Экспертные системы при моделировании процессов

В течение последнего десятилетия большое количество работ в области имитационного моделирования посвящено объединению технологий моделирования и искусственного интеллекта (точнее, его прикладного направления, связанного с разработкой систем, основанных на знаниях). Результатом такого объединения являются системы имитационного моделирования, основанные на знаниях. Эти системы заключают в себе знания, необходимые для квалифицированного проведения исследований по имитационному моделированию объектов соответствующих классов. Тем самым значительно расширяются границы применимости методов имитационного моделирования: от пользователей подобных систем уже не требуется специальных знаний в области программирования и имитационного моделирования.

Интеллектуальные функции в этих системах реализуются, как правило, с помощью технологии экспертных систем. Это приводит к появлению экспертных систем имитационного моделирования (ЭСИМ). Основные результаты указанного обзора состоят в следующем [16, c. 85]:

1. ЭС и системы имитационного моделирования (СИМ) имеют ряд сходных методологических свойств, что дает принципиальную возможность их совместного использования; а некоторые отличия, при сущие этим системам делают их объединение желательным.

2. Экспертные системы дают возможность решать задачи имитационного моделирования с помощью новой технологии: инженерии знаний. Однако и эта технология имеет определенные ограничения, которые должны учитываться при анализе возможности и целесообразности со здания конкретных ЭСИМ.

3. Технология ЭСИМ позволяет автоматизировать процесс имитационного моделирования.

4. Существует множество подходов к объединению ЭС и СИМ. В частности, различают их следующие комбинации [9, c. 74]:

- гибридные системы, в которых ЭС используется как интеллектуальный интерфейс между пользователем и уже существующим программным обеспечением имитационного моделирования;

- советующие системы, в которых ЭС выполняет функции консультанта;

- новые системы, в которых технология ЭС изменяет сам принцип построения СИМ;

5. Основными принципами (парадигмами) построения ЭСИМ являются [9, c. 76]:

- объектно-ориентированное программирование;

- программирование, основанное на правилах;

- логическое программирование;

- комбинирование различных принципов программирования.

Существуют всевозможные средства построения ЭСИМ, основанные на указанных принципах.

6. Известно большое количество реализаций ЭСИМ.

 Большинство из существующих проблемно-ориентированных ЭСИМ разработано для моделирования производственных систем.

Разрабатывая экспертную систему имитационного моделирования производственных процессов (ЭСМП), авторы взяли за основу следующие принципы.

1. Программное обеспечение имитационно го моделирования и интерфейс должны быть удобным для пользователя, не имеющего предварительной специальной подготовки в этой области. Поэтому при создании интерфейса следует исходить из концепций, используемых инженерами в их повседневной работе.

2. Принятие всех решений в области имитационного моделирования (например, при создании модели, при планировании имитационных экспериментов, при анализе их результатов) должно быть максимально автоматизировано. В то же время пользователь должен иметь возможность отслеживать принимаемые системой решения и, если посчитает нужным, корректировать их.

3. Средства имитационного моделирования должны быть интеллектуальными. Они должны допускать, с одной стороны, максимально возможное включение требуемых знаний и опыта в программное обеспечение моделирования, с другой стороны, использование методов обработки знаний для манипуляций с ними.

4. Для снижения общего объема вычислений желательно организовать процесс моделирования в два этапа. При этом вначале с помощью аналитических методов проводится предварительный, упрощенный анализ, а затем его результаты уточняются с помощью собственно имитационного моделирования.

5. Полезно иметь непосредственную связь моделирующей системы с объектом моделирования, например для сбора исходной информации.

6. Желательно иметь возможность наглядного графического обеспечения имитационной системы (например анимации, т.е. "оживления", имитационных экспериментов).

На рис. 2 представлена структура описываемой ЭСИМ производственных процессов [4, c. 58].

 

Рис. 1 Структура ЭСИМ

В ЭСМП используются методы аналитического и имитационного моделирования, интервальный анализ и методы теории оптимизации. Она позволяет проводить [11, c. 73]:

- аналитический экспресс-анализ процесса с целью исследования возможности выполнения производственной программы и для оценивания необходимого количества технологических и транспортных единиц (оценки могут быть получены также в виде интервалов значений, уточняемых в дальнейшем с помощью имитационного моделирования);

- имитационное моделирование процесса, которое в зависимости от сформулированной пользователем цели исследования дает возможность анализировать процесс (оценивать производительность, коэффициенты использования оборудования и т.д.); сравнивать различные варианты организации процесса; оптимизировать процесс.

Сочетание различных подходов к архитектуре ЭСИМ:

- использование экспертной системы в качестве интеллектуального посредника ("an Intelli gent Front End"), осуществляющего интерфейс пользователя с системой моделирования и генерирующего моделирующую программу;

- использование экспертной системы в качестве советчика, дающего пользователю рекомендации по осуществлению различных этапов имитационной процедуры (например, при стратегическом планировании имитационных экспериментов).

Использование алгоритмического языка имитационного моделирования SIMAN.

Этот язык широко используется в современных работах по имитационному моделированию производственных систем. Его структура удобна для совместного использования с экспертными системами.

В процессе аналитического моделирования производственный процесс рассматривается в статике. При этом выполняется его быстрый, приближенный анализ. Тем самым упрощается решение задач, подлежащих рассмотрению на этапе имитационного моделирования: отсеиваются явно неэффективные варианты организации производственного процесса, строятся интервалы возможных значений его оптимизируемых параметров и т.д.

Аналитическая часть реализована с помощью алгоритмического языка С. Она содержит аналитические выражения, описывающие взаимосвязи между основными компонентами и характеристиками производственных процессов.

Исходными данными для аналитического моделирования служат данные об осуществляемой производственным процессом технологии (например технологические маршруты обрабатываемых деталей, длительности обработки), а также данные о технологическом оборудовании, транспортной и инструментальной подсистемах.

Выходными данными аналитического моделирования являются: коэффиценты использования и длительности простоя технологических и транспортных устройств, требуемое количество паллет и инструмента, требуемые емкости инструментальных барабанов.

В случае, если конечной целью моделирования является анализ производственного процесса, эти данные дают информацию о возможностях выполнения производственной программы и об использовании оборудования.

Если же конечной целью моделирования является синтез производственного процесса, то необходимо определить условия, обеспечивающие достижение его требуемых характеристик. В этом случае вычисления организуются итеративно: на каждой итерации изменяется число единиц оборудования, анализируются результаты аналитического моделирования и принимается решение о следующем шаге итерационной процедуры.

Экспертная часть ЭСМЛ организует диалог системы с пользователем, "ведет" его по этапам процедуры моделирования, помогает выбрать и реализует наилучшие методы решения возникающих в процессе моделирования подзадач. Например, на этапе имитационного моделирования экспертная часть выполняет следующие функции [8, c. 62]:

- запрашивает пользователя о цели моделирования;

- помогает пользователю аппроксимировать закон распределения экспериментально наблюдаемых входных величин (при этом можно использовать десять наиболее распространенных распределений: экспоненциальное, Эрланга, равномерное, треугольное, нормальное, логнормальное, гамма, бета, Пуассона, Вейбулла);

- генерирует текст моделирующей программы на языке SIMAN;

- организует стратегическое планирование имитационных экспериментов;

- организует тактическое планирование имитационных экспериментов;

- выполняет прогоны моделирующей программы;

- обрабатывает выходные данные;

- помогает пользователю анализировать результаты моделирования;

- корректирует тактический и/или стратегический план имитационных экспериментов и т.д.

В то же время пользователь имеет возможность самостоятельно выполнять ряд операций, Например, автоматическая генерация программы моделирования предусмотрена для производственных процессов, принадлежащих определенному классу. Если же исследуемый процесс не принадлежит этому классу, пользователь должен самостоятельно подготовить моделирующую программу. При этом экспертная часть будет консультировать его по вопросам программирования на языке SIMAN.

Фактически экспертная часть выполняет следующие интеллектуальные функции [1, c. 66]:

- действует в качестве интеллектуального интерфейса между пользователем и соответствующими программными средствами (например генерирует и прогоняет моделирующую программу);

- действует в качестве советчика при принятии пользователем решений в процессе моделирования (например, при статистическом анализе входных и выходных данных).

Экспертная часть реализована на основе оболочки экспертных систем EXSYS. Ее база знаний содержит знания о процедуре имитационного моделирования производственных процессов (рис. 3) и о программировании на " языке SIMAN. Благодаря этому ЭСМП может использоваться неспециалистами в области имитационного моделирования и программирования [10, c. 65].

 

Рис. 3. Схема имитационного моделирования

 

Остановимся на использовании процессо-ориентированной стратегии, широко применяемой при моделировании производственных систем. В этом случае имитационная модель состоит из двух частей: модельной (описания собственно модели объекта исследования) и экспериментной (описания условий экспериментирования).

Модельная часть определяет статические и динамические характеристики имитационной модели. Экспериментная часть определяет условия и характер проведения имитационных экспериментов. Для одной и той же модельной части может использоваться множество различных вариантов экспериментной части, производящих соответствующее множество наборов выходных данных. Такое разделение модели и условий экспериментирования с ней дает возможность простой организации имитационных экспериментов для одной и той же модели. Кроме того, оно весьма удобно с позиции создания пакетов имитационного моделирования с автоматизацией функций построения модели и организации имитационного эксперимента.

Отлаживание имитационной модели на языке SIMAN может осуществляться с помощью отладочного средства Interactive Debugger, позволяющего вносить изменения в модель в процессе ее прогона.

При использовании процессо-ориентированного подхода к моделированию дискретных систем модель на языке SIMAN строится в виде блок-диаграмы, представляющей собой граф, который описывает прохождение динамических элементов, аналогичных транзактам в языке GPSS, через моделирующую систему [5, c. 79].

Блок-диаграмма строится как последовательность блоков, выполняющих различные операции над проходящими через них динамическими элементами.

Кроме традиционных блоков, аналогичных используемым в языках GPSS и SLAM, язык SIMAN имеет специальные средства для моделирования дискретных производственных систем (в частности, гибких производственных систем). При этом используются блоки, позволяющие моделировать характерные для дискретных производств процессы [8, c. 71]:

- работу отдельных обрабатывающих центров;

- работу эквивалентных обрабатывающих цент ров;

- движение обрабатываемых деталей по технологическим маршрутам;

- отказы и восстановление работоспособности обрабатывающих центров;

- транспортные процессы (как дискретного типа, так и конвейерного типа).

Для обработки результатов моделирования и связи с внешними программными системами в языке SIMAN используется специальное программное средство Output Processor. Это средство позволяет выполнить следующие манипуляции над выходными (т.е. получающимися в результате моделирования) и входными (т.е. получаемыми от внешних программных систем) файлами данных [13, c. 50]:

- построить график наблюдений;

- построить гистограмму наблюдений;

- построить таблицу наблюдений;

- построить корреляционную функцию наблюдений;

- отфильтровать наблюдения (отсечь переходный период, разбить оставшиеся наблюдения на временные серии заданной длины и рассчитать для каждой серии среднее значение наблюдений);

- построить доверительный интервал для математического ожидания наблюдений;

- сравнить средние значения из двух файлов наблюдений (построить доверительный интервал для их разности);

- сравнить средние значения из нескольких файлов наблюдений (по методам Тьюки, Шеффе, Бонферрони);

- построить доверительный интервал для дисперсии наблюдений;

- сравнить дисперсии двух файлов наблюдений (построить доверительный интервал для их отношения);

- сгладить наблюдения (рассчитать их накопленное или скользящее среднее значение) и выполнить экспоненциально сглаженный прогноз;

- подготовить файлы для обработки внешними программными средствами в различных форматах (DIF, ASCII, TEKTRONIX EZPLOT);

- подготовить для обработки средствами языка SIMAN файлы, полученные от внешних программных средств в формате ASCII.

Таким образом, при статистическом анализе результатов моделирования можно либо воспользоваться стандартными средствами языка SIMAN, либо обработать результаты моделирования по произвольной методике внешними программными средствами.

Для повышения наглядности процесса имитационного моделирования, для облегчения анализа возможностей возникновения в моделируемой системе "узких мест" при моделировании на языке SIMAN можно воспользоваться анимацией ("оживлением") имитационного эксперимента с помощью пакета CINEMA. При этом на экране дисплея в выбранном временном и пространственном масштабе графически воспроизводится ход имитационного эксперимента.

В настоящее время реализован исследовательский вариант описанной ЭСМП. Он включает в себя аналитическую часть и выполняет ряд функций экспертной части.

 

 

Заключение

Итак, С 70-х годов ЭС стали ведущим направлением в области искусственного интеллекта. При их разработке нашли применение методы ИИ, разработанные ранее: методы представления знаний, логического вывода, эвристического поиска, распознавания предложений на естественном языке и др. Можно утверждать, что именно ЭС позволили получить очень большой коммерческий эффект от применяя таких мощных методов. В этом - их особая роль.

Для разработки ЭС необходимо участие в ней особого рода специалистов, обладающих указанной совокупностью знаний и выполняющих функции “посредников” между экспертами в предметной области и компьютерными (экспертными) системами. Они получили название инженеры знаний (в оригинале - knowledge engineers), а сам процесс разработки ЭС и других интеллектуальных программ, основанных на представлении и обработке знаний - инженерией знаний (knowledge engineering). В развитых зарубежных странах специальность “инженер знаний” введена во многих вузах, в нашей стране основы инженерии знаний изучаются пока в рамках специализаций по системному программированию. Функции эксперта и инженера знаний редко совмещаются в одном лице. Чаще функции инженера знаний выполняет разработчик ЭС. Как показал опыт многих разработок, для первоначального приобретения знаний, в которых участвуют эксперты, инженеры знаний и разработчики ЭС, требуется активная работа всех трех категорий специалистов. Она может длиться от нескольких недель до нескольких месяцев.

Объединение всех видов программных продуктов и их отдельных компонентов в единую ЭС признано экономически выгодным, так как прменение ЭС позволяет существенно сократить расходы на подготовку квалифицированного персонала, дальнейшую проверку работоспособности и надежности разрабатываемых и исследовательских систем, а также уменьшить время проектирования и(или) исследования.

Объектная технология, на основе которой могут создаваться и развиваться современные ЭС - значительный шаг вперед по сравнению с CASE- средствами, так как она похожа на наше восприятие окружающей действительности. Наше представление о моделировании меняется, то же самое происходит и с объектами, поэтому сопровождение программируемых объектов может выполняться аналогично приспособлению наших умозрительных образов к изменению окружающих условий. Данная технология прекрасно подходит аналитикам и программистам, так как очень напоминает стратегию решения проблем и соответствует мыслительным процессам людей, считающихся экспертами в своей области.

 

 

Список литературы

1. Базы знаний интеллектуальных систем / Т.А. Гаврилова, В.Ф. Хорошевский. - СПб: Питер, 2000. – 245 с.

2. Белов П. Г. Моделирование процессов в техносфере / П. Г. Белов. – М.: Москва: Издательство Академии гражданской защиты МЧС РФ, 2006. - 124 с.

3. Варламов О. О. Системный анализ и синтез моделей данных и методы обработки информации в самоорганизующихся комплексах оперативной диагностики / О. О. Варламов. – М.: 2003. – 128 с. 

4. Гаскаров Д. Б. Интеллектуальные информационные системы / Д. Б. Гаскаров. – М.: Высшая школа, 2003. – 267 с.

5. Джексон П. Введение в экспертные системы. - М.: Изд. дом "Вильямс", 2006. – 238 с.

6. Искусственный интеллект - основа новой информационной технологии / Поспелов Г.С. - М.: Наука, 2005. – 244 с.

7. Корнилов Г. И. Основы теории систем и системного анализа / Г. И. Корнилов. – М.: Высшая школа, 2005. – 263 с.

8. Люгер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Джордж Ф. Люгер. - М.: Издательский дом "Вильямс", 2003. – 189 с.

9. Нейлор К. Как построить свою экспертную систему / К. Нейлор. - М.: Энергоатомиздат, 2004. – 238 с.

10. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ / Э.В. Попов. - М.: Наука. Гл. ред. физ.-мат. лит., 2006. – 253 с.

11. Сафонов В. О. Экспертные системы - интеллектуальные помощники специалистов / В. О. Сафонов. - СПб: Санкт-Петербургская организация общества “Знания”, 2005. – 257 с.

12. Симоненко О.Д. Техносфера: взгляд извне / О.Д. Симоненко. – М.: Изд. “Техносфера” 2004. - 168 с.

13. Статические и динамические экспертные системы / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. - М.: Финансы и статистика, 2004. – 234 с.

14. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ / К. Таунсенд, Д. Фохт. - М.: Финансы и статистика, 2005. – М.: Наука, 2005. – 238 с.

15. Убейко В. Н. Экспертные системы / В. Н. Убейко. - М.: МАИ, 2005. – 248 с.

16. Уотермен Д. Руководство по экспертным системам / Д. Уотермен. - М.: Мир, 2006. – 273 с.

17. Элти Д., Кумбс М. Экспертные системы: концепции и примеры / Д. Элти, М. Кумбс. - М.: Финансы и статистика, 2006. – 236 с.