Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу

Стаття присвячена дослідженню ефективності використання стратегії оптимальності при визначенні алгоритму синтезу моделі у порівнянні зі стратегією придатності у процесі функціонування автоматизованої системи багаторівневого соціоекологічного моніторингу. Доведено, що поєднання в метод ідентифікації...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2010
Hauptverfasser:	Голуб, С.В., Колос, П.О.
Format:	Artikel
Sprache:	Ukrainian
Veröffentlicht:	Інститут проблем математичних машин і систем НАН України 2010
Schriftenreihe:	Математичні машини і системи
Schlagworte:	Моделювання і управління великими системами
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/83384
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу / С.В. Голуб, П.О. Колос // Мат. машини і системи. — 2010. — № 4. — С. 127-134. — Бібліогр.: 8 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-83384
record_format	dspace
spelling	irk-123456789-833842015-06-19T03:02:00Z Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу Голуб, С.В. Колос, П.О. Моделювання і управління великими системами Стаття присвячена дослідженню ефективності використання стратегії оптимальності при визначенні алгоритму синтезу моделі у порівнянні зі стратегією придатності у процесі функціонування автоматизованої системи багаторівневого соціоекологічного моніторингу. Доведено, що поєднання в метод ідентифікації функціональних залежностей процесів індуктивного синтезу моделей об'єктів довкілля та класифікації вхідних даних з метою вибору кращого моделюючого алгоритму призводить до покращання характеристик якості результуючих моделей при зменшенні часу їх синтезу. Статья посвящена исследованию эффективности использования стратегии оптимальности при определении алгоритма синтеза модели по сравнению со стратегией пригодности в процессе функционирования автоматизированной системы многоуровневого социоэкологического мониторинга. Доказано, что сочетание в метод идентификации функциональных зависимостей процессов индуктивного синтеза моделей объектов окружающей среды и классификации входных данных с целью выбора лучшего моделирующего алгоритма приводит к улучшению характеристик качества результирующих моделей при уменьшении времени их синтеза. The paper is devoted to study of the efficacy of usage of an optimal strategy in determining the synthesis model algorithm compared with the strategy of applicability in the operation of an automated system of multilevel socio-ecological monitoring. It is proved that the introduction to the method of combining the identification of functional relationships of the processes of inductive synthesis of models of the environment objects and the classification of input data in order to select the best simulation algorithm leads to an improvement quality characteristics of the resulting models with decreasing the time of their synthesis. 2010 Article Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу / С.В. Голуб, П.О. Колос // Мат. машини і системи. — 2010. — № 4. — С. 127-134. — Бібліогр.: 8 назв. — укр. 1028-9763 http://dspace.nbuv.gov.ua/handle/123456789/83384 004.9 uk Математичні машини і системи Інститут проблем математичних машин і систем НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Ukrainian
topic	Моделювання і управління великими системами Моделювання і управління великими системами
spellingShingle	Моделювання і управління великими системами Моделювання і управління великими системами Голуб, С.В. Колос, П.О. Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу Математичні машини і системи
description	Стаття присвячена дослідженню ефективності використання стратегії оптимальності при визначенні алгоритму синтезу моделі у порівнянні зі стратегією придатності у процесі функціонування автоматизованої системи багаторівневого соціоекологічного моніторингу. Доведено, що поєднання в метод ідентифікації функціональних залежностей процесів індуктивного синтезу моделей об'єктів довкілля та класифікації вхідних даних з метою вибору кращого моделюючого алгоритму призводить до покращання характеристик якості результуючих моделей при зменшенні часу їх синтезу.
format	Article
author	Голуб, С.В. Колос, П.О.
author_facet	Голуб, С.В. Колос, П.О.
author_sort	Голуб, С.В.
title	Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу
title_short	Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу
title_full	Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу
title_fullStr	Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу
title_full_unstemmed	Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу
title_sort	застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу
publisher	Інститут проблем математичних машин і систем НАН України
publishDate	2010
topic_facet	Моделювання і управління великими системами
url	http://dspace.nbuv.gov.ua/handle/123456789/83384
citation_txt	Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу / С.В. Голуб, П.О. Колос // Мат. машини і системи. — 2010. — № 4. — С. 127-134. — Бібліогр.: 8 назв. — укр.
series	Математичні машини і системи
work_keys_str_mv	AT golubsv zastosuvannâstrategííoptimalʹnostípriviboríalgoritmívsintezumodelejusistemahbagatorívnevogosocíoekologíčnogomonítoringu AT kolospo zastosuvannâstrategííoptimalʹnostípriviboríalgoritmívsintezumodelejusistemahbagatorívnevogosocíoekologíčnogomonítoringu
first_indexed	2025-07-06T10:08:54Z
last_indexed	2025-07-06T10:08:54Z
_version_	1836891802932609024
fulltext	© Голуб С.В., Колос П.О., 2010 127 ISSN 1028-9763. Математичні машини і системи, 2010, № 4 УДК 004.9 С.В. ГОЛУБ, П.О. КОЛОС ЗАСТОСУВАННЯ СТРАТЕГІЇ ОПТИМАЛЬНОСТІ ПРИ ВИБОРІ АЛГОРИТМІВ СИНТЕЗУ МОДЕЛЕЙ У СИСТЕМАХ БАГАТОРІВНЕВОГО СОЦІОЕКОЛОГІЧ- НОГО МОНІТОРИНГУ Анотація. Стаття присвячена дослідженню ефективності використання стратегії оптималь- ності при визначенні алгоритму синтезу моделі у порівнянні зі стратегією придатності у процесі функціонування автоматизованої системи багаторівневого соціоекологічного моніторингу. Дове- дено, що поєднання в метод ідентифікації функціональних залежностей процесів індуктивного синтезу моделей об’єктів довкілля та класифікації вхідних даних з метою вибору кращого моде- люючого алгоритму призводить до покращання характеристик якості результуючих моделей при зменшенні часу їх синтезу. Ключові слова: автоматизована система багаторівневого соціоекологічного моніторингу, синтез моделі, синтезатор, локальні алгоритми перетворення інформації, ідентифікація функціональних залежностей, класифікація вхідних даних, індуктивне моделювання, стратегія придатності, стратегія оптимальності. Аннотация. Статья посвящена исследованию эффективности использования стратегии опти- мальности при определении алгоритма синтеза модели по сравнению со стратегией пригодности в процессе функционирования автоматизированной системы многоуровневого социоэкологическо- го мониторинга. Доказано, что сочетание в метод идентификации функциональных зависимо- стей процессов индуктивного синтеза моделей объектов окружающей среды и классификации входных данных с целью выбора лучшего моделирующего алгоритма приводит к улучшению ха- рактеристик качества результирующих моделей при уменьшении времени их синтеза. Ключевые слова: автоматизированная система многоуровневого социоэкологического монито- ринга, синтез модели, синтезатор, локальные алгоритмы преобразования информации, иденти- фикация функциональных зависимостей, классификация входных данных, индуктивное моделиро- вание, стратегия пригодности, стратегия оптимальности. Abstract. The paper is devoted to study of the efficacy of usage of an optimal strategy in determining the synthesis model algorithm compared with the strategy of applicability in the operation of an automated system of multilevel socio-ecological monitoring. It is proved that the introduction to the method of combining the identification of functional relationships of the processes of inductive synthesis of models of the environment objects and the classification of input data in order to select the best simulation algorithm leads to an improvement quality characteristics of the resulting models with decreasing the time of their synthesis. Key words: automated system for multi-level socio-ecological monitoring, the synthesis model, synthesiz- er, local algorithms for data transformation, the identification of functional dependencies, the classifica- tion of input data, inductive modeling, strategy, fitness strategy for the optimal. 1. Вступ Автоматизована система багаторівневого соціоекологічного моніторингу [1] призначена для неперервного перетворення інформації, поданої у вигляді концентрації техногенних забруднювачів у воді, повітрі, продуктах харчування та ґрунті разом із характеристиками техногенних випромінювань. У даній статті відображені результати наукових досліджень, метою яких було підвищення ефективності функціонування автоматизованих систем бага- торівневого соціоекологічного моніторингу шляхом побудови алгоритмів перетворення первинної інформації на базі класифікації вхідних даних. Ці дослідження є актуальними, оскільки пов’язані із покращанням здоров’я населення шляхом підвищення ефективності управління техногенним навантаженням довкілля за рахунок удосконалення моніторинго- вих процесів. 128 ISSN 1028-9763. Математичні машини і системи, 2010, № 4 Рис. 1. Структура підсистеми перетворення інформації Розширення можливостей автоматизованих систем соціоекологічного моніторингу стримується обмеженими можливостями його науково-методичного апарату при обробці певних масивів вхідних даних низької інформативності. На сьогодні способи вирішення цієї задачі є недостатньо ефективними. Дослідження сучасного стану теорії та практики синтезу індуктивних моделей в автоматизованих системах соціоекологічного моніторингу дозволили визначити причини їх недостатньої ефективності при обробці масивів даних із значно відмінними характеристиками. 2. Аналіз останніх досліджень та публікацій При створенні автоматизованих систем багаторівневого соціоекологічного моніторингу типовою є задача перетворення інформації про концентрацію шкідливих елементів у воді, повітрі, ґрунті та продуктах харчування, а також про характеристики техногенних випро- мінювань: { }nxxxX ,...,, 21= , (1) де n – кількість видів забруднень, в інформацію про те, яка при таких характеристиках стану довкілля буде кількість захворювань населення на різні види хвороб: { }myyyY ,...,21= , (2) де m – кількість видів захворювань. Функціональна залежність ( )XfY = (3) називається моделлю об’єкта моніторингу. Моделі використовуються як елементи ієрархі- чної структури підсистеми перетворення інформа- ції, яка забезпечує процес обробки результатів мо- ніторингу довкілля, і звуться локальними алгорит- мами перетворення інформації (ЛАПІ) [2]. На рис. 1 подана ієрархічна структура підсистеми перетво- рення інформації, отримана шляхом висхідного си- нтезу ЛАПІ. Процес отримання залежності (3) нази- вається синтезуванням моделей. Програмний мо- дуль, який забезпечує процес синтезування, зветься синтезатором. Оскільки функціональна залежність (3) є ба- гатопараметричною моделлю складного об’єкта, то для її конструювання використовуються метод гру- пового врахування аргументів (МГУА) [3] або бага- тошарові структури, що конструюються на його основі. При цьому індуктивні моделі використовуються як ЛАПІ за умови, що значення показника їх якості будуть не гірше наперед визначеного граничного значення. Показни- ком якості моделей є критерій регулярності, який використовується в типовому алгоритмі МГУА. Його граничні значення визначаються на етапі проектування структури підсистеми перетворення інформації. Таким чином, якісні характеристики окремих індуктивних моделей визначають дос- товірність інформації, яку отримують на виході системи моніторингу і на основі якої приймаються рішення із управління техногенним навантаженням довкілля. Існує ряд специфічних вимог до синтезатора таких моделей. Використання індукти- вних моделей як структурних елементів підсистеми перетворення інформації дозволяє ви- рішувати в комплексі одні з основних проблем, які виникають при проектуванні ієрархіч- них багаторівневих систем. Це формування ієрархічної структури підсистеми перетворен- ISSN 1028-9763. Математичні машини і системи, 2010, № 4 129 ня інформації та координація взаємодії окремих її елементів [2]. Тому синтезатор повинен мати необхідну різноманітність – забезпечувати створення моделей, які можуть бути вико- ристані як структурні елементи на всіх рівнях перетворення інформації без значних пере- налаштувань за різної інформативності даних, що подаються на вхід кожного із рівнів пе- ретворення інформації. Основною функцією системи соціоекологічного моніторингу є забезпечення інфор- мацією процесу прийняття рішень із управління техногенним навантаженням довкілля. У процесі формування керуючих впливів із зменшення викидів техногенних забруднювачів та оцінки наслідків запропонованих дій неодноразово виникає необхідність у використанні нових масивів даних, які до цього не були використані при синтезі структури підсистеми перетворення інформації. Зміна вектора зовнішніх завдань вимагає перебудови структури системи, оскільки певні ЛАПІ, які на даний момент присутні в системі, не забезпечують отримання нової інформації на основі додаткових даних, поданих на вхід системи. Крім того, якість частини раніше синтезованих моделей під впливом зміни властивостей вхідно- го масиву даних знижується і вони вже не можуть використовуватись як ЛАПІ. Таким чи- ном, у процесі оперативного формування рішень періодично виникає необхідність підви- щити якість існуючих моделей та кілька раз пересинтезувати структуру підсистеми перет- ворення інформації. Оскільки ця структура є ієрархічним поєднанням понад 50 моделей необхідної якості, актуальним є підвищення різноманітності синтезатора моделей. Це означає, що необхідно розширити адаптивні властивості алгоритмів синтезу моделей до зміни властивостей вхідних даних та забезпечити синтез нової структури підсистеми пере- творення інформації за прийнятний час, який не обмежує оперативність прийняття рішень. На даний час визначення того, який із множини наявних індуктивних алгоритмів буде використано у процесі синтезування моделі, відбувається за алгоритмом придатного відбору відповідно до стратегії придатності. Згідно з цією стратегією, вибраним вважаєть- ся той алгоритм, значення критерію якості якого не гірше встановленого. Тобто, встанов- люється певне граничне значення критерію якості моделей, і для створення ЛАПІ вибира- ється той індуктивний алгоритм ідентифікації функціональних залежностей, який дозволяє створити модель із заданими характеристиками. Відбувається пошук першого придатного алгоритму. Проте можлива ситуація, коли у множині наявних індуктивних алгоритмів присутні такі, які дають можливість синтезувати моделі зі значно кращими характеристи- ками якості. Але так як перший придатний алгоритм вже визначено, то застосовується са- ме він, незважаючи на гірші показники якості. Тому подальше підвищення різноманітності синтезатора можливе за рахунок застосування іншої стратегії вибору алгоритмів синтезу моделей. 3. Постановка задачі Таким чином, ставиться задача: для вхідного масиву даних, що описує об’єкт моделюван- ня, необхідно вибрати із наявних алгоритм, який забезпечує синтез моделі із найкращими характеристиками якості. Тобто, визначення того, який із множини наявних індуктивних алгоритмів буде використано у процесі синтезування моделі, повинно відбуватися за стра- тегією оптимальності. 4. Виклад основного матеріалу дослідження Для розв’язання поставленої задачі при виборі алгоритму синтезу моделей пропонується змінити стратегію придатності на стратегію оптимальності. Передбачається вважати виб- раним той алгоритм, який забезпечує показник якості синтезованих моделей близьким до кращого. 130 ISSN 1028-9763. Математичні машини і системи, 2010, № 4 Найбільш відомим алгоритмом вибору, який реалізує стратегію оптимальності, є повний перебір. Оцінивши показники якості синтезованих моделей за всіма наявними ал- горитмами, можна отримати модель із найвищим показником якості. Зважаючи на те, що множина наявних алгоритмів синтезу моделей скінченна, реалізувати в синтезаторі цей алгоритм нескладно, але необхідно враховувати, що час синтезу моделі оптимальної якості в даних умовах складає приблизно 78 секунд. Структура підсистеми перетворення інфор- мації містить як мінімум 50 моделей. Таким чином, синтез нової структури при зміні маси- ву вхідних даних буде тривати близько 3900 секунд або понад годину. Для випадків, коли час відгуку системи при зміні масиву вхідних даних не є крити- чною характеристикою, повний перебір залишається прийнятним алгоритмом функціону- вання синтезатора. Але за критерієм забезпечення оперативності рішень, які приймаються за результатами використання автоматизованих моніторингових систем, алгоритм повного перебору не є прийнятним. Існує цілий клас задач для системи соціоекологічного моніторингу, при яких трива- лість часу отримання інформації є критичною величиною. В процесі формування упере- джуючих та компенсуючих заходів із зниження техногенних впливів на довкілля, необхід- ність використання нових даних виникає не менш, ніж 3–4 рази. Крім того, при техноген- ній катастрофі або під час терористичних актів, коли відбувся аварійний викид, наприклад, аміаку, хлору або інших шкідливих речовин, приходиться оперативно приймати рішення про визначення заходів щодо захисту населення. При цьому концентрація шкідливих речо- вин у повітрі кардинально змінюється. Відповідно якісно змінюються властивості вхідних даних. Існуючі індуктивні моделі, на яких побудована структура багаторівневої системи перетворення інформації моніторингових систем, стають неадекватними. Виникає потреба в оперативній заміні моделей у реальному режимі часу. Стоїть завдання – забезпечити оперативну роботу моніторингової системи. При інерційності системи близько години во- на стає нездатною забезпечити оперативність рішень. Для зменшення часу відгуку системи в даній роботі пропонується будувати функці- онування синтезатора за новим методом адаптивного конструювання алгоритмів синтезу моделей (МАКАСМ). Задача синтезу нової моделі розв’язується як ідентифікація функціо- нальної залежності модельованого показника від характеристик об’єкта моніторингу від- повідно виразу (3). Від існуючих методів ідентифікації функціональних залежностей МАКАСМ відрізняється тим, що на першому етапі синтезу моделі відбувається класифіка- ція вхідних даних. На рис. 2 подана функціональна схема синтезатора, створена на основі МАКАСМ. Рис. 2. Функціональна схема синтезатора моделей На вхід синтезатора надходить масив даних первинного опису – чисельних характе- ристик об’єкта моніторингу. Модуль 1M призначений для розрахунку характеристик ма- ISSN 1028-9763. Математичні машини і системи, 2010, № 4 131 сиву вхідних даних. Модуль 2M реалізує алгоритм класифікації вхідних даних, який вико- ристовує їх розраховані характеристики. За результатами класифікації із виходу модуля 2M вхідні дані направляються на вхід одного із алгоритмів синтезу моделі, які реалізують- ся модулями nMM 331 − . Модуль 4M призначений для випробування синтезованої моделі та розрахунку зна- чення її показника якості. Модуль 5M порівнює значення показника якості синтезованої моделі та граничного значення цього показника xS . Цей параметр модуля задається ззовні. За умови, коли якість моделі відповідає вимогам, вона направляється на вихід синтезатора для подальшого використання як ЛАПІ. У випадку, коли якість моделі незадовільна, мо- дель на використання не подається, і запускається на виконання конструктор алгоритмів 6M . В завдання модуля 6M входить конструювання нових алгоритмів класифікації та син- тезу моделей. У загальному випадку задачу класифікації вхідних даних [4] можна формалізувати таким чином. Нехай задано перелік вхідних даних: 1. Множина даних M , які можуть надходити на вхід синтезатора. 2. Розбиття множини M на скінченну кількість підмножин (класів) kΩ , ( mk ,1= , де m – кількість класів), mM Ω∪∪Ω∪Ω∪Ω= ...321 . Кожен клас визначається властивос- тями алгоритму, який забезпечує синтез адекватної моделі для цих даних. 3. Об’єкт класифікації ω , який є масивом вхідних даних, що надійшли в даний мо- мент. 4. Опис об’єкта класифікації, який задається значеннями деяких характеристик jx ( Nj ,1= , де N – кількість характеристик). Сукупність значень характеристик jx визначає опис об’єкта },...,,,{)( 321 NxxxxI =ω . Необхідно за значеннями з набору характеристик вхідного об’єкта )(ωI віднести його до одного з існуючих класів kΩ , ( mk ,1= , де m – кількість класів). Ситуація ускладнюється тим, що діапазон зміни комбінації характеристик масивів даних, які описують окремий клас, явно визначити не вдається. Тому для розв’язання цієї слабоформалізованої задачі класифікації запропоновано використовувати нейромережі [5] в поєднанні з іншими алгоритмами класифікації, які реалізують біонічні підходи [6, 7]. Дослідження проводились при використанні 100 масивів даних, 50 з яких є резуль- татами реальних спостережень кількості захворювань населення Черкаської області та концентрації шкідливих речовин у повітрі жилої зони. Друга половина масивів генерува- лась штучно шляхом обчислення різних математичних функцій та використання генерато- рів значень випадкових величин. Для проведення досліджень було сконструйовано 20 схем індуктивних ідентифіка- ційних алгоритмів, в основу яких лягли елементи таких алгоритмів моделювання: 1. Метод групового урахування аргументів [3]. 2. Метод Степаненка [8]. 3. Неперервні генетичні алгоритми [5]. 4. Метод балансу пар моделей [2]. 5. Методи рециркуляції та полімоделювання [2]. Дані алгоритми застосовувались при використанні чотирьох видів опорного вигляду моделі: 1. 22110 xaxaay ++= . 2. 21322110 xxaxaxaay +++= . 132 ISSN 1028-9763. Математичні машини і системи, 2010, № 4 3. 215 2 24 2 1322110 xxaxaxaxaxaay +++++= . 4. 2 2 2 16 2 25 2 1421322110 xxaxaxaxxaxaxaay ++++++= , де 21, xx – значення вхідних параметрів опорної моделі, 6,1, =iai – коефіцієнти моделі, що визначаються в процесі її навчання. У табл. 1 наведені результати досліджень використання стратегії оптимальності при застосуванні повного перебору та МАКАСМ у порівнянні зі алгоритмом придатного від- бору відповідно до стратегії придатності. У таблиці подано 10 об’єктів дослідження та значення критерію регулярності моделі, яка була синтезована для кожного з об’єктів при використанні тієї чи іншої стратегії. Як граничне значення показника якості, що визначає придатність моделі до використання, було використано 150 випадків захворюваності на 10000 населення (відмітка „–” у полі таблиці означає, що визначити алгоритм, який забез- печує синтез моделі із заданими характеристиками якості, не вдалося). Таблиця 1. Порівняння стратегій придатності та оптимальності визначення алгоритму синтезу моделі за критерієм регулярності Об’єкт дослідження Значення критерію регулярності R при застосуванні алго- ритму придатного відбору, випадків/10 000 осіб Значення критерію регулярності R при застосуванні стратегії оп- тимальності, випадків/10 000 осіб Алгоритм повно- го перебору МАКАСМ Захворювання органів дихання 130,8 105,8 120,8 Захворювання крові 120,7 110,9 110,9 Захворювання шлунку – – – Захворювання шкіри – – – Захворювання зору 98,7 98,7 98,7 Захворювання на бронхіт 136 124,6 124,6 Захворювання на цукровий діабет 140,2 140,2 140,2 Захворювання на туберкульоз 133,1 97,5 128,9 Захворювання нервової системи 106,5 106,5 106,5 Захворювання ендокринної системи – – – Середнє значення 123,71 112,03 118,66 Відповідно до даних табл. 1, можна зазначити, що кожен із алгоритмів вибору, роз- роблений на основі стратегії оптимальності, забезпечує менше значення критерію регуля- рності порівняно із алгоритмом, розробленим за стратегією придатності. Це свідчить про вищу якість моделей, синтезованих за алгоритмом, вибраним відповідно до стратегії опти- мальності. Порівняно із алгоритмом придатного відбору, якість моделей, синтезованих із застосуванням алгоритмів, що реалізують стратегію оптимальності, покращується від 4,1% до 9,4%. Значення критерію регулярності результатів моделювання, отримані за алгорит- мом повного перебору та за МАКАСМ, співрозмірні. В табл. 2 представлені часові характеристики синтезу моделей об’єктів соціоеколо- гічного моніторингу при використанні різних стратегій вибору алгоритму моделювання. ISSN 1028-9763. Математичні машини і системи, 2010, № 4 133 Рис. 3. Значення узагальненого показника ефек- тивності при використанні різних стратегій вибору алгоритму синтезу моделей Таблиця 2. Тривалість синтезу моделі за вибраним алгоритмом Об’єкт дослідження Час синтезу моделі τ при застосуванні алгоритму придат- ного відбору, с Час синтезу моделі τ при засто- суванні стратегії оптимальності, с Алгоритм пов- ного перебору МАКАСМ Захворювання органів дихання 15 78,5 3,5 Захворювання крові 15 78,5 3,5 Захворювання шлунку 78,5 78,5 3,1 Захворювання шкіри 78,5 78,5 4,1 Захворювання зору 12,8 78,5 3,4 Захворювання на бронхіт 33 78,5 3,3 Захворювання на цукровий діабет 3,5 78,5 4 Захворювання на туберкульоз 19,8 78,5 4,2 Захворювання нервової систе- ми 61,6 78,5 3 Захворювання ендокринної системи 78,5 78,5 4,1 Всього 396,2 785 36,2 Дані табл. 2 доводять, що в порівнянні з алгоритмом придатного відбору загальна тривалість синтезу моделей із використанням повного перебору алгоритмів збільшилась в 1,98 раз. При використанні МАКАСМ час синтезу моделі зменшився в 10,94 рази. Таким чином, використовуючи дані табл. 1 та 2, можна стверджувати, що викорис- тання МАКАСМ при побудові синтезатора в порівнянні з алгоритмом придатного відбору дозволяє покращити якість синтезованих моделей та оперативність забезпечення інформа- цією процесу прийняття рішень. Оскільки для загальної характеристики порівнюваних алгоритмів вибору важливо врахувати обидва показники якості, про- понується використовувати узагальнюю- чий критерій (4). При цьому критерію регулярності R результатів моделюван- ня надамо значення вагового коефіцієнта в 9 раз вище за значення вагового коефі- цієнта часу відгуку системи τ при зміні масиву вхідних даних. 21 1 kkR E τ⋅ = , (4) де R – значення критерію регулярності, τ – час синтезу моделі, 1k , 2k – вагові коефіцієнти критеріїв R і τ відповідно. Результати застосування показни- ка ефективності E при порівнянні стра- тегій придатності та оптимальності гра- фічно представлені на рис. 3. 134 ISSN 1028-9763. Математичні машини і системи, 2010, № 4 Рис. 3 демонструє, що застосування нового МАКАСМ на основі класифікації вхід- них даних у процесі синтезу моделі об’єкта моніторингу дозволяє отримати значно вищі показники якості цих моделей у порівнянні з алгоритмами повного перебору та придатного відбору. 5. Висновки Таким чином, використання стратегії оптимальності при виборі алгоритмів синтезу моде- лей у системах соціоекологічного моніторингу забезпечує підвищення якості та оператив- ності перетворення інформації при зміні масиву вхідних даних. Встановлено, що новий метод адаптивного конструювання алгоритмів синтезу мо- делей при зміні масиву вхідних даних у порівнянні з відомим методом придатного відбору забезпечує покращання критерію регулярності на 4,1% і знижує час відгуку системи в дос- ліджуваних умовах у 10,94 раз. Дослідження в цій галузі доцільно продовжувати для виявлення явного вигляду уза- гальнюючого критерію інформативності масиву вхідних даних з метою оцінки можливос- тей синтезатора перед його застосуванням. СПИСОК ЛІТЕРАТУРИ 1. Голуб С.В. Методологія створення автоматизованих систем багаторівневого соціоекологічного моделювання: автореф. дис. на здобуття наук. ступеня доктора техн. наук / С.В. Голуб. – Черкаси: Видавництво ЧНУ, 2008. – 36 с. 2. Голуб С.В. Багаторівневе моделювання в технологіях моніторингу оточуючого середовища / Го- луб С.В. – Черкаси: Вид. від. ЧНУ імені Богдана Хмельницького, 2007. – 220 с. 3. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем / Ивахненко А.Г. – Киев: Наукова думка, 1981. – 296 с. 4. Теория вероятностей и математическая статистика. Математические модели: учебное пособие для студ. высш. учеб. заведений / В.Д. Мятлев, Л.А. Панченко, Г.Ю. Ризниченко [и др.]. – М.: Из- дательский центр «Академия», 2009. – 320 с. 5. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Рутковская Д., Пилинский М., Рутковский Л. – М.: Горячая линия-Телеком, 2006. – 383 c. 6. Колос П.О. Умови конструювання алгоритмів синтезу моделей в системах багаторівневого пере- творення інформації / П.О. Колос, С.В. Голуб // Математичні машини і системи. – 2009. – № 4. – С. 139 – 146. 7. Колос П.А. Применение режима „свой-чужой” при распознавании алгоритмов синтеза моделей в системах многоуровневого социоэкологического мониторинга / П.А. Колос // Індуктивне моделю- вання складних систем: зб. наук. праць. – Київ: Міжнародний науково-навчальний центр інформа- ційних технологій та систем НАН та МОН України, 2009. – С. 74 – 83. 8. Голуб С.В. Моделювання об’єктів моніторингу довкілля за алгоритмом Степаненка / С.В. Голуб // Електроніка та системи управління. – 2006. – № 4 (10). – С. 165 – 168. Стаття надійшла до редакції 08.09.2010

Застосування стратегії оптимальності при виборі алгоритмів синтезу моделей у системах багаторівневого соціоекологічного моніторингу

Institution

Ähnliche Einträge