Пространственные и динамические модели. Статические и динамические модели
К моделям временных рядов, характеризующих зависимость результативной переменной от времени, относятся:
а) модель зависимости результативной переменной от трендовой компоненты или модель тренда;
б) модель зависимости результат. переменной от сезонной компоненты или модель сезонности;
в) модель зависимости результативной переменной от трендовой и сезонной компонент или модель тренда и сезонности.
Если экономические утверждения отражают динамическую (зависящую от фактора времени) взаимосвязь включённых в модель переменных, то значения таких переменных датируют и называют динамическими или временными рядами. Если экономические утверждения отражают статическую (относящуюся к одному периоду времени) взаимосвязь всех включённых в модель переменных, то значения таких переменных принято называть пространственными данными. И надобности в их датировании нет. Лаговыми называются экзогенные или эндогенные переменные экономической модели, датированные предыдущими моментами времени и находящиеся в уравнении с текущими переменными. Модели, включающие лаговые переменные, относятся к классу динамических моделей. Предопределёнными называются лаговые и текущие экзогенные переменные, а также лаговые эндогенные переменные
23. Трендовые и пространственно-временные ЭМ в планировании экономики
Статистические наблюдения в социально-экономических исследованиях обычно проводятся регулярно через равные отрезки времени и представляются в виде временных рядов xt, где t = 1, 2, ..., п. В качестве инструмента статистического прогнозирования временных рядов служат трендовые регрессионные модели, параметры которых оцениваются по имеющейся статистической базе, а затем основные тенденции (тренды) экстраполируются на заданный интервал времени.
Методология статистического прогнозирования предполагает построение и испытание многих моделей для каждого временного ряда, их сравнение на основе статистических критериев и отбор наилучших из них для прогнозирования.
При моделировании сезонных явлений в статистических исследованиях различают два типа колебаний: мультипликативные и аддитивные. В мультипликативном случае размах сезонных колебаний изменяется во времени пропорционально уровню тренда и отражается в статистической модели множителем. При аддитивной сезонности предполагается, что амплитуда сезонных отклонений постоянна и не зависит от уровня тренда, а сами колебания представлены в модели слагаемым.
Основой большинства методов прогнозирования является экстраполяция, связанная с распространением закономерностей, связей и соотношений, действующих в изучаемом периоде, за его пределы, или - в более широком смысле слова - это получение представлений о будущем на основе информации, относящейся к прошлому и настоящему.
Наиболее известны и широко применяются трендовые и адаптивные методы прогнозирования. Среди последних можно выделить такие, как методы авторегрессии, скользящего среднего (Бокса - Дженкинса и адаптивной фильтрации), методы экспоненциального сглаживания (Хольта, Брауна и экспоненциальной средней) и др.
Для оценки качества исследуемой модели прогноза используют несколько статистических критериев.
При представлении совокупности результатов наблюдений в виде временных рядов фактически используется предположение о том, что наблюдаемые величины принадлежат некоторому распределению, параметры которого и их изменение можно оценить. По этим параметрам (как правило, по среднему значению и дисперсии, хотя иногда используется и более полное описание) можно построить одну из моделей вероятностного представления процесса. Другим вероятностным представлением является модель в виде частотного распределения с параметрами pj для относительной частоты наблюдений, попадающих в j-й интервал. При этом если в течение принятого времени упреждения не ожидается изменения распределения, то решение принимается на основании имеющегося эмпирического частотного распределения.
При проведении прогнозирования необходимо иметь в виду, что все факторы, влияющие на поведение системы в базовом (исследуемом) и прогнозируемом периодах, должны быть неизменны или изменяться по известному закону. Первый случай реализуется в однофакторном прогнозировании, второй - при многофакторном.
Многофакторные динамические модели должны учитывать пространственные и временные изменения факторов (аргументов), а также (при необходимости) запаздывание влияния этих факторов на зависимую переменную (функцию). Многофакторное прогнозирование позволяет учитывать развитие взаимосвязанных процессов и явлений. Основой его является системный подход к изучению исследуемого явления, а так же процесс осмысливания явления, как в прошлом, так и в будущем.
В многофакторном прогнозировании одной из основных проблем является проблема выбора факторов, обуславливающих поведение системы, которая не может быть решена чисто статистическим путем, а только при помощи глубокого изучения существа явления. Здесь следует подчеркнуть примат анализа (осмысливания) перед чисто статистическими (математическими) методами изучения явления. В традиционных методах (например, в методе наименьших квадратов) считается, что наблюдения независимы друг от друга (по одному и тому же аргументу). В действительности существует автокорреляция и ее неучет приводит к неоптимальности статистических оценок, затрудняет построение доверительных интервалов для коэффициентов регрессии, а также проверку их значимости. Автокорреляция определяется по отклонениям от трендов. Она может иметь место, если не учтено влияние существенного фактора или нескольких менее существенных факторов, но направленных «в одну сторону», либо неверно выбрана модель, устанавливающая связь между факторами и функцией. Для выявления наличия автокорреляции применяется критерий Дурбина-Уотсона. Для исключения или уменьшения автокорреляции применяется переход к случайной компоненте (исключение тренда) или введение времени в уравнение множественной регрессии в качестве аргумента.
В многофакторных моделях возникает проблема и мультиколлинеарности - наличие сильной корреляции между факторами, которая может существовать вне всякой зависимости между функцией и факторами. Выявив, какие факторы являются мультиколлинеарными, можно определить характер взаимозависимости между мультиколлинеарными элементами множества независимых переменных.
В многофакторном анализе необходимо наряду с оценкой параметров сглаживающей (исследуемой) функции построить прогноз каждого фактора (по неким другим функциям или моделям). Естественно, что значения факторов, полученные в эксперименте в базисном периоде, не совпадают с аналогичными значениями, найденными по прогнозирующим моделям для факторов. Это различие должно быть объяснено либо случайными отклонениями, величина которых выявлена указанными различиями и должна быть учтена сразу же при оценке параметров сглаживающей функции, либо это различие не случайно и никакого прогноза делать нельзя. То есть в задаче многофакторного прогнозирования исходные значения факторов, как и значения сглаживающей функции, должны быть взяты с соответствующими ошибками, закон распределения которых должен быть определен при соответствующем анализе, предшествующем процедуре прогнозирования.
24. Сущность и содержание ЭМ: структурной и развернутой
Эконометрические модели - это системы взаимосвязанных уравнений, многие параметры которых определяются методами статистической обработки данных. К настоящему времени за рубежом в аналитических и прогнозных целях разработаны и используются многие сотни эконометрических систем. Ма кроэконометрические модели, как правило, сначала представляются в естественной, содержательной форме, а затем в приведенном, структурном виде. Естественная форма эконометрических уравнений позволяет квалифицировать их содержательную сторону, дать оценку их экономического смысла.
Для построения прогнозов эндогенных переменных необходимо выразить текущие эндогенные переменные модели в виде явных функций предопределённых переменных. Последняя спецификация, полученная путем включения случайных возмущений получена в результате математической формализации экономических закономерностей. Такая форма спецификации называется структурной . В общем случае в структурной спецификации эндогенные переменные не выражены в явном виде через предопределенные.
В модели равновесного рынка только переменная предложениявыражена в явном виде через предопределенную переменную, поэтому для представления эндогенных переменных через предопределенные необходимо выполнить некоторые преобразования структурной формы. Решим систему уравнений для последний спецификации относительно эндогенных переменных.
Таким образом, эндогенные переменные модели выражены в явном виде через предопределенные переменные. Такая форма спецификации получила название приведенной. В частном случае структурная и приведённая формы модели могут совпадать. При правильной спецификации модели переход от структурной к приведённой форме всегда возможен, обратный переход возможен не всегда.
Система совместных, одновременных уравнений (или структурная форма модели) обычно содержит эндогенные и экзогенные переменные. Эндогенные переменные обозначены в приведенной ранее системе одновременных уравнений как у. Это зависимые переменные, число которых равно числу уравнений в системе. Экзогенные переменные обозначаются обычно как x. Это предопределенные переменные, влияющие на эндогенные переменные, но не зависящие от них.
Простейшая структурная форма модели имеет вид: 
где y – эндогенные переменные; x – экзогенные переменные.
Классификация переменных на эндогенные и экзогенные зависит от теоретической концепции принятой модели. Экономические переменные могут выступать в одних моделях как эндогенные, а в других как экзогенные переменные. Внеэкономические переменные (например, климатические условия) входят в систему как экзогенные переменные. В качестве экзогенных переменных могут рассматриваться значения эндогенных переменных за предшествующий период времени (лаговые переменные).
Так, потребление текущего года (y t) может зависеть не только от ряда экономических факторов, но и от уровня потребления в предыдущем году (y t-1)
Структурная форма модели позволяет увидеть влияние изменений любой экзогенной переменной на значения эндогенной переменной. Целесообразно в качестве экзогенных переменных выбирать такие переменные, которые могут быть объектом регулирования. Меняя их и управляя ими, можно заранее иметь целевые значения эндогенных переменных.
Структурная форма модели в правой части содержит при эндогенных и экзогенных переменных коэффициенты b i и a j , (b i – коэффициент при эндогенной переменной, a j – коэффициент при экзогенной переменной), которые называются структурными коэффициентами модели. Все переменные в модели выражены в отклонения от уровня, т. е. под x подразумевается x- (а под y - соответственно у- (. Поэтому свободный член в каждом уравнении системы отсутствует.
Использование МНК для оценивания структурных коэффициентов модели дает, как принято считать в теории, смещенные структурных коэффициентов модели структурная коэффициентов модели структурная форма модели преобразуется в приведенную форму модели.
Приведенная форма модели представляет собой систему линейных функций эндогенных переменных от экзогенных: 
По своему виду приведенная форма модели ничем не отличается от системы независимых уравнений, параметры которой оцениваются традиционным МНК. Применяя МНК, можно оценить δ , а затем оценить значения эндогенных переменных через экзогенные.
Развернутая ЭМ (ее блоки)
Существует модель, которая связывает и согласовывает между собой два, на первый взгляд далекие друг от друга описания человека – психофизическое и Трансперсональное. Модель эта имеет многовековую историю и опирается на глубокий исследовательский и практический опыт, передающийся непосредственно от Учителя к Ученику. На языке Традиции, представителями которой являются авторы данной книги, модель эта носит название Объемно – Пространственная Модель, (которая неоднократно упоминалась уже в первых главах). Имеются некоторые параллели Объемно – Пространственной Модели с другими древними описаниями человека (системой Чакр – “тонких” тел; “энергетических центров” – “планов сознания” и др.). К сожалению, серьезное исследование этих моделей сейчас, в большинстве случаев, подменено распространенным вульгарным представлением о Чакрах, как о неких пространственно – локализованных образованиях, а о “тонких” телах, как о своеобразной “матрешке”, состоящей из каких-то невидимых невооруженным глазом сущностей. Авторам известно лишь сравнительно небольшое число современных трезвых исследований этого вопроса [см., например, Йог №20 “Вопросы Общей теории Чакр” СПб 1994.]
Сложившаяся ситуация крайне невыгодна: критически мыслящие специалисты настроены к модели Чакр и “тонких” тел скептически, прочие же (иногда несмотря даже на длительный опыт работы психологом или психотерапевтом) становятся в один ряд с домохозяйками (не в обиду им сказано), посещающими курсы “экстрасенсорики”, и пополняют армию носителей легенд о Чакрах и “Телах”, распространяемых популярными брошюрами. Дело доходит иногда до комического оборота. Так, одному из авторов данной книги довелось несколько лет назад присутствовать на психологическом тренинге, с элементами “эзотерики”, где весьма авторитетный ведущий давал примерно такую инструкцию к одному из упражнений: “... А теперь, вы своей эфирной рукой поставьте “якорь” прямо клиенту в нижнюю Чакру...”, что большинство присутствующих сразу с энтузиазмом попытались осуществить (конечно, не далее, чем в своем воображении).
Далее мы не будем упоминать Чакры и Тела, а будем пользоваться языком Объемов и Пространств. Не следует, однако, проводить однозначное соответствие между Объемами и Чакрами, Пространствами и Телами; несмотря на некоторое сходство, модели эти отличаются; отличия, в свою очередь, связаны не с претензией на большую или меньшую правильность, а с удобством для той Практики, которую мы представляем на страницах данной книги.
Вернемся еще раз к определениям Объемов и Пространств, которые мы давали в главах 1 и 2:
Итак, Объемы – это не части физического тела и не некие локализованные области. Каждый Объем – Целостное психофизическое состояние, образование, отражающее некоторую (конгруэнтную) совокупность определенных качеств организма, как целого. Если говорить на энергетическом языке, то Объем – определенный диапазон энергии, который, при фокусировке восприятия на физическом мире, проявляется в сочетании тканей, органов, участков нервной системы и т.д. В довольно упрощенном варианте можно для каждого Объема найти наиболее характерную функцию и задачу, которую он выполняет в организме. . Так, функции Копчикового Объема можно связать с задачей выживания во всех его формах (физического, социального, духовного), проявления, рождения, становления... Функции Мочеполового Объема ассоциируются с процветанием, изобилием, плодородием, развитием и преумножением, многообразием и достатком... Для Пупочного Объема основные задачи (читай – диапазон энергии) – упорядочивание, структурирование, управление и связывание. И так далее. Нас будут пока интересовать не конкретные функции Объемов. а общие механизмы работы с ними.
Каждое переживание, любой опыт воспринимается нами преимущественно через тот или иной Объем. Это относится к любому опыту – если мы хотим активизировать то или иное переживание, то возбуждается тот или иной Объем и мы начинаем воспринимать Мир “через него”. Применительно к психотерапевтической работе – когда терапевт обращается к какому-то переживанию клиента: “проблемному” или “ресурсному”, пытается работать с некой “частью личности”, он, тем самым, фокусирует сознание пациента в какой-то области того или иного Объема (кстати, мы кратко упомянули функции только трех нижних Объемов потому, что реальная продуктивная фокусировка внимания в верхних Объемах – явление незаурядное – тут не все так просто, как описано в книжках). То же относится и к Пространствам. Напомним, что Пространства – схемы восприятия, отражающие уровни “тонкости” восприятия. Один и тот же Объем на разных уровнях восприятия будет проявляться по-своему, сохраняя свои основные задачи. Так, например, Пупочный Объем в Пространстве Событий проявляется через ряд ситуаций, в которых человек что-то с чем-то связывает, упорядочивает, управляет и т.п., в Пространстве Имен – тот же Объем проявится через схематизацию. моделирование, приведение в порядок мыслей и взглядов на Мир, построение планов и т.д., в Пространстве Отражений весь эмоциональный спектр тоже будет окрашен соответствующими этому Объему задачами.
Объемно-Пространственную Модель организма человека можно условно представить в виде схемы (Рис.3.)
Рис.3. Объемно-Пространственная Модель.
На схеме (Рис.3.) наглядно видно, что каждое Пространство охватывает весь спектр энергии на определенном уровне “тонкости”, где каждый Объем – это “сектор”, выделяющий определенный энергетический диапазон.
Итак – Объемно-Пространственная Модель позволяет в Человеке и в Мире, которые воспринимаются, как динамические энергетические структуры, выделить различные качества энергии. В восприятии эти качества энергии проявляются через определенное сочетание самых разнообразных факторов:
физиологических процессов (механических, тепловых, химических, электродинамических), динамике нервных импульсов, активизации тех или иных модальностей, окраске эмоций и мышления, сочетании событий, переплетении судеб; попадании в соответствующие “внешние” условия: географические, климатические, социальные, политические, исторические, культурные...
Энергопотоки.
Схема, приведенная на Рис.3. дает нам энергетическую модель организма человека. С этой точки зрения, всю жизнь человека, как проявление, оформление этой энергии или как динамику само-восприятия, можно представить в виде движения-пульсации некого “узора” на схеме, где в каждый момент времени активизируются те или иные области энергетического спектра (Рис.4.).
Однако динамика само-восприятия и движения энергии не так уж произвольны и многообразны для обычного человека. Существуют области, в которых восприятие, так сказать, зафиксировано и довольно устойчиво, некоторые области спектра доступны только изредка и при особом стечении обстоятельств. Существуют области, практически недоступные для осознания в течении всей жизни (для каждого человека разные: для одного человека недоступно переживание смысла, другой за всю жизнь так и не пережил по-настоящему свое тело, третий не в состоянии пережить определенное качество эмоций, событий, мыслей и т.п.).
Наиболее вероятная траектория движения и фиксаций восприятия и осознания определяется Доминантой. Становится понятно, что для того, чтобы оторваться от этой наиболее вероятной траектории и устойчивых позиций восприятия, нужна некая добавочная энергия и, что самое важное, умение направить эту энергию в нужном направлении, так, чтобы она не попала в наработанное стереотипное русло.
| ||||||||
| ||||||||
| ||||||||
Рис.4. Динамика восприятия во времени.
Этим и объясняется наличие труднодоступных и недоступных для восприятия и осознания диапазонов – обычно у человека нет этой добавочной энергии; лишь иногда она может высвободиться в результате каких-либо чрезвычайных, чаще всего стрессовых, обстоятельств, что позволит восприятию сместиться в ранее недоступный диапазон (такое внезапное смещение восприятия может привести к появлению у человека каких-то новых способностей, недоступных в обычном состоянии).
| |
Для более детального описания этой ситуации нам потребуется обратиться к понятию Энергопотока. Энергопоток – движение, развитие точечного импульса восприятия в Объемно-Пространственной энергосистеме. Можно сказать еще и так: Энергопоток – динамическое соединение различных областей в Индивидуальной Сфере по общему энергодиапазону (например по одной модальности).
“Находясь в непрерывном диалоге с Миром, человек (И.С.) откликается практически на все сигналы, приходящие “извне” движением Энергопотоков. Причем чувствительность И.С. значительно выше порога восприятия органов чувств. Соответственно существует множество неосознанных реакций.
Особенности личной деформации И.С. создают постоянные характерные индивидуальные Энергопотоки. То, что мы осознаем, как ощущения, эмоции, мысли, движения тела и превратности судьбы, память, проекции будущего, болезни, особенности культуры и мировоззрения – все это (и многое другое) движение Энергопотоков.”
Можно условно выделить конструктивные и деструктивные Энергопотоки. Конструктивный Э. – динамика восприятия, способствующая устранению деформаций из И.С. – жестких, доминирующих структур. Деструктивный Э. – динамика восприятия, способствующая возникновению новых или подкреплению имеющихся деформаций И.С.
В свою очередь, динамикой Энергопотоков мы будем называть многофакторный динамический процесс, переводящий восприятие человека из одного состояния в другое (пример динамики Энергопотоков изображен на Рис.5.).
В Целостном организме возможны любые Энергопотоки, для которых он (организм) абсолютно прозрачен и проницаем. Динамика Энергопотоков может, в таких случаях, переводить восприятие в любое положение. (Это эквивалентно тому, что мы назвали сквозным Осознанием в Главе 1.).
Динамика Энергопотоков – процесс многофакторный, т.к. любое состояние проявляется в виде сочетания большого числа факторов (например, определенных ощущений, характера движений. мимики, параметров голоса, тех или иных эмоций и т.п.). Динамика Энергопотоков переводит одно состояние в другое (точнее сказать – это процесс – непрерывная смена состояний) и, соответственно, могут меняться какие-то факторы и параметры, через которые Энергопотоки проявляются.
Рис.5. Пример динамики Энергопотоков, переводящей восприятие из состояния с жестко локализованной структурой (А)в более Целостное (Д), в пределах одного Пространства
Если теперь обратиться к психотерапии, то мы обнаружим следующее:
Пациент находится в некотором состоянии восприятия (определяемом его Доминантой), которое, очевидно, не Целостно, в его энергетике имеются жестко локализованные структуры, что не дает возможности сдвигать восприятие в другие положения. Для выхода из такой ситуации необходимо задать Энергопотоки, позволяющие сместиться в другое состояние, которое пациент будет воспринимать, как более позитивное. На этом психотерапия, обычно, заканчивается.
Если посмотреть с более общих позиций, то окажется, что не‑пациент или вылечившийся пациент по большому счету мало чем отличается от “больного”. Отличие только в том, что “больной” воспринимает свое состояние, как дискомфортное, а “здоровый”– как более – менеекомфортное и, может быть, имеющее больше степеней свободы. Однако, к Целостности это не имеет никакого отношения, т.к. и состояние “больного” и “здорового” это, как правило, все равно ограниченные, локализованные и задаваемые Доминантой фиксации восприятия.
Целостность подразумевает возможность самостоятельного задания любых Энергопотоков и переживания Мира тотально, одномоментно всем организмом.
ЕСТЕСТВЕННЫЕ И ТЕХНИЧЕСКИЕ НАУКИ
УДК 519.673: 004.9
ИНТЕРПРЕТАЦИЯ КОНЦЕПТУАЛЬНОЙ МОДЕЛИ ПРОСТРАНСТВЕННОГО ДИНАМИЧЕСКОГО ОБЪЕКТА В КЛАССЕ ФОРМАЛЬНЫХ СИСТЕМ*
А.Я. Фридман
Институт информатики и математического моделирования КНЦ РАН
Аннотация
Рассматриваются вопросы моделирования сложных динамических объектов (СДО) в слабо формализованных предметных областях. Для предложенной ранее ситуационной концептуальной модели подобных объектов разработана интерпретация в классе семиотических формальных систем, что позволяет интегрировать различные средства исследования СДО, обеспечив совместную логико-аналитическую обработку данных и ситуационный анализ состояния изучаемого объекта с применением экспертных знаний и учетом пространственно-временных зависимостей в характеристиках СДО, выполняемые с использованием картографической информации.
Ключевые слова:
концептуальная модель, пространственный динамический объект, семиотическая формальная система.
Введение
В настоящей работе рассмотрены вопросы моделирования СДО в слабо формализованных предметных областях. Помимо структурной сложности, особенность СДО состоит в том, что результаты их функционирования существенно зависят от пространственных характеристик составных частей и от времени.
При моделировании СДО необходимо учитывать разнообразные информационные, финансовые, материальные, энергетические потоки, предусматривать анализ последствий изменения структуры объекта, возможных критических ситуаций и т.п. Принципиальная неполнота знаний о подобных объектах ограничивает применимость классических аналитических моделей и определяет ориентацию на использование опыта экспертов, что, в свою очередь, связано с созданием соответствующих средств формализации экспертных знаний и их встраиванием в систему моделирования. Поэтому в современном моделировании значительно возросла роль такого понятия, как концептуальная модель предметной области (КМПО) . Основа КМПО -не алгоритмическая модель передачи и преобразования данных, как в аналитических моделях, а декларативное описание структуры объекта и взаимодействия его составных частей. Таким образом, КМПО изначально ориентирована на формализацию знаний экспертов. В КМПО определяются элементы исследуемой предметной области и описываются отношения между ними, которые задают структуру и причинно-следственные связи, существенные в рамках определенного исследования .
Представленная в данной работе ситуационная система моделирования (ССМ) на основе древовидной ситуационной концептуальной модели (СКМ) есть один из вариантов
* Работа частично поддержана грантами РФФИ (проекты № 13-07-00318-а, № 14-07-00256-а,
№ 14-07-00257-а, № 14-07-00205-а, № 15-07-04760-а, № 15-07-02757-а).
реализации технологий типа CASE (Computer Aided Software Engineering) и RAD (Rapid Application Development).
Семиотические формальные системы
Основное достоинство логических исчислений в качестве модели представления и обработки знаний заключается в наличии единообразной формальной процедуры доказательства теорем. Однако оно влечет за собой и основной недостаток данного подхода -сложность использования при доказательстве эвристик, отражающих специфику конкретной проблемной среды . Это особенно важно при построении экспертных систем, вычислительная мощность которых в основном определяется знаниями, характеризующими специфику предметной области. К другим недостаткам формальных систем следует отнести их монотонность (невозможность отказаться от заключений, если становится истинным дополнительный факт, и в этом смысле они отличаются от рассуждений на основе здравого смысла), отсутствие средств для структурирования используемых элементов и недопустимость противоречий.
Стремление устранить недостатки формальных систем при их использовании в искусственном интеллекте привело к появлению семиотических систем, формализуемых восьмеркой :
S::= (В, F, A, R, Q(B), Q(F), Q(A), Q(R)). (1)
В (1) первые четыре компонента те же, что и в определении формальной системы , а остальные компоненты - правила изменения первых четырех компонентов под влиянием накапливаемого в базе знаний опыта о строении и функционировании сущностей в данной проблемной среде. Теория подобных систем находится на начальной стадии развития, но существует много примеров решения конкретных задач в рамках этой парадигмы. Ниже описывается один из таких примеров.
Основы ситуационного моделирования
При постановке задачи и подготовке процесса моделирования КМПО предназначена для представления знаний о структуре исследуемой предметной области. Для элементов КМПО существует соответствие между собственно объектом реального мира и его модельным представлением. В обеспечение возможности автоматизации последующих этапов моделирования осуществляется отображение модели предметной области на адекватную ей формальную систему. Этот переход реализуется в ходе построения КМПО путем задания каждому ее элементу некоторого формального описания. В результате, завершение построения КМПО будет соответствовать переходу от неформальных знаний об исследуемой предметной области к их формальному представлению, допускающему только однозначную процедурную трактовку. Полученная формальная модель носит декларативный характер, так как в ней описывается в первую очередь состав, структура и отношения между объектами и процессами, независимо от конкретного способа их реализации в компьютере.
Декларативный язык описания СКМ состоит из двух частей: части, соответствующей объектам описываемого мира, и части, соответствующей отношениям и атрибутам представленных в модели объектов. В качестве математической основы декларативного языка использована аксиоматическая теория множеств.
В СКМ описываются три вида элементов (сущностей) реального мира - объекты, процессы и данные (или ресурсы). Объекты отображают организационную и пространственную структуру объекта исследования, с каждым из них может быть связан набор процессов. Под процессом понимается некоторое действие (процедура), преобразующее подмножество данных, называемых входными по отношению к рассматриваемому процессу, в другое их подмножество,
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
А.Я. Фридман
именуемое выходным. Данные характеризуют состояние системы. Они используются при реализации процессов, служат результатами их выполнения. Выполнение любого процесса изменяет данные и соответствует переходу системы из одного состояния в другое. Взаимосвязи и взаимодействие объектов реального мира описывается в модели с помощью отношений, задаваемых на множествах объектов, процессов и данных. Каждое отношение связывает элемент модели с некоторым множеством других элементов.
Имена элементов СКМ даются в терминах предметной области. Каждому элементу модели назначается исполнитель, обеспечивающий его реализацию в ходе моделирования. Тип исполнителя определяет характеристики реализации, например, язык программирования, на котором пишется исполнитель соответствующего процесса, и тип исполнителя в алгоритмическом языке.
Атрибуты, описывающие тип отношения иерархии , конкретизируют представление объектов модели на следующем, нижнем уровне иерархии. Тип отношения «композиция» (&) определяет, что объект строится агрегацией его подобъектов. Тип «классификация» (v) указывает, что объект верхнего уровня есть обобщение группы объектов нижнего уровня. Отношение типа «классификация» в СКМ используется для представления различных вариантов элемента верхнего уровня. Тип «итерация» (*) позволяет определять в СКМ итеративные процессы и описывать регулярные структуры данных.
В зависимости от типа отношения иерархии объекту назначается управляющее данное. Управляющие данные используются для доопределения структуры процессов, имеющих тип отношений иерархии «классификация» или «итерация», и данных, имеющих иерархическое отношение типа «итерация».
Формальное представление СКМ дает возможность существенно автоматизировать анализ корректности структуры и разрешимости СКМ .
Важный аспект эффективности СКМ состоит в удобстве представления результатов моделирования. В настоящее время наиболее перспективной средой для компьютеризованного исследования объектов класса СДО считается географическая информационная система (ГИС) . Кроме продвинутых способов визуализации и графической обработки данных, инструментальные средства ГИС в принципе позволяют ставить задачи для пространственно координированных расчетов в дружественной к пользователю графической среде, хотя это требует дополнительных разработок программного обеспечения. Кроме того, ГИС-пакеты не рассчитаны на анализ динамики объекта и серьезную математическую обработку данных.
Еще одно достоинство ГИС в рамках рассматриваемой задачи заключается в том, что с каждым графическим элементом можно связать дополнительные поля БД, доступные для модификации внешними вычислительными модулями, в отличие от графических атрибутов. В частности, в этих полях можно хранить атрибуты концептуальной модели, относящихся к заданному элементу, и другие параметры, необходимые для организации и проведения моделирования.
Таким образом, каждый цикл расчетов в ходе моделирования включает три стадии: задание условий расчета, собственно расчет и вывод результатов. Неформальная цель разработки СКМ заключается в автоматизации всех этих стадий с обеспечением максимального сервиса непрограммирующему пользователю, то есть с использованием терминологии предметной области и дружественного интерфейса пользователя с компьютером. По тем же соображениям ССМ должна быть функционально полной, то есть предоставлять пользователю все нужные ему средства без явного выхода в другие программные среды. Создание специализированных графических библиотек и средств генерации отчетов потребовало бы неоправданных затрат на программирование и значительно удлинило сроки разработки. Поэтому представляется целесообразным компромиссное решение: возложить задачи вывода данных на стандартные пакеты или специализированные программные модули, но в максимальной степени автоматизировать их работу, исключив диалог с пользователем в их среде.
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
Интерпретация концептуальной модели...
Формальное описание СКМ
СКМ базируется на представлении объекта моделирования в виде древовидного И-ИЛИ графа, отображающего иерархическую декомпозицию структурных элементов СДО в соответствии с их организационными связями.
Чтобы избежать вычислительных проблем, связанных с малыми изменениями данных, и обеспечить поддержку совместной расчетно-логической обработки данных, в СКМ выходными данными процедур обработки (исключение составляют данные, вычисляемые ГИС) могут быть только данные с дискретным конечным множеством значений (типа списков). Если значения некоторого данного есть строковые константы, то такое данное называется параметром (категория PAR), а имеющее числовые значения именуется переменной (категория VAR), и над ним можно выполнять определенные математические операции. Если результат вычислений представляет собой значение переменной, он округляется до ближайшего значения из списка допустимых значений. В дальнейшем, если сказанное относится к данным любого разрешенного в СКМ типа, употребляется термин «данное». Таким образом, множество имен данных делится на множества имен переменных и параметров:
D::=< Var, Par >, Var::= {var }, i = 1, N ;
7 7 к l 7 v 7 (2)
Par::={parj}, j = 1, Np, где Nv и Np - мощности этих множеств.
Данные моделируют ресурсы (количественные характеристики) объектов или процессов (категория RES), переменные могут также использоваться как настроечные параметры функций (критериев) качества функционирования элементов СКМ (категория ADJ). Соответственно, множество имен переменных делится на подмножество имен ресурсов элементов СКМ и подмножество имен настроечных параметров критериев качества этих элементов:
Var::=< Res, Adj > (3)
Отдельную категорию (категорию GIS) составляют графические характеристики объектов СКМ, непосредственно вычисляемые в ГИС. Все они относятся к переменным, но не рассматриваются как списки, так как используются только как входные ресурсы элементов модели и не меняются в ходе имитации.
Объекты СКМ имеют три основные характеристики: имя, функциональный тип, который определяет структуру и функции объекта и используется в процессе анализа корректности СКМ, и имя суперобъекта, доминирующего данный объект в СКМ (отсутствует для объекта верхнего уровня). По положению в дереве объектов и на карте выделяются три категории объектов СКМ: примитивы (категория LEAF), структурно неделимые с точки зрения глобальной цели моделирования, элементарные объекты (категория GISC), географически связанные с одним ГИС-элементом (полигоном, дугой или точкой какого-либо покрытия), и составные объекты (категория COMP), состоящие из элементарных и/или составных объектов. Структура объектов категории GISC в СКМ может быть достаточно сложной, но все их подобъекты имеют одну и ту же географическую привязку. Множество объектов образует иерархию:
О = {а 0Уа}::=2°а, (4)
где а = 1, Nl - номер уровня дерева объектов, к которому относится данный объект (L - общее количество уровней декомпозиции);
вб = 1, Nб - порядковый номер объекта на его уровне декомпозиции;
г = 1, N6_ - порядковый номер суперобъекта, доминирующего заданный элемент на вышележащем уровне;
Об - множество объектов, принадлежащих уровню с номером а.
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
А.Я. Фридман
Для обеспечения связности СКМ принимается, что существует единственный суперобъект, доминирующий все объекты первого уровня декомпозиции, то есть справедливо соотношение:
O. -i0.”} 0, = (5)
Процессы в СКМ отображают преобразования данных и реализуются различными способами в зависимости от присвоенной процессу одной из трех следующих категорий: внутренние процессы (категория INNER), все их входные и выходные данные относятся к одному объекту; внутриуровневые процессы (категория INTRA), связывающие объекты СКМ, не подчиняющиеся друг другу; межуровневые процессы (категория INTER), описывающие передачу данных между объектом и подобъектами или между объектом и суперобъектом. Введенное категорирование процессов несколько усложняет процесс создания СКМ (в некоторых случаях может потребоваться создавать фиктивные процессы, обеспечивающие такую типизацию), но позволяет сделать процедуры формального контроля СКМ значительно более полными и детальными.
Основные характеристики процессов: уникальное имя, характеристика исполнителя процесса и функциональный тип процесса, который определяет тип преобразований, им осуществляемых, и используется в процессе анализа корректности СКМ; дополнительно используются список входных и выходных данных и их допустимых граничных значений. Исполнитель процесса специфицирует его динамические свойства и способ реализации в компьютере. Исполнитель можно задать либо непосредственно (в виде разностного уравнения), либо косвенно - ссылкой на имя реализующего этот процесс программного модуля.
Схема концептуальной модели образуется кортежем:
^ССМ::=<о,P,DCM,H,OP,PO,U >, (6)
где O - множество объектов КМПО (9);
P::= {pn I n = 1, Np - множество процессов КМПО;
DCM с D - множество данных концептуальной модели, где D определено в (4), (5);
H - отношение иерархии объектов, которое с учетом (4) и (5) примет вид:
где Hб с O6х B,(O6) - отношения иерархии для каждого из уровней дерева объектов, причем b"(o6) есть разбиение множества Оа;
OP с O х B (P) - отношение «объект - порождающие его выходные данные процессы», причем B (P) есть разбиение множества P;
PO с P х B(О) - отношение «процесс - создающие его входные данные объекты»;
U::= Up иU0 - отношение, формализующее управление процессом вычислений на основе СКМ, имеет составляющие следующего вида:
U с P х B(Res) - отношение «процесс - управляющее данное»;
Uo с О х B(Res) - отношение «объект - управляющее данное».
Отношение «объект (процесс) - управляющее данное» ставит в соответствие некоторому объекту (процессу) модели данное, которое доопределяет этот объект при переходе к алгоритмической интерпретации. Передача данных между объектами осуществляется только через списки входных и выходных данных этих объектов, что согласуется с принципами инкапсуляции данных, принятыми в современном объектно-ориентированном программировании. Все процессы, приписанные к одному объекту, описываются отношением OA с О х B(P) «объект - приписанные к нему процессы». Это отношение не входит в схему
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
Интерпретация концептуальной модели...
СКМ, поскольку, в отличие от отношений Н, ОР и РО, не задается пользователем при конструировании модели, а формируется автоматически.
Отношения, определенные в модели, удобно представлять в форме функций (7), частично определенных на множествах О и Р, с областями значений В(Р), B(O) или В"(Об). Названия
функций обозначены строчными символами, соответствующими прописным символам в названиях отношений:
h:°б_1 ^B"(Oa),(Vo;. е06,Vo! е°б_Hoj = hб(o))оojHbог); op . O ^ B(p^ (Vo е O, Vp е р)({р; = opio)) «■ o,Opp]);
Po.p ^ b(0), (vo е O, VP] е p)((o = po(P])) « P]OPot);
oa: O ^ B(P),(VOi е O, Vp} е P)((p} = oa(ot))otOAp});
: p ^ B(Res\(vPi е p, Vres] е Res)((res] = up (pi)) ptUpres]);
: O ^ B(Res), (Vo1 е O, VreSj е Res){(resj = uo (o1)) o1Uo resj).
Множества значений функций (7), формирующие сечения областей значений введенных отношений по некоторому элементу областей их определения, обозначаются жирным шрифтом:
h6 (oi)::= \Р] : o] = ha(oi)}; oP(oi) ::= \Р] : Р] = oP(oi)};
ро(Р]) ::= {o: oi = po(p])}; oci(pi) ::= ^ . p} = oa(oi)}; (8)
up (Pi) ::= \res]: res] = up (Pi)}; uo (o) ::= \res]: res] = uo (o)}.
Аналогично (8) записываются сечения введенных отношений по подмножествам их областей определения, строящихся как объединения всех сечений по элементам этих подмножеств. Например, h (Oi), где Oi с O6_х, есть множество объектов уровня а, доминируемых данным подмножеством объектов oj е O t, которые находятся на уровне а - 1.
Ниже также используется множество подчиненности объекта oi h ’(oi)::= U h(oi).
Разработанные алгоритмы присвоения категорий элементам СКМ используют вышеописанные отношения и выявляют все возможные ошибки категоризирования элементов модели . Процедуры контроля правильности назначений исполнителей элементов СКМ используют следующие ограничения (доказательства даны в ).
Теорема 1. В конечной СКМ не может иметь места рекурсивная декомпозиция типов исполнителей объектов, то есть ни один объект, входящий во множество подчиненности некоторого объекта, не может иметь исполнителя того же типа, что и исходный объект.
Теорема 2. В конечной СКМ не может иметь места инверсия подчиненности исполнителей объектов, то есть ни один объект, входящий во множество подчиненности некоторого объекта с исполнителем типа е1, не может иметь исполнителя того же типа, что и любой другой объект, во множестве подчиненности которого содержится какой-либо объект с исполнителем типа е1.
Принципы контроля разрешимости СКМ
Выполненное согласно принятым в ССМ правилам построение корректной модели еще не гарантирует, что эта модель разрешима, то есть можно решить все задачи, в ней декларированные. Под разрешимостью в общем случае понимается достижимость некоторого подмножества объектов модели, которые определяются как целевые, из другого подмножества объектов, которые определяются как исходные. Разрешимость может рассматриваться в двух основных аспектах: при анализе всей модели в целом (до начала расчетов) она подразумевает согласованность и однозначность описания всех допустимых вариантов достижения глобальной цели на различных уровнях иерархии, а в процессе
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
А.Я. Фридман
реализации моделирования разрешимость состоит в обеспечении выбора корректного фрагмента модели, описывающего изучаемую ситуацию. Функциональное различие между перечисленными аспектами состоит в том, что при анализе всей модели оценивается только потенциальная возможность моделирования всех описанных в модели объектов, а при анализе конкретной ситуации дополнительно ставятся задачи выбора минимального фрагмента, описывающего эту ситуацию, и количественного сопоставления возможных альтернатив, в ней содержащихся. Второй аспект разрешимости исследуется в , здесь же представлены особенности анализа разрешимости СКМ в целом, который автоматически проводится после завершения контроля ее корректности, а по требованию пользователя может быть выполнен в любое время. В общем случае, задачу анализа разрешимости можно сформулировать в следующем виде: указывается два множества элементов модели - исходное и целевое, при этом модель разрешима, если существует последовательность шагов, позволяющая получить целевое множество из исходного. Для этого пригодны простые волновые алгоритмы .
При анализе обоих аспектов разрешимости концептуальная модель рассматривается как формальная система. В ее алфавит входят:
символы, обозначающие элементы модели (pi, on, resj, ...);
функциональные символы, описывающие отношения и связи между элементами модели (ha, ор,...);
специальные и синтаксические символы (=, (,), ^,...).
Множество формул в рассматриваемой формальной системе образуют: собственно символы, обозначающие элементы КМПО:
{Pi е P} u {Oj eO] u {resk e DCM}; (9)
выражения (7), (8) и другие формулы для вычисления функций и множеств, определяемых с помощью отношений, которые введены над множествами (5);
выражения вычислимости для каждого процесса концептуальной модели:
list_in(pi) \ list out(pi), Up(pi) [, sp)] ^ p„ list_out(p,), (10)
где в силу принятого в ССМ предположения об автономности структуры каждого объекта во множество s(p) процессов, предшествующих pi, могут входить только процессы, приписанные к тому же объекту:
s(pi) с оа(оа"1(р1)); (11)
выражения вычислимости для каждого объекта концептуальной модели: list_in(oi), up(Oj), оа(о,), h(o,) ^ oi, list_out(oi); (12)
выражения вычислимости входных данных каждого объекта концептуальной модели, получающего материальные ресурсы от других объектов (ог: oo(o) Ф 0):
00(0,) ^ list_in(oi). (13)
В выражения (9)-(13) входят только материальные ресурсы, то есть в них не анализируются выходные данные процессов настройки и обратной связи, относящиеся к информационным ресурсам СКМ. Кроме того, вычислимость определенных в предпосылках этих выражений множеств констатируется при условии вычислимости всех элементов указанных множеств.
Дополнительного обоснования требует первая предпосылка предложения (10). Как известно, при наличии циклов по ресурсам в предметной области могут появляться данные, которые при построении концептуальной модели должны декларироваться как входные и выходные для некоторого процесса КМПО одновременно. По принятому в ССМ предположению такие циклы вносятся внутрь объектов КМПО, то есть должны учитываться при анализе разрешимости на уровне процессов.
Если при анализе разрешимости СКМ использовать выражение вычислимости, предложенное в и принимающее для СКМ вид:
list_in(p,) & up(p,) [& s(p,)] ^ p, & list_out(p,), (14)
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
Интерпретация концептуальной модели...
то в модель нельзя будет включать ресурсы, служащие одновременно входными и выходными данными одного и того же процесса, то есть описывать часто встречающиеся на практике рекуррентные процессы вычислений. Выход из положения дает приведенная ниже теорема, доказанная в работе .
Теорема 3. Ресурс, одновременно входной и выходной для одного и того же процесса СКМ и не являющийся выходным ни для одного из предшествующих ему процессов, связанных с указанным процессом отношением порождения процессов (13), можно исключить из левой части предложения вычислимости без нарушения корректности анализа разрешимости модели.
Во множество аксиом рассматриваемой формальной системы входят:
аксиомы вычислимости всех ресурсов, относящихся к внешним данным (имеющим исполнителей типа DB, GISE или GEN)
|- resj: (ter(resj) = DB) v (ter(resj) = GISE) v (tS[(resJ) = GEN); (15)
аксиомы вычислимости всех ГИС-элементов СКМ (типы которых начинаются символами dot, pol или arc)
|- 0J: <х> dot) v (to(o/) Ю pol) V (to(oj) Ю arcX (16)
где символом
В рассматриваемой формальной системе заданы два правила вывода:
правило непосредственного следования -
Fi, Fi ^ F2 |- F2; (17)
правило следования с равенством -
Fi, Fi = F2, F2 ^ F3 |- F3, (18)
где F, - некоторые формулы из (9)-(13).
Структура описанной формальной системы аналогична структуре системы, предложенной в . Существенное отличие - вид выражений вычислимости (10), (12), (13) и состав аксиом, на основе которых проводится анализ разрешимости концептуальной модели.
Совокупность представленных в СКМ знаний о предметной области может быть признана корректной, если на различных уровнях иерархии в концептуальной модели действительно представлены взаимосогласованные спецификации объектов и процессов, обеспечивающих корректное порождение ресурсов для функционирования объектов вышележащих уровней. Соответствие спецификаций на всех уровнях ведет к тому, что концептуальная модель полностью характеризует корневой объект, соответствующий глобальной задаче, которую решает система в целом. Концептуальная модель разрешима , если в соответствующей ей формальной системе существует вывод каждой теоремы вычислимости из множества аксиом и других теорем.
Определение 1. СКМ разрешима тогда и только тогда, когда для каждого элемента модели, не входящего во множество аксиом, применение выражений вычислимости вида (10), (12), (13) к аксиомам и уже доказанным формулам (множеству теорем T) позволяет построить вывод с применением правил (17), (18) из множества аксиом (A) формальной системы (9)-(13).
При анализе разрешимости, который, согласно определению 1, представляет собой разновидность методов автоматического доказательства теорем, используется понятие «механизм вывода», в данном случае оно понимается как способ, алгоритм применения правил вывода (17), (18), обеспечивающий эффективное доказательство всей требуемой совокупности формул из множества T теорем (то есть синтаксически правильно построенных формул) рассматриваемой формальной системы. Наиболее простой способ организации вывода -«потоковый» механизм, при котором множество считающихся доказанными формул A", вначале равное множеству аксиом (A1 = A), расширяется в результате применения правил вывода . Если по истечении некоторого времени T с A", то модель разрешима, если это неверно и не удается применить ни одно из правил, то СКМ неразрешима.
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
А.Я. Фридман
В качестве стратегии доказательства, используемой при анализе концептуальной модели общего вида, предложена стратегия снизу-вверх , состоящая в циклическом выполнении следующих этапов.
Этап I. Применяется правило (17) для получения всех возможных следствий из формул и аксиом.
Этап II. Применяются правила (17), (18) для получения всех возможных следствий из аксиом и полученных на предыдущем этапе доказательства формул.
Этап III. Применяется правило (13) для расширения списка считающихся вычислимыми объектов.
Доказано, что для построенных по описанным выше правилам корректных концептуальных моделей анализ разрешимости модели в целом сводится к анализу разрешимости отдельных входящих в ее состав шаблонов процессов категории INTRA и процессов агрегирования .
Обработка ситуаций
В теории ситуационного управления отмечается принципиальная важность разработки процедур обобщения описаний ситуации на основе их классификации с использованием множества прагматически важных признаков, которое само подлежит синтезу. К фундаментальным особенностям формирования понятий и классификации в ситуационном управлении отнесены:
Наличие процедур обобщения, основанных на структуре отношений между элементами ситуаций;
Возможность работы с именами отдельных понятий и ситуаций;
Необходимость согласования классификации ситуаций по некоторому основанию с классификацией на множестве воздействий (управлений).
Для реализации перечисленных принципов классификации и обобщения ситуаций в ССМ предусмотрен ряд программных средств:
Аппарат синтеза и анализа типов ситуаций, в частности, оптимальных достаточных ситуаций, ориентированный на решение вопросов координации и согласования управляющих воздействий на различных уровнях СКМ;
Инструментальные средства порождения и проверки гипотез о сравнительных характеристиках достаточных ситуаций в рамках вероятностной интерпретации этих гипотез с учетом влияния инструментальных погрешностей исходных данных на результаты моделирования;
Процедуры обобщения описаний ситуаций с учетом пространственно-временных отношений между элементами ситуаций, использующие библиотеку пространственновременных функций (ПВФ).
Синтез и анализ типов ситуаций. В результате классификации ситуаций по разработанным для ССМ алгоритмам генерируется большое количество классов ситуаций, полученных для различных объектов принятия решений (ОПР) и различных листьевых объектов фрагментов. С целью аккумуляции знаний о результатах классификации в ССМ предлагается использовать средства обобщения описаний ситуаций по синтезированным типам этих ситуаций. Этот способ конкретизирует общие рекомендации по построению иерархического описания ситуаций в системах ситуационного управления . Аналогично описанию полной ситуации обобщенное описание каждой достаточной ситуации строится на основе перечисления входящих в нее листьевых объектов и ОПР, что однозначно ее определяет ввиду древовидности декомпозиции объектов СКМ. Для синтеза обобщенного описания ситуации на первом уровне иерархии описаний применяется та же процедура, которая обеспечивает генерирование типов исполнителей объектов по типам приписанных к ним процессов . Исходные данные в ней -типы листьевых объектов и ОПР исследованных достаточных ситуаций, а результат работы -
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
Интерпретация концептуальной модели...
уникальный тип достаточной ситуации, дополненный порядковым номером ее класса и ее номером в этом классе. В отличие от лексикографического порядка, который используется при генерации типов исполнителей объектов, здесь типы объектов, входящих в ситуацию, упорядочиваются по их положению в дереве объектов (4). Порядковый номер класса определяется номером ресурса, доминирующего в этом классе, согласно списку выходных ресурсов ОПР, а порядковый номер ситуации в пределах класса задается ее предпочтительностью . Оптимальная достаточная ситуация данного класса получает номер 1. Абсолютной шкалой классификации ситуаций естественно считать их классификацию по глобальному критерию качества, то есть по принадлежности к тому или иному классу ситуаций, обеспечивающих доминирование одного из выходных параметров глобального объекта СКМ по обобщенным затратам , которые рассчитаны по критерию качества ОПР этой достаточной ситуации. Первым ключом при построении типа ситуации выбран ее порядковый номер в пределах класса, затем идет номер ОПР, затем - индексы типов списка листьевых объектов, а в конце - номер класса. Описанный порядок индексации использован для удобства формирования запросов типа: «Найти среди оптимальных достаточных ситуаций некоторого заданного уровня ситуацию, составляющую подграф такой-то глобальной оптимальной ситуации», которые типичны при решении задач координации управлений на различных уровнях принятия решений.
Задача обобщения описаний ситуаций в ССМ на основе типов ситуаций включает два основных этапа: поиск общих признаков ситуаций, попавших в один класс для каждого исследованного фрагмента КМПО, и поиск вхождений ситуаций в ситуации более высоких уровней (высота уровня здесь задается уровнем нахождения ОПР). Общая схема рассуждений при обобщении вполне вписывается в идеологию ДСМ-метода . Однако программная реализация ДСМ-метода в ССМ потребовала бы весьма значительных объемов программирования, поэтому был применен вероятностный механизм вывода, реализованный в оболочке ОЭС ССМ , то есть вместо оценок обоснованности тех или иных гипотез, вычисляемых согласно ДСМ-методу, использованы специальные функции пересчета условных вероятностей причинно-следственных связей между конфигурациями достаточных ситуаций и результатами их классификации.
Как следует из изложенного способа типизации ситуаций в ССМ, описания достаточных ситуаций, классифицированных по одному фрагменту КМПО, качественно различаются списками своих листьевых объектов, которые все вместе образуют разбиение множества листьевых объектов использованной при построении фрагмента полной ситуации. Поэтому при обобщении их описаний в основном применяются метод сходства и метод различия, причем в качестве предпосылок используются подстроки конкатенации типов листьевых объектов. Результаты обобщения формируются в виде двух наборов правил, в первый включаются положительные примеры, во второй - отрицательные. По формулам, аналогичным пересчету априорных вероятностей в апостериорные , наличие положительных примеров приводит к повышению условной вероятности соответствующего правила, причем степень увеличения пропорциональна порядковым номерам ситуаций, использованных в данном примере, а наличие отрицательных примеров в той же степени уменьшает условную вероятность правила. После окончания первого этапа обобщения отбраковываются правила с вероятностью меньше 0.5.
На втором этапе обобщения отыскивается сходство между ситуациями различных уровней. Применяется тот же механизм обобщения, но синтезируемые правила отражают условные вероятности появления достаточных ситуаций нижних уровней декомпозиции в составе достаточных ситуаций более высоких уровней и, в частности, глобальных достаточных ситуаций путем оценки частости вхождения типов нижележащих ситуаций в типы вышележащих. Таким образом делается попытка сопоставить между собой классы ситуаций, составленные для ОПР различных уровней, что при достаточном количестве обучающих примеров позволяет составить
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
А.Я. Фридман
иерархическую классификацию достаточных ситуаций с указанием ситуаций, оптимальных для перевода объекта в некоторое состояние из заданного класса.
Еще одна группа правил ориентирована на оценку эффективности заложенных в КМПО альтернатив. Идея поиска заключается в следующем: степень эффективности той или иной альтернативы (как для процессов, так и для объектов) тем выше, чем шире набор классов ситуаций, в которые попадают достаточные ситуации с различными вариантами данной альтернативы. И обратно: если ни один из имеющихся вариантов выбора не меняет класс достаточной ситуации, то данная альтернатива не предлагается пользователю при расширении минимальных полных ситуаций, по крайней мере, для того же самого ОПР, что позволяет ускорить процесс классификации ситуаций. С другой стороны, желательно уметь заранее определять тот набор свойств, которыми обладают самые «радикально действующие» альтернативы, а точнее, несколько наборов - для каждого потенциально желательного варианта изменения областей доминирования.
Все полученные в ходе обобщения правила (по терминологии ситуационного управления они относятся к логико-трансформационным правилам) хранятся в ЭС ССМ и используются как управляющие формулы в процессе классификации ситуаций. Следует отметить еще одну особенность разработанного вероятностного механизма вывода - возможность снизить влияние погрешностей исходных данных на результаты обобщения ситуаций путем учета вероятности ошибочного отнесения ситуации к тому или иному классу. Рассмотрим основную идею его применения для повышения достоверности обобщения ситуаций.
При классификации достаточных ситуаций некоторого фрагмента СКМ могут возникать ошибки из-за структурной неустойчивости процесса вычисления затрат при их передаче между элементами модели. Например, если в КМПО допускаются циклы по ресурсам, то при изменении текущего значения какого-либо участвующего в цикле ресурса класс достаточной ситуации, где рассчитываются затраты по этому ресурсу, может значительно измениться, что, по мнению автора, нарушает устойчивость процедур классификации и обобщения. Такие ситуации предлагается отбраковывать из процедур обобщения, для чего в ССМ рекомендуется применять процедуры проверки зависимости результатов от возможных погрешностей моделирования. Если при анализе влияния погрешностей моделирования для некоторого ресурса СКМ выявлено превышение доли изменения затрат на выходе ОПР по сравнению с долей тестового изменения текущего значения ресурса, такой ресурс рассматривается как недостоверный, вероятность сбоя при его использовании для классификации принимается пропорциональной степени упомянутого превышения. Если вероятность сбоя превышает заданное пороговое значение (по умолчанию используется пороговая вероятность 0.3), то данный ресурс исключается из процедур классификации. В противном случае классификация ситуаций все же проводится, но с учетом вероятности сбоев, что в принципе приводит к снижению контрастности процедур классификации и, как следствие, к снижению вероятности включения ситуаций с участием недостоверного ресурса в категорию оптимальных или весьма предпочтительных.
Анализ пространственно-временных зависимостей. Работа с пространственно-временными зависимостями осуществляется с помощью библиотеки пространственно-временных функций (ПВФ) - программных модулей, обеспечивающих выборку из соответствующих баз исходных данных (БИД) релевантной информации для текущего запроса, занесение этой информации в основную БД и ее обработку для принятия решения об истинности или ложности условия, формирующего запрос. Поэтому в общем случае программа каждой ПВФ включает три части: драйвер БИД, организующий интерфейс основной БД и БИД, программу записи результатов запроса в основную БД и программу интерпретации результатов запроса. При этом изменение предметной области приводит к необходимости модифицировать только драйверы БИД.
Все ПВФ имеют выход логического типа, то есть возвращают ответ «да» или «нет» в результате анализа входящего в них логического условия. Разработаны два вида временных и три вида пространственных функций.
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
Интерпретация концептуальной модели...
Временная функция ИНТЕРВАЛ поддерживает выборку ретроспективных данных за некоторый промежуток времени, ее синтаксис таков:
в_течение (<условие>,<начало>,<конец>,<доля>), (19)
где <условие> может иметь вид:
<имя> <знак> <подсписок_значений (n)>, (20)
оно определяет контролируемую характеристику элемента массива;
<начало> и <конец> задают соответственно начальный и конечный моменты интервала проверки (их отстояние в прошлое от текущего момента времени);
<доля> определяет минимальный допустимый процент (количество) элементов среди всех анализируемых, которые должны удовлетворять <условию>, чтобы функция (19) дала утвердительный ответ на запрос.
Если введено нулевое значение параметра <начало>, проводится анализ всей имеющейся информации до момента времени <конец>. Аналогично, при нулевом значении параметра <конец>, анализируются данные от момента <начало> до текущего момента времени. При совпадении величин <начало> и <конец> рассматривается только один момент времени в прошлом.
Следующая функция позволяет провести временную привязку хранимых данных
к заданному в запросе моменту времени:
момент (<условие>,<время>,<доля>), (21)
где <условие> и <доля> формируются аналогично функции (19), а <время> - фиксированный момент времени, для которого производится операция.
Пространственные функции записываются в форме:
соседние (<условие>,<доля>) (22)
сходные (<условие>,<доля>,<параметры_сходства>). (23)
Параметры <условие> и <доля> задаются как в функциях (19), (21); различие между видами пространственных функций заключается в критерии отбора элементов для совместного анализа: в функции (22) анализируются элементы, примыкающие к текущему геометрически, в функции (23) отбираются элементы, имеющие одинаковые с текущим элементом значения <параметров_сходства>, выбираемых из списка имен существующих параметров и переменных. Например, в приложении ССМ к задаче прогнозирования горных ударов <параметр_сходства> имел имя «разлом» и использовался для совместного анализа характеристик элементов объекта, принадлежащих к тектоническому разлому.
Функция БЛИЖАИШИИ предназначена для определения объекта, имеющего наиболее близкие пространственные координаты к заданным. Функция возвращает утвердительный ответ, если координаты объекта попадают в заданную окрестность. Функция имеет следующий вид:
ближайший (<условие>,<координаты>,<допуск>), (24)
где параметр <условие> имеет уже описанный смысл, параметр <координаты> описывает пространственные характеристики точки привязки, параметр <допуск> задает допустимое удаление по пространственным координатам от указанной точки.
ПВФ можно использовать только в частях ЕСЛИ правил и управляющих формул ЭС. Так как все ПВФ имеют выход логического типа, допускается однократная вложенность различных ПВФ друг в друга, то есть запросы вида
соседние (сходные (<условие>,<доля1>,<параметры_сходства>),<доля2>). (25)
При этом драйвер БИД генерирует запрос, по которому вначале отбираются элементы, удовлетворяющие самой внутренней ПВФ, затем из них отбираются удовлетворяющие более внешней, и т.д. Характеристики отобранных элементов переписываются в БД (эта информация используется в режиме объяснения), интерпретатор вычисляет выходное значение ПВФ, которое заносится в базу правил. Вложенные запросы представляют наибольший интерес, так как
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
А.Я. Фридман
позволяют путем комбинирования ПВФ оценивать совместно пространственные и временные характеристики исследуемого объекта.
Описанные выше ПВФ обеспечивают анализ достаточно широкого класса
пространственно-временны"х соотношений между характеристиками элементов объекта экспертизы, однако в зависимости от специфики предметной области возможна разработка и других ПВФ.
В отличие от правил, генерируемых при обобщении ситуаций по их типам, правила обобщения рассматриваемой здесь группы относятся не к ситуации в целом, а к отдельным объектам, процессам или даже ресурсам СКМ. В слоты ПВФ <условие>
и <параметры_сходства> можно включать логические условия и различные характеристики элементов СКМ, в том числе типы и категории этих элементов. В ССМ не предусмотрено автоматических процедур генерации подобных правил, они конструируются пользователем, и вероятности в них пересчитываются в ходе классификации аналогично изложенному выше.
Заключение
На основе введенных формальных определений различных видов ситуаций, возникающих при моделировании СДО, разработана его иерархическая модель, включающая: формальную систему - СКМ и интегрированную с ней ЭС - со множеством базовых элементов (7)-(10), набором синтаксических правил порождения одних элементов СКМ другими в виде отношений типа (7), (8), системой аксиом (15), (16) и правилами вывода (17), (18), а также правила изменения компонентов этой формальной системы в зависимости от целей моделирования и сложившейся на объекте исследования ситуации, задаваемые посредством выбора соответствующих фрагментов СКМ и управления выводом в ЭС ССМ. СКМ относится к семиотическим (знаковым) моделям, поскольку в ней разработаны три группы логикотрансформационных правил - пополнения, классификации и обобщения ситуаций.
Отличия предложенной модели состоят в интеграции средств, ориентированных на исследование СДО, что обеспечивает совместную логико-аналитическую обработку данных и ситуационный анализ состояния изучаемого объекта с применением экспертных знаний и учетом пространственно-временных зависимостей в характеристиках СДО, выполняемых с использованием картографической информации.
ЛИТЕРАТУРА
1. Кузьмин И.А., Путилов В.А., Фильчаков В.В. Распределенная обработка информации в научных исследованиях. Л.: Наука, 1991. 304 с. 2. Цикритзис Д., Лоховски Ф. Модели данных. М.: Финансы и статистика, 1985. 420 с. 3. Самарский А.А. Введение в численные методы. М.: Наука, 1987. 288 с. 4. Бржезовский А.В., Фильчаков В.В. Концептуальный анализ вычислительных систем. СПб.: ЛИАП, 1991. 78 с. 5. Фридман А.Я. Ситуационное управление структурой промышленно-природных систем. Методы и модели. Saarbrucken, Germany: LAP LAMBERT Academic Publishing, 2015. 530 с. 6. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986. 288 с. 7. Митчел Э. Руководство ESRI по ГИС-анализу. 1999. Т. 1. 190 с.
8. Концептуальное моделирование информационных систем / под ред. В.В. Фильчакова. СПб.: СПВУРЭ ПВО, 1998. 356 c. 9. Автоматическое порождение гипотез в интеллектуальных системах / сост. Е.С. Панкратова, В.К. Финн. М.: ЛИБРОКОМ, 2009. 528 с. 10. Darwiche A. Modeling and Reasoning with Bayesian Networks. Cambridge University Press, 2009. 526 p.
Фридман Александр Яковлевич - д.т.н., профессор, ведущий научный сотрудник Института информатики и математического моделирования КНЦ РАН; e-mail: fridman@iimm. kolasc.net.ru
ВЕСТНИК Кольского научного центра РАН 4/2015(23)
Определение. Под динамической системой понимается объект, находящийся в каждый момент времени tT в одном из возможных состояний Z и способный переходить во времени из одного состояния в другое под действием внешних и внутренних причин.
Динамическая система как математический объект содержит в своем описании следующие механизмы:
- - описание изменения состояний под действием внутренних причин (без вмешательства внешней среды);
- - описание приема входного сигнала и изменения состояния под действием этого сигнала (модель в виде функции перехода);
- - описание формирования выходного сигнала или реакции динамической системы на внутренние и внешние причины изменения состояний (модель в виде функции выхода).
Аргументами входных и выходных сигналов системы могут служить время, пространственные координаты, а также некоторые переменные, используемые в преобразованиях Лапласа, Фурье и других.
В простейшем случае оператор системы преобразует векторную функцию Х(t) в векторную функцию Y(t). Модели подобного типа называются динамическими (временными).
Динамические модели делятся на стационарные, когда структура и свойства оператора W(t) не изменяются со временем, и на нестационарные.
Реакция стационарной системы на любой сигнал зависит только от интервала времени между моментом начала действия входного возмущения и данным моментом времени. Процесс преобразования входных сигналов не зависит от сдвига входных сигналов во времени.
Реакция нестационарной системы зависит как от текущего времени, так и от момента приложения входного сигнала. В этом случае при сдвиге входного сигнала во времени (без изменения его формы) выходные сигналы не только сдвигаются во времени, но и изменяют форму.
Динамические модели делятся на модели безынерционных и инерционных (модели с запаздыванием) систем.
Безынерционные модели соответствуют системам, в которых оператор W определяет зависимость выходных величин от входных в один и тот же момент времени - y=W(Х,t).
В инерционных системах значения выходных параметров зависят не только от настоящих, но и предыдущих значений переменных
Y=W(Z,хt,хt-1,…,хt-k).
Инерционные модели еще называют моделями с памятью. Оператор преобразований может содержать параметры, которые обычно неизвестны - Y=W(,Z,Х), где ={1,2,…,k} - вектор параметров.
Важнейшим признаком структуры оператора является линейность или нелинейность по отношению к входным сигналам.
Для линейных систем всегда справедлив принцип суперпозиции, который состоит в том, что линейной комбинации произвольных входных сигналов ставится в соответствие та же линейная комбинация сигналов на выходе системы
Математическую модель с использованием линейного оператора можно записать в виде Y=WХ.
Если условие (2.1) не выполняется, модель называется нелинейной.
Классифицируются динамические модели в соответствии с тем, какие математические операции используются в операторе. Можно выделить: алгебраические, функциональные (типа интеграла свертки), дифференциальные, конечно-разностные модели и др.
Одномерной моделью называется такая, у которой и входной сигнал, и отклик одновременно являются величинами скалярными.
В зависимости от размерности параметра модели подразделяются на одно- и многопараметрические. Классификация моделей может быть продолжена также в зависимости от видов входных и выходных сигналов.
Информации
Особенности пространственно-временной
СВЯЗИ ПОКАЗАТЕЛЕЙ
МНОГОФАКТОРНЫЕ ДИНАМИЧЕСКИЕ МОДЕЛИ
Многофакторные динамические модели связи показателей строятся по пространственно-временным выборкам , которые представляют собой множество данных о значениях признаков совокупности объектов за ряд периодов (моментов) времени.
Пространственные выборки формируются путем объединения за ряд лет (периодов) пространственных выборок, т.е. совокупности объектов, относящихся к одинаковым периодам времени. Используются в случае небольших выборок, т.е. краткой предыстории развития объекта.
Динамические выборки образуются посредством объединения динамических рядов отдельных объектов в случае длительной предыстории , т.е. больших выборок.
Классификация способов формирования выборок условна, т.к. зависит от цели моделирования, от устойчивости выявленных закономерностей, от степени однородности объектов, от числа факторов. В большинстве случае преимущество отдается первому способу.
Динамические ряды с длительной предысторией рассматриваются как ряды, на основе которых можно строить модели взаимосвязи показателей различных объектов достаточно высокого качества.
Динамические модели связи показателей могут быть:
· пространственными, т.е. моделирующими связи показателей по всем объектам, рассматриваемым в определенный момент (интервал) времени;
· динамическими, которые строятся по совокупности реализаций одного объекта за все периоды (моменты) времени;
· пространственно-динамическими, которые формируются по всем объектам за все периоды (моменты) времени.
Модели динамики показателейгруппируют по следующим видам:
1) одномерныемодели динамики: характеризуются как модели некоторого показателя данного объекта;
2) многомерные модели динамики одного объекта: моделируют несколько показателей объекта;
3) многомерные модели динамики совокупности объектов: моделируют несколько показателей системы объектов.
Соответственно, модели связи используются для пространственной экстраполяции (для прогнозирования значений результативных показателей новых объектов по значениям факторных признаков), модели динамики – для динамической экстраполяции (для прогнозирования зависимых переменных).
Можно выделить основные задачи использования пространственно-временной информации.
1. В случае краткой предыстории: выявление пространственных связей между показателями, т.е. изучение структуры связей между объектами для повышения точности и надежности моделирования этих закономерностей.
2. В случае длительной предыстории: аппроксимация закономерностей изменения показателей в целях объяснения их поведения и прогнозирования возможных состояний.
