Моделирование предметных областей для адаптивных систем поддержки принятия решений

Рассматривается проблема моделирования предметной области (ПрО) для адаптивных систем поддержки принятия решений (АСППР), функционирующих в условиях быстро изменяющейся среды. Предлагается мето-дология построения адаптивной модели ПрО, основанная на ее теоретико-множественном представлении и трехэта...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2018
Hauptverfasser:	Карканица, А.В., Краснопрошин, В.В.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут проблем штучного інтелекту МОН України та НАН України 2018
Schriftenreihe:	Штучний інтелект
Schlagworte:	Інтелектуальні технології прийняття рішень
Online Zugang:	https://nasplib.isofts.kiev.ua/handle/123456789/162377
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:	Моделирование предметных областей для адаптивных систем поддержки принятия решений / А.В. Карканица, В.В. Краснопрошин // Штучний інтелект. — 2018. — № 2 (80). — С. 83-93. — Бібліогр.: 9 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-162377
record_format	dspace
spelling	nasplib_isofts_kiev_ua-123456789-1623772025-02-09T12:11:53Z Моделирование предметных областей для адаптивных систем поддержки принятия решений Subject domains modeling for adaptive decision support systems Карканица, А.В. Краснопрошин, В.В. Інтелектуальні технології прийняття рішень Рассматривается проблема моделирования предметной области (ПрО) для адаптивных систем поддержки принятия решений (АСППР), функционирующих в условиях быстро изменяющейся среды. Предлагается мето-дология построения адаптивной модели ПрО, основанная на ее теоретико-множественном представлении и трехэтапной схеме моделирования. Практическая значимость результатов заключается в возможности исполь-зовать методологию для построения модели ПрО АСППР, устранить статичность модели и определить механизмы ее адаптации к изменениям среды. The problem of subject domain (SD) modeling for the construction of Adaptive Desicion Support Systems (ADSS) that function in a changing decision environment is considered. A methodology for constructing an adaptive SD-model based on its set-theoretic representation and the three-stage modeling scheme is proposed. The practical significance of the research consists in the possibility of using the methodology to construct a SD-model for ADSS, to eliminate the static nature of the model and to determine the mechanisms of its adaptation to environmental changes. 2018 Article Моделирование предметных областей для адаптивных систем поддержки принятия решений / А.В. Карканица, В.В. Краснопрошин // Штучний інтелект. — 2018. — № 2 (80). — С. 83-93. — Бібліогр.: 9 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/162377 004.8 ru Штучний інтелект application/pdf Інститут проблем штучного інтелекту МОН України та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Інтелектуальні технології прийняття рішень Інтелектуальні технології прийняття рішень
spellingShingle	Інтелектуальні технології прийняття рішень Інтелектуальні технології прийняття рішень Карканица, А.В. Краснопрошин, В.В. Моделирование предметных областей для адаптивных систем поддержки принятия решений Штучний інтелект
description	Рассматривается проблема моделирования предметной области (ПрО) для адаптивных систем поддержки принятия решений (АСППР), функционирующих в условиях быстро изменяющейся среды. Предлагается мето-дология построения адаптивной модели ПрО, основанная на ее теоретико-множественном представлении и трехэтапной схеме моделирования. Практическая значимость результатов заключается в возможности исполь-зовать методологию для построения модели ПрО АСППР, устранить статичность модели и определить механизмы ее адаптации к изменениям среды.
format	Article
author	Карканица, А.В. Краснопрошин, В.В.
author_facet	Карканица, А.В. Краснопрошин, В.В.
author_sort	Карканица, А.В.
title	Моделирование предметных областей для адаптивных систем поддержки принятия решений
title_short	Моделирование предметных областей для адаптивных систем поддержки принятия решений
title_full	Моделирование предметных областей для адаптивных систем поддержки принятия решений
title_fullStr	Моделирование предметных областей для адаптивных систем поддержки принятия решений
title_full_unstemmed	Моделирование предметных областей для адаптивных систем поддержки принятия решений
title_sort	моделирование предметных областей для адаптивных систем поддержки принятия решений
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
publishDate	2018
topic_facet	Інтелектуальні технології прийняття рішень
url	https://nasplib.isofts.kiev.ua/handle/123456789/162377
citation_txt	Моделирование предметных областей для адаптивных систем поддержки принятия решений / А.В. Карканица, В.В. Краснопрошин // Штучний інтелект. — 2018. — № 2 (80). — С. 83-93. — Бібліогр.: 9 назв. — рос.
series	Штучний інтелект
work_keys_str_mv	AT karkanicaav modelirovaniepredmetnyhoblastejdlâadaptivnyhsistempodderžkiprinâtiârešenij AT krasnoprošinvv modelirovaniepredmetnyhoblastejdlâadaptivnyhsistempodderžkiprinâtiârešenij AT karkanicaav subjectdomainsmodelingforadaptivedecisionsupportsystems AT krasnoprošinvv subjectdomainsmodelingforadaptivedecisionsupportsystems
first_indexed	2025-11-25T23:09:46Z
last_indexed	2025-11-25T23:09:46Z
_version_	1849805702481051648
fulltext	ISSN 1561-5359. Штучний інтелект, 2018, № 2 © А.В. Карканица, В.В. Краснопрошин 83 УДК 004.89 А.В. Карканица1, В.В. Краснопрошин2 1Гродненский государственный университет имени Янки Купалы, Беларусь ул. Ожешко, 22, г. Гродно, 230023 2Белорусский государственный университет, Беларусь пр. Независимости, 4, г. Минск, 220030 МОДЕЛИРОВАНИЕ ПРЕДМЕТНЫХ ОБЛАСТЕЙ ДЛЯ АДАПТИВНЫХ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ H.V. Karkanitsa1, V.V. Krasnoproshin2 1Yanka Kupala State University of Grodno, Belarus 22, Ozheshko st., Grodno, 230023 2Belarusian State University, Belarus 4, Nezavisimosti av., Minsk, 220030 SUBJECT DOMAINS MODELING FOR ADAPTIVE DECISION SUPPORT SYSTEMS Рассматривается проблема моделирования предметной области (ПрО) для адаптивных систем поддержки принятия решений (АСППР), функционирующих в условиях быстро изменяющейся среды. Предлагается мето- дология построения адаптивной модели ПрО, основанная на ее теоретико-множественном представлении и трехэтапной схеме моделирования. Практическая значимость результатов заключается в возможности исполь- зовать методологию для построения модели ПрО АСППР, устранить статичность модели и определить механизмы ее адаптации к изменениям среды. Ключевые слова: моделирование предметной области, адаптивная модель, адаптивная СППР The problem of subject domain (SD) modeling for the construction of Adaptive Desicion Support Systems (ADSS) that function in a changing decision environment is considered. A methodology for constructing an adaptive SD-model based on its set-theoretic representation and the three-stage modeling scheme is proposed. The practical significance of the research consists in the possibility of using the methodology to construct a SD-model for ADSS, to eliminate the static nature of the model and to determine the mechanisms of its adaptation to environmental changes. Keywords: subject domain modeling, adaptive model, adaptive DSS Введение Любая задача принятия решений (ЗПР) решается в условиях некоторой среды: информационной, социальной, экономичес- кой, политической, образовательной, при- родной или техногенной. Среда принятия решений в настоящее время быстро ме- няется [1]. С одной стороны, существенно возрастает интенсивность появления новых знаний, хранение которых приобретает рас- пределенный характер. А с другой стороны, сетевой контент и знания из некоторых предметных областей быстро устаревают [2,3]. В таких условиях повышаются риски использования недостоверных, не обосно- ванных, а также устаревших знаний. Одним из способов устранения указанных рисков является привлечение квалифицированных экспертов. Опыт и актуальность знаний экспертов позволяет обеспечить не только качество, но и сократить время решения задачи за счет декомпозиции исходной зада- чи на подзадачи. На начальном этапе жиз- ненного цикла ЗПР количество источников знаний о предметной области (ПрО) неиз- вестно. В процессе решения ЗПР (в силу изменчивости среды) требуется постоянное уточнение ПрО. Для своевременной актуа- лизации знаний необходимо иметь меха- низмы, с помощью которых эксперты, неза- висимо от места их нахождения, могли бы модифицировать соответствующие фраг- менты ПрО. В такой ситуации актуальной проб- лемой является создание адаптивных систем поддержки принятия решений (АСППР), способных реагировать на изменение ISSN 1561-5359. Штучний інтелект, 2018, № 2 84 © А.В. Карканица, В.В. Краснопрошин условий принятия решений. Разработка АСППР требует построения адаптивной мо- дели ПрО и соответствующих алгоритмов для ее модификации. В данном исследо- ваниии представлена методология постро- ения адаптивной модели ПрО под-класса ЗПР, которые решаются на основе знаний распределенных экспертов. Постановка задачи Для формализации постановки задачи используем онтологический подход. Пусть имеется некоторая сложно структурирован- ная задача Task, включающая постановку общей задачи S0 и ее n атомарных подзадач: .),,,,,( 21 0  nSSSSTask n (1) В рамках каждой Si известна поста- новки задачи. В сцене решения Scene участ- вуют центр Center и k территориально рас- пределенных экспертов Ei, являющихся источниками компетентных знаний: .),,,,,,( 21 0 nkEEECenterSScene k   (2) Общую схему решения задачи (1) содержательно можно описать следующим образом. Центр выполняет предварительную декомпозицию исходной задачи на под- задачи Si и распределяет их между экспер- тами (источниками знаний). Эксперты известны центру, компетентны, между задачами Si и экспертами Ei установлено взаимно однозначное соответствие. В про- цессе решения любой эксперт (ввиду от- сутствия актуальных знаний или с целью уменьшения сложности текущей задачи) может принять решение о дальнейшей де- композиции задачи Si на атомарные под- задачи. Для решения атомарных подзадач необходимы знания Zi. Знания могут быть представлены в различных форматах и в сумме составляют ПрО. Задача (1) решается, как правило, в условиях неконтролируемых изменений внешней среды Env. То есть, воз- можны изменения состава кортежей (1), (2): - изменение множества подзадач исход- ной задачи; - изменение целей, требований, ограни- чений подзадач; - количественное или качественное изме- нение состава группы экспертов; - устаревание знаний и появление новей- ших знаний. Требуется разработать методологию построения адаптивной модели ПрО задачи (1). Под адаптивной моделью будем пони- мать модель, которая устраняет статичность объектов ПрО и удовлетворяет следующим требованиям: - отражает структурную и информаци- онную динамику ПрО на всем временном интервале: от постановки задачи до полу- чения решения; - имеет механизмы адаптации к измене- ниям среды, как с точки зрения ее струк- туры, так и с точки зрения актуальности и полноты знаний. Таким образом, на этапе модели- рования ПрО, в соответствии с отмечен- ными требованиями, необходимо решить две основные проблемы: - формального представления задачи, отра- жающего ее структуру (структурная составляющая ПрО), и знаний, необхо- димых для ее решения (информационная составляющая ПрО); - задания механизмов модификации как структурной, так и информационной составляющих модели. Анализ методологий В программной инженерии (как и в других научных дисциплинах) модели- рование ПрО реализуется, как правило, в три этапа, на каждом из которых строятся соответственно концептуальная, онтологи- ческая и физическая модели ПрО. В настоящее время спектр методов моделирования, применяемых на каждом из обозначенных выше этапов, достаточно широк: от простейших графических нота- ций и строгих математических структур до объектно-ориентированных языков моде- лирования. Вместе с тем все существу- ющие на сегодняшний момент методологии можно разделить на два основных класса: структурные и объектно-ориентированные. В основе структурных методов лежит методология структурного анализа и проек- тирования SADT, предложенная Д.Россом и развитая впоследствии П.Ченом, П.Коддом и T.ДеМарко. Развитие данной методологии привело к появлению семейства стандартов ISSN 1561-5359. Штучний інтелект, 2018, № 2 © А.В. Карканица, В.В. Краснопрошин 85 моделирования IDEF [4]. Основополага- ющей в этих стандартах является модель П.Чена «сущность-связь» или Entity Relationship Model (ERM), которая описывет значимые сущности ПрО и связи между ними [5]. Связи представляются в форме иерархии, известной как ERD-диаграммы. Фактически модель «сущность-связь» и является концептуальной моделью (КМ) и, в общем случае, в нотации П.Чена может быть представлена следующим образом: гдеERDRelationEntitymodC ),,,( (3) Entity  конечное множество сущностей ПрО; Relation  множество типов связей. В контексте задачи (1) значимыми сущностями являются задачи Task, эксперты Expert и знания Z. Компонент Relation поз- воляет определить три типа связей «задача- подзадача», «задача-эксперт», «задача- знания». ERD-модель представляется ацик- лическим графом, узлы которого опреде- ляют иерархию подзадач, а дуги – уровень их вложенности: ),,( ZETaskEntity  (4)       ),( ),( ),( 3 2 1 ZTaskf TaskEf TaskTaskf Relation ji (5) ),,( ERDRelationEntitymodC  (6) Таким образом, можно сделать вывод о том, что КМ (4)-(6) покрывает важные свойства ПрО ЗПР, моделируя ее основные сущности. Однако, вполне очевидны и про- тиворечия, которые возникают между свой- ствами ER-модели и требованием ее адаптивности. В частности: - конечность множества сущностей проти- воречит требованию, что количество под- задач целевой задачи и источников зна- ний для их решения заранее неизвестно; - алгоритм построения модели позволяет получить только одномоментный стати- ческий «снимок» ПрО в виде жестко формализованной ER-модели, что не позволяет манипулировать количеством экземпляров сущностей Expert и Task; - средства алгоритма построения модели ориентированы на локальные источники знаний, что осложняет их использование территориально распределенными экс- пертами; - в модели (5) отсутствуют составляющие, описывающие модель представления зна- ний Z экспертов. Таким образом, методология П.Чена позволяет построить статическую ER-мо- дель ПрО. На практике такая модель строится, как правило, бизнес-аналитиками единожды. Любое изменение в модели ПрО требует вмешательства разработчиков, пере- сборки всех компонентов ПО и их развер- тывания на рабочих местах пользователей. Поэтому прямое использование методо- логии «сущность-связь» и соответствующей нотации (например, IDEF1X) для исследу- емого класса задач невозможно. Вместе с тем, отмеченные выше свой- ства модели «сущность-связь» позволяют рассматривать методологию П.Чена в ка- честве основы для решения задачи первого уровня концептуализации ПрО: выделить значимые сущности, их атрибуты и отно- шения. На следующем этапе моделирова- ния потребуется решить проблему «конеч- ности» множества сущностей и статичности их структуры. Этап построения онтологической мо- дели (ОМ) может быть успешно реали-зован с использованием объектно-ориентирован- ных методологий и соответствующих им CASE-средств. Структурообразующим эле- ментом модели в объектно-ориентирован- ных методологиях является объект [6]. В роли объектов выступают конкретные сущности ПрО, например, клиент, заказ, услуга. Каждый объект характеризуется своим состоянием – набором атрибутов, значения которых определяют конкретное состояние объекта, а также набором опера- ций для его изменения. Модель ПрО описы- вается средствами языка моделирования (например, UML). Анализируя возможность использо- вания объектно-ориентированных методо- логий для построения ОМ ПрО (для иссле- дуемого класса ЗПР) следует заметить, что: - язык моделирования представляет собой ISSN 1561-5359. Штучний інтелект, 2018, № 2 86 © А.В. Карканица, В.В. Краснопрошин только нотацию, но не методологию моделирования; - использование таких методологий требует привлечения квалифицированных кадров; - моделируются хорошо структурирован- ные предметные области с постоянными источниками знаний; - моделирование возможно внутри локаль- ной группы участников проекта. Таким образом, свойства объектно- ориентированных методологий также не в полной мере соответствует свойствам рассматриваемого подкласса ЗПР. Эти мето- дологии в большей степени ориентированы на решение задач со «статическими» пред- метными областями, модели которых не изменяются в процессе эксплуатации про- граммной системы. Онтологии таких ПрО представляются в виде конечного мно- жества сущностей, типы и структура кото- рых известны еще на этапе проектирования. Задачи с динамическим характером ПрО, где изменение структуры и пара- метров модели ПрО является естественной реакцией на изменения внешней среды, требуют принципиально другого подхода к моделированию. Предлагается, следуя тра- диционной схеме трехэтапного моделиро- вания ПрО (КМ→ОМ→ФМ), разработать методологию, которая на каждом из выде- ленных этапов позволит устранить статич- ность модели и определить механизмы ее адаптации к изменениям среды. Теоретико-множественный подход к моделированию Одним из возможных вариантов устранения «статичности» структурной и информационной составляющих ПрО явля- ется построение модели более высокого уровня абстракции. Например, такую мо- дель можно строить в виде параметри- зированного шаблона, на основании кото- рого тиражируются сущности ПрО и уточ- няется их структура за счет изменения значений параметров шаблона. Предлагается реализация этого под- хода на основе теоретико-множественно-го представления модели ПрО [7]. Согласно такому представлению, любую модель фор- мально можно описать с помощью мно- жества объектов O1, O2, … On, связанных между собой семантическими отношени- ями. Тогда в самом общем виде онтологическую модель (ОМ) ПрО можно представить в виде следующего кортежа: ),,,,,{ tRRMCOmodO t  , (7) где Ot – множетво объектов предметной области; С – множество классов объектов; M – множество методов (алгоритмов, функций и процедур модификации ПрО); R – множество семантических отношений между объектами; R’ – множество ограничений целостности модели; t – временной параметр. Основным элементом модели (7) является объект, причем допускается их неограниченное количество. Под объектом понимается некоторая сущность, имеющая фиксированное множество атрибутов, сос- тояние и поведение. Состояние определя- ется атрибутами и семантическими отно- шениями, поведение – методами. Объекты модели могут быть классифицированы, то есть, отнесены к некоторым классам. В соответствии с таким представлением мо- дель ПрО можно представить множеством экземпляров этих классов. Для исследуемого типа ЗПР такими классами являются: Task – задача, Center – центр, инициирующий задачу, Expert – эксперт, Env  окружение (среда). Ограни- чением целостности модели является единственность экземпляров классов Center и Env. Количество экземпляров классов Task и Expert непостоянно и может изменяться во времени. Необходимо отметить, что уже на начальном этапе построения модели теоре- тико-множественное представление позво- ляет выделить элементы модели и задать ограничения, соответствующие свойствам ПрО задачи. Использование понятия классов объектов позволяет многократно тиражи- ровать объекты, обладающие заданными характеристиками. Тем самым стираются границы модели предметной области ЗПР: исходная задача Task может быть декомпо- зирована на заранее неизвестное количество подзадач, объекты класса Expert могут созда- ISSN 1561-5359. Штучний інтелект, 2018, № 2 © А.В. Карканица, В.В. Краснопрошин 87 ваться и уничтожаться по мере необходи- мости, объект класса Env (среда) может изменять свое состояние за счет изменения значений атрибутов. Например, i-ый объект в момент вре- мени t можно описать в виде следующего кортежа: ),,,,{ ,)( tMPSCO iitiiit T , (8) где Сi – класс объекта; Si – множество атрибутов, характеризующих и однозначно идентифицирующих объект; Pi(t) – множество атрибутов, отражающих состояние объекта в момент времени t; Mi – множество методов; Ti – множество временных характеристик объекта, определяющих фазы существования объекта; t – время. Наличие в модели (8) компонента М (множество методов) дает возможность определить набор операций, которые задают правила манипулирования объектами ПрО. Так как все сущности ПрО представлены множествами, то такими операциями, в частности, могут быть: включение или исключение элемента из множества, опреде- ление принадлежности элемента множеству, изменение значения идентифицирующего атрибута и другие. Следовательно, теоретико-множест- венное представление модели ПрО позво- ляет на уровне построения ОМ определить не только сущности ПрО, но и набор операций по ее модификации. Например: - включение (исключение) задачи во множество подзадач; - включение (исключение) эксперта во множество экспертов; - другие. Реализация этих операций позволит выполнять, при необходимости, адаптацию модели. Если это относится к изменению состава подзадач или экспертов, то можно говорить о структурной адаптации модели. Если существует необходимость в актуа- лизации, обновлении, очистке или модифи- кации знаний для решения подзадач, то это касается информационной адаптации. Структурную адаптацию определим как модификацию модели в ответ на следующие возможные возмущения среды: - декомпозиция подзадачи (в виду ее сложности); - удаление подзадачи (в силу ее тривиальности); - включение в экспертную группу новых исполнителей; - исключение эксперта из группы. Информационную адаптацию опреде- лим как модификацию модели в случае, если: - изменяется содержательная постановка задачи Si (текст задачи, спецификация требований, ограничения); - изменяется состав экспертной группы для решения задачи Si; - знания Zi для решения одной или нескольких задач отсутствуют; - знания Zi для решения одной или нескольких атомарных задач устаре-вают (теряют свою актуальность) и требуется их обновление. Как следует из выражения (8), все эле- менты модели предметной области имеют характеристики, которые позволяют фикси- ровать состояние объекта модели в любой момент времени. Например, для объектов ПрО можно определить следующие фазы: - активная фаза – объект входит в модель предметной области и участвует в инфор- мационном процессе; - фаза ожидания – объект входит в модель, но не участвует в информационном про- цессе; - архивная фаза – объект исключен из модели, но при этом сохраняется и доступна вся информация об объекте; - фаза удаления – объект исключается из модели, вся информация о нем уничтожается. Тогда (для исследуемого класса задач) фазы существования объектов Task и Expert можно интерпретировать следующим образом: - задача инициирована, назначена экспер- ту, ожидается получение паттерна зна- ний от эксперта (активная фаза); - задача инициирована, но не решена (фаза ожидания); - задача решена, получен паттерн знаний, возможно использование знаний для решения новых задач (фаза архивации); - задача «устарела», знания потеряли акту- ISSN 1561-5359. Штучний інтелект, 2018, № 2 88 © А.В. Карканица, В.В. Краснопрошин альность (фаза удаления); - эксперт приглашен в состав экспертной группы, ожидает назначения задачи (фаза ожидания); - эксперт формирует паттерн знаний для решения задачи (активная фаза); - эксперт не участвует в решении текущих подзадач (фаза архивации); - эксперт удаляется из состава экспертной группы (фаза удаления). Нетрудно видеть, что такой подход к моделированию ПрО позволяет при необ- ходимости менять состав элементов модели на протяжении всего жизненного цикла ПрО. Решение об адаптации ПрО прини- мается на основании анализа состояний (фаз) объектов. Введение допустимых опе- раций, а также наличие механизма смены фаз позволяет говорить о возможности изменять границы модели предметной области, то есть адаптировать ее к изменениям внешней среды. С учетом проведенных рассуждений предлагается методология моделирования ПрО, основанная на теоретико-множественном ее представлении. Общая схема методологии включает следующие основные этапы: 1. Построение концептуальной модели modС. Такую модель можно построить, например, с использованием методо- логии структурного моделирования «сущность-связь», взяв за основу компоненты обобщенной модели (6). Далее необходимо уточнить состав, типы и атрибуты объектов КМ, определить фазы их жизненного цикла. 2. Построение онтологической модели modO. Необходимо выполнить форма- лизацию онтологии ПрО, то есть выб- рать структурное и информационное представление составляющих ОМ, опре- делить набор операций по модификации модели и правила их выполнения. 3. Структурная и информационная адапта- ция ПрО. Решение об адаптации прини- мается на основании анализа состояний (фаз) объектов ПрО. Для исследуемого класса ЗПР это объекты классов Task и Expert. 4. Построение физической модели ПрО. На этом этапе разрабатывается архитектура программной системы, которая позво- ляет реализовать структурное и инфор- мационное представление модели ПрО и обеспечивает возможность их моди- фикации при адаптации ПрО к изменениям среды. Таким образом, описанная методо- логия покрывает важные этапы модели- рования ПрО. Кроме того, она позволяет строить адаптивную модель, способную реагировать на изменения состояний внешней среды. Структурная составляющая модели ПрО Для практического использования предложенной методологии (при переходе от ОМ к ФМ) пердлагается выбрать способ формализации онтологий (4)-(7), используя аппарат теории графов. Это позволит построить граф-модель структуры ПрО в более технологичной форме, удобной для организации, хранения и алгоритмической обработки. Очевидно, что реализация концепту- альной модели заключается в построении связного ациклического графа (дерева), узлы которого определяют иерархию под- задач исходной задачи, а дуги – уровень их вложенности. Каждой вершине графа ста- вится в соответствие набор атрибутов Attr, значения которых однозначно идентифи- цируют задачу, эксперта и определяют фазы существования объектов ПрО: ,,,,,,  infstatusaddrnametaskAttr idid (9) где: id  уникальный идентификатор вершины (задачи); task – постановка задачи (требования к решению); status – состояние задачи (например, Created  задача иници- ирована, Assigned – задача назначена эксперту, InProgress – задача находится в процессе решения, Done – задача решена, Canceled – задача «устарела»); name – уникальный идентификатор эксперта; addr – адрес эксперта; inf – информационная составляющая (фактически решение задачи, представленное в одном из допустимых форматов). Построенное таким образом атри- ISSN 1561-5359. Штучний інтелект, 2018, № 2 © А.В. Карканица, В.В. Краснопрошин 89 бутивное дерево имеет следующий вид (рис. 1). S2 S7 Attrid S10 S4 S5 S9 S1 S6 S8Attrid Attrid AttridAttrid Attrid Attrid Attrid Attrid Attrid S3Attrid S0 Attrid=<id, task, name, addr, status, inf> Рис. 1. Структурная модель ПрО Предложенный способ формализации модели позволяет описывать структуру задачи с дальнейшим ее разбиением на необходимое количество подзадач. Информационная составляющая модели ПрО Построенная в виде атрибутивного дерева структурная модель ПрО не решает проблему представления знаний. В кон- тексте ЗПР знания представляют решения подзадач целевой задачи. Для работы экс- перта с определенным фрагментом пред- метной области, необходимо определить способ представления знаний (представ- ления вершин дерева целевой задачи) и, как результат, построить информационную сос- тавляющую модели ПрО. Согласно схеме распределенного ре- шения сложных задач, каждый эксперт получает постановку подзадачи, реализо- вывает ее решение и полученный результат представляет в виде некоторого паттерна знаний. Такой паттерн можно рассматривать как структурированную информацию, необ- ходимую и достаточную для решения зада- чи или ее части [8]. Предлагается строить два типа фреймов: для описания подзадач P и для описания паттернов знаний Z. Структура P определяет постановку задачи эксперту, структура Z описывает паттерн знаний для ее решения: ),();,,( ToolYZSpecTextIdP  , (10) где Id – идентификатор задачи; Text – текст постановки задачи; Spec – требования к решению; Y – решение (знания); Tool – средство реализации Y. Слоты фрейма P заполняются центром, cлоты фрейма Z на начальном этапе решения пусты. Проведем модификацию концептуаль- ной модели (6) путем добавления компонент, представляющих фреймы P и Z: ),\|,,( ZPERDRelationEntitymodC  . (11) Первые три компонента модели (11) представляют структурную составляющую модели ПрО. Информационная составля- ющая представлена фреймами P и Z. Таким образом, модель (11) в рамках одной фор- мальной структуры содержит компоненты, определяющие семантику задачи и знания для ее решения. Временной параметр t, а также механизм смены фаз позволяют отслеживать состояние модели и принимать решение о ее адаптации. Адаптация модели осуществляется за счет операций включения (исключения) элементов и изменения значений иденти- фицирующих атрибутов объекта Attr. Реализация указанных операций требует уточнения модели (11) путем введения алгоритмической компоненты Alg: )\|,\|,,( AlgZPERDRelationEntitymodC  . (12) Компонент Alg представляется набо- ром алгоритмов, необходимых для выпол- нения операций по модификации граф- модели, что гарантирует возможность ее структурной адаптации. Нетрудно заметить, что построенная выше модель (12) позволяют устранить статичность и неделимость модели П.Чена. Действительно, каждый терминальный узел, представленный фреймами P и Z, опреде- ляет вполне определенный фрагмент пред- метной области, который в дальнейшем может быть модифицирован экспертом (т.е. удовлетворяется свойство информационной адаптивности). Наличие алгоритмического компонента позволяет изменять состав мно- жества объектов классов Task и Expert, что удовлетворяет свойство структурной адап- тивности ПрО. Кроме того, изолирован- ISSN 1561-5359. Штучний інтелект, 2018, № 2 90 © А.В. Карканица, В.В. Краснопрошин ность частей модели позволяет реализовать их в отдельных программных компонентах, что обеспечивает формирование информа- ционной части модели удаленными экспертами. Построение физической модели ПрО Физическая модель (ФМ) является результатом преобразования онтологической модели в информационно-программный ком- понент. В настоящее время для решения обозначенной проблемы существует большое количество инструментальных средств в рамках, так называемых, CASE-технологий. Анализ существующих CASE-технологий по- казал, что при построении ФМ значимый положительный эффект достигается в случае, когда предметные области решаемых задач хорошо структурированные и статичные (не требуют адаптации к изменениям среды), когда при разработке используются постоян- ные (локальные и распределенные) источники информации (как правило, реляционные БД), а сами разработчики и эксперты предметной области формируются по локальному прин- ципу. Следует также заметить, что сложность, а порой и избыточность инструментов CASE- технологий, требует значительного участия в процессе моделирования инженеров знаний и программистов, и при этом не гарантирует актуальность и подтвержденную компе- тентность их знаний. Очевидно, что все это противоречит специфике современных ЗПР. Для решения проблемы предлагается подход, основанный на использовании мето- дологии и архитектурных принципов техно- логии распределенного моделирования High Level Architecture (HLA), регламентируемой стандартом IEEE 1516 [9]. Данная технология представляет собой совокупность методик, решений и стандартов для обеспечения взаи- модействия территориально распределенных участников моделирования. Архитектура и стандарты HLA-тех-нологии ориентированы на создание распределенных динамических моделей, для которых характерно взаимо- действие групп однотипных объектов, обме- нивающихся информацией о своем текущем состоянии. Отдельные участники модели, вне зависимости от их типа (программа, человек, аппаратное устройство), называются федера- тами. Совокупность федератов образует феде- рацию. Основная цель HLA – организация и поддержка информационного обмена между федератами. Взаимодействие федератов осуществляется инфраструктурой реального времени Run-Time Infrastructure (RTI). Существенным является то, что соз- дание модели с использованием сервисов стандарта HLA допускает возможность изменения состава участников, при котором новые федераты могут подключаться и пре- кращать работу непосредственно в про- цессе моделирования. Кроме того, стандарт HLA наследует концепции, которые позво- ляют описывать архитектуру и интерфейс системы, способной обеспечить взаимодей- ствие нескольких географически удален- ных друг от друга компонентов модели. Таким образом, отмеченные свойства позво- ляют использовать HLA в качестве основы для разработки технологии построения ФМ. Технологию построения ФМ опреде- лим как процесс преобразования ОМ в модель программного компонента, реали- зованного в соответствии с архитектур- ными принципами стандарта HLA. Опишем общую схему построения ПрО задачи (1), включив в нее всех участников модели- рования (2). Основными участниками в данном случае являются центр, а также группа локальных и удаленных экспертов E. Центр формулирует задачу Text(E) экспертам и ожидает получение паттерна знаний Inf(E). Совокупность паттернов образует ПрО и решение задачи Solution. Между экспертами и центром возможны различного рода коммуникации. Опишем компоненты приведенной схемы в терминах HLA-архитектуры. Сог- ласно теоретико-множественному представ- лению модели ПрО (8), каждый объект модели принадлежит к определенному классу: Task, Center, Expert. Так как объекты классов Center и Env существуют в единственном экземпляре, то ФМ можно представить в виде HLA-федерации, кото- рая будет соответствовать объекту класса Env и управляться объектом класса Center. ISSN 1561-5359. Штучний інтелект, 2018, № 2 © А.В. Карканица, В.В. Краснопрошин 91 Федерация формируется из объектов клас- сов Task и Expert, каждый из которых представлен отдельным независимым феде- ратом. Коммуникации между участниками сцены осуществляется средствами, пред- оставляемыми инфраструктурой RTI (рис. 2). В соответствии с условиями задачи (1) и свойствами ПрО, количество объектов клас- сов Task и Expert может изменяться. Эта возможность обеспечивается тем, что инфра- структура RTI поддерживает службы Join Federation Execution (создание нового федерата) и Resign Federation Execution (удаление федерата из федерации). Вызов этих служб позволит выполнить структур- ную модификацию ПрО. Для адаптации ПрО можно выпол- нить декомпозицию отдельных подзадач и привлечь для их решения необходимое количество новых экспертов. На уровне программной реализации ФМ это дости- гается путем создания новых объектов-фе- дератов и присоединения их к федерации. Федерат Center Эксперт Task S ПрО=Sum(inf(E)) Федерация Внешняя среда Env Inf(E) Text(E) Федерат Expert 1 Федерат Expert n Федерат Expert 2 Text(E) Inf(E) ... - локальные коммуникации - Интернет- коммуникации. Inf(E) Solution Z ExpertsExperts RunTime Infrastructure - коммуникации средствами RTI Рис. 2. ФМ в архитектуре HLA Таким образом, на первом этапе необходимо построить укрупненный ва- риант ФМ, компоненты которой смоде- лированы в соответствии с концепциями HLA, и фактически предоставляют меха- низм управления динамическим процессом построения ПрО ЗПР. Далее необходимо обеспечить соот- ветствие между ФМ и структурной граф- моделью ПрО. К сожалению, в стандарте HLA отсутствует спецификация, описы- вающая схему иерархического подчинения федератов. Федераты позиционируются как независимые участники в составе феде- рации. Предлагается, не нарушая общей парадигмы HLA-архитектуры, модифици- ровать модель федерата путем введения атрибутов, идентифицирующих задачу и эксперта и дополнительного атрибута владения. В ситуации, когда эксперт Ei выполняет декомпозицию подзадачи Si, то значение атрибута владения федерата Ei представляется списком уникальных иден- тификаторов его подзадач: List=(id1, id2, … idk). Такие же индексы присваива- ются соответствующему атрибуту вновь созданных федератов. Таким образом, такая модификация модели федерата гарантирует корректную интеграцию фрагментов знаний распреде- ленных экспертов в соответствии с иерар- хией подзадач (рис. 3). Федерация RunTime Infrastructure RTIAmbassador FederateAmbassador Center S0 AttrS0 Federate S2 AttrS2 List={S3,S4,S5} Federate S5 AttrS5 List={null} S4 S1 S3 S5 S2 S0 List={S1,S2} Рис. 3. Модификация модели федерата атрибутом владения Завершающим этапом построения ФМ является формирование ПрО из полученных от экспертов фрагментов знаний Z. На протяжении всего жизненного цик- ла федерации федерат-центр следит за про- цессом поступления паттернов знаний от распределенных экспертов. Как только этот процесс завершается, необходимо перехо- ISSN 1561-5359. Штучний інтелект, 2018, № 2 92 © А.В. Карканица, В.В. Краснопрошин дить к следующей фазе – интеграции фрагментов знаний в рамках единой ПрО. То есть, на уровне ФМ необходимо иметь механизм определения степени готовности ПрО для запуска процесса интеграции фрагментов. Для этого можно использовать паттерн «Publisher/ Subscriber» (издатель- подписчик), который в архитектуре HLA реализован средствами RTI для обмена данными между центром и федератами. С учетом проведенных рассуждений общую схему технологии построения ФМ ПрО можно описать в виде следующих основных этапов: 1. Построение начальной федерации (укрупненный вариант ФМ). Такую модель можно построить, включив в состав федерации все множество объектов онтологической модели в виде федератов соответствующих классов. 2. Уточнение структуры федератов. Это реализуется путем добавления иденти- фицирующих атрибутов федератов и атрибута владения. Для этого можно, например, выполнить парсинг струк- турной составляющей модели ПрО, представленной в одном из допустимых форматов представления графов. 3. Определение степени готовности модели ПрО. Необходимо выполнить опрос значения коэффициента автономности федератов. Это можно реализовать, например, средствами RTI для обмена данными внутри федерации. 4. Интеграция фрагментов знаний в единую структуру. Решение принимается на основании анализа степени готовности модели ПрО и реализуется путем про- верки значения коэффициента автоном- ности федерата-центра. Таким образом, описанная выше технология позволяет построить ФМ ПрО, соответствующую ее ОМ. Физическая модель фактически представлена в виде архитектуры программной системы, компоненты которой обеспечивает возможность адаптации ПрО за счет динамического изменения состава участников федерации. Заключение В статье рассматривается проблема моделирования ПрО для адаптивных СППР, которые функционируют в условиях быстро изменяющейся среды. Рассмотрены сущест- вующие методологии моделирования ПрО. Показано, что их прямое использование не позволяет устранить статичность модели и удовлетворить свойство адаптивности ПрО. Предложена методология построения адап- тивной модели ПрО, основанная на тради- ционной трехэтапной схеме моделирования ПрО (КМ→ОМ→ФМ). Суть методологии заключается в построении КМ ПрО с использованием структурной методологии «сущность-связь» и уточнении ее до уровня ОМ с использованием теоретико-множест- венного представления. Выделены соот- ветствующие этапы методологии. Предло- жено структурно-информационное пред- ставление модели ПрО ЗПР, введен набор операций на модели, позволяющий выпол- нить структурную и информационную адаптацию ПрО. На основе стандарта рас- пределенного моделирования HLA разра- ботана технология построения ФМ в форме федерации, сервисы которой реализуют механизмы динамического изменения сос- тава элементов модели, что удовлетворяет основному требованию адаптивности ПрО. Литература 1. Ткачук, Е.О. (2002). Требования к адаптивным системам поддержки принятия управленческих решений. Известия ТРТУ, 2, 248–251. 2. Башина, О.Э., Дик, В.В., Уринцов, А.И. (2014). Онтология взглядов на этапы развития систем поддержки принятия решений в рамках перехода к информационному обществу. Статистика и Экономика, 1, 174-183. doi: 10.21686/2500-3925- 2014-1-174-183 3. Вальвачев, А.Н., Виссия, Х., Краснопрошин, В.В. (2008). Технология выполнения IT-проектов коллективами распределенных исполнителей. Искусственный интеллект, 3, 63–69. 4. Черемных, С.В. (2001). Структурный анализ систем: IDEF-технологии. М.: Финансы и статистика. 5. Чен, П. П-Ш. (1995). Модель "сущность-связь" - шаг к единому представлению данных. СУБД, 3, 137-158. 6. Якобсон, А., Буч, Г., Рамбо, Дж. (2002). Унифицированный процесс разработки программного обеспечения. СПб.: Питер. https://doi.org/10.21686/2500-3925-2014-1-174-183 https://doi.org/10.21686/2500-3925-2014-1-174-183 ISSN 1561-5359. Штучний інтелект, 2018, № 2 © А.В. Карканица, В.В. Краснопрошин 93 7. Лаврищева, Е.М. (2016) Теория объектно- компонентного моделирования программных систем. М.: ИСП РАН. Retrieved from http://www.ispras.ru 8. Виссия, X., Краснопрошин, В.В., Вальвачев, А.Н. (2011). Интеллектуализация принятия решений на основе предметных коллекций. Вестник Белорусского государственного университета, Сер.1, 3, 84-90. 9. IEEE Std 1516-2010. (2010). IEEE Standard for Modeling and Simulation (M&S) High Level Architecture (HLA)—Framework and Rules. Retrieved from IEEE Xplore Digital Library. References 1. Tkachuk, E.O. (2002). Trebovaniya k adaptivnym sistemam podderzhki prinyatiya upravlencheskikh reshenii. Izvestiya TRTU, 2, 248–251. 2. Bashina, O.E., Dik, V.V., Urintsov, A.I. (2014). Ontologiya vzglyadov na etapy razvitiya sistem podderzhki prinyatiya reshenii v ramkakh perekhoda k informatsionnomu obshchestvu. Statistika i Ekonomika, 1, 174-183. doi: 10.21686/2500-3925- 2014-1-174-183 3. Val'vachev, A.N., Vissia, H., Krasnoproshin, V.V. (2008). Tekhnologiya vypolneniya IT-proektov kollektivami raspredelennykh ispolnitelei. Iskusstvennyi intellekt, 3, 63–69. 4. Cheremnykh, S.V. (2001). Strukturnyi analiz sistem: IDEF-tekhnologii. M.: Finansy i statistika. 5. Chen, P. (1995). Model' "sushchnost'-svyaz'" - shag k edinomu predstavleniyu dannykh. SUBD, 3, 137-158. 6. Jacobson, A., Buch, G., Rambo, J. (2002). Unifitsirovannyi protsess razrabotki programmnogo obespecheniya. SPb.: Piter. 7. Lavrishcheva, E.M. (2016) Teoriya ob"ektno- komponentnogo modelirovaniya programmnykh sistem. M.: ISP RAN. Retrieved from http://www.ispras.ru 8. Vissia, H., Krasnoproshin, V.V., Val'vachev, A.N. (2011). Intellektualizatsiya prinyatiya reshenii na osnove predmetnykh kollektsii. Vestnik Belorusskogo gosudarstvennogo universiteta, Ser.1, 3, 84-90. 9. IEEE Std 1516-2010. (2010). IEEE Standard for Modeling and Simulation (M&S) High Level Architecture (HLA)—Framework and Rules. Retrieved from IEEE Xplore Digital Library. RESUME H.V. Karkanitsa, V.V. Krasnoproshin Subject Domains Modeling for Adaptive Decision Support Systems Any decision-making problem is being solved under the conditions of some environ- ment. Currently the decision-making environ- ment is changing rapidly. On the one hand, the intensity of new knowledge appearance is significantly increases. On the other hand, the network content and knowledge of some subject areas quickly become outdate. Under such circumstances, the risks of using unreliable, as well as outdated knowledge for decision-making, are increased. One of the ways to eliminate these risks is to involve qualified experts. In the process of solving the decision-making problem (due to the variability of the environment), a constant refinement of the subject domain is required. In such a situation, an actual problem is the development of an Adaptive Decision Support Systems (ADSS), capable of responding to changing decision-making environment. The develop- ment of ADSS requires the construction of an adaptive model of the subject domain and the development of corresponding algorithms for its modification. In this study, a methodology for construc- ting an adaptive subject domain model for problems that are solved on the base of distributed expert knowledge is presented. Existing methodologies for subject domain modeling are considered. It is shown that their direct use does not allow to eliminate the static nature of the model and to satisfy the property of adaptability of the subject domain. A structural and information representation of the domain model is proposed. A set of operations which makes it possible to perform structural and information adaptation of the subject domain is introduced. A technology for constructing a functional model of subject domain in the form of federation has been developed on the basis of High Level Architecture standard. Надійшла до редакції 25.09.2018 http://www.ispras.ru/

Моделирование предметных областей для адаптивных систем поддержки принятия решений

Institution

Ähnliche Einträge