кафедра «Шахматного искусства и компьютерной математики», Института цифровых технологий управления и информационной безопасности, ФГБОУ ВО «Уральский государственный экономический университет» (заместитель заведующего кафедрой к. э. н., доцент, Стариков Евгений Николаевич)

канд. техн. наук, доц. И. А. Спицина (начальник программно-технологического отдела ООО «ТЭКСИ-Консалтинг»)

Научный редактор — д-р техн. наук, проф. Л. Г. Доросинский

ISBN

В пособии уделено внимание разработке и применению интеллектуальных и мультиагентных систем, затрагиваются особенности гибридных методов и моделей и программных средств. Рассматриваются методы имитационного, ситуационного и экспертного моделирования, агентного подхода для решения прикладных задач. Предназначено для студентов направлений: 09.03.01 Информатика и вычислительная техника, 09.03.03 Прикладная информатика, 09.03.04 Программная инженерия, 09.04.01 Информатика и вычислительная техника (ОП «Информационно-управляющие системы»), 09.04.03 Прикладная информатика (ОП «Разработка программно-информационных систем»).

Библиогр.: 34 назв. Табл. 9. Рис. 116.

(с) К. А. Аксенов, О. П. Аксенова

Список основных сокращений

UML — Unified Modeling Language, унифицированный язык моделирования

АЗС — автозаправочная станция

АС ВМП — автоматизированная система выпуска металлургической продукции

АСУТП — автоматизированная система управления технологическим процессом

БЗ — база знаний

ВОС — вопросно-ответная система

ИА — интеллектуального агента

ИИ — искусственный интеллект

ИМ — имитационное моделирование

ИНС — интеллектуальная система

ИС — информационная система

КЗ — конструктор запросов

КИС — корпоративная информационная система

ККЦ — кислородно-конвертерный цех

КМПО — концептуальная модель предметной области

КП — конвертерное производство

МАС — мультиагентная система

МЛВ — машина логического вывода

МППР — мультиагентные процессы преобразования ресурсов

МНЛЗ — машина непрерывного литья заготовок

НБ — нефтебаза

ОДАСП — обмен данными с автоматизированными системами предприятия

ОПП — модуль оптимизации процессов предприятия

ОТС — организационно-технические системы

ПВ-сеть — сеть потребностей и возможностей

ПД — подготовка данных

ППР — процесс принятия решений

ПрО — предметная область

РП — рабочая память

СА — системный анализ

СДМС — система динамического моделирования ситуаций

СМП — модуль создания моделей предприятия

СППР — система поддержки принятия решений

ТЭП — технико-экономическое проектирование

ЭС — экспертная система

УДМ — установка доводки металла

ХД — хранилище данных

ПРЕДИСЛОВИЕ

В данном учебном пособии рассматриваются вопросы разработки интеллектуальных, агентно-ориентированных систем и систем поддержки принятия решений (СППР), средств имитационного моделирования и информационно-управляющих систем.

Идея учебного пособия заключается в интеграции и конвергенции методов и инструментальных средств неокибернетики для решения практических задач.

Пособие состоит из введения, восьми глав, заключения, списка литературы.

С первой по пятую (включительно) главы приведен обзор методов моделирования, рассмотрены системы, близкие по функциональности к интеллектуальным и мультиагентным системам (ИНС, ИМС) и СППР, приведено описание данных систем, а также описаны принципы работы с ними.

В пятой — восьмой главах приводятся лабораторные работы в вопросно-ответной системе ТВИН, веб-сервисе имитационного моделирования бизнес-процессов BPsimulator, системе имитационного моделирования Alina GPSS.

Рекомендации по использованию учебно-методического пособия: 1) изучаем теорию (материал одной из глав), 2) перепроверяем усвоение знаний с помощью контрольных вопросов и практических и\или лабораторных заданий.

Авторы благодарны Е. Ф. Смолий за оказанную неоценимую помощь при разработке и отладке СППР семейства BPsim. За предоставленную экспериментальную базу благодарим компании АО «Ай-Теко», ООО «Уралинновация», ООО «Дата-Центр Автоматики», ООО «НПП «Системы автоматизации поддержки бизнеса».

Авторы также благодарят всех студентов УрФУ, принявших участие в отладке, проведении расчетов и оформлении результатов имитационного и мультиагентного моделирования.

Публикация осуществляется в рамках проекта «Редизайн дисциплины „Интеллектуальные и мультиагентные системы“», реализуемого победителем грантового конкурса для преподавателей 2024/2025 Стипендиальной программы Владимира Потанина.

Глава 1. Интеллектуальные и мультиагентных системы, основанные на знаниях

Искусственный интеллект (ИИ) и интеллектуальные системы (ИНС) исходно развивались в двух направлениях: нейро-кибернетики и кибернетики черного ящика. В настоящее время наблюдается интеграция этих двух направлений.

Концептуальное моделирование [1—2] предметной области ПрО является важным этапом проектирования баз знаний (БЗ) ИНС [3—4] и мультиагентных систем (ИМС) и закладывает основу программно-технической реализации [5—6]. Наиболее часто используются в ИНС, ИМС и СППР следующие модели представления знаний [1—2, 5]:

— формальные логические модели;

— семантические сети (пример семантической сети представлен на рисунке 1);

— продукционные системы;

— фреймы.

Рис. 1. Пример семантической сети

В ИНС и ИМС часто используется на практике гибридные модели, в ряде таких систем для решения задач обработки информации и принятия решений используется аппарат и компоненты экспертных систем (ЭС). Также элементы ЭС могут быть эффективно использованы для учета эвристик ПрО и уменьшения пространства поиска при анализе альтернатив.

Практическое задание 1:

Для своей предметной области приведите пример семантической сети (содержащий не менее 10 вершин). Приведите пример функционального отношения (вычислительной модели в виде формулы, сценария или псевдокода).

1.1. Продукционная модель представления знаний

Продукционная модель представления знаний состоит из следующих основных элементов: 1) фактов, находящихся в рабочей памяти (факты являются исходными данными, решаемой задачи); 2) набора правил предметной области (правила оперируют параметрами предметной области и фактами); 3) машиной логического вывода (МЛВ), представляющей из себя алгоритм оперирования правилами при обработке фактов (вывод по базе знаний может выполняться как в прямом направлении (прямой вывод, от данных к цели), так и в обратном (обратный вывод, от цели к данным)). Продукционная модель является важной основой для систем ИИ, экспертных систем, ИМС, АСУ ТП, поисковых систем и других интеллектуальных систем, применяемых в различных предметных областях.

Правила в продукционной модели представления знаний описываются в виде предложений вида:

Если (набор_входных_условий), То (набор_выходных_действий или новых_фактов}),

где набор_входных_условий = {условие 1, …, условие N, {r}}, состоящий из набора условий и отношений между условиями,

набор_выходных_действий — действия, которые будут выполнены МЛВ в случае выполнения условия Если и попадания правила в список на выполнение. набор_выходных_действий может представлять собой новые_факты, которые поступают в рабочую память (РП).

Данная модель играла важную роль в ранних ЭС, таких как MYCIN и XCON. После 1990-х годов, с развитием семантического веб и онтологии, базы знаний постепенно эволюционировали в более сложные структуры, такие как RDF и OWL.

При работе продукционной ЭС МЛВ выполняет следующие действия:

а) выявление совокупности активных правил — продукций, условия для применения, которых выполнены (правил, которые могут действовать);

б) разрешение конфликтов между правилами (с учетом приоритетов, эффективности, эвристик) и выбор правил для применения (правил, которые должны действовать);

в) применение выбранного правила, то есть выполнение действий, предписываемых правой частью продукции (исполнение действия).

Конфликт — это ситуация, когда на поданные входные условия, могут быть выполнены несколько правил (любых).

Пример фрагмента продукционной БЗ, исходных фактов и конфликтных правил для предметной области болезни томатов, представлен ниже:

Предметная область — болезни томатов.

П1. Если «болезнь-вирус», то «лечение-нет».

П2. Если «болезнь-грибок», то «лечение-фунгициды».

П3. Если «болезнь-вирус», то «причина-заражение».

П4. Если «листья-коричневые пятна» и «листья-засыхают», то «мозаика».

П5. Если «листья-цвет светло-зелёный» и «листья-курчавые», то «хлоратическая курчавость».

П6. Если «листья-коричневые пятна», то «альтернариоз».

П7. Если «плоды-пятна» и «листья-коричневые пятна», то «фитофтороз».

П8. Если «листья-белые пятна», то «септориоз».

П9. Если «мозаика» или «хлоратическая курчавость», то «болезнь-вирус».

П10. Если «альтернариоз» или «фитофтороз» или «септориоз», то «болезнь-грибок».

Исходные факты «листья-коричневые пятна», «листья засыхают», «плоды-пятна». Конфликтные правила — П6, П7, П4 (выделены цветом).

Рассмотрим ряд определений, необходимых для разбора алгоритма МЛВ продукционной экспертной системы:

Шаг — просмотр или выполнение правила.

Проход — просмотр или обработка всего набора правил БЗ.

Особенность реализации алгоритма МЛВ: МЛВ может выдать некое решение только после того, как закончит проход по всем правилам БЗ (после того как проверит все правила на их соответствие входным условиям, находящимся в РП).

На рисунке 2 показан пример работы алгоритма при прямом выводе (основные этапы) при обработке базы знаний, состоящих из 9 правил.

Рис. 2. Прямой вывод по БЗ

На первом этапе было выявлено 4 правила, соответствующие условиям РП (выделены правила 2—3, 6 и 8), после этапа разрешения конфликтов были выбраны правила 3 и 8 для выполнения.

Если в ходе выполнения правил 3 и 8 в рабочую память поступят новые условия, то алгоритм МЛВ должен выполнить еще один проход по базе знаний. Алгоритм останавливает работу в двух случаях: 1) в случае достижения цели; 2) если на текущем проходе в рабочую память не поступили новые факты.

При обратном выводе поиск происходит по части «ТО», рис. 3. В обратном выводе поиск начиная с искомой цели (выявления правил, в части «То», которых находится цель), необходимо найти исходные данные и выявить правила, которые необходимы для реализации цели.

Рис. 3. Обратный вывод

Этап разрешения конфликтов является составляющим прямого и обратного вывода, также его программная реализация влияете на скорость работы продукционной системы. Когда на этапе поиска по базе знаний было диагностировано несколько правил, механизм разрешения конфликтов реализует выбор из данного подмножества правил для выполнения (уменьшает количество правил для применения). Стадия разрешения конфликтов активно используется в задачах управления в реальном масштабе времени (применяется в ЭС и АСУ ТП управления в реальном масштабе времени). Примерами таких систем являются ЭС G2 и автоматизированная система выпуска металлургической продукции.

Практическое задание 2:

Для своей предметной области составьте набор продукционных

правил (не менее 10 правил), перечень исходных фактов и цепочку прямого вывода, состоящего из не менее 11 шагов и не менее двух проходов.

Форма представления ответа:

Набор продукционных правил вида «Если (…), то (…)» и исходные факты. За один проход машина логического вывода может перебрать один раз все правила базы знаний.

Практическое задание 3:

Для своей предметной области составьте набор продукционных правил (не менее 10 правил), перечень исходных фактов и цепочку обратного вывода, состоящего из не менее 11 шагов и не менее двух проходов.

Форма представления ответа:

1.2. Фреймовая модель представления знаний, реализация в BPsim. DSS

Minsky в своей работе [4] определил фрейм как «структуру данных для представления стереотипных (стандартных) ситуаций». Фрейм состоит из слотов, которые представляют собой различные характеристики объекта (атрибуты), и наполнителей (значения этих атрибутов), и процедур, выполняющихся при изменении данных фрейма [4—5].

Применение диаграмм последовательности для организации вывода на сети фреймов (диаграммы поиска решений)

При проведении системного анализа ПрО в качестве основы описания структуры фреймов в BPsim. DSS [5—6] использована диаграмма классов языка UML. Описание классов и наполнение данными (экземплярами) образует БЗ. Для реализации визуального построителя механизма вывода в BPsim. DSS используется диаграмма поиска решений, построенная на основе диаграммы последовательности языка UML [5—6].

Пример диаграммы последовательности для задачи развертывания сети связи в регионе (расчет количество абонентов, количества базовых станций (BS) и приемо-передатчиков (TRx)) представлен на рис. 4.

Рис. 4. Диаграмма «Поиск решения» фрагмента задачи развертывания сети связи в регионе

1.3. Поиск решения (вывод на фреймах) в BPsim. DSS

Техническая реализация этапа проектирования КМПО и наполнения БЗ в BPsim. DSS показана на рис. 5.

Рис. 5. Проектирование фреймовой БЗ и наполнение в BPsim. DSS

Техническая реализация принципов организации вывода на сети фреймов в BPsim. DSS показана на рис. 6.

Рис. 6. Организация вывода на сети фреймов в BPsim. DSS

В скриптах символ # (имя таблицы) говорит о том, что Вы работайте с временной таблицей, размещенной в оперативной памяти (рис. 7). Временная таблица создается при запуске «Поиска решения» на основе таблицы диаграммы классов.

Рис. 7. Особенности скриптов

В скриптах символ!= Определяет НЕравенство значений. Используется для определения отличных значений от данного параметра. Так (см. рис. 6) скрипт удаляет из временной таблицы #flat все строки значения поля kolvo_komnat у которых НЕРАВНО (ОТЛИЧАТСЯ) от значения которое укажет Пользователь в окне диалога (в параметре p_kolvo_komnat).

Связка параметра p_kolvo_komnat диалоговой формы с вопросом или текстом сообщения («введите количество комнат»), типом значения («Целое») и значением по умолчанию (3) задаются на вкладке «Параметры SQL-запроса» у класса «Квартира» показана на рисунке 8.

Рис. 8. Связи между параметрами метода класса и формой диалога

Основные этапы поиска:

— Поиск в модели «Выбор квартиры» [6] строится по принципу Просеивания (отсева или отсечения лишнего).

— На каждом шаге поиска количество записей во временной таблице #flat может уменьшаться (рис.9 — показывает исходное состояние таблицы).

Рис. 9. Исходное состояние

Шаг 1:

— Задали параметр «Количество комнат» = 3 (рис. 10).

Рис. 10. Задали параметр «Количество комнат»

— Проверили состав таблицы — осталось 2 строки (рис. 11).

Рис. 11. Рисунок Б — Шаг 1 Задали параметр «Количество комнат» = 3

Шаг 2:

— Задали параметр «В черте города» = Истина (True/1) рисунок 12.

Рис. 12. Задали параметр «В черте города»

— Проверили состав таблицы — осталась 1 строка (рис. 13).

Рис. 13. Шаг 2 Задали параметр «В черте города» = 1 (Истина \ True)

Практическое задание 4:

Для вашей предметной области спроектируйте:

— структуру фреймовой сети в виде ДИАГРАММЫ КЛАССОВ. На диаграмме классов должно присутствовать не менее 5 фреймов (классов), не менее 6 присоединенных процедур (методов\демонов)).

— Приведите примеры наполнения экземплярами 3-х основных классов (минимум по 3 экземпляра на класс).

— ДИАГРАММУ ПОИСКА РЕШЕНИЙ (на диаграмме поиска решения должно присутствовать не менее 5 фреймов (классов), не менее 9 присоединенных процедур (методов)).

— ДЕРЕВО ПОИСКА РЕШЕНИЙ (содержащую не менее 5 фреймов (классов), не менее 3-х альтернатив для каждого фрейма (класса), 3-х цепочек вариантов решений). Для выбранных цепочек решений необходимо дать пояснения, по каким критериям данные решения эффективны или оптимальны.

Форма представления ответа:

На диаграмме классов у каждого класса должно быть имя, свойства и имена методов класса должны быть поименованы.

Диаграмма поиска решений представляется в графическом виде. Метод именуется согласно его смысловому или функциональному значению (глагол или отглагольное существительное).

Дерево поиска решений представляется в графическом виде. Альтернативные цепочки решений должны быть выделены (цветом, пунктиром или толщиной линии) и по ним должны быть даны пояснения о качестве решения.

Вопросы для самоконтроля

1. Какие основные два направления развития искусственного интеллекта?

2. Перечислите основные модели представления знаний?

3. Чем отличается шаг от прохода в продукционной системе?

4. Как зависит проход от количества правил базы знаний?

5. Чем определяется качество экспертной системы?

6. Какие методы и подходы искусственного интеллекта относятся к кибернетике «черного ящика»?

7. Какие методы и подходы искусственного интеллекта относятся к нейрокибернетике?

8. Перечислите какие основные этапы работы МЛВ в продукционной системе?

9. Из чего состоит фрейм?

10. Какую диаграмму можно использовать в качестве основы для описания концептуальной модели предметной области?

11. Какие условия остановки алгоритма прямого вывода продукционной ЭС?

12. Какие условия остановки алгоритма обратного вывода продукционной ЭС?

13. Что из себя представляет семантическая сеть?

14. Какую диаграмму можно использовать для визуализации вывода на сети фреймов?

15. Как можно визуализировать поиск на сети фреймов?

16. В каком виде формализуются знания в продукционной системе?

17. В каком виде формализуются знания в фреймах?

18. Что называется шагом в продукционной ЭС?

19. Что называется проходом в продукционной ЭС?

20. Как изображаются на диаграмме поиска решения присоединенные процедуры?

21. Как изображаются фреймы на диаграмме поиска решений?

22. Как изображаются фреймы на дереве поиска решений?

23. Что стоит за методом диаграммы поиска решений в BPsim. DSS?

Глава 2. Методы моделирования (имитационное, ситуационное, агентное)

2.1. Имитационное, ситуационное моделирование и мультиагентный подход

Имитационное моделирование

Имитационное моделирование (ИМ) насчитывает в настоящее время четыре основных направления [6]: моделирование динамических систем [7—8], дискретно-событийное моделирование, системная динамика [9] и агентное моделирование [5, 7]. В рамках данного учебного пособия и дисциплины ИМС рассматривается работа в следующих системах ИМ: 1) AnyLogic, 2) BPsim.MAS, 3) Alina GPSS, 4) BPsimulator, 4) АС ВМП.

Ситуационное управление

Метод ситуационного управления [5, 10—11] используется для разработки моделей принятия решений, которые могут учитывать сведения об определенных ситуациях, динамике процессов, эвристиках управления, завязанных на человеческий фактор.

За основу систем ситуационного управления и моделирования берутся 2 класса систем: 1) имитационного моделирования (для учета динамики процессов); 2) динамических экспертных систем. Примером такой системы является динамическая ЭС G2, для разработки модели процесса в комплекте G2 содержится модуль ReThink, представляющий среду имитационного моделирования. Для формализации знаний (эвристик) и алгоритмов управления можно использовать как конструкции в виде блоков, так и правила (скрипты) поведения объектов на встроенном языке G2 близком по синтаксису к естественному английскому. На рисунке 14 показан фрагмент модели в ReThink, сочетающий блочные конструкции и скрипты, которые содержат фрагменты правил «если, то» (if …, then …).

Рис. 14. Фрагмент модели процесса в ReThink G2

Мультиагентный подход

Для решения задачи построения моделей лиц, принимающих решения (ЛПР) на разных уровнях сложной системы или элементов СППР \ системы управления, целесообразно использовать теорию мультиагентных систем [5, 11].

Понятие агент соответствует аппаратно или программно реализованной сущности, которая способна действовать в интересах достижения целей, поставленных перед ней владельцем и/или пользователем, и которая обладает определенными интеллектуальными способностями [1, 12]. Типичным примером программного агента является компьютерный вирус, который может перемещаться по сетям и решать задачи по заражению вычислительных устройств.

Агенты могут обладать следующими основные свойства, характерными ОТС [1, 12]: 1) автономность; 2) активность; 3) общительность; 4) реактивность; 5) целенаправленность; 6) наличие базовых знаний о себе, о других агентах и об окружающей среде; 7) мобильность. Для социальных систем выделяют также следующие свойства: 1) убеждения; 2) желания; 3) намерения; 4) обязательства.

Агенто-ориентированный подход применяется в различных ИНС, СППР, системах имитационного моделирования: 1) так в системе ИМ (СИМ) AnyLogic для описания поведения агентов используются диаграммы состояний; 2) СИМ BPsim.MAS (модель агента может быть описана продукционной моделью представления знаний или диаграммой взаимодействий); 3) в вопросно-ответной системе «Твин» с помощью агента может быть описан элемент вопросно-ответной системы (в виде агента анализа текста или чат-бота); 4) в СППР BPsim. DSS для описания знаний агентов используется объектно-фреймовый подход; 5) в автоматизированной системе выпуска металлургической продукции для описания агентов используются правила вида «Если, тогда».

Для описания сценария взаимодействия агентов может быть использована сцена коммуникации, построенная на базе диаграммы последовательности языка UML. На рисунке 15 показана сцена коммуникации для процесса приобретения автомобиля в автосалоне, выделены 5 участников процесса (агентов).

Рис. 15. Сцена коммуникации «Покупка автомобиля в салоне»

2.2. Модель мультиагентных процессов преобразования ресурсов (МППР)

МППР реализована в результате интеграции ИМ, экспертного и ситуационного моделирования к области процессов преобразования ресурсов [13—16]. Основные объекты модели МППР представлены на рис. 16.

Рис. 16. Объекты модели МППР [5, 11]

Агенты управляют объектами процесса преобразования ресурса (рис. 17) [5, 11].

Рис. 17. Диаграмма прецедентов, определяющая отношения между агентом и элементом процесса преобразования ресурсов [5, 11]

Модель МППР реализована в комплексе BPsim и автоматизированной системе выпуска металлургической продукции. На рисунке 18 показан пример описания фрагмента базы правил агента «начальник отдела продаж».

Рис. 18. Описание правил (IF …, THEN …) поведения агента в BPsim.MAS

Практическое задание 5.

Для своей предметной области выделите не менее 3-х агентов (участников процесса) и постройте сцену коммуникации, описав их взаимодействие. На сцене должно быть не менее 10 поименованных методов (сообщений).

Вопросы для самоконтроля

1. Перечислите основные направления имитационного моделирования?

2. Дайте определение агенту?

3. Какими свойствами может обладать агент ОТС?

4. Приведите примеры программных агентов.

5. Перечислите основные элементы модели мультиагентного процесса преобразования ресурсов?

6. Какие подходы можно использовать для формализации знаний лица, принимающего решения?

7. С помощью какой диаграммы можно описать сценарий взаимодействия (коммуникацию) агентов?

Глава 3. Обзор гибридных интеллектуальных систем принятия решений и агентного моделирования

3.1. Вопросно-ответная система «ТВИН»

Вопросно-ответная система «ТВИН» является распределенной ИНС и ИМС, используется для автоматизации работы Call-центров [11, 17—19]. Модуль распознавания речи в системе «Twin» использует в своей работе интеграцию двух решений по распознаванию речи — YandexSpeechKit и GoogleSpeech API [17—18].

Диаграмма последовательности визуализирует процесс взаимодействия по протоколу MRCP агентов (Twin, UniMRCP-сервер, GSP-плагин, сторонние платформы (Google Speech Api или Yandex Speech Kit)) в разных состояниях (рис. 19).

Рис. 19. Диаграмма последовательности взаимодействия агентов ВОС ТВИН

Работа модуля распознавания речи «ТВИН» со всеми включенными в него компонентами может быть описана с использованием следующий диаграммы последовательности (рис. 20) [11, 19].

Рис. 20. Диаграмма последовательности модуля распознавания [11]

Сценарий диалога робота обзвона задается в пользовательском интерфейсе оператором ВОС в виде графа (рис. 21) [11, 19].

Рис. 21. Фрагмент графа сценария диалога робота.

В упрощенной форме архитектура системы может быть описана следующим образом (рис. 22) [17—18].

Рис. 22. Архитектура ВОС

Многие компоненты распределенной системы и блока АТС работают как отдельные интеллектуальные агенты, взаимодействующие между собой [11, 19].

3.2. Программный комплекс BPsim

Линейка проблемно-ориентированных пакетов семейства BPsim состоит из следующих продуктов [5, 11]:

— BPsim.MAS — мультиагентная система динамического моделирования ситуаций (СДМС) рис. 23;

— BPsim. DSS — интеллектуальная система принятия решений и технико-экономического проектирования (ТЭП) рис. 24—25;

— BPsim.SD — CASE-средство;

— BPsim. Wizard — технология программных помощников.

Рис. 23. Имитационное моделирование в СДМС BPsim.MAS

Рис. 24. Диаграмма классов задачи замены оборудования МСС в BPsim. DSS

Рис. 25. Диаграмма «Поиска решения» для задачи ТЭП мультисервисной сети связи

3.3. Автоматизированная система выпуска металлургической продукции (АС ВМП)

АС ВМП представляет собой web-ориентированную систему, предназначенную для слежения, контроля, моделирования, анализа и совершенствования процессов выпуска металлургической продукции [2, 8—9, 20].

АС ВМП состоит из двух подсистем (рис. 26): подсистемы анализа данных и подсистемы моделирования. Подсистема анализа данных включает в себя: хранилище данных (ХД), конструктор запросов (КЗ); модуль обмена данными с автоматизированными системами предприятия (ОДАСП) [20].

Подсистема моделирования включает в себя следующие модули: подготовки данных (ПД); создания моделей процессов (СМП); оптимизации процессов предприятия (ОПП); интеграции моделей (ИМ) [11].

Рис. 26. Схема взаимодействия модулей системы АС ВМП [20]

Блок-схема метода анализа и устранения узких мест, реализованного в системе АС ВМП, представлена на рис. 27 [20]. В основе метода анализа и устранения узких мест лежат следующие подходы: модель МППР, операционный анализ вероятностных сетей, метод критического пути и методы сетевого планирования [21—22], агентного планирования [23—26].

Рис. 27. Общая схема метода анализа и устранения узких мест процесса МППР [20]

Метод анализа и устранения узких мест производственных процессов прошел апробацию на задаче балансировки ресурсов строительного предприятия China Wan Bao [21], а также на задачах анализа производства и логистики для металлургического производства [11, 20].

Глава 4. Применение гибридных подходов при решении практических задач

4.1. Решение задачи нефтепродуктообеспечения сети автозаправочных станций

Структура этапов решения задачи планирования процесса нефтепродуктообеспечения сети АЗС на основе МППР показана на рис. 28 [27].

Рис. 28. Структура этапов решения задачи планирования процесса нефтепродуктообеспечения сети АЗС

Диаграмма поиска решения распределения заявок-потребностей от АЗС по бензовозам для агента составления плана показана на рис. 29.

Рис. 29. Диаграмма поиска решений «Планирование развоза топлива. Распределение заявок по бензовозам»

С применением гибридного метода нефтепродуктообеспечения (на основе интеграции транспортной задачи и модели МППР) и продуктов семейства BPsim были разработаны модели, реализующие алгоритмы планирования и диспетчеризации для диспетчерского центра сеть АЗС бренда «Башнефть», охватывающего «куст» Свердловской области. В результате анализа работы сети были выработаны и обоснованы решения о переходе на смешанный график развоза топлива (день/ночь) [27].

4.2. Применение метода анализа узких мест и АС ВМП к задаче оптимизации логистики конвертерного цеха

Для решения логистической задачи перемещения стальковшей с металлом по агрегатам конвертерного цеха применено дискретно-событийное имитационное моделирование в АС ВМП [28—30].

Схема анализируемого конвертерного производства (КП) представлена на рисунке 30. Производство включает в себя три конвертера, три установки доводки металла (УДМ), три машины непрерывного литья заготовок (МНЛЗ), два крана (23 и 27), которые передвигаются по разным пролетам разных цехов, а также 6 сталевозов, передвигающихся по выделенным путям [13, 20].

Рис. 30. Схема конвертерного производства

На рисунке 31 приведен перечень продукционных правил базы знаний агента «Оператор крана 23», реализующего работу крана 23. Каждое правило описывается действиями «Если» и «Тогда» [13, 20].

Рис. 31. Схема конвертерного производства

Была проведена серия имитационных экспериментов. В зависимости от интервала подачи плавок на конвертеры оценивались такие выходные характеристики, как: загрузка конвертеров в процентах (необходимо повышать), максимальное время простоя стальковша перед любой из МНЛЗ (должно быть менее 18 минут) и максимальное время простоя самого агрегата МНЛЗ (необходимо снижать). Дополнительным ограничением выступает параметр время простоя МНЛЗ, которое не должно превышать 2 минуты [13, 20]. Лучший результат достигается в эксперименте №6 [31]. Графическая интерпретация результатов эксперимента показана на рисунке 32.

Рис. 32. Графическая интерпретация результатов [31]

По результатам проведения экспериментов было найдено оптимальное значение параметра «Отложенная подача плавок на конвертеры», которое составило 20 минут. Данный интервал обеспечивает непрерывность работы МНЛЗ и допустимое время простоя стальковшей перед разливкой на МНЛЗ [13].

Вопросы для самоконтроля

1. Назначение и основные функции вопросно-ответной системы ТВИН?

2. Назначение и основные функции BPsim.MAS?

3. Назначение и основные функции BPsim. DSS?

4. Назначение и основные функции АС ВМП?

5. Какую модель представления знаний поддерживает комплекс BPsim. DSS?

6. Какую модель представления знаний поддерживает BPsim.MAS?

7. Какую модель представления знаний поддерживает АС ВМП при формализации агентов?

8. В каком виде формализуется сценарий агента в вопросно-ответной системе ТВИН?

9. Какие системы вы знаете, поддерживающие агентный подход и дискретно-событийное имитационное моделирование?

10. Область применения АС ВМП?

Глава 5. Разработка агента анализа текста в вопросно-ответной системе ТВИН

5.1. Создание агента в вопросно-ответной системе «ТВИН»

Вопросно-ответная система (ВОС) «ТВИН» предназначена для разработки агентов анализа текста, чат-ботов и прикладных интеллектуальных подсказчиков. ВОС «ТВИН» разработана ООО «Уралинновация». Вопросно-ответная система «ТВИН» имеет веб-ориентированный интерфейс.

Перед началом работы необходимо самостоятельно зарегистрироваться в вопросно-ответной системе «ТВИН». В данном подразделе приведен пример разработки прикладного агента анализа текстовой информации для калькулятора оценки земельного участка.

После регистрации в системе, необходимо создать нового агента, кнопка «Добавить» на вкладке «Агенты» (рис. 33), далее переходите к настройке свойств агента.

Рис. 33. Главное окно ВОС «Твин»

5.2. Настройка свойств агента анализа текста

В окне настройки свойств агента рис. 34 обязательно надо выбрать «Внешний сервис», «Точку доступа» (одну из библиотек, соответствующего языка) и один из видов нормализации). В дальнейшем, можно будет корректировать настройки агента.

Рис. 34. Настройка свойств агента

5.3. Разработка агента для калькулятора оценки земельного участка

В данном разделе описан тестовый агент выделения сущностей и намерений для калькулятора оценки площади и стоимости земельного участка. Исходными данными данной задачи являются следующие (выделены шрифтом и приведены на латинице имена переменных агента):

1) участок (подмножество участков, формируемое в пространстве поиска);

2) форма земельного участка (квадрат, прямоугольник, трапеция) @area_form;

3) длины сторон

сторона А @storona_a,

сторона Б @storona_b,

высота @vysota,

основание @osnovanie,

основание 2 @osnovanie2;

4) местоположение (участка) привязка земельного участка к населенным пунктам и рекам @location;

5) стоимость (стоимость за м2) в зависимости от территории @price;

6) площадь земельного участка @sq (будет заполнятся как критерий (ограничение) для задачи поиска, или будет вычисляться на основе данных о форме участка и его параметров (длин сторон, углов, и т.д.);

7) стоимость участка @price_area (будет заполнятся как критерий (ограничение) для задачи поиска, или будет вычисляться на основе данных о площади участка и стоимости за м2).

5.4. Описание именованных сущностей

Именованной сущностью считается слово или словосочетание, предназначенное для конкретного, вполне определённого предмета или явления, выделяющее этот предмет или явление из ряда однотипных предметов или явлений. В качестве сущностей данной предметной области выступают данные описанные в предыдущем разделе (рис. 35).

Рис. 35. Сущности агента оценки земельного участка

5.5. Создание атомарных намерений агента

Намерение можно определить, как смысл сказанного, т.е. что имел ввиду пользователь, произнеся определенную фразу. Намерения для данной предметной области представлены на рис. 36. Например, фраза «Добрый день! Хочу сделать заказ пиццы» несет 2 намерения: 1) приветствие, 2) заказ еды.

Бесплатный фрагмент закончился.

Купите книгу, чтобы продолжить чтение.