее присутствующими. Проведенные эксперименты показали, что метод Хмелева и его модификации выигрывают как в скорости обучения, так и в качестве классификации. Нейронные сети дают сопоставимое качество, но сильно проигрывают в скорости. Деревья решений обеспечивают наихудшее качество классификации, но при этом дают наглядный вид решения и по ходу производят отбор самых информативных признаков. Одним из серьезных недостатков метода является невозможность прогнозирования успешного результата. Генетический поиск на заданном наборе текстов может никогда не найти хороший вариант для разделения характеристик. Нет никакого критерия того, в правильном ли направлении движется поиск, верно ли он делает скачки, нужную ли скапливает информацию об исследуемом пространстве. Исследователь сам должен производить мониторинг поиска. Кроме того, нет механизмов, определяющих, сколько времени осталось до конца работы алгоритма, до того момента, когда дальнейший поиск не принесет значимых результатов. Другой проблемой метода является его трудоемкость. Число загруженных текстов, которое напрямую влияет на качество поиска, требует больших ресурсов от вычислительной системы (большой объем памяти и мощный процессор). Для нахождения по-настоящему универсальных характеристик необходимо обработать не один десяток мегабайт текстов, чтобы можно было с уверенностью заявить об их универсальности.

№ 4, 2013 г.

Система «Авторовед» Продолжение исследований по применению нейронных сетей в сочетании с методом опорных векторов при установлении авторства текстов нашло отражение в работах [14, 15]. Если задачу определения авторства сформулировать как задачу классификации, то одним из широко применяемых выходов является построение бинарного классификатора. Все тексты, включая обучающую часть выборки, разворачиваются в очень большой вектор, индексируемый словами. После этого имеются два множества точек из обучающей выборки в многомерном пространстве: принадлежащие данному автору и не принадлежащие ему. Для того чтобы разделить эти множества, нужно поделить пространство на две части. Самый простой способ сделать это – построить гиперплоскость. Такую гиперплоскость можно построить с помощью метода опорных векторов (SVM – Support Vector Machines). После этого для классификации текста с неизвестным автором достаточно проверить, в какую часть пространства он попал. Помимо метода опорных векторов, в качестве инструментов для атрибуции текстов в работе [15] были выбраны искусственные нейронные сети архитектуры многослойный перцептрон (MLP) и сети каскадной корреляции (CCN). CCN позволяют снизить временные затраты на обучение по сравнению с перцептроном за счет алгоритма автоматического построения топологии сети. SVM является наиболее точным из существующих сегодня методов классификации и в то же время наименее затратным по времени. Итоговое решение об авторе текста принимается ансамблем классификаторов по принципу мажоритарного голосования. В качестве характерных признаков текста для описания авторского стиля было предложено брать наиболее частые триграммы символов и наиболее частые слова русского языка. Основные результаты проведенных исследований получены на корпусе, состоящем из 215 прозаических текстов 50 русских писателей. Тексты были взяты из электронной библиотеки М. Мошкова. Размер каждого текста составляет более 100 000 символов. Использовались выборки объемом 1 000–100 000 символов (200–20 000 слов). Количество обучающих примеров каждого автора бралось равным 3, для тестирования использовалось по одной выборке автора. Эксперименты по 2, 5 и 10 авторам показали, что наиболее информативными авторскими признаками являются ограничения в 300–700 наиболее частотных триграмм и 500 наиболее частых слов. Автора можно определить с точностью в среднем 95–98 % при объеме текстовой выборки 20 000–25 000 символов. При этом начиная с 10 000 символов машина опорных векторов пока293

Программные продукты и системы

№ 4, 2013 г.

Сравнение программных средств атрибуции текстов Название

Метод

«Лингвоанализатор»

Энтропийный подход, марковские цепи «Атрибутор» Марковские цепи «СМАЛТ»

ИзменеСредства ние паанализа раметров текстов метода Нет Графем., стат. анализ Нет

Критерии Стьюдента, Колмогорова–Смирнова, кластерный анализ

Нет

Марковские цепи, нейронные сети, деревья решений, меры расстояния «Авторовед» Нейронные сети, метод опорных векторов, QSUM

Да

«Стилеанализатор»

Да

Расширение НеобходиТочперечня мый объем ность, характеритекста % стик Нет 40 000– 84–89 100 000 символов Стат. анализ Нет >20 000 Не изв. символов Графем., Нет 500 слов для Не изв. морф., синт., определения стат. анализ, однородноподдержка дости революционной орфографии Графем., стат. Да 30 000– 90–98 анализ, работа 40 000 с размеченнысимволов ми текстами Графем., морф., стат. анализ

зывает лучшие из трех исследуемых классификаторов результаты. Установлено, что использование при идентификации автора комбинации частот букв русского языка, знаков пунктуации, наиболее частых триграмм символов и наиболее частых слов увеличивает точность идентификации в среднем на 6–12 % на объемах текста до 10 000 символов. Полученные методики были применены на практике для идентификации авторов коротких электронных сообщений во время внедрения программного комплекса, названного «Авторовед», в деятельность воинской части 51 952. Результаты показали, что авторство коротких текстов длиной 100 символов можно определить с точностью до 76±11 % в случае двух потенциальных авторов. При решении частной задачи по определению автора сообщения интернет-форума была достигнута точность 89±8 %. Таким образом, предложенный метод дает довольно хорошие результаты на коротких электронных сообщениях, что выгодно отличает его от других ранее предложенных методов. В заключение необходимо отметить, что в основе формальных методов атрибуции текстов лежит представление о том, что с возрастанием объема текста параметры, характеризующие авторский стиль, становятся устойчивыми с вероятностной точки зрения. Это позволяет устанавливать авторство по стабильно повторяющимся формальным характеристикам текста. Поэтому более высокое качество атрибуции достигается для текстов большого объема, а менее точный 294

Да

20 000– 25 000 символов 100 символов

95–98

Применение к решению реальных задач Нет Нет Да

Да

Да

76

результат получается для текстов маленького объема. Открытым остается вопрос о выборе авторского инварианта (набора формальных параметров текста). Часто на практике решается ограниченный круг задач для предварительно заданного набора текстов. Настройка, тестирование и демонстрация инструментов анализа ориентированы только на эти тексты, и нет никакой гарантии, что методы будут эффективно справляться с задачей на других данных. Установив набор характеристик, исследователь сталкивается с проблемой их структуризации, в чем существенную помощь могут оказать классические статистические методы. С помощью факторного анализа и анализа главных компонент можно установить вклад той или иной характеристики в процесс распознавания автора, иерархический кластерный анализ позволит объединить отдельные характеристики в подгруппы, подгруппы в группы и т.д. Немалую помощь можно получить от нейронных сетей прямого распространения, если попытаться обучить сеть на наборе примеров, взяв в качестве входов отдельные характеристики, а затем оценивать, какое влияние оказывает тот или иной вход на систему выходов. Недостаточно исследованы зависимости качества классификации от объемов фрагментов и от числа классов. Наконец, имеющиеся программы анализа текстов не ориентированы на комплексное исследование и сравнение стилей текстов (для разных задач анализа стилей текстов с использованием различных частотных признаков, различ-

Программные продукты и системы

ного текстового материала и т.д.). Наиболее удачное сравнение доступных программных средств для определения авторства текстов есть в [15] и приведено в таблице. К проблемам, затрудняющим исследования в области атрибуции текстов, относится и составление выборки эталонных текстов. Желательно, чтобы произведения были подобраны следующим образом: тексты разных писателей в максимальной степени различаются, а тексты одного писателя максимально близки. Но было немало случаев, когда известный писатель в какой-то период своего творчества менял стиль изложения или произведения создавались в соавторстве. Эти факторы вызывают дополнительные сложности при решении задачи установления авторства. Необходимо проводить дальнейшие исследования, направленные на поиск новых или совершенствование уже имеющихся методов атрибуции текстов. Не менее важны эксперименты, целью которых является поиск характеристик, позволяющих четко разделять стили авторов, в том числе и на малых объемах выборки. Литература 1. Галяшина Е.И. Лингвистическая безопасность речевой коммуникации // ГЛЭДИС. URL: http://www.rusexpert.ru/magazine/034.htm (дата обращения: 02.10.2012).

2. Марусенко М.А. Атрибуция анонимных и псевдонимных литературных произведений методами теории распознавания образов. Л.: Изд-во ЛГУ, 1990. 164 с.

3. Родионова Е.С. Методы атрибуции художественных текстов // Структурная и прикладная лингвистика: межвуз. сб. СПб: Изд-во СПбГУ, 2008. Вып. 7. С. 118–127.

4. Марков А.А. Об одном применении статистического метода // Текстология.ru. URL: http://www.textology.ru/library/ book.aspx?BookId=8&textId=2 (дата обращения: 20.09.2012).

5. Фоменко В.П., Фоменко Т.Г. Авторский инвариант русских литературных текстов / В кн.: Новая хронология Греции: античность в cредневековье. М.: Изд-во МГУ, 1995. 422 с.

6. Хмелев Д.В. Классификация и разметка текстов с использованием методов сжатия данных. URL: http://compression.ru/download/articles/classif/intro.html (дата обращения: 21.09.2012).

7. Хмелев Д.В. Распознавание автора текста с использованием цепей А.А. Маркова // Вестн. МГУ. Сер. Филология.

2000. № 2. С. 115–126.

8. Кукушкина О.В., Поликарпов А.А., Хмелев Д.В. Определение авторства текста с использованием буквенной и грамматической информации // Проблемы передачи информации.

2001. Т. 37. № 2. С. 96–108.

9. Шевелев О.Г. Разработка и исследование алгоритмов сравнения стилей текстовых произведений: автореф. дис. … канд. техн. наук. Томск, 2006. 18 с.

10. Тимашев А.Н. Атрибутор // Текстология.ru. URL: http://www.textology.ru/atr_resum.html (дата обращения: 21.09.2012).

11. Рогов А.А., Сидоров Ю.В., Король А.В. Автоматизированная система обработки и анализа литературных текстов «СМАЛТ» // Русский язык: исторические судьбы и современность: тр. и матер. II Междунар. конгресса исследователей русского языка. М.: Изд-во МГУ, 2004. С. 485–486.

12. Морозов Н.А. Лингвистические спектры: средство для отличения плагиатов от истинных произведений того или дру-

№ 4, 2013 г. гого известного автора // Текстология.ru. URL: http://www.textology.ru/library/book.aspx?bookId=1&textId=3 (дата обращения: 25.09.2012).

13. Шевелев О.Г. Методы автоматической классификации текстов на естественном языке: учеб. пособие. Томск: ТМЛПресс, 2007. 144 с.

14. Романов А.С., Мещеряков Р.В. Идентификация автора текста с помощью аппарата опорных векторов // Компьютерная лингвистика и интеллектуальные технологии: сб. докл. Междунар. конф. «Диалог 2009». М.: Изд-во РГГУ, 2009. Вып. 8. № 15. С. 432–437.

15. Романов А.С. Методика и программный комплекс для идентификации автора неизвестного текста: автореф. дис. … канд. техн. наук. Томск, 2010. 26 с.

References 1. Galyashina E.I. GLEDIS. Available at: http://www.rusexpert.ru/magazine/034.htm (accessed 20 September 2012).

2. Marusenko M.A. Atributsiya anonimnykh i psevdonimnykh literaturnykh proizvedeniy metodami teorii raspoznavaniya obrazov [Attribution of anonymous and pseudonymous literary works using methods of the pattern recognition theory]. Leningrad State Univ.

Publ., 1990, 164 p. (in Russ.).

3. Rodionova E.S. Strukturnaya i prikladnaya lingvistika: Mezhvuzovskiy sbornik [Structural and applied linguistics: Interuniv. collection]. 2008, iss. 7, pp. 118–127.

4. Markov A.A. Tekstologiya.ru [Textology.ru]. Available at: http://www.textology.ru/library/book.aspx?BookId=8&textId=2 (accessed 20 September 2012).

5. Fomenko V.P., Fomenko T.G. Novaya khronologiya Gretsii: Antichnost v Srednevekovye [New chronology of Greece: Antiquity in Medieval]. Moscow, Moscow State Univ. Publ., 1995, 422 p. (in Russ.).

6. Khmelyov D.V. Vsyo o szhatii dannykh, izobrazheny i video [All about compression of data, images and video]. Available at: http://compression.ru/download/articles/classif/intro.html (accessed 21 September 2012).

7. Khmelyov D.V. Vestnik MGU [Moscow University Philological Sciences Bulletin]. 2000, no. 2, pp. 115–126.

8. Kukushkina O.V., Polikarpov A.A., Khmelev D.V. Problemy peredachi informatsii [Problems of information transmission]. 2001, vol. 37, no. 2, pp. 96–108.

9. Shevelyov O.G. Razrabotka i issledovanie algoritmov sravneniya stiley tekstovykh proizvedeniy [Development and analysis of algorithms of texts styles comparing]. PhD thesis, Tomsk, 2006, 18 p.

10. Timashev A.N. Tekstologiya.ru [Textology.ru]. Available at: http://www.textology.ru/atr_resum.html (accessed 21 September 2012).

11. Rogov A.A., Sidorov Yu.V., Korol A.V. Trudy i materialy II Mezhdunar. kongressa issledovateley russkogo yazyka “Russkiy yazyk: istoricheskie sudby i sovremennost” [Proc. of the 2nd Int. Congress of researchers of Russian language “Russian language: historical destiny and contemporaneity”]. Moscow, MSU Publ., 2004, pp. 485–486.

12. Morozov N.A. Tekstologiya.ru [Textology.ru]. Available at: http://www.textology.ru/library/book.aspx?bookId=1&textId=3 (accessed 25 September 2012).

13. Shevelyov O.G. Metody avtomaticheskoy klassifikatsii tekstov na estestvennom yazyke: ucheb. posobie [Methods of automatic classification of texts in natural language: tutorial]. Tomsk, TML Press, 2007.

14. Romanov A.S., Meshcheryakov R.V. Kompyuternaya lingvistika i intellektualnye tekhnologii: Po materialam ezhegodnoy Mezhdunar. Konf. “Dialog 2009” [Computational linguistics and intelligent technology: based on annual Int. Conf. “Dialogue 2009”]. Moscow, RSUH Publ., 2009, iss. 8, no. 15, pp. 432–437.

15. Romanov A.S. Metodika i programmny kompleks dlya identifikatsii avtora neizvestnogo teksta [Method and software system to identificate the author of an unknown text]. PhD thesis, Tomsk, 2010.

295

Программные продукты и системы

№ 4, 2013 г.

УДК 004.89

ОПРЕДЕЛЕНИЕ ВЕСОВ ОЦЕНОЧНЫХ СЛОВ НА ОСНОВЕ ГЕНЕТИЧЕСКОГО АЛГОРИТМА В ЗАДАЧЕ АНАЛИЗА ТОНАЛЬНОСТИ ТЕКСТОВ Е.В. Котельников, к.т.н., доцент; М.В. Клековкина, аспирант (Вятский государственный гуманитарный университет, ул. Красноармейская, 26, 610002, г. Киров, Россия, kotelnikov.ev@gmail.com, klekovkina.mv@gmail.com) Статья посвящена проблеме распознавания тональности текстов с использованием словарного метода. Классификация текстов по тональности находит применение во множестве областей: в маркетинговых исследованиях, рекомендательных системах, поисковых системах, в человеко-машинном интерфейсе, при оценке тональности новостей и др. Словарный метод наряду с машинным обучением является одним из наиболее эффективных подходов к решению задачи анализа тональности. Словарный метод основан на словаре оценочной лексики; каждое слово из такого словаря имеет вес, обозначающий степень значимости слова. От правильности назначения весов существенно зависит качество классификации текстов. В статье предлагается новый способ определения весов оценочных слов, входящих в словарь. Проблема назначения весов рассматривается как задача оптимизации многомерной функции. При этом аргументами функции являются веса оценочных слов, а в качестве значений используются значения какой-либо метрики качества классификации, вычисленные при помощи словарного метода на основе данного набора весов. Метрикой качества в работе является F1-мера. Задача оптимизации решается с использованием генетического алгоритма. Эксперименты проводятся на основе коллекции отзывов о фильмах семинара РОМИП-2011. Результаты демонстрируют преимущество предложенного способа определения весов перед другими способами, а также превосходство словарного метода над методом опорных векторов. Ключевые слова: анализ тональности текстов, словарный метод, генетический алгоритм, метод опорных векторов.

DETERMINATION OF SENTIMENT WORDS WEIGHTS BASED ON GENETIC ALGORITHM IN THE SENTIMENT ANALYSIS Kotelnikov E.V., Ph.D. Tech. Sc., associate professor; Klekovkina M.V., postgraduate student (Vyatka State University of Humanities, Krasnoarmeyskaya St., 26, Kirov, 610002, Russian Federation, kotelnikov.ev@gmail.com, klekovkina.mv@gmail.com) Аbstract. The article is dedicated to the problem of a text sentiment analysis using a dictionary method. The sentiment analysis is used in many areas, for example, in the marketing research, the recommendatory systems, the search engines, the human-computer interaction, the news analysis, etc. The dictionary method along with machine learning is one of the most effective approaches to the sentiment analysis.

The dictionary method is based on the sentiment lexicon; each word from this lexicon has a weight indicating the degree of the word importance. The quality of text sentiment analysis depends significantly on the correct assignment of the words’ weights.

This paper proposes a new method for assignment of the words’ weights. The problem of the weight assignment is considered as a multi-dimensional function optimization task. The arguments of the function are the weights of words; the values of the function are the some metric of the quality of sentiment analysis. This metric is obtained from dictionary method with given weights. In this paper the metric is F1-measure. The optimization problem is solved using a genetic algorithm.

The experiments were carried out on a collection of movie reviews from the seminar ROMIP-2011. The results demonstrate the advantage of the proposed method of weight assignment over other ways, as well as the superiority of the dictionary method over the support vector machine.

Keywords: text sentiment analysis, dictionary method, genetic algorithm, support vector machine.

Огромное влияние на наше поведение, убеждения, взгляд на мир и выбор, который мы делаем, оказывают мнение других людей и их взгляд на мир. Поэтому, когда необходимо принять решение, мы часто интересуемся мнением других. Мнения важны не только для частных лиц, но и для организаций. Однако, несмотря на значимость, проблема автоматического анализа мнений оказалась в фокусе научных исследований сравнительно недавно – с начала 2000-х гг. За последнее десятилетие за рубежом опубликованы сотни работ по данной проблематике, подробные обзоры 296

можно найти в [1, 2]. В России публикаций было крайне мало, лишь в 2012 году одной из главных тем Международной конференции по компьютерной лингвистике «Диалог» стала оценка тональности текста. Развитию данной тематики также способствует наличие огромного массива текстов: на сегодняшний день в Интернете существует множество социальных сетей, блогов, форумов, где люди высказывают свое мнение. Автоматическое распознавание мнений в текстах находит применение во множестве областей: в маркетинговых исследованиях, рекомендатель-

Программные продукты и системы

ных и поисковых системах, в человеко-машинном интерфейсе, при оценке тональности новостей и др. [1, 2]. Одной из основных задач при анализе мнений является классификация текстов по тональности (sentiment analysis). Тональность текста – это эмоциональная оценка некоторого объекта, определяемая тональностью составляющих текст лексических единиц и правилами их сочетания [3]. В данной работе рассматривается задача автоматического разделения текстов на два класса тональности, обозначающих позитивные и негативные эмоциональные оценки. Задача решается при помощи разработанного авторами метода, основанного на словаре оценочной лексики. Новизна метода заключается в применении генетического алгоритма (ГА) для определения весов оценочных слов. Обзор подходов Для автоматической классификации текстов по тональности используются два главных подхода: на основе знаний (knowledge-based approach) и на основе машинного обучения (machine learning). При первом подходе классификация осуществляется с помощью правил, составленных экспертами в предметной области [4]. Из-за высокой трудоемкости подход на основе знаний на практике применяется относительно редко. В подходе на основе машинного обучения можно выделить два главных направления в зависимости от использования размеченных текстов – обучение с учителем (supervised learning) и без учителя (unsupervised learning) [2]. При обучении с учителем автоматически строится классифицирующая функция (классификатор) на основе заранее размеченных текстов, которые в этом случае называются обучающими [5]. Для классификации могут применяться различные методы машинного обучения: метод Байеса, метод опорных векторов, метод k ближайших соседей и т.д. [1, 2]. В методах машинного обучения без учителя (также используется название «лексический подход») обучающие тексты не применяются; вместо этого классификатор основан на оценке тональности отдельных слов, входящих в текст [6–8].

Peter Turney в своей работе [6] извлекал из текста некоторые наборы слов (например, прилагательные в сочетании с существительными, наречия в сочетании с глаголами) и для оценки их тональности использовал поисковую систему Altavista. На вход данной системы для каждого набора слов подавались два запроса. В ответ на первый возвращалось количество документов, в которых встречается данный набор в том же контексте, что и слово «хорошо»; в ответ на второй –

№ 4, 2013 г.

количество документов, в которых встречается данный набор в том же контексте, что и слово «плохо». Тональность набора определяется наибольшим количеством документов в ответах. Для определения ориентации слова и его весовой оценки также используются лексические БД (WordNet, Roget's Thesaurus и др.) [7]. БД WordNet состоит из узлов (слов), соединенных ребрами (синоним отношений). В качестве расстояния между двумя словами в WordNet можно считать число ребер кратчайшего пути между двумя узлами, которые представляют данные слова. Таким образом, для определения тональности слова необходимо вычислить расстояние от данного слова до противоположно ориентированного (например «хорошо» и «плохо»). В работе [8] для определения оценки тональности отдельных слов использовался словарь эмоциональной лексики, составленный экспертами вручную. В словаре каждому слову и фразе сопоставлены ориентация тональности (позитивная/негативная) и сила (в баллах). Тональность документа определялась путем подсчета баллов, входящих в документ слов эмоциональной лексики. Авторский метод, предложенный в [9], основан на лексическом подходе: для определения тональности текстов применяется словарь оценочных слов, у каждого из которых имеется числовой вес, определяющий степень значимости слова. Способ работы со словарем ближе всего к статье [8], однако есть существенные отличия: во-первых, словарь, предложенный авторами, создается на основе статистического анализа коллекции обучающих текстов (обучающей коллекции); во-вторых, вес оценочных слов определяется с помощью генетического алгоритма и работы с обучающей коллекцией. Метод классификации, основанный на словаре В предложенном в [9] методе для определения тональности текста используется словарь оценочной лексики. Данный словарь состоит из оценочных слов – слов, выражающих эмоциональную оценку, позитивную или негативную. Каждому оценочному слову в словарях сопоставлен вес, определяющий силу выраженной оценки; для позитивных слов используются положительные значения веса, для негативных – отрицательные. В словаре содержатся также слова-модификаторы и слова, выражающие отрицание. Они не являются оценочными, а лишь изменяют вес оценочных слов, которые в тексте следуют за ними. Тональность текста определяется на основе подсчета весов входящих в него оценочных слов. Для каждого текста T из обучающей коллекции подсчитываются два веса, первый из которых равен сумме входящих в текст позитивных оценоч297

Программные продукты и системы

№ 4, 2013 г.

ных слов из словаря, второй – сумме негативных оценочных слов: NC

WTC   wi ,

(1)

i 1

где WTC – вес текста T для тональности C; wi – вес оценочного слова i; NC – количество оценочных слов тональности C в тексте T. Все тексты Ti помещаются в двухмерное оценочное пространство (позитивная тональность – негативная тональность) в соответствии со своими весами WTCi . Для классификации текстов по тональности выбрана линейная функция f WTpos ,WTneg   WTpos  kneg WTneg ,

(2)

где WTpos – позитивный вес текста T; WTneg – негативный вес текста T; kneg – коэффициент, компенсирующий факт преобладания в речи позитивной лексики [10]. Если значение функции f больше нуля, текст является позитивным, иначе – негативным. Составление словаря эмоциональной лексики Рассмотренный выше метод классификации текстов по тональности требует наличия словаря оценочной лексики. В настоящей работе в качестве текстов для экспериментов использовались отзывы пользователей о фильмах, предоставленные организаторами дорожек по оценке тональности текстов в рамках семинара РОМИП 2011 года [11]. Поэтому в ходе исследования был создан словарь эмоциональной лексики, характерной для данной предметной области. Существуют три базовых подхода к составлению таких словарей [2]: экспертный, на основе словарей/тезаурусов и на основе текстовых коллекций. При экспертном подходе словарь составляется вручную экспертами. Подход отличается, с одной стороны, трудоемкостью и высокой вероятностью отсутствия в словаре специфических для предметной области слов, с другой – высоким качеством словаря в смысле адекватности присвоенной тональности. В подходе на основе словарей/тезаурусов начальный небольшой список оценочных слов расширяется с помощью различных словарей, например, толковых или синонимов/антонимов. При этом также не учитывается предметная область. В подходе на основе текстовых коллекций для составления словаря применяется статистический анализ размеченных текстов, как правило, принадлежащих рассматриваемой предметной области. В данном подходе решается проблема отсутствия слов, специфических для заданной предметной области, однако качество получаемого словаря целиком зависит от качества размеченных текстов.

298

В данной работе для получения оценочных слов применяется комбинация экспертного подхода и подхода на основе обучающей текстовой коллекции [9]. Процесс формирования словаря включает три этапа. На первом этапе составляется список всех слов, входящих в обучающие тексты; при этом используются основы слов, сформированные при помощи словаря А.А. Зализняка [12]. Для коллекции отзывов о фильмах было получено 27 300 слов. На втором этапе всем словам присваиваются два весовых значения, вычисленных по методу RF (Relevance Frequency – релевантная частота) [13], отдельно для позитивного и для негативного классов тональности. Вес RF учитывает отношение количества текстов данного класса, в которых встречается рассматриваемое слово, к количеству текстов противоположного класса, в которых это слово тоже присутствует. Слова в обоих списках упорядочиваются по убыванию весов. На третьем этапе в итоговый словарь вручную отбираются слова, имеющие наиболее яркую эмоциональную окраску. Для сокращения временных затрат анализировались только первые 20 % обоих списков слов с наибольшим весом (всего около 5 000 слов). В результате были сформированы два словаря: позитивной (280 слов) и негативной лексики (200 слов). Кроме оценочных слов, для классификации текстов применялись слова-модификаторы (всего 19, например, «очень», «действительно», «самый» и т.п.), в зависимости от которых увеличивался либо уменьшался на определенный процент вес следующего за ним оценочного слова, а также слова, использующиеся в текстах для отрицания следующего за ними высказывания («не», «ни», «ничего»), сдвигающие вес следующего слова на определенную величину [9]. Отнесение текста к тому или иному классу тональности происходит в зависимости от его веса. Вес текста определяется весами входящих в него оценочных слов. Поэтому качество классификации во многом зависит от правильного определения весов оценочных слов, слов-модификаторов и слов, выражающих отрицание. Таким образом, для улучшения качества классификации необходимо определить оптимальные или близкие к оптимальным веса оценочных слов, а также словмодификаторов и слов-отрицаний. Под оптимальностью здесь подразумевается максимизация качества классификации текстов. Определение весов слов Рассмотрим задачу оптимизации набора весов слов, входящих в словарь оценочной лексики. Одним из возможных методов решения такой задачи является полный перебор, однако даже при размере словаря в 500 слов и двух возможных значениях весов количество комбинаций составляет 2500

Программные продукты и системы

или 3,310150. Таким образом, метод полного перебора в данном случае неприемлем. В данной работе определение весов слов осуществляется при помощи ГА и обучающей коллекции. В отличие от полного перебора ГА не гарантирует получение оптимального набора значений весов, однако позволяет достичь наибольшего к нему приближения и хорошо зарекомендовал себя при решении практических задач многокритериальной оптимизации. В дальнейшем изложении будем использовать терминологию из [14]. Работа ГА начинается с создания исходной популяции. Каждая особь популяции представляет собой вектор, элементами которого являются веса оценочных слов, слов-модификаторов и словотрицаний. Еще один элемент – коэффициент kneg из (2). Диапазоны изменения весов следующие: для оценочных слов и коэффициента kneg – от 0 до 10 (вещественный тип данных), для словмодификаторов – от 0 до 100 % (целый тип данных), для слов-отрицаний – от 1 до 10 (целый тип данных). В исходной популяции все особи создавались случайным образом. Для представления особей применялось двоичное кодирование разрядностью 20 бит. В роли функции оценки особей популяции выступила метрика качества классификации обучающих текстов при данных весах – F1-мера [5]. Для ее вычисления применялся метод скользящего контроля по 5 блокам на основе обучающей коллекции [15]. После вычисления функции оценки проводится отбор особей для следующей популяции по методу рулетки. Из полученного набора отбираются особи-родители для одноточечного скрещивания с вероятностью 0,9. После скрещивания у особей-потомков с вероятностью 0,1 мутирует случайный бит. Кроме того, при отборе применяется элитарная стратегия – 20 % особей с наибольшим значением функции оценки переходят в новую популяцию без изменений. После формирования новой популяции вся процедура (оценка – отбор – скрещивание – мутация) повторяется. Процесс продолжается до выполнения заданного количества итераций (1 000). В результате работы ГА получается вектор, содержащий в некотором приближении оптимальные значения весов оценочных слов, словмодификаторов и слов-отрицаний, а также значение коэффициента kneg из формулы (2). Эксперименты Представим экспериментальные результаты автоматического определения тональности текстов для предложенного метода. Эксперименты проводились с коллекцией отзывов о фильмах семинара РОМИП-2011 [11]. Каждый отзыв о фильме, помимо текста, включает оценку данного фильма по шкале от 1 до 10, которая отображается в двухбалльную шкалу по схеме: {1…5}neg,

№ 4, 2013 г.

{6…10}pos. Объем коллекции составляет 14 812 отзывов. Для повышения достоверности результатов применялась процедура скользящего контроля по 5 блокам (5-fold cross-validation) [15]. Исследовались два метода: 1) на основе словаря и 2) метод опорных векторов [16] – один из наиболее мощных методов машинного обучения, во многих исследованиях показавший наилучшие результаты [11]. Для метода опорных векторов осуществлялся подбор ядра и оптимальных параметров. В результате было использовано линейное ядро с регулирующим параметром C=10. В обоих методах использовались два словаря – словарь оценочной лексики (480 слов), составление которого описано выше, и полный словарь коллекции (27 300 слов). Применялись различные способы взвешивания слов, в том числе на основе ГА, релевантной частоты (RF) [13] и обратной документной частоты (IDF) [5]. Также использовался вариант единичных весов (ONE) – всем словам присваивались одинаковые веса, равные единице. В качестве оценок качества классификации применялись известные метрики – точность (precision), полнота (recall), F1-мера (F1-measure) и правильность (accuracy), вычисленные по схеме macro [5, 11]. В таблице отражены результаты экспериментов, по каждой метрике выделены лучшие показатели. Словарный метод с полным словарем (27 300 слов) показал существенно худшие результаты (независимо от способа взвешивания), которые в таблице не приведены.

480 ГА

Метод Словарный 480 480 480 480 RF IDF ONE RF

SVM 480 27300 27300 IDF RF IDF

0,683 0,643 0,657 0,795

0,712 0,597 0,613 0,805

0,639 0,607 0,617 0,773

Метрика Словарь Способ взвешивания Precision Recall F1-measure Accuracy

0,674 0,633 0,645 0,791

0,716 0,601 0,618 0,807

0,657 0,597 0,609 0,786

0,670 0,560 0,561 0,792

0,654 0,545 0,538 0,789

Следует отметить, что в случае работы с коллекциями с существенной диспропорцией объектов одного из классов наиболее важной метрикой является F1-мера, учитывающая такой дисбаланс. В рассматриваемой коллекции отзывов о фильмах соотношение позитивных и негативных отзывов составляет 3,73 к 1. Анализ таблицы позволяет сделать следующие выводы. Во-первых, наибольшее значение F1-меры достигается при использовании словарного метода и способа взвешивания на основе ГА. Такой результат получился вследствие высоких значений как полноты, так и точности. Во-вторых, словарный метод с единичными весами слов показал наилучшие значения точности и правильности, но относительно низкая полнота не позволила получить высокое значение F1-меры. В-третьих, 299

Программные продукты и системы

словарный метод на основе небольшого словаря оценочной лексики размером около 500 слов демонстрирует преимущество перед методом опорных векторов: средние значения полноты, точности и F1-меры словарного метода превосходят значения метода опорных векторов на 4–5 %. Таким образом, предложенный в работе способ определения весов оценочных слов, слов-модификаторов и слов-отрицаний на основе ГА демонстрирует превосходство над традиционными способами взвешивания с использованием статистического анализа. Словарный метод классификации текстов по тональности с использованием небольшого словаря (около 500 слов) при условии взвешивания слов на основе ГА имеет преимущество перед одним из наиболее мощных методов машинного обучения – методом опорных векторов. В дальнейшем планируется подробнее исследовать вопрос выбора разделяющей функции в двухмерном эмотивном пространстве, а также выяснить степень универсальности созданного словаря оценочной лексики с помощью экспериментов на текстовых коллекциях из других областей. Литература 1. Pang B., Lee L. Opinion Mining and Sentiment Analysis. Foundations and Trends® in Inform. Retrieval. 2008, no. 2, pp. 1–135.

2. Liu B. Sentiment Analysis and Opinion Mining. Morgan & Claypool Publ., 2012.

3. Котельников Е.В. Комбинированный метод автоматического определения тональности текста // Программные продукты и системы. 2012. № 3. С. 189–195.

4. König A.C., Brill E. Reducing the human overhead in text categorization. Proc. 12th ACM SIGKDD conf. on knowledge discovery and data mining, August 20–23, 2006, pp. 598–603.

5. Sebastiani F. Machine learning in automated text categorization. ACM Computing Surveys, 2002, no. 34 (1), pp. 1–47.

6. Turney P. Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews. Proc.

ACL-02, 40th Annual Meeting of the Association for Computational Linguistics. Association for Computational Linguistics, 2002, pp. 417–424.

7. Aman S., Szpakowicz S. Using Roget's thesaurus for finegrained emotion recognition. Proc. 3rd Intern. Joint Conf. on Natural Language Processing (IJCNLP '08). Hyderabad, India, January, 2008, pp. 296–302.

8. Taboada M., Brooke J., Tofiloski M., Voll K., Stede M. Lexicon-based methods for sentiment analysis, Computational Linguistics. 2011, no. 37 (2), pp. 267–307.

9. Клековкина М.В., Котельников Е.В. Метод автоматической классификации текстов по тональности, основанный на словаре эмоциональной лексики // Электронные библиотеки: перспективные методы и технологии, электронные коллекции (RCDL-2012): тр. XIV Всерос. науч. конф. Переславль-Залесский: Изд-во «Университет города Переславль», 2012. С. 118–123.

10. Boucher J.D., Osgood Ch.E. The Pollyanna hypothesis.

Journ. of Verbal Learning and Verbal Behaviour. 1969, no. 8, pp. 1–8.

11. Chetviorkin I., Braslavskiy P., Loukachevitch N. Sentiment Analysis Track at ROMIP 2011. Computational Linguistics and Intellectual Technologies: Papers from the Annual Intern. Conf.

«Dialogue». 2012, no. 11 (18), pp. 739–746.

300

№ 4, 2013 г.

12. Зализняк А.А. Грамматический словарь русского языка. М.: Русский язык, 1977. 880 с.

13. Lan M., Tan C.L., Su J., Lu Y. Supervised and Traditional Term Weighting Methods for Automatic Text Categorization. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2009, vol. 31, no. 4, pp. 721–735.

14. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы; [пер. с польск. И.Д. Рудинского]. М.: Горячая линия–Телеком, 2007. 452 с.

15. Kohavi R. A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. Proc. 14th Intern. Joint Conf. on Artificial Intelligence. 1995, no. 2 (12), pp. 1137–1143.

16. Vapnik V. Statistical learning theory. NY, Wiley, 1998.

References 1. Pang B., Lee L. Opinion Mining and Sentiment Analysis.

Foundations and Trends® in Information Retrieval. 2008, no. 2, pp. 1–135.

2. Liu B. Sentiment Analysis and Opinion Mining. Morgan & Claypool Publ., 2012.

3. Kotelnikov E.V. Combined method of automated text sentiment determination. Programmnye produkty i sistemy [Software and systems]. 2012, no. 3, pp. 189–195.

4. König A.C., Brill E. Reducing the human overhead in text categorization. Proc. of the 12th ACM SIGKDD conf. on knowledge discovery and data mining. 2006, pp. 598–603.

5. Sebastiani F. Machine learning in automated text categorization. ACM Computing Surveys. 2002, no. 34 (1), pp. 1–47.

6. Turney P. Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews. Proc. of ACL-02, 40th Annual meeting of the Association for computational linguistics. Association for Computational Linguistics Publ., 2002, pp. 417–424.

7. Aman S., Szpakowicz S. Using Roget's thesaurus for finegrained emotion recognition. Proc. of the 3rd Int. joint conf. on Natural Language Processing (IJCNLP '08). Hyderabad, India, 2008, pp. 296–302.

8. Taboada M., Brooke J., Tofiloski M., Voll K., Stede M. Lexicon-based methods for sentiment analysis. Computational Linguistics. 2011, vol. 37 (2), pp. 267–307.

9. Klekovkina M.V., Kotelnikov E.V. The method of automated text sentiment classification based on modern lexicon dictionary. Trudy XIV Vserossiyskoy nauch. konf. “Elektronnye biblioteki: perspektivnye metody i tekhnologii, elektronnye kollektsii” (RCDL-2012) [Proc. of the 14th All-Russian sci. conf. "Digital libraries: advanced methods and technologies, digital collections"].

Pereslavl-Zalesskiy, Universitet goroda Pereslavl Publ., 2012, pp. 118–123.

10. Boucher J.D., Osgood Ch.E. The Pollyanna hypothesis.

Journ. of Verbal Learning and Verbal Behaviour. 1969, no. 8, pp. 1–8.

11. Chetviorkin I., Braslavskiy P., Loukachevitch N. Sentiment Analysis Track at ROMIP 2011. Computational Linguistics and Intellectual Technologies: proc. of the Annual int. conf.

“Dialogue”. 2012, no. 11 (18), pp. 739–746.

12. Zaliznyak A.A. Grammaticheskiy slovar russkogo yazyka [Grammatic dictionary of Russian language]. Moscow, Russkiy yazyk Publ., 1977, 880 p.

13. Lan M., Tan C.L., Su J., Lu Y. Supervised and Traditional Term Weighting Methods for Automatic Text Categorization. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2009, vol. 31, no. 4, pp. 721–735.

14. Rutkovskaya D., Pilinskiy M., Rutkovskiy L. Neural networks, genetic algorithms and fuzzy systems (Russ. ed.: Rudinskiy I.D. Neyronnye seti, geneticheskie algoritmy i nechetkie sistemy). Moscow, Goryachaya liniya–Telekom Publ., 2007, 452 p.

15. Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection. Proc. of the 14th int. Joint conf. on artificial intelligence. 1995, no. 2 (12), pp. 1137–1143.

16. Vapnik V. Statistical learning theory. NY, Wiley, 1998.

Программные продукты и системы

№ 4, 2013 г.

УДК 004.52

СИСТЕМА АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ РЕЧИ НА ТАТАРСКОМ ЯЗЫКЕ А.Ф. Хусаинов, аспирант, научный сотрудник; Д.Ш. Сулейманов, академик АН Республики Татарстан, д.т.н., директор (Казанский (Приволжский) федеральный университет, ул. Кремлевская, 18, г. Казань, 420008, Россия; Институт прикладной семиотики Академии наук Республики Татарстан, ул. Баумана, 20, г. Казань, 420111, Республика Татарстан, khusainov.aidar@gmail.com) В настоящей работе описывается система распознавания речи на татарском языке. В рамках системы предложен и реализован подход к построению модуля автоматического транскрибирования текстов, разработанный на основе выделенных правил звуковых изменений в татарском языке. Данные акустические правила были использованы благодаря их формальному представлению, полученному в разработанной программной системе. Кроме того, для реализации алгоритма распознавания речи были созданы два уровня анализа: акустический (уровень фонем) и лингвистический (уровень слов). На первом уровне были разработаны акустические модели 57 выделенных фонем татарского языка, каждая из которых базируется на аппарате скрытых марковских моделей. Для обучения каждой из указанных статистических моделей был образован речевой корпус общей продолжительностью 5 часов. Дополнительно был создан и применен алгоритм автоматической фонемной аннотации данного корпуса. В конечном итоге на базе разработанных программных средств и статистических моделей реализован алгоритм распознавания речи. Был проведен эксперимент по распознаванию слов татарского языка, по результатам которого предлагаемая система распознавания продемонстрировала 92-процентное качество распознавания на записях тестового корпуса. Ключевые слова: распознавание речи, корпус звучащей речи, татарский язык, фонетическая транскрипция, анализ речи, скрытые марковские модели.

AUTOMATIC CONTINUOUS SPEECH RECOGNITION SYSTEM FOR THE TATAR LANGUAGE Khusainov A.F., postgraduate student, research associate; Suleymanov D.Sh., academician of AS Tatarstan, Dr. Tech. Sc., director (Kazan (Volga region) Federal University, Kremlevskaya St., 18, Kazan, 42008, Tatarstan, Russian Federation; Institute of Applied Semiotics of the Academy of Sciences of the Republic of Tatarstan, Baumana St., 20, Kazan, 420111, Tatarstan, Russian Federation, khusainov.aidar@gmail.com) Аbstract. The paper describes speech analysis system for the Tatar language. An approach to creating automatic phonetic transcription system for Tatar texts has been developed and implemented. This system is based on acoustic rules for the Tatar language. These acoustic rules have been converted to a formalized form using developed programming tool. The two levels analysis procedure has also been developed in order to create speech recognition algorithm, these levels are: acoustic (phonemes) level, linguistic (words) level. Phonemes level consists of acoustic models for 57 Tatar phonemes, each of this phonemes is represented by a hidden Markov model. To train each of specified statistical model 5 hours speech corpus has been recorded. Additionally, an algorithm to automatically create phoneme-level annotation of this corpus has been developed and applied. Finally, a Tatar speech recognition algorithm has been implemented based on developed programming tools and acoustic models. In total, the proposed system has shown 92% word recognition correctness in test speech subcorpus.

Keywords: speech recognition, speech corpus, Tatar language, phonetic transcription, speech analysis, hidden Markov models.

Развитие и широкое внедрение информационных технологий делает актуальной задачу развития более совершенных видов человеко-машинных интерфейсов. Одним из подходов к решению данной задачи является использование речи в качестве канала взаимодействия человека с компьютером. Для практической реализации этого подхода необходимо наличие средств как автоматического анализа (распознавание произнесенного текста, идентификация диктора, его эмоций, языка, возраста), так и синтеза речи. Решается совокупность данных задач с помощью речевых технологий, основными направлениями которых являются автоматическое распознавание речи, синтез речи, идентификация и верификация языка, идентификация и верификация диктора, распознавание эмоций диктора и тематики разговора.

В данной работе рассматривается подход к решению одной из подзадач автоматического распознавания речи, а именно распознавание речи на татарском языке. Система автоматического распознавания речи является одним из ключевых элементов комплексных систем анализа речи, она может использоваться как самостоятельно, например в системах диктовки, так и в качестве вспомогательного модуля при решении задач определения языка говорящего, распознавании тематики разговора. Поставленная задача распознавания татарской речи решается в четыре этапа: 1) проектирование и создание корпуса звучащей татарской речи одного диктора; 2) разработка и реализация правил транскрибирования татарских текстов; 301

Программные продукты и системы

№ 4, 2013 г.

3) создание акустических моделей фонем татарского языка; 4) программная реализация системы распознавания речи. Звуковой корпус В качестве исходного материала при создании моделей фонем языка используется корпус звучащей речи. При этом необходимо наличие аннотации корпуса, включающей в себя текстовую и/или фонетическую разметку всех речевых фрагментов. Однако ручное фонетическое аннотирование – дорогостоящий и длительный процесс, требующий наличия множества квалифицированных фонетистов, что делает затруднительным создание данного типа разметки для корпуса татарской речи. Альтернативным решением может быть подход под названием phoneme alignment, который позволяет в параллельном режиме осуществлять как фонетическую разметку корпуса, так и обучение моделей фонем. Данный подход был использован в работе, а для его применения создана текстовая аннотация записанных голосовых файлов. На основе текстового корпуса, состоящего из 25,5 млн слов, построена статистика их частотности. Первые 10 788 самых часто употреблямых слов были выбраны для озвучивания в речевом корпусе. Запись звуковых фрагментов осуществлялась со следующими параметрами: формат файла WAV PCM, частота дискретизации 22 kHz, 16 бит на отсчет. Созданный корпус имеет параметры, представленные в таблице. Основные характеристики звукового корпуса Параметр Количество файлов Продолжительность записей

Весь Обучающая Тестовая корпус часть часть 10 788 9 631 1 157 4:56:45 4:26:42 0:30:03

Акустические особенности татарского языка Для дальнейшего анализа необходимо перейти от текстового представления озвученных слов к их фонемной транскрипции. Для этого решаются следующие подзадачи: выделение значимых особенностей татарской речи, определение фонемного алфавита, построение правил транскрибирования, основанного на фонемном алфавите. В качестве основных базовых элементов языка, отличающихся в акустическом плане, а также способных оказывать влияние на смысл слова, было выбрано 57 фонем. На основе определенного инвентаря фонем выявлены акустические закономерности татарского языка. Приведем некоторые из выявленных правил: – аккомодация (в зависимости от первой гласной в слове используются либо все твердые, либо все мягкие согласные), например, «бар» – BA2R, «бер» – B1ER1; – уменьшение огубленности фонемы А от начала к концу слова, например, «балалар» – BA2LA1LAR; – замена некоторых звонких согласных, идущих рядом с глухим согласным, на парные им глухие, например, «тозсыз» – TOSSYS; – представление буквы Я в качестве пары J (й) и AA (ә), например, в случае, если перед ней идет буква И: иясе – IJAAS1E. Для создания автоматической системы транскрибирования было разработано АРМ фонетиста, которое предоставляет возможность создания формализованной записи правил. Форма создания и редактирования правил транскрибирования представлена на рисунке. Правила могут быть двух типов: абсолютные и относительные. Абсолютные правила оперируют конкретным расположением той или иной фонемы в слове и позволяют заменять их другими. ПримеДействия

Условия Абсолютные Вкл/выкл

Область поиска

позиция

гласные

условие

AA UU UU I EE1C

№

Все, кроме

первый

-1 последовательность через пробел

Относительные Вкл/выкл А левый контекст

А

Добавить слева Добавить справа Заменить на

B1G1C1Z1K1L1M1N1

Заменить

BGCZKLMNPRSTFXH

глухие база

правый контекст

Ok

Форма создания правил транскрибирования

302

Cancel

Программные продукты и системы

ром данного типа правил может служить изображенное на рисунке правило аккомодации: область поиска ограничивается первой гласной, в качестве условий поиска задается список гласных переднего ряда, в случае выполнения указанного условия производятся замены, описанные в правой части экранной формы «Действия», а именно все согласные (перечисленные в поле «Заменить») заменяются на свои мягкие пары (указанные в поле «Заменить на»). Вторым типом правил служат относительные правила, которые позволяют обрабатывать различные контексты следования тех или иных фонем, например, сочетание фонем Z-S заменяется на сочетание S-S, как, например, в слове «тозсыз» (T-O-S-S-I-Z). Общее количество созданных правил равняется 37. Акустические модели фонем Созданные на подготовительном этапе обучающий корпус речи и система транскрибирования позволяют реализовать алгоритм обучения акустических моделей фонем. Данный алгоритм носит название forced alignment и не требует наличия вручную фонетически аннотированного корпуса. Для реализации алгоритма использовался инструмент HTK Toolkit (http://speech.ee.ntu.edu.tw/ courses/DSP2011spring/hw2/HTKBook-3.4.1.pdf), созданный в Кембриджском университете, а в настоящее время принадлежащий компании Microsoft. Каждая фонема была смоделирована скрытой марковской моделью, состоящей из трех состояний, с ограничениями на переход на более ранние состояния. Каждое из трех состояний моделировалось, в свою очередь, смесью гауссовских распределений [1]. Процесс обучения акустических моделей производился итерационно: итерация увеличения количества гауссовских распределений в смеси сопровождалась двумя итерациями переобучения на данных обучающего корпуса. Проведенные исследования позволили выявить оптимальное количество распределений в смеси для каждой акустической модели, равное 31. Распознавание татарской речи Для проведения экспериментов по распознаванию речи было решено использовать тестовую часть созданного речевого корпуса. Таким образом, языковая модель при тестировании представляла собой список слов, каждое из которых обладало равной априорной вероятностью произнесения. Для всех слов была автоматически создана фонетическая транскрипция, которая послужила основой для объединения статистических моделей отдельных фонем в модели слов. На этапе распо-

№ 4, 2013 г.

знавания с помощью алгоритма Витерби рассчитывались наиболее вероятная последовательность произнесенных фонем языка, а затем вероятности соответствия найденной последовательности моделям слов языка. Слово, соответствующее модели с максимальной вычисленной вероятностью, принималось в качестве результата распознавания. Для оценки качества работы созданной системы распознавания использовались две характеристики – Corr и Acc, которые рассчитываются по следующим формулам: N DS Corr  100 %, где N – общее число N слов; D – число пропущенных при распознавании слов; S – число неправильно распознанных слов; N DS I Acc  100 %, где I – число лишN них слов. По результатам работы системы на тестовом корпусе величина Corr оказалась равной 91,99 %, а значение Acc – 88,22 %. Существующая разница между данными показателями отражает наличие небольшого количества лишних слов, когда одно произнесенное в звуковом файле слово было распознано как два и более. Стоит отметить, что величина Corr при распознавании фонем составила 63 %, что позволяет говорить о качестве работы системы, сопоставимом с существующими для других языков образцами систем [2]. На базе созданных программных средств распознавания речи были разработаны приложения для распознавания фонем и слов татарского языка. Пользовательский интерфейс системы распознавания фонем состоит из кнопок, отвечающих за начало и окончание записи файла, кнопки, запускающей процесс распознавания, и двух текстовых полей, отображающих текущее расположение аудиофайла и результат проведенного распознавания. Приложение распознавания слов татарского языка также предоставляет возможность записи речевого фрагмента с помощью микрофона и загрузки звуковых файлов. Форма приложения отображает и информацию о текущем выбранном устройстве записи звука, текущем аудиофайле (или об их количестве), текущем файле со списком произнесенных слов. Текстовый файл со списком произнесенных слов может быть загружен в систему для обеспечения возможности расчета качества проведенного распознавания. Рассчитанные характеристики Corr и Acc в таком случае отображаются в соответствующих текстовых полях данных. Кроме того, на экран выводятся результаты распознавания слов в текущих файлах. В заключение необходимо отметить, что построение и реализация алгоритма автоматического транскрибирования татарских текстов, а также создание аннотированного корпуса звучащей та303

Программные продукты и системы

тарской речи позволили реализовать программный модуль автоматического распознавания речи на татарском языке. Применяемый при создании моделей фонем аппарат скрытых марковских моделей показал хорошее качество обучения. В рамках проведенных экспериментов по распознаванию слов татарского языка построенная система показала 92-процентное качество распознавания, что позволило использовать ее при создании пользовательского интерфейса для распознавания речи с возможностями записи речевого фрагмента с микрофона.

№ 4, 2013 г.

Литература 1. Gales M., Young S. The Application of Hidden Markov Models in Speech Recognition. Foundations and Trends in Signal Processing, 2007, vol. 1, iss. 3, pp. 195–304.

2. Lopes C., Perdigao F. Phone recognition on TIMIT database. Speech technologies. InTech Publ., 2011, pp. 285–302.

References 1. Gales M., Young S. The application of hidden markov models in speech recognition. Foundations and trends in signal processing. 2007, vol. 1, iss. 3, pp. 195–304.

2. Lopes C., Perdigao F. Phone recognition on TIMIT database. Speech technologies. InTech Publ., 2011, pp. 285–302.

УДК 004.5

ТИПОЛОГИЗАЦИЯ ЛОКАЛЬНЫХ МАКСИМУМОВ В СПЕКТРАХ ЭЛЕКТРОЭНЦЕФАЛОГРАММ, ПОЛУЧЕННЫХ ПУТЕМ НЕПРЕРЫВНОГО ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ Я.А. Туровский, к.м.н., доцент, руководитель лаборатории; С.Д. Кургалин, д.ф.-м.н., зав. кафедрой; А.Г. Семенов, студент (Воронежский государственный университет, Университетская пл., 1, г. Воронеж, 394006, Россия, yaroslav_turovsk@mail.ru, kurgalin@bk.ru, revolusion@mail.ru) Предложен метод получения функционально значимой информации о работе головного мозга, основанный на анализе цепочек локальных максимумов (ЦЛМ) на наборе вейвлетных энергетических спектров (скейлограмм, локальных спектров), получаемых из матрицы квадратов коэффициентов вейвлет-преобразования данных электроэнцефалограммы. Сущность метода состоит в усреднении ЦЛМ в частотном пространстве. В методе используются два способа усреднения: по первой временнóй координате ЦЛМ и по минимизации различий между ЦЛМ. При использовании первого способа все цепочки синхронизируются по первому значению, которое приравнивается к нулевому отсчету во временной шкале; при использовании второго цепочки сдвигаются относительно друг друга для минимизации различий между ними, и только затем выполняется усреднение. Проведенные исследования показали, что для электроэнцефалограммы человека в состоянии покоя существуют пять основных типов поведения ЦЛМ: 1) возрастающий, характеризующийся увеличением частоты максимумов локального спектра в цепочке; 2) убывающий, характеризующийся снижением частоты локальных максимумов во времени; 3) постоянный, при котором для всей ЦЛМ частота существенно не меняется; 4) возрастающе-убывающий, при котором частота локальных максимумов в цепочке сначала растет, а затем снижается; 5) убывающе-возрастающий, противоположный по поведению четвертому типу. Отношение цепочки к определенному типу является индивидуальным свойством человека и зависит от характера активности мозга в данный момент. Сделан вывод, что проведенная типологизация локальных максимумов матриц вейвлет-коэффициентов для электроэнцефалограммы имеет важное значение для исследования процессов ЭЭГ при различных функциональных состояниях человека. Ключевые слова: вейвлет-анализ, биомедицинская информация, электроэнцефалограмма, скейлограмма.

TYPOLOGIZATION OF LOCAL MAXIMUMS IN ELECTROENCEPHALOGRAM SPECTRUMS DERIVED FROM CONTINUOUS WAVELET TRANSFORMATION Turovskiy Ya.A., Ph.D. (Medics), associate professor, head of laboratory; Kurgalin S.D., Dr.Sc. (Physics and Mathematics), head of chair; Semenov A.G., student (Voronezh State University, Universitetskaya Sq., 1, Voronezh, 394006, Russian Federation, yaroslav_turovsk@mail.ru, kurgalin@bk.ru, revolusion@mail.ru) Abstract. The paper offers a method to obtain a functionally important information about brain work. It is based on the analysis of local maxima chains (LMC) on the set of the wavelet energy spectrum (scalogramm, local spectra) derived from a matrix of squares of the coefficients of the wavelet transformation of electroencephalogram (EEG) data.The method means averaging LMC in frequency space. The method uses two ways of averaging: by the first LMC timing coordinate, and by minimizing the differences between LMC. When using the first way, all chains are synchronized according to the first value which equals to zero scaling reading the timeline; in the second way chains move relatively to each other in order to

304

Программные продукты и системы

№ 4, 2013 г.

minimize the differences between them, and only then averaging is run. The research have shown that for the EEG of a human at rest there are five basic types of LMC behavior: 1) the increasing one, characterized by increasing frequency of the local spectrum maxima in the chain, 2) the decreasing one, characterized by reducing frequency of local maxima in time, 3) the constant one, when the whole LMC frequency is not changing significantly, 4) ascending-descending, when the local maxima frequency in the chain first increases and then decreases, 5) the decreasing-increasing one which is opposite to the behavior of the 4th type. It is determined that the relation of the chain to a certain type is an individual property of a human and depends on the nature of the brain activity at the moment. The typology performed for the local maxima of the matrices of the wavelet coefficients for EEG is essential to study the EEG in different functional states of a human.

Keywords: wavelet-analysis, medical and biological information, electroencephalogram, scalegram.

Исследование функционирования центральной нервной системы, особенно головного мозга, направлено в первую очередь на выявление новых физиологически значимых эффектов на основе информации, содержащейся в электроэнцефалограммах (ЭЭГ), которые можно было бы связать с теми или иными формами психической активности человека. Поиск неизвестных, связанных с активностью головного мозга феноменов может осуществляться как в процессе разработки новых методов исследования (что в свое время, например, привело к появлению магнитно-резонансной и позитронно-эмиссионной томографии), так и путем создания новых методов анализа традиционных сигналов, посылаемых центральной нервной системой. К таким широко используемым методам относится электроэнцефалография, представляющая собой регистрацию электрической активности мозга с неповрежденных кожных покровов головы и являющаяся неинвазивным (то есть не требующим вживления электродов), относительно дешевым и малолатентным методом исследования, по праву занимающим одну из лидирующих позиций в системном анализе активности центральной нервной системы. Несмотря на существование многочисленных подходов к оценке данных ЭЭГ, имеющих широкие возможности как клинического, так и научного применения, целый ряд потенциально высокоинформативных способов попрежнему используется недостаточно активно. В первую очередь речь идет о подходах к обработке данных ЭЭГ на основе вейвлет-анализа (ВА). Рост числа публикаций, в которых используются эти подходы, включая использование их результатов в ряде применяющихся в клинике программноаппаратных комплексов (http://neurobotics.ru/ downloads/Neurobotics_Pricelist_2012.pdf), в большинстве случаев не ведет к созданию новых физиологически содержательных алгоритмов анализа данных ЭЭГ. Помимо этого, в ряде разработок ВА используется исключительно для фильтрации и сжатия данных без попыток провести интерпретацию полученных результатов в медико-биологическом аспекте. Таким образом, актуальной является разработка таких методов, которые не только обеспечат обработку ЭЭГ на основе ВА, но и позволят провести физиологически значимую оценку результатов его применения. К таким методам относится предлагаемый в данной работе метод, основанный

на анализе цепочек локальных максимумов (ЦЛМ) для матрицы коэффициентов вейвлет-преобразования. В его основу положены расчет и исследование поведения локальных максимумов в локальных спектрах (в матрице квадратов коэффициентов непрерывного вейвлет-преобразования) для относительно коротких (~ 0,1 с) отрезков времени. Полученные ЦЛМ (см. рис.) требуют, тем не менее, дальнейшей обработки с целью извлечения значимой информации о функционировании головного мозга человека или животных в различных состояниях.

Распределение локальных максимумов в матрице квадратов коэффициентов вейвлет-преобразования W2(a, b) сигналов ЭЭГ, построенное на основе скейлограмм. Отведение Oz, частота дискретизации сигнала – 1 кГц. По горизонтальной оси отложено время в мс, по вертикальной – масштаб вейвлет-преобразования. Стрелкой указано наличие разрыва в ЦЛМ. Области: А – ЦЛМ первого, Б – второго, В – третьего, Г – четвертого, Д – пятого типов

Целью настоящего исследования является разработка метода получения физиологически значимой информации о работе головного мозга, основанного на анализе ЦЛМ, полученных в ходе обработки ЭЭГ человека в различных функциональных состояниях: покоя, решения в уме логических и образных задач. В основу метода положена парадигма, основанная на использовании идеологии выделения вызванных потенциалов головного мозга. Как известно [1], вызванные потенциалы представляют собой низкоамплитудные колебания электрического поля мозга, возникающие в ответ на определенные стимулы (вспышку света, резкий звук, щелчок, тактильное раздражение и т.п.) или предшествующие определенным действиям (например сокращению мышц) [2]. По305

Программные продукты и системы

№ 4, 2013 г.

скольку амплитуда вызванных потенциалов значительно ниже амплитуд колебаний для фоновой ЭЭГ, в предлагаемом методе для улучшения отношения сигнал/шум используется когерентное накопление фрагментов ЭЭГ, связанных с изучаемым стимулом, что позволяет провести детальный анализ вызванных потенциалов. В ходе исследования проводится усреднение в частотно-временном пространстве частот локальных максимумов, присутствующих в данной ЦЛМ, для получения Ci, k – значений координат усредненной ЦЛМ i-го типа: 1 ni (1) Ci , k   ai , j , k , ni j 1 где ai,j,k – значение частоты локального максимума; i=1, ..., 5 – тип ЦЛМ; j=1, ..., ni – номер цепочки в массиве ЦЛМ данного типа i (номера цепочек устанавливаются в соответствии с их длиной, меньший номер соответствует большей длине, общее количество цепочек типа i равно ni); k=1, ..., mi – номер точки в конкретной ЦЛМ типа i; mi – количество точек в наиболее длинной ЦЛМ i-го типа. Важным моментом при использовании данного метода является выбор начальной точки для усреднения ЦЛМ как в частотном, так и во временном пространстве. Для решения этой задачи во временном пространстве были использованы два подхода. В первом из них усреднение выполняется после совмещения первых точек ЦЛМ, так что значения времени появления первых локальных максимумов ts1, ts2, ..., tsn будут равны нулю, где ts1 – время (или номер отсчета) появления первого локального максимума первой ЦЛМ; ts2 – время (или номер отсчета) появления первого локального максимума второй ЦЛМ при его наличии; tsn – время (или номер отсчета) появления первого локального максимума n-й цепочки, используемой в расчетах. Затем проводится синхронизация всех координат ЦЛМ во временном пространстве, заключающаяся в том, что рассчитываются средние значения частот для усредненной ЦЛМ. В случае отсутствия в одной из ЦЛМ точки с определенными временными координатами (на рисунке этот случай указан стрелкой) в общей суммации для данной временной координаты такая ЦЛМ не участвует. Следовательно, здесь усреднение осуществляется только по точкам, полученным в ходе расчета ЦЛМ, без учета искусственно построенных точек, например, в результате аппроксимации или интерполяции, которые могут заполнять участки ЦЛМ без локальных максимумов. Во втором подходе используется функция Ui, характеризующая степень различия цепочек в частотном пространстве: l r

U i   | ai , j 1, g  ai , j , g | g l

306

(2)

при l=1, 2, …, mi–ri; j=2, 3, …, ni; ri – число точек в текущей ЦЛМ i-го типа. Остальные обозначения те же, что и в формуле (1). Требуется найти целое l, при котором значение функции Ui будет наименьшим. Минимум функции Ui будет указывать на такое взаиморасположение ЦЛМ во временном пространстве, при котором их различие в частотном пространстве будет минимальным. Таким образом, для получения итоговой усредненной ЦЛМ перед процессом усреднения каждая цепочка для j>1 сдвигается во временном пространстве на lj, где lj – значение l, соответствующее минимальному Ui для цепочки i-го типа с номером j. Нетрудно заметить, что использование данного подхода, в котором ЦЛМ перед последующим усреднением выстраиваются, перемещаясь во временном пространстве путем изменения всех временных координат ЦЛМ за счет прибавления к ним константы l, позволяет минимизировать в частотном пространстве отличия данной ЦЛМ от ЦЛМ с максимальным числом локальных максимумов. При этом следует обратить внимание, что минимизация этих различий осуществляется именно с использованием шкалы значений, измеряемых в Гц, а не в масштабах вейвлет-преобразования, так как в этом случае данные, полученные для разных вейвлетов для одного и того же сигнала, могут существенно различаться. К тому же, используя именно частотное пространство и зная разрешение различных вейвлетов для определенных масштабов вейвлет-преобразования исследуемого сигнала, можно наиболее корректно интерпретировать классифицированные данные. Однако реализация данных способов усреднения ЦЛМ в описанном выше виде сталкивается с рядом проблем. В частности, длина ЦЛМ, как во временном пространстве, так и характеризуемая числом точек, зависит от частоты (масштаба вейвлет-преобразования). Таким образом, суммация двух ЦЛМ, появившихся на ЭЭГ на частотах, например 3 и 35 Гц, представляется бессмысленной не только с физиологической точки зрения, но и с точки зрения численной обработки исследуемого сигнала. Для устранения данной проблемы применялось разделение на поддиапазоны всего исследуемого диапазона частот ЭЭГ: нижняя граница исследуемого поддиапазона бралась равной нижней границе θ-ритма, а верхняя – частоте Найквиста для данного электроэнцефалографа. Можно пользоваться таким разделением как в рамках классического варианта анализа ЭЭГ [3], так и путем построения поддиапазонов, исходя из динамических характеристик их границ, основанном на частотных значениях локальных минимумов, которые, подобно максимумам ЦЛМ, также изменяют свои частотные характеристики (способ исследования электроэнцефалограммы человека и животных защищен патентом № 2332160 в 2008 г.,

Программные продукты и системы

№ 4, 2013 г.

авторы: Я.А. Туровский, С.А. Запрягаев, С.Д. Кургалин). Другая проблема, возникающая при получении усредненных ЦЛМ методом когерентного накопления, связана с их весьма различающейся динамикой поведения во времени. Как видно из рисунка, можно выделить пять различных типов характера поведения ЦЛМ.

1. ЦЛМ со стабильно нарастающей частотой (область А на рисунке). Такие ЦЛМ во многом свойственны ЭЭГ в состоянии покоя. Характер увеличения частоты локального максимума для разных случаев здесь различен, что, возможно, позволит выделить несколько подтипов данного типа поведения ЦЛМ. Поведение ЦЛМ в частотном пространстве различается как по скорости ν дрейфа частот (ν=ω/t, где ω – частота; t – время; ν измеряется в Гц/с), так и по форме получившейся ЦЛМ в пространстве время – масштаб вейвлетпреобразования. Наблюдаются следующие виды динамики поведения ЦЛМ: а) линейно-равномерная (когда зависимость ν(t) хорошо аппроксимируется линейной функцией); б) неравномерная (когда тренды, построенные по началу и концу ЦЛМ, отличаются от ее центральной части).

2. ЦЛМ со стабильно убывающей частотой (область Б на рисунке). Как и для ЦЛМ первого типа, характер снижения частоты для ЦЛМ данного типа достаточно сильно различается. Возможно, стабильно убывающий тип представляет собой обратный по сравнению с первым типом вариант функционирования осцилляторов, модулирующих электрическую активность головного мозга, порождающих поведение ЦЛМ первого типа.

3. ЦЛМ без динамики изменения в частотном пространстве (область В на рисунке). Осциллятор (или группа осцилляторов) головного мозга не увеличивает и не уменьшает свою частоту в пределах разрешающей способности используемого вейвлета.

4. ЦЛМ, в которых сначала происходит рост частоты, а потом ее уменьшение, при том, что ЦЛМ может завершиться как на более высокой, так и на более низкой по сравнению с начальной частоте (область Г на рисунке).

5. ЦЛМ, демонстрирующие первоначальное уменьшение частоты с последующим ее ростом. Как и для ЦЛМ предыдущего типа, отношение частот начала и завершения ЦЛМ может быть различным (область Д на рисунке). Проведенная выше типологизация локальных максимумов матриц вейвлет-коэффициентов для

ЭЭГ имеет важное значение для исследования процессов ЭЭГ в различных функциональных состояниях человека. С учетом и на основе представленной выше классификации различных типов характера поведения ЦЛМ авторами был разработан программный модуль дополнительно к уже существующему программно-аппаратному комплексу анализа ЭЭГ, включающему в себя два синхронно работающих электроэнцефалографа, компьютерный сервер и ряд вычислительных узлов, реализованных на технологии CUDA, обеспечивающих одновременное использование более 1 300 процессоров на видеокартах. Получены результаты, демонстрирующие изменение характера дрейфа элементов ЦЛМ в частотном пространстве и свидетельствующие о высокой чувствительности предлагаемого метода к различным состояниям головного мозга человека, зарегистрированным с помощью ЭЭГ. Разработаны индивидуальные карты динамики диапазонов, применяемых в анализе ЭЭГ для 19 испытуемых, которые проходили ряд тестов, связанных с решением логических и образных задач. Разработанный метод, помимо его использования для анализа ЭЭГ, может быть применен для изучения различных биомедицинских сигналов: электрокардиографического, вариабельности сердечного ритма, суточного мониторинга артериального давления, лазерной допплеровской флоуметрии и др. Можно предположить, что его широкое использование позволит выявить новые закономерности и за пределами медико-биологических исследований. Литература 1. Гнездицкий В.В. Вызванные потенциалы мозга в клинической практике. М.: МЕДпресс-информ, 2003. 264 с.

2. Психофизиология: учеб. для вузов; [под ред. Ю.И. Александрова]. СПб: Питер, 2012. 464 с.

3. Зенков Л.Р. Клиническая электроэнцефалография (с элементами эпилептологии). М.: МЕДпресс-информ, 2011.

356 с.

References 1. Gnezditskiy V.V. Vyzvannye potentsialy mozga v klinicheskoy praktike [Evoked brain potential in clinic practice].

Moscow, MEDpress-inform Publ., 2003, 264 p.

2. Aleksandrov Yu.I. Psikhofiziologiya: ycheb. dlya vuzov [Psychophysiology: students book]. St. Petersburg, Piter Publ., 2012, 464 p.

3. Zenkov L.R. Klinicheskaya elektroentsefalografiya (s elementami epileptologii) [Clinic electroencephalography (with elements of epileptology)]. Moscow, MEDpress-inform Publ., 2011, 356 p.

 Вниманию авторов! Аннотация к статье на русском и английском языках должна быть развернутой – не менее 200 слов (машинный перевод недопустим). Новые редакционные требования на сайте журнала www.swsys.ru.

307

Программные продукты и системы

№ 4, 2013 г.

УДК 004.4’23: 004.4’244: 004.891.3

ИНТЕРПРЕТАТОР ОПИСАНИЙ ЭКСПЕРТНЫХ СИСТЕМ ПСИХОФИЗИОЛОГИЧЕСКОЙ ДИАГНОСТИКИ А.Е. Ермаков, к.т.н., старший научный сотрудник; К.А. Найденова, к.т.н., старший научный сотрудник (Военно-медицинская академия им. С.М. Кирова, ул. Академика Лебедева, 6, г. Санкт-Петербург, 194044, Россия, alerma@rambler.ru, ksennaidd@gmail.com) Описывается разработанный авторами проблемно-ориентированный интерпретатор описаний экспертных систем, являющийся составной частью автоматизированной технологии создания экспертных систем для психологической и физиологической диагностики и обеспечивающий практическое использование этих систем: ведение БД по обследуемым, реализацию диагностических процедур, вывод на экран запросов к пользователю от диагностических средств и информационных сообщений, пошаговую обработку полученных данных, управление ходом обследования, вывод диагностического заключения, отображение на экране монитора и устройстве печати результатов обследования в табличной и графической формах, а также их хранение и просмотр в БД. Интерпретатор описаний позволяет также реализовать диагностико-обучающие системы, предназначенные для подготовки студентов и повышения квалификации молодых специалистов. Функционирование интерпретатора описаний осуществляется на основе предложенных авторами формализованной модели решаемых диагностических задач и комплекса моделей вывода диагностического заключения. В статье описывается автоматизированная технология создания экспертных систем психологической и физиологической диагностики, дается характеристика рассматриваемого класса экспертных систем, описываются вычислительные процедуры и операции, поддерживаемые интерпретатором описаний, а также разновидности используемых правил вывода диагностического заключения. Рассматриваются концепция создания интерпретатора описаний, его основные функциональные возможности и структура на уровне функциональных подсистем, а также особенности программной реализации интерпретатора описаний, разработанного на языке программирования Microsoft Visual Basic 6.0 Service Pack 6 и предназначенного для работы в среде операционной системы Windows XP. Ключевые слова: интерпретатор описаний экспертных систем, экспертная система, автоматизированное создание экспертных систем, формализованная модель знаний, модель вывода диагностического заключения, база знаний, психофизиологическая диагностика.

THE INTERPRETER OF DESCRIPTIONS OF EXPERT SYSTEMS FOR PSYCHOLOGICAL AND PHYSIOLOGICAL DIAGNOSTICS Ermakov A.E., Ph.D. Tech. Sc., senior researcher; Naidеnova K.А., Ph.D. Tech. Sc., senior researcher (S.M. Kirov Military Medical Academy, Academician Lebedev St., 6, St. Petersburg, 194044, Russian Federation, alerma@rambler.ru, ksennaidd@gmail.com) Аbstract. The article describes the developed problem-oriented interpreter of expert systems descriptions, which is an integral part of the automated technology of creating expert systems for psychological and physiological diagnostics, providing practical use of these systems: maintaining an inspects database, diagnostic procedures implementation, on-screen display requests to the user with diagnostic tools and information messages, step-by-step data processing, control of the survey course, diagnostic conclusion output, the displaying survey results on the monitor screen and printing device in tabular and graphical form as well as their storage and view in the database. The descriptions interpreter also allows implementing diagnostictraining systems for trainings of students and young professionals. Functioning of the descriptions interpreter is based on the proposed formalized model of solved diagnostic tasks and the complex of diagnostic conclusion output models. The article describes the automated technology of creating expert systems of psychological and physiological diagnostics, characterizes this class of expert systems, describes the computational procedures and operations supported by the descriptions interpreter, the varieties of used diagnostic conclusions inference rules. The article also describes the concept of creating the descriptions interpreter, its basic functionalities and the structure at the functional subsystems level. The article discusses the software implementation features of the descriptions interpreter developed in the Microsoft Visual Basic 6.0 Service Pack 6 programming language and intended for working in Windows XP operating system.

Keywords: expert systems descriptions interpreter, expert system, automated creation of expert systems, formalized model of knowledge, diagnostic conclusion inference model, knowledge base, psycho-physiological diagnostics.

В настоящее время для создания экспертных систем (ЭС) различного назначения используются автоматизированные технологии (АТ-ТЕХНОЛОГИЯ [1, 2], LEVEL5 OBJECT, TestGold и др.), инструментальные средства (ЭКО, G2 Gensym Copr., АСТest и др.), оболочки (EMYCIN, GURU, S.1, M.4, FLEX ToolKit, ACQUIRE и др.), CASE-средства (UFO-ToolKit [3], ERWin [4], Rational Rose [5] 308

и др.), среды программирования, поддерживающие несколько парадигм представления знаний (LOOPS, KEE, ART, CLIPS [6, 7] и др.), а также специализированные объектно-ориентированные языки программирования высокого уровня (UML [5, 8], OPS5, LISP, SmallTalk, CLOS, COOL, РЕФАЛ [9], FRL, FLAVORS, Ruby, PROLOG и др.) и web-ориентированные языки (Exsys Corvid, JESS).

Программные продукты и системы

При этом программные средства создания ЭС функционально могут быть объединены с программными средствами, обеспечивающими их практическое применение, либо они могут быть в значительной степени автономны друг от друга. В статье рассматривается разработанный авторами проблемно-ориентированный интерпретатор описаний (ИО) ЭС, являющийся составной частью автоматизированной технологии (АТ) создания и практического применения ЭС для психологической и физиологической диагностики (ПФД) [10]. ИО предназначен для использования психологами, физиологами, врачами и предоставляет им возможность практического применения ЭС для исследования различных аспектов психического и физиологического состояний (ПФС) обследуемых – как больных, так и здоровых людей. Наряду с диагностическими ИО позволяет реализовать диагностико-обучающие ЭС, предназначенные для профессиональной подготовки студентов и курсантов вузов, а также для повышения профессиональной квалификации психофизиологов и медицинских специалистов. Автоматизированная технология создания ЭС ПФД В состав автоматизированной технологии входит следующее: – проблемно-ориентированное инструментальное средство (ИС), обеспечивающее разработчикам возможность комбинированной спецификации структурных и функциональных параметров создаваемых ЭС ПФД, реализуемой на основе их конвейерной экспертной спецификации, когда отдельные этапы спецификации естественно следуют друг за другом в соответствии с семантикой описываемых объектов и существующими между ними взаимосвязями, а также с использованием встроенных процедур индуктивного формирования знаний; – проблемно-ориентированный ИО ЭС, сформированных разработчиком при помощи ИС, – программная система, обеспечивающая практическую реализацию созданных ЭС ПФД: ведение БД обследуемых, реализацию диагностических процедур (ДИП), описанных в базе знаний ЭС, вывод на экран запросов к пользователю от диагностических средств (ДС) и информационных сообщений, пошаговую обработку полученных данных, управление ходом обследования (структурой ДИП), вывод диагностического заключения (ДИЗ), отображение на экране монитора и устройстве печати результатов обследования в форме таблиц и диаграмм, их хранение в БД и защиту от доступа посторонних лиц; – программа привязки ИС и ИО к аппаратным характеристикам конкретных компьютеров

№ 4, 2013 г.

(BIOS, процессору и ряду других) для защиты этих программных систем от пиратского копирования, осуществляющая также формирование файлов, необходимых для работы ИС и ИО; – базы спецификаций ЭС ПФД, унифицированные по структуре, предназначенные для использования совместно с ИО и образующие вместе с ним ЭС ПФД, готовые к практическому применению; – банк ДС – психологических тестов и процедур ввода в ЭС различных параметров обследуемых, имеющих стандартизованный на уровне АТ интерфейс обмена данными с внешней средой – ЭС ПФД. Два последних компонента являются продуктом АТ и ее неотъемлемой составной частью. При создании ЭС ПФД с помощью ИС и практической реализации этих ЭС средствами ИО использовалась расширенная формализованная модель класса решаемых диагностических задач [11], описывающая их структурные и функциональные параметры, а также семейство моделей вывода ДИЗ [12]. ИО позволяет использовать в ЭС ПФД вычислительные процедуры различных типов: – взвешенные математические функции: взвешенная степенная функция p2=wp1m, где p1, p2 – значения различных ДП; взвешенная экспоненциальная функция p2=wep1, где e=2,7182… – экспонента; взвешенная показательная функция p2=wmp1; взвешенная функция натурального логарифма p2=wln(p1); взвешенная функция десятичного логарифма p2=wlg(p1); взвешенная функция логарифма p2=wlogm(p1) с произвольным основанием m, где w, m – вещественные числа; – обобщенные арифметические процедуры (ОАП): взвешенное сложение и вычитание pi=w1 p1w2p2 … wnpn, взвешенное умножение pi=wp1p2 … pn и взвешенное деление pi=wpn/pk операндов, где w, {wk} – числовые весовые коэффициенты; – традиционные арифметические операции: сложение, вычитание, умножение и деление; – логические операции: конъюнкция операндов (формирующих ДП), дизъюнкция операндов и логическое отрицание значений операндов; – дополнительные вычислительные процедуры: взятие модуля значения ДП; взвешенное и простое суммирование числа совпадений значений формирующих ДП с ключами – априори задаваемыми значениями ДП; сравнение значений ДП с заданной для них функциональной нормой; – процедуры задания отношений соответствия значений основных и дополнительных (стандартизированных, квантильных, булевых, нечисловых и иных) измерительных шкал ДП.

309

Программные продукты и системы

ОАП и взвешенные математические функции используются для уменьшения числа шагов вычислений, что обеспечивает упрощение структуры базы знаний (БЗ) и повышает скорость вывода в ЭС ПФД. В ЭС ПФД, реализуемых посредством ИО, для организации вычислений могут использоваться четкие и нечеткие продукционные утверждающие правила. Четкие правила имеют вид: «если ДП pi=i1 или pi[i1, i2] & pn=n1 (pn[n1, n2]) & ... & pk=k1 (pk[k1, k2]), то вычисляемый ДП pm=m1», а нечеткие правила – вид: «если pi=i1 (pi[i1, i2]) & ... & pk=k1 (pk[k1, k2]), то pm=m1 с коэффициентом истинности кипр=α, 0<α1». Коэффициенты истинности кипр правил являются количественной мерой достоверности описываемых ими закономерностей в контексте решаемой задачи ПФД. Они могут напрямую задаваться экспертом или алгоритмически вычисляться в ходе вывода. Наряду с утверждающими правилами в ЭС ПФД могут использоваться четкие правила, отвергающие некоторые значения ДП. Отвергающие правила имеют вид: «если pi=i1 (pi[i1, i2]) & ...& pk= k1 (pk[k1, k2]), то ДП pm  m1 (pm  [m1, m2] или pm  {m1, …, m2}), где {} означает множество элементов». Концепция построения ИО и его функциональные возможности ИО поддерживает работу с базами спецификаций ЭС ПФД, сформированными при помощи ИС, входящего в состав АТ [10], имеющими структуру и формат, совместимые с требованиями ИО. ИО предоставляет пользователям возможность работы с базами спецификаций: – одно- и многозадачных ЭС, реализующих одну или несколько автономных интерактивных процедур ПФД; – ЭС ПФД, реализующих ДИП с линейной и нелинейной структурой; – ЭС ПФД, учитывающих при реализации ДИП особенности обработки данных для различных поло-возрастных групп обследуемых, что нередко требуется в психологической и физиологической диагностике, поскольку для одной и той же ДИП поло-возрастные нормы могут существенно отличаться; – ЭС ПФД, использующих разнотипные вычислительные процедуры и различные модели вывода ДИЗ, адекватные специфике решаемой задачи – на основе четких и нечетких вычислений, с полностью и частично определенными операндами, с утверждающими и отвергающими правилами. При реализации ЭС ПФД в ИО используются метазнания об особенностях ДИП в классе решаемых задач ПФД, семантике и взаимосвязях элементов знаний. Наряду с ЭС ПФД ИО может 310

№ 4, 2013 г.

реализовать диагностико-обучающие ЭС, предоставляющие обучаемым необходимые пояснения в ходе обследования и обработки его результатов. ИО позволяет использовать в составе ЭС ПФД: – ДС с различными видами стимульного материала, предъявляемого обследуемым, – с текстовыми запросами, HTML-, RTF- и SWF-файлами, различными типами изображений (JPEG, BMP, PNG, EMF, WMF, GIF и др.) и различными формами ответов на диагностические вопросы – фиксированными вариантами ответов и произвольными числовыми значениями; – ДС различной структуры и уровня обработки данных, начиная от обычных вопросников, передающих в ЭС только ответы на запросы, до мини-ЭС, самостоятельно выполняющих многоэтапную свертку исходных данных и их достаточно сложную обработку, как это делается в многоуровневых психологических личностных опросниках СМИЛ, 16 ФЛО Р. Кеттела, Адаптивность и др.; – ДС, представляющие собой исполняемые файлы сторонних производителей, совместимые с базами описания ЭС ПФД на уровне выходных данных. В ИО имеются возможности: – хранения в БД ЭС для респондентов значений ДП, полученных в ходе диагностических обследований, однократно или многократно проведенных по одной или нескольким задачам ПФД; – поиска обследуемых и результатов диагностического обследования в БД по Ф.И.О., полу, возрасту, дате рождения, дате проведения обследования, а также сортировки обследуемых при отображении на экране монитора по тем же критериям; – отображения диагностических результатов на экране монитора и устройстве печати в табличной и графической формах с помощью линейных, двухмерных столбчатых и лепестковых диаграмм; – отображения на диаграммах с диагностическими результатами названий и значений ДП, а также границ их функциональной нормы; – программной настройки параметров таблиц и диаграмм, отображающих результаты диагностического обследования; – защиты персональных данных обследуемых и диагностической информации от несанкционированного доступа путем шифрования базы результатов обследования, для чего используются два алгоритма шифрования – быстрый CRC32-алгоритм и более мощный 40-битный RSA-алгоритм; – защиты от несанкционированного использования ИО посторонними лицами с помощью пароля. Специальная программа осуществляет защиту ИО от пиратского копирования путем его привяз-

Программные продукты и системы

ки к конкретным компьютерам. ИО имеет программный интерфейс с Microsoft Excel, дающий возможность использовать в ИО программные средства построения лепестковых диаграмм. ИО оснащен дружественным пользовательским интерфейсом, сочетающим стандартные конструктивные элементы – кнопки, переключатели, списки, таблицы, текстовые окна и пр. с возможностью интерактивной адаптации некоторых его параметров в соответствии с пожеланиями конкретного пользователя. Дополнительную гибкость пользовательскому интерфейсу ИО придает возможность управлять его функционированием с помощью горячих клавиш. ИО оснащен системой контроля действий пользователя и защиты от ошибок, позволяет проигрывать в ходе обследования избранные музыкальные произведения для снижения утомляемости пользователей и количества случайных ошибок при ответах на запросы ИО. Для облегчения работы пользователей ИО оснащен мультимедийным учебником и контекстнозависимой системой помощи на базе HTML-файлов. Прямо из ИО можно запустить видеоклип, демонстрирующий правила работы с ним. Структура ИО Поскольку ИО разрабатывался авторами в течение длительного времени, его структура тщательно продумана, определяется заложенными в него функциональными возможностями и концепцией создания максимально комфортной рабочей среды для пользователя. В структуре ИО можно выделить ряд функциональных подсистем, действующих согласованно, но в то же время обладающих определенной самостоятельностью. К таким подсистемам относятся следующие: – подсистема работы с базой результатов диагностического обследования, обеспечивающая регистрацию и удаление пользователей из БД, поиск в ней результатов обследования по различным критериям, включая дату и время его проведения, а также привязку результатов диагностики к обследуемым; – мультимедийная подсистема помощи и обучения пользователей работе с ИО; – подсистема настройки параметров интерфейса ИО под конкретного пользователя (типа, цвета, размера и начертания шрифта в таблицах и окнах ввода данных); – подсистема поиска на информационных носителях требуемых баз описаний ЭС ПФД и их подключения к ИО для обеспечения работы пользователей с этой ЭС; – подсистема диагностического обследования, обеспечивающая реализацию ДИП ЭС ПФД; – подсистема отображения результатов диагностического обследования в виде трех типов диа-

№ 4, 2013 г.

грамм – линейных, двухмерных столбчатых и лепестковых; – подсистема печати выходных таблиц, настройки параметров этих таблиц и устройств печати; – подсистема контроля вводимых данных и защиты от ошибок; – подсистема метазнаний об особенностях ДИП в классе решаемых задач ПФД, семантике и взаимосвязях спецификаций различных объектов ДИП; – подсистема информирования пользователя о разработчиках ЭС ПФД, а также предъявления ему инструкций и аннотаций к используемым в качестве ДС психологическим тестам; – диалого-информационная подсистема, обеспечивающая возможность настройки различных параметров работы ИО: ввод кода доступа к работе с ИО и отключение этой опции, выбор стандартного или настраиваемого интерфейса, выбор алгоритма шифрования БД и др. Подсистема диагностического обследования, в свою очередь, состоит из ряда подсистем: подсистемы работы с ДС, представленных описаниями унифицированной структуры, сформированными при помощи ИС; подсистемы работы с ДС, представляющими собой исполняемые файлы сторонних производителей, совместимые с ИО только на уровне выходных данных; подсистемы управления реализацией ДИП; подсистемы вычисления значений ДП и формирования ДИЗ. Особенности программной реализации ИО ИО имеет регистрационные свидетельства Роспатента №№ 2002610065 (от 22.01.2002), 2006610213 (от 10.01.2006), 2006610214 (от 10.01.2006) и 2006611891 (от 31.05.2006). Разработка ПО первых версий ИО осуществлялась в среде ОС Windows 98 Second Edition на языке программирования Microsoft Visual Basic версий 3 и 4, а затем в рамках ОС Windows XP (Service Pack 1–3) в среде программирования Microsoft Visual Basic 6.0 Service Pack 4–6. При создании ИО были использованы модули fast2001.ocx и fast2005.ocx из freeware версии 1.5a, библиотека Fast.lib 2000 for Windows, а также графическая библиотека libgfl254.dll версии 2.52, входящая в состав GFL SDK (www.xnview.com). В состав ПО ИО входят 7 540 операторов программного кода, 232 локальные и глобальные подпрограммы – процедуры и функции, 1 модуль, 1 класс, 13 экранных форм, отчасти, но не всегда соответствующих функциональным подсистемам ИО, более 200 программ – обработчиков событий экранных форм и их структурных элементов – кнопок, сеточных форм, списков, объектов данных, объектов для работы с различными типами 311

Программные продукты и системы

изображений, графиками, звуком, переключателей, окон ввода данных, рамок и др. К обработчикам событий относятся программы, связанные со стандартными событиями, присущими форме в целом и ее отдельным элементам. В ИО используются API-функции ОС Windows, а также функции работы с графическими объектами графической библиотеки libgfl254.dll. Наряду с массивами и переменными в ИО используются стандартные структуры ОС Windows XP, структуры графической библиотеки libgfl254.dll, а также программные структуры, такие как Poc с элементами Value (значение ДП), Indic (индикатор вычисленности значения ДП: 1 – ДП означен, 0 – еще не означен), Type (тип ДП: 1 – измеряемый, 2 – вычисляемый), PokCode (двухзначный код ДП), NGrNorm (нижняя граница нормы для ДП), VGrNorm (верхняя граница нормы ДП), Numb (номер выбранного ответа); FC с элементами Red, Green, Blue – RGB-компонентами цвета надписей на диаграммах используемого объекта Microsoft Chart Control – комплекса программных средств построения графиков и диаграмм и др. В ПО ИО также используются стандартные объекты файловой системы ОС Windows, методы работы с этими объектами, а также свойства этих объектов. При работе с файлами форматов dBase, используемыми для хранения спецификаций ЭС ПФД, формируются запросы на языке SQL, такие как «поле записи = значение», «поле записи содержит похожее (LIKE) значение», связанные для различных полей записи логическими операциями AND и OR. На некоторые файлы с помощью оператора SQL Where программно устанавливаются фильтры, позволяющие отбирать записи, относящиеся к определенной диагностической задаче и к определенному обследуемому. В ИО также используются программные средства работы с ключами системного реестра ОС и реализован, как отмечалось ранее, программный интерфейс с объектами Microsoft Excel, что позволяет ИО при наличии данного пакета программ на компьютере пользователя использовать его средства для построения лепестковых диаграмм. При этом используются объекты OLE, Object, Worksheets, Cells и др., методы работы с ними CreateEmbed и др. и свойства этих объектов Count, Name и др. В ИО широко используются программные обработчики ошибок On Error GoTo метка и On Error Resume Next (переход к оператору, следующему за оператором, вызвавшим ошибку). При разработке ПО ИО авторами использовались freeware-справочники API-функций Windows API-Guide и ApiViewer. Для анализа и оптимизации программного кода ИО применялись freeware версии Aivosto Project Analyzer и программные модули Code Analyzer, Designer Analyzer и String Review из состава пакета программ AxTools Code Smart 2007 for VB6. При создании подсистемы 312

№ 4, 2013 г.

помощи на базе HTML- и PNG-файлов использовались редакторы Microsoft Paint и WordPad, а также оптимизатор изображений FastStone Photo Resizer. Создание учебного клипа по работе с ИО осуществлялось с помощью программы Screen2EXE. Скомпилированный исполняемый файл ИО имеет размер 602 112 байт, однако при помощи компрессора исполняемых файлов UPX удалось уменьшить его размер до 150 528 байт. ИО тщательно тестировалось в средах ОС Windows 98SE и Windows XP Service Pack 1, 2 и 3. На основании изложенного можно сделать следующие выводы. В статье рассмотрены основные принципы построения, функциональные возможности и особенности разработанного авторами ИО, являющегося составной частью АТ [10] и используемого для практического применения ЭС ПФД, базы спецификаций которых были сформированы с помощью входящего в состав этой АТ ИС. ЭС ПФД, реализуемые ИО, предназначены для исследования различных аспектов психического и физиологического состояний обследуемых, а также для обучения студентов вузов и повышения профессиональной квалификации медицинских специалистов. ИО прошел практическую апробацию при реализации ряда прикладных ЭС, обеспечивающих решение различных задач ПФД, – дифференциальной диагностики нарушений водно-солевого обмена, кислотно-щелочного равновесия в организме, оценки профессиональной психофизиологической пригодности кандидатов и ряда других. ПО ИО разработано в среде Visual Basic 6 Service Pack 6, предназначено для использования в ОС Microsoft Windows XP Service Pack 3 и более ранних версий, совместимо с Internet Explorer версий 5–8. БЗ и БД ЭС ПФД организованы в виде файлов формата dBase. В настоящее время ИО оснащается дополнительными моделями вывода диагностического заключения, рассмотренными в [12], ведется работа по тестированию ПО ИО в среде ОС Windows Vista и Windows 7. Литература 1. Рыбина Г.В. Задачно-ориентированная методология автоматизированного построения интегрированных экспертных систем для статических проблемных областей // Изв. РАН. Теория и системы управления. 1997. № 5.

2. Рыбина Г.В., Пышагин С.В., Смирнов В.В., Чабаев А.В. Программные средства и технология автоматизированного построения интегрированных экспертных систем // Программные продукты и системы. 1997. № 4. С. 37–45.

3. Маторин В.С., Маторин С.И., Полунин Р.А., Попов А.С. Знаниеориентированный CASE-инструментарий автоматизации UFO-анализа // Проблемы программирования.

2002. № 1–2. С. 469–476.

4. Кинжалин А. Моделирование баз данных при помощи ERwin // Компьютер-информ. 1998. № 12 (36).

5. Кватрани Т. Визуальное моделирование с помощью Rational Rose 2002 и UML; [пер. с англ.]. М.: Вильямс, 2003.

Программные продукты и системы

№ 4, 2013 г.

6. Джарратано Дж., Райли Г. Экспертные системы: принципы разработки и программирование. М.: Вильямс, 2007.

1152 с.

7. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. СПб: БХВ–Петербург, 2003.

608 с.

8. Буч Г., Рамбо Дж., Джекобсон А. Язык UML. Руководство пользователя; [пер. с англ.]. М.: ДМК, 2000.

9. Гурин Р.Ф., Романенко С.А. Язык программирования РЕФАЛ Плюс. Переславль: Изд-во Переславльского ун-та, 2006.

10. Найденова К.А., Ермаков А.Е. Технология автоматизированной разработки адаптивных компьютерных систем психологической и физиологической диагностики // Автоматизация проектирования дискретных систем: матер. 3-й Междунар. конф. Минск. 1999. Т. 3. C. 72–79.

11. Найденова К.А., Ермаков А.Е., Боченков A.A., Булыко В.И., Маклаков A.Г. Модель знаний для автоматизированного проектирования экспертных психодиагностических систем // Искусственный интеллект-96: сб. науч. тр. 5-й национальн. конф. с междунар. участием. Казань. 1996. Т. 2. С. 275–279.

12. Ермаков А.Е. Модели вывода в экспертных системах психофизиологической диагностики // Программные продукты и системы. 2012. № 2. С. 103–109.

Programmnye produkty i sistemy [Software & Systems]. 1997, no. 4, pp. 37–45.

3. Matorin V.S., Matorin S.I., Polunin R.A., Popov A.S. Problemy programmirovaniya [Programming problems]. 2002, no. 1–2, pp. 469–476.

4. Kinzhalin A. Kompyuter–inform [Computer-inform].

1998, no. 12 (36).

5. Quatrani T. Visual Modeling with Rational Rose 2002 and UML. 3rd ed., Addison-Wesley Professional, 2003.

6. Giarratano J.C., Riley G.D. Expert Systems: Principles and Programming. 4th ed., Course Technology, 2004.

7. Chastikov A.P., Gavrilova T.A., Belov D.L. Razrabotka ekspertnykh sistem. Sreda CLIPS [Expert systems developing.

CLIPS public domain software]. St. Petersburg, BHV–Peterburg Publ., 2003 (in Russ.).

8. Booch G., Rumbaugh J., Jacobson I. The Unified Modeling Language User Guide. Pearson Education, 1999.

9. Gurin R.F., Romanenko S.A., Yazyk programmirovaniya Refal Plyus [Refal Plus Programming Language]. Pereslavl, Univ. of Pereslavl Publ., 2006 (in Russ.).

10. Ermakov A.E., Naidеnova K.A., Materialy 3 mezhdunar. konf. “Avtomatizatsiya proektirovaniya diskretnykh system” [Proc. of 3 int. conf. “Automated design of discrete systems”]. Minsk, 1999, vol. 3, pp. 72–79 (in Russ.).

11. Naidеnova K.A., Ermakov A.E., Bochenkov A.A., Bulyko V.I., Maklakov A.G. Sbornik nauchnyh trudov 5 natsional. konf. s mezhd. uchastiem “Isskusstvenny intellekt-96” [Proc. of 5 national conf. with int. participation “Artificial intelligence-96”].

Kazan, 1996, vol. 2, pp. 275–279 (in Russ.).

12. Ermakov A.E. Programmnye produkty i sistemy [Software & Systems]. 2012, no. 2, pp. 103–109.

References 1. Rybina G.V. Izvestiya Rossiyskoy Akademii Nauk. Teoriya i systemy upravleniya [Journ. of Computer and Systems Sciences International]. 1997, no. 5.

2. Rybina G.V., Pyshagin S.V., Smirnov V.V., Chabaev A.V.

 НИИ «Центрпрограммсистем» осуществляет полный цикл исследований, проектирования, разработки и внедрения информационных систем: – разработка тренажеров, тренажерных комплексов и автоматизированных систем обучения; – разработка автоматизированных систем управления техническим обеспечением; – автоматизация морской спасательной деятельности; – моделирование сложных технических объектов; – научные исследования и разработки в области распределенных информационных систем: многоагентные системы, информационные пространства, открытые системы; – проектирование и разработка встроенных систем управления и цифровой обработки сигналов специального назначения; – поддержка информационной безопасности: разработка и производство аппаратнопрограммных средств защиты информации от несанкционированного доступа; – защита персональных данных и государственной тайны: осуществление специальных проверок техники на сертифицированном и аккредитованном оборудовании; – производство и поставка компьютеров в защищенном исполнении; – издание печатной продукции, в том числе международного журнала «Программные продукты и системы». Адрес: 170024, г. Тверь, пр-т 50 лет Октября, д. 3а Телефон: +7 (4822) 44-32-44. Факс: +7 (4822) 39-91-00

Сайт: www.cps.tver.ru Электронная почта: info@cps.tver.ru

313

Программные продукты и системы

№ 4, 2013 г.

СОДЕРЖАНИЕ Бетелин В.Б. Отечественные суперкомпьютерные технологии экзафлопсного класса – необходимое условие обеспечения технологической конкурентоспособности России в XXI веке .............................................................................................................................. 4 Кольцов П.П. Об одном подходе к оценке качества обработки видеографической информации ...................................................................................................... 10 Крыжановский Б.В., Палагушкин А.Н., Прокопенко С.А., Сергеев А.П., Меликян А.О. Радикальные изменения диэлектрической проницаемости наноразмерных пленок серебра под воздействием приложенного напряжения ................................................................................ 17 Генов А.А., Осипов В.В., Савилкин С.Б. О возможности реализации мобильной сети спутниковой связи стандарта DVB-RCS с пространственно-частотно-временным разделением ресурса в Х-диапазоне............................................................................................... 23 Бобков С.Г., Мадера А.Г. Энергетические затраты, быстродействие и проблема теплоотвода в микропроцессорах ............................................................................... 29 Вьюкова Н.И., Галатенко В.А., Самборский С.В. Программная конвейеризация циклов для ускорителя плавающей арифметики в составе процессора Комдив128-РИО ................................................................................................................................. 35 Мамросенко К.А. Нормативная база построения аэрокосмических тренажерно-обучающих систем ....................................................................................................... 43 Бобков С.Г., Еремин А.А., Кондратьева Н.В., Сердин О.В. Разработка высоконадежных многопроцессорных модулей на базе высокоскоростных каналов RapidIO................................................................................................................................. 49 Мальцев А.В. Подготовка детализированной текстуры поверхности для высокореалистичной визуализации Земли .............................................................................. 55 Масальский Н.В. Проблемы схемотехнического моделирования нанотранзисторов со структурой «кремний на изоляторе» ........................................................................................... 60 Грюнталь А.И. Локально определенные дисциплины планирования ........................................ 67 Tarassov V.B., Svyatkina M.N. Cognitive measurements: the future of intelligent systems ............. 74 Куликов Г.Г., Навалихина Н.Д., Габбасов Р.К., Тымченко А.А. Методика мониторинга государственного проекта по критериям эффективности........................................ 82 Чибисов В.Н., Суслов И.А., Маркилов И.А. Построение OLAP-кубов с помощью стандартных средств разработки web-приложений .................................................... 88 Зайцев И.Д. Верификация мультиагентных систем с помощью цепей Маркова: оценка вероятности нахождения агентами оптимального решения ............................................. 96 Ермаков Д.Г., Берсенев А.Ю. Модернизация вычислительного кластера для параллельного выполнения операционных систем Linux и MS Windows .............................. 101 Бутенко Д.В., Ананьев А.С., Бутенко Л.Н. Алгоритм проведения предпроектных исследований и моделирования информационных систем ................................ 105 Бутенко Д.В., Бугрий Р.С. Разработка программной среды поддержки анализа функциональной структуры систем в аспекте свойства целостности ...................................................................................................... 108 Минитаева А.М. Основной подход в решении задачи создания человеко-машинного интерфейса с использованием дуального принципа ................................. 113 314

Программные продукты и системы

№ 4, 2013 г.

Кожомбердиева Г.И., Гарина М.И., Бураков Д.П. Об использовании аппарата теории принятия решений в задачах оценивания согласно модели CMMI® ......................................................117 Завгородний В.Н. Выбор критериев принятия решений в организационно-технических системах с использованием информационных ситуаций .......... 125 Вагин В.Н., Зарецкий Д.С. Использование логики предикатов первого порядка в системах поддержки истинности на основе предположений ...................................................... 127 Ахмедова Ш.А., Семенкин Е.С. Кооперативный бионический алгоритм безусловной оптимизации ................................................................................................................ 133 Созыкин А.В., Гольдштейн М.Л., Грибова В.В., Москаленко Ф.М. Облачный сервис «Параллельный Matlab» ................................................................................................................... 137 Маслобоев А.В. Метод автоматизированного синтеза виртуальных организационных структур для задач управления региональной безопасностью ........................................................................................................... 141 Артемов И.Ю. Кластер высокой доступности программного комплекса автоматизации процедуры сбора данных ....................................................................................... 149 Дрождин В.В., Зинченко Р.Е. Защита информации в самоорганизующейся информационной системе без использования специальных средств ......................................... 153 Николаева А.В., Ульянов С.В. Интеллектуальное управление роботом-манипулятором на основе мягких вычислений .......................................................................................................... 157 Палюх Б.В., Дли М.И., Какатунова Т.В., Багузова О.В. Интеллектуальная система поддержки принятия решений по управлению сложными объектами с использованием динамических нечетких когнитивных карт ....................................................... 162 Гимаров В.В., Гимаров В.А., Дли М.И., Иванова И.В. Разработка адаптивных моделей поведения агентов мультиагентной системы управления телекоммуникационными предприятиями....................................................................................... 167 Дмитриев Г.А., Марголис Б.И., Музанна М.М. Решение задачи оптимальной маршрутизации по критерию загруженности сети ................................................... 173 Гордеев Р.Н., Бурилин А.В. Применение мягких вычислений для анализа структуры базы знаний информационной системы .................................................. 176 Провоторов А.В., Орлов А.А. Программная реализация системы автоматической идентификации слябов ......................................................................................... 182 Решетников А.Г., Керимов Т.А., Ульянов С.В., Бархатова И.А. Технологии мягких вычислений в интеллектуальном управлении .................................................................... 186 Решетников А.Г., Керимов Т.А., Ульянов С.В. Робастное интеллектуальное управление на основе технологии квантовых вычислений ................................................................................ 192 Павлов Д.А. Нечеткий фильтр Калмана в структуре алгоритма решения обратных задач для экономических объектов ............................................................................................................ 199 Иванов В.К., Палюх Б.В., Сотников А.Н. Архитектура интеллектуальной системы информационной поддержки инноваций в науке и образовании .................................................. 203 Семенкин Е.С., Семенкина М.Е., Попов Е.А. Исследование эффективности самоконфигурируемого генетического алгоритма выбора эффективного варианта системы управления космическими аппаратами ............................................................................ 208 Скрипачев В.О. Программный комплекс для обработки данных ионосферных измерений .................................................................................................................. 213 315

Программные продукты и системы

№ 4, 2013 г.

Скрипачев В.О., Полушковский Ю.А., Стрельцов А.М. Применение Interactive Data Language для обработки данных радиометрических измерений ........................ 216 Дли М.И., Гимаров В.В., Глушко С.И., Иванова И.В. Интеллектуально-экспертный метод определения оптимального маршрута транспортировки продукции ............................................ 220 Есев А.А., Ткачук А.В. Технология автоматизированной экспертизы технического уровня вертолетных очков ночного видения ............................................................ 223 Чибисов В.Н., Гаврилов В.Н. Методология построения автоматизированной системы консолидированной отчетности .................................................... 229 Соснин П.И., Святов К.В., Перцев А.А. Автоматизированное формирование персональных должностных инструкций сотрудников проектных организаций ........................... 237 Кузнецов В.Н., Мутовкина Н.Ю., Чудов С.А. Управление проектом по созданию программной системы электронного документооборота ......................................... 242 Бурдо Г.Б., Семенов Н.А., Сорокин А.Ю. Модель автоматизированной системы управления качеством в многономенклатурном машиностроительном производстве ............... 248 Федотов В.П., Спевак Л.Ф., Нефедова О.А. Моделирование процессов упругопластического деформирования модифицированным методом граничных элементов ........................................................................................................................ 253 Шестаков А.М. Использование удаленного доступа пакета Matlab для решения задач таксономии деталей......................................................................................... 257 Жиганов Н.К., Фомина Е.Е., Вольнов И.Н. Компьютерная система моделирования технологии вертикального непрерывного литья заготовок из цветных металлов ....................... 260 Федотова А.В. Управление процессами технического обслуживания авиационного оборудования на основе метода программирования в ограничениях .................. 263 Кобзев В.В., Сизов Ю.Н., Скипидарников А.С., Шилов Д.К. Контроль ошибочных действий оператора при отработке на тренажере ..................................................... 271 Левщанов В.В., Лавыгин Д.С. Способ трехмерной визуализации эксплуатационных параметров тепловыделяющих элементов реакторов ВВЭР-1000............... 277 Дамов М.В., Буряченко В.В., Пахирка А.И., Зотин А.Г. Предварительная обработка видеопоследовательности для публикации в электронной библиотеке....................................... 281 Батура Т.В. Формальные методы установления авторства текстов и их реализация в программных продуктах .................................................................................... 286 Котельников Е.В., Клековкина М.В. Определение весов оценочных слов на основе генетического алгоритма в задаче анализа тональности текстов ............................... 296 Хусаинов А.Ф., Сулейманов Д.Ш. Система автоматического распознавания речи на татарском языке ........................................................................................................................... 301 Туровский Я.А., Кургалин С.Д., Семенов А.Г. Типологизация локальных максимумов в спектрах электроэнцефалограмм, полученных путем непрерывного вейвлет-преобразования .................................................................................................................. 304 Ермаков А.Е., Найденова К.А. Интерпретатор описаний экспертных систем психофизиологической диагностики ................................................................................................ 308

316

Программные продукты и системы

№ 4, 2013 г.

CONTENT Betelin V.B. Russia needs to develope original supercomputing technology to compete on the global high tech production market ..................................................................... 4 Koltsov P.P. On an approach to estimation of video-graphical information processing quality ............................................................................................................. 10 Kryzhanovskiy B.V., Palagushkin A.N., Prokopenko S.A., Sergeev A.P., Melikyan A.O. Revolutionizing of dielectric constant of a silver nanofilm under voltage ............................................. 17 Genov A.A., Osipov V.V., Savilkin S.B. The possibility implementing mobile DVB-RCS standard satellite communication network with the spatial frequency resource time division in the X-band................................................................................... 23 Bobkov S.G., Madera A.G. Energy costs, speed and heat sink in microprocessors ......................... 29 Vyukova N.I., Galatenko V.A., Samborskiy S.V. Software pipelining of loops for a floating point accelerator in the Komdiv128-RIO processor ........................................................ 35 Mamrosenko K.A. The regulatory base to design aerospace training systems ................................. 43 Bobkov S.G., Eremin A.A., Kondrateva N.V., Serdin O.V. Design of high reliability multiprocessor modules based on high-performance RapidIO interconnect architecture .......................................................... 49 Maltsev A.V. Preparation of detailed surface texture for high realistic Earth visualization ................. 55 Masalskiy N.V. Nanotransitors circuitry simulation problems with silicon-on-insulator structure ........ 60 Gryuntal A.I. Locally defined planning disciplines .............................................................................. 67 Tarassov V.B., Svyatkina M.N. Cognitive measurements: the future of intelligent systems ........................................................................................................... 74 Kulikov G.G., Navalikhinа N.D., Gabbasov R.K., Tymchenko A.A. Monitoring methodology of the governmental project using efficiency criteria............................................................................ 82 Chibisov V.N., Suslov I.A., Markilov I.A. Building OLAP-cubes using standard web-development applications.................................................................................... 88 Zaytsev I.D. Multiagent systems verification with Markov chains: probability estimation of optimal solution finding by agents................................................................. 96 Ermakov D.G., Bersenev A.Yu. Computing cluster upgrade for simultaneous execution of Linux and MS Windows OS............................................................................................................. 101 Butenko D.V., Ananyev A.S., Butenko L.N. The algorithm of predesign researches and information systems modeling ...................................................................................................... 105 Butenko D.V., Bugriy R.S. Development of the software environment to support the systems functional structure analysis in the view of holistic property .................................................. 108 Minitaeva A.М. Basic approach to solving the creating a human-machine interface using dual principle ............................................................................................................................. 113 Kozhomberdieva G.I., Garina M.I., Burakov D.P. Using decision making theory for appraisement problems according to the CMMI® model ................................................................ 117 317

Программные продукты и системы

№ 4, 2013 г.

Zavgorodniy V.N. The choice of decision-making criterions in the organizational and technical systems using information situations............................................................................. 125 Vagin V.N., Zaretskiy D.S. Application of first-order logic in assumption-based truth maintenance systems ............................................................................... 127 Akhmedova Sh.A., Semenkin E.S. Cooperative biologically inspired algorithm for unconstrained optimization ............................................................................................................ 133 Sozykin A.V., Goldshtein M.L., Gribova V.V., Moskalenko Ph.M. “Parallel Matlab” cloud service ....................................................................................................................................... 137 Masloboev A.V. A method for automated synthesis of virtual organizational structures for regional security management problem-solving ............................................................................. 141 Artemov I.Yu. Ha-cluster of data collection system............................................................................ 149 Drozhdin V.V., Zinchenko R.E. Data protection in self-organizing information system without using special facilities ............................................................................................................. 153 Nikolaeva A.V., Ulyanov S.V. Intelligent control of a robot manipulator based on soft computing ................................................................................................................................ 157 Palyukh B.V., Dli M.I., Kakatunova T.V., Baguzova O.V. Intelligent decision support system to manage complex objects using dynamic fuzzy cognitive maps ................................................................................................... 162 Gimarov V.V., Gimarov V.A., Dli M.I., Ivanova I.V. Development of agent behavioral adaptive models for multi-agent system of telecommunication enterprise management.................................................................................... 167 Dmitriev G.A., Margolis B.I., Muzanna M.M. Optimal routing using the network congestion criterion ................................................................................................ 173 Gordeev R.N., Burilin A.V. Application of soft computing for to analyse the knowledge base structure of information system .................................................................................................. 176 Provotorov A.V., Orlov A.A. Software implementation of slabs automatic identification system .............................................................................................. 182 Reshetnikov A.G., Kerimov T.A., Ulyanov S.V., Barkhatova I.A. Soft computing technologies in intelligent control................................................................................ 186 Reshetnikov A.G., Kerimov T.A., Ulyanov S.V. Robust intelligent control based on quantum computing technology........................................................................................... 192 Pavlov D.A. Kalman fuzzy filter in the structure of the algorithm solving inverse problems for economic objects ............................................................................................... 199 Ivanov V.K., Palyukh B.V., Sotnikov A.N. Architecture of intelligent information support system for innovations in science and education ........................................................................................... 203 Semenkin E.S., Semenkina M.E., Popov E.A. Performance investigation of self-configuring genetic algorithm for spacecrafts' control systems effective variant choice ..................................................................... 208 Skripachev V.O. Software system for ionospheric measurements data processing .......................... 213

318

Программные продукты и системы

№ 4, 2013 г.

Skripachev V.O., Polushkovskiy Yu.A., Streltsov A.M. Interactive Data Language application for radiometric systems data processing ........................................................................... 216 Dli M.I., Gimarov V.V., Glushko S.I., Ivanova I.V. Intelligent expert method for determine the optimal route of product transportation.................................................................... 220 Esev A.A., Tkachuk A.V. Technology of technical level automated examination for helicopter night vision goggles ....................................................................................................... 223 Chibisov V.N., Gavrilov V.N. The methodology of constructing a consolidated reporting system.......................................................................................................... 229 Sosnin P.I., Svyatov K.V., Pertsev A.A. Automated organization of personal job descriptions for desing organizations employees .................................................................................................... 237 Kuznetsov V.N., Mutovkina N.Yu., Chudov S.A. Project management when creating software system for electronic workflow....................................................................... 242 Burdo G.B., Semenov N.A., Sorokin A.Yu. Model of the automated quality management system in multiproduct machinery production ............................................................... 248 Fedotov V.P., Spevak L.F., Nefedova O.A. Elastic-plastic deformation processes simulated by the modified boundary element method ......................................................................................... 253 Shestakov A.M. Using the remote access Matlab package to solve details taxonomy problems ............................................................................................................................. 257 Zhiganov N.K., Fomina E.E., Volnov I.N. Cae technology of vertical continuous nonferrous feedstock casting ................................................................................................................................ 260 Fedotova A.V. Managment of aircraft scheduling periodic maintenance processes on the basis of constraints satisfaction problems methods ....................................................................... 263 Kobzev V.V., Sizov Yu.N., Skipidarnikov A.S., Shilov D.K. Simulation exercise with operator errors control ................................................................................................................. 271 Levshchanov V.V., Lavygin D.S. Method of three-dimensional imaging of parameters of fuel elements of VVER-1000 reactors ............................................................................................. 277 Damov M.V., Buryachenko V.V., Pakhirka A.I., Zotin A.G. Preprocessing the video sequence to publicate in digital libraries .............................................................................................................. 281 Batura T.V. Formal methods of text authorship attribution and their usage in software products ............................................................................................................................ 286 Kotelnikov E.V., Klekovkina M.V. Determination of weights of sentiment words based on genetic algorithm in the sentiment analysis .................................................................................... 296 Khusainov A.F., Suleymanov D.Sh. Automatic continuous speech recognition system for the tatar language .......................................................................................................................... 301 Turovskiy Ya.A., Kurgalin S.D., Semenov A.G. The typologization of the locals maximums spectrums in electroencephalograms, derived with wavelet-transformation used............................... 304 Ermakov A.E., Naidеnova K.А. The interpreter of descriptions of expert systems for psychological and physiological diagnostics .................................................................................. 308

319

Программные продукты и системы

№ 4, 2013 г.

Уважаемые читатели, коллеги! Предлагаем вашему вниманию новый электронный рецензируемый международный научно-практический журнал «Программные продукты, системы и алгоритмы». Представляемый журнал призван расширить горизонты науки, открыть работы ученых и специалистов для диалога с широкой общественностью. Это даст возможность оперативно получать информацию о новых теоретических и прикладных исследованиях, консолидировать усилия специалистов и распространять опыт в области разработки и использования программных продуктов, систем и алгоритмов современными средствами через глобальные сети передачи данных. Журнал зарегистрирован как сетевое издание в Федеральной службе по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор), регистрационное свидетельство Эл № ФС77-52371 от 28 декабря 2012 г. Установленный Роскомнадзором порядок позволяет регистрировать журнал в ФГУП НТЦ «Информрегистр» только через год с момента выхода первого номера, поэтому регистрация в «Информрегистре» и получение международного номера ISSN – наша ближайшая перспектива. Кроме того, издательство планирует вывести журнал в международные базы цитирования и в Перечень ведущих рецензируемых научных журналов и изданий, формируемый Высшей аттестационной комиссией (ВАК), в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученых степеней кандидата и доктора наук. Рубрикатор статей: алгоритмы, искусственный интеллект, инновации, многоагентные системы, теория, компьютерная графика и визуализация, компьютерное оборудование и комплектующие, моделирование, научные исследования, прикладные исследования, обработка данных, программно-аппаратные средства, разработка программных приложений, распределенные системы, Интернет, информационные пространства, локальные сети, системы автоматизированного проектирования (САПР), системы управления базами данных (СУБД), экспертные системы, электронное обучение, электронный документооборот, языки моделирования и разметки (UML, XML), языки программирования (Corba, Delphi, Haskell, PHP, С). Наше новое издание позволяет публиковать материалы, демонстрирующие преимущества электронного издания: использование гипертекста, графики, аудио-, видео-, программных средств и других возможностей. Кроме того, публикация в электронном журнале с полным основанием считается вынесенной на обсуждение международного научного сообщества. Планируемая периодичность выпусков – 4 номера в год (с последующим переходом на 6 номеров). Доступ ко всем номерам журнала постоянный, свободный и бесплатный. В редакционный и экспертный советы нового издания вошли отечественные и зарубежные ученые, сотрудничающие с редакцией международного научно-практического журнала «Программные продукты и системы» (www.swsys.ru). Приглашаем к сотрудничеству разработчиков, пользователей, ученых, аспирантов, докторантов, всех заинтересованных специалистов и рекламодателей. Выражаем уверенность в том, что новый сетевой журнал станет современной площадкой для обсуждения научных идей и результатов в области вычислительной техники, программирования и построения систем информационного обеспечения научных, производственных и социальных процессов. Надеемся на поддержку авторов, регулярно публикуемых в международном журнале «Программные продукты и системы». Главный редактор журнала «Программные продукты, системы и алгоритмы» доктор экономических наук, профессор В.П. Куприянов

320