Отчет о научно-исследовательской работе
Скачать 4.57 Mb.
|
Развитие такой системы также видится эволюционным – причем эволюция здесь определяется как процесс изменения, то есть развития, реформирования или роста через поколения, который ведет к появлению более совершенной или сложной формы. Процесс эволюции организационно-технической системы рассматривается как реконфигурация распределенной сети сущностей – компонентов этой сложной системы, отраженный в появлении, изменении или исчезновении сущностей, а также в установлении, изменении и устранении связей между ними. Отмечается, что в идеале такое реконфигурирование должно производиться «на лету», без остановки деятельности системы. Также в этом контексте следует отметить работу [8]. Здесь также отмечается необходимость обеспечения адаптивности и гибкости систем управления производством за счет применения парадигмы холонических мультиагентных систем. При этом в качестве одной из ключевых проблем, возникающих при решении этой задачи, выделяется организация эффективного взаимодействия между автономными агентами. Организация холонов в системе позволяет обеспечить конфигурируемость, требуемую для обеспечения эволюционного развития системы. Отмечается, что холоны могут быть добавлены, изменены или удалены «на лету» без того, чтобы останавливать или изменять функционирование других холонов или системы в целом. Таким образом, обеспечивается робастность системы, в первую очередь в смысле устойчивости ее поведения к внешним изменениям. В то же время отмечается необходимость обеспечения достоверности получаемой информации и существенное влияние неточных или неверных сведений на устойчивость работы системы. Также в этой работе затрагивается вопрос автономности и кооперации. Кооперация определяется как процесс совместных действий, направленный на достижение общих целей или целей системы. Кооперация приводит к необходимости объединения участников в группы и другие структуры. При этом агенты, обладающие свойством автономности в процессе кооперации могут, как достигать собственные цели, так и изменять их, в основном посредством смены приоритетов текущих задач и ограничений. В связи с этим отмечается необходимость обеспечения гармонии между устойчивостью, кооперацией и автономностью в мультиагентной системе. Много автономности у агентов приводит к высокой адаптивности, но возможной нестабильности работы системы благодаря низкому уровню устойчивости и кооперации. Ограниченная автономность в свою очередь влияет на способность системы адаптироваться к внешним изменениям. Отметим, что изложенные положения требуют дополнения. В разные моменты жизни мультиагентной системы вполне целесообразно динамически изменять баланс между этими параметрами, причем определять необходимость таких изменений требуется также динамически, на основе анализа результатов мониторинга показателей эффективности, характеризующих способность системы к адаптации. В работе [9] указывается, что понимание того, как функционируют сложные системы в реальной природе, позволяет копировать некоторые их свойства при разработке мощных адаптивных и эволюционирующих организационно-технических систем. В основном, данная работа посвящена созданию гибких производственных систем в соответствии с принципами организации систем в живой природе. В последнее время для обеспечения таких востребованных характеристик как модульность, робастность, гибкость и способность к самоорганизации разработано несколько подходов, в частности мультиагентные технологии, холонические производственные системы и бионические производственные системы. Отмечается, что, несмотря на существенные различия, эти парадигмы объединяет общая точка зрения на производственную систему как на распределенную, автономную и адаптивную сложную систему. В описываемой работе дается обзор теорий биологии, которые вдохновляют на разработку новых методов и технологий, описываются примеры применения этих технологий в практических приложениях, указываются возможные проблемы, связанные с применением данного подхода и приводятся примеры реализации этого подхода с помощью мультиагентных технологий. Подчеркивается, что все эти подходы поддерживают реконфигурируемость организационно-технической системы, однако при их реализации часто эта возможность искусственно ограничивается. Это весьма важно в контексте данной работы, так как позволяет сделать вывод о том, что весьма актуальна разработка специализированных подходов к построению и отслеживанию развития такого рода систем, что позволило бы разработчикам программного обеспечения больше внимания уделять вопросам поддержки функциональности, обеспечивающей формирование эмерджентного интеллекта. Все большее число современных предприятий сталкивается с необходимостью решения задачи оптимального планирования ресурсов в реальном времени. При этом в первую очередь речь идет о предприятиях, располагающих значительным количеством неоднородных единиц ресурсов, одновременно находящихся в работе, выполняющих десятки тысяч операций в день, причем в заранее неизвестные моменты времени, оперирующих на значительных территориях, часто в национальном масштабе, и стремящихся удовлетворить самые разнообразные требования. Для таких компаний решение указанной задачи становится критически важным, поскольку без использования автоматизированных систем управления и планирования ресурсов эти предприятия просто не могут успешно развиваться, решать стоящие перед ними задачи, быть эффективными и конкурентоспособными. Для решения указанной задачи необходимы новые методы, алгоритмы и программные средства, которые бы позволяли гибко создавать и адаптировать планы и расписания в реальном времени. Гибкость предполагает здесь оперативную автоматическую реакцию на непредвиденные события (например проведение незапланированных ремонтных работ; авария на каком-то участке дороги, разнообразные отказы инфраструктуры ЖД). При этом, особенная сложность заключается в том, что все непредвиденные события необходимо учитывать с условием минимализации отклонения движения поездов от запланированного графика. Большая часть классических подходов предполагает, что весь пул заказов (планов по грузо и пассажиропотоку) и ресурсов (имеющихся доступных составов, инфраструктуре движения, планов выполнения ремонтных работ и пр.), а также ограничений известен заранее. Поэтому задача формирования расписания сводится к созданию статичного графика. При это внесение изменений в него требует значительных трудозатрат. Реальные события, сопровождающие исполнение графика всегда подвержены случайным отклонениям, которые характеризуются высокой неопределенностью и которые нельзя спрогнозировать. Следовательно, необходим интеллектуальный инструмент, позволяющий адаптировать первоначальный план к новым событиям. При этом каждое событие должно активировать обработку соответствующих заказов и ресурсов, вызывая цепочку операций перепланирования, глубина которой может быть ограничена допустимым временем ответа или другими факторами. В то же время, если имеется запас времени, расписание может подвергаться непрерывной оптимизации или, в общем случае, балансировке интересов всех участников, поскольку каждый заказ или ресурс может иметь собственную специфическую систему критериев, предпочтений и ограничений. При этом, если строить решения на базе автоматических планировщиков, предлагаемых такими крупными компаниями, как SAP, Oracle, Manugistics, i2, ILOG и ряде других, реализующих различные методы Constraint programming и базирующихся на комбинаторном переборе вариантов в глубину, например, метод ветвей и границ [см. обширный справочник по алгоритмам планирования - Handbook of Scheduling: Algorithms, Models and Performance Analysis. Edited by J. Y-T. Leung // Chapman & Hall / CRC Computer and Information Science Series. – 2005] то можно столкнуться с серьезной проблемой выражающейся в невозможности быстрой реакции на вновь поступающие события. Для сокращения перебора, решения данной проблемы, при планировании можно применить различные эвристики и мета-эвристики (под «эвристикой» обычно понимается набор правил, определяющих какая альтернатива является лучшей, а под «метаэвристикой» - стратегия выбора эвристик), позволяющие обеспечивать хорошие решения за разумное время, сокращая перебор и делая его более направленным. К числу наиболее известных эвристик можно отнести «жадные» методы, в которых решения принимаются последовательно путем выбора на каждом шаге лучшей из альтернатив, при этом однажды принятое решение никогда не пересматривается. Более сложными являются специализированные методы локальной оптимизации, где некоторым образом полученное начальное приближение улучшается различными локальными изменениями. Если хорошее решение не достигнуто, может генерироваться некоторое новое начальное приближение, и процесс повторяется. К числу наиболее известных мета-эвристик можно отнести Simple Local Search Based Meta-heuristics (SLSBM) – мета-эвристики локальной оптимизации (со случайным выбором кандидата из списка лучших, с заглядыванием вперед или рандомизацией критериев и т.д.). Еще одна получившая в последнее время развитие мета-эвристика Simulated Annealing (моделирование процесса остывания) является расширением методов локальной оптимизации, в котором формируются «разбегающиеся» зависимые решения и на каждом шаге разрешается принимать не только лучшие решения, но и некоторые ухудшающие решения с вероятностью, вычисляемой как функция от некоторого управляющего параметра, аналога температуры. Идеей, получающей сейчас все большее и большее распространение, является использование истории методов локальной оптимизации (Tabu Search), когда на некоторые уже исследованные варианты налагается запрет (табу), и потому они не рассматриваются на следующем шаге. Еще одна новая мета-эвристика – Ant Search, в которой моделируется поведение муравьев, добывающих пищу. Интересно, что и многие другие мета-эвристики также наследуют физические или биологические концепции, например, Adaptive Memory Programming – использование общей памяти решений. В ряде случаев исследователи применяют смешанные мета-эвристики Miscellaneous, в которых, например, действуют несколько параллельных алгоритмов, каждый из которых предлагает свое решение. Вместе с тем, даже с учетом рассмотренных мета-эвристик, применяемые методы и средства перебора вариантов требуют очень больших затрат времени на расчет планов. Например, расчет оптимального плана для крупной транспортной компании имеющей ресурсы, заказы и инфраструктуру движения, в одном из имеющихся пакетов программ занимает 8-10 часов, за это время ситуация - объем заказов, наличие доступных ресурсов может существенно поменяться и потребуется начинать планирование с начала. Это говорит о том, что средства для планирования в реальном времени остаются весьма примитивными, возможность гибкой адаптации на основе приходящих событий связывается преимущественно с возможностью ручной корректировки планов и полное ориентирование на диспетчеров. В результате, по оценкам экспертов, создаваемые автоматические расписания движения лишь на 40% выполнимы, что вынуждает многие крупные транспортные компании по-прежнему содержать штат опытных и дорогостоящих специалистов и диспетчеров, и осуществлять ручное или полуавтоматическое планирование. Все это не только снижает эффективность использования существующих методов и средств, но и на практике во многом существенно затрудняет их использование. Недостатки традиционных алгоритмов оптимизации при работе в конфликтной ситуации и решении плохо определенных задач в условиях высокой динамики, привели к появлению нового класса задач, связанных с построением расписания и динамическим планированием ресурсов в реальном времени. Такая задача обеспечения согласованного взаимодействия по распределению ресурсов организации путем использования современных информационно-коммуникационных технологий, компьютерных методов и программных средств является в настоящее время весьма актуальной и при этом достаточно сложной. В связи с этим множество исследователей посвящают ее решению довольно много внимания. Следует отметить, что прямое применение существующих математических методов не позволяет добиться эффективных результатов – нужно использовать наиболее современные методы и технологии разработки сложных программных систем, которые основаны на последних достижения в области искусственного интеллекта. В обзоре исследований данной проблемы следует упомянуть работу [10], посвященную компьютерной поддержке переговоров при согласовании управленческих решений. Согласование управленческих решение рассматривается как потенциально противоречивый переговорный процесс, в ходе которого договаривающиеся стороны, возможно конфликтующие, стараются выработать совместное решение для получения результата, которого они не могут достичь другим путем. В качестве факторов, осложняющих согласование решений, выделяются слабая структурированность проблем, отсутствие объективной меры успеха результата, итеративность принятия решений при малом количестве альтернатив, неопределенность и субъективность решений, сложность подсчета общего KPI системы. Важно, что в этой работе выделяются фазы анализа сложившейся обстановки, определение своей позиции и формирование первого предложения, определение тактики ведения переговоров и собственно проведение переговоров. Такой подход позволяет добиться определенной гибкости в организации согласования каждого решения, когда стратегия обработки новых событий вырабатывается индивидуально с учетом текущего состояния системы и хода переговоров. Также уточняется, что задача компьютерной поддержки переговоров возникает только в распределенных системах поддержки принятия решений, как между узлами различных уровней взаимодействия, так и между узлами одного уровня. Проблемам управления взаимодействием уделяется достаточно много внимания при исследовании основополагающих принципов управления сложными организационно-техническими системами. Основные теоретические результаты здесь состоят в разработке новых принципов управления открытыми системами, решении проблемы интеграции знаний, изучении принципов организации согласованной деятельности, а практические результаты отражаются в мультиагентных технологиях и принципах построения онтологий, которые реализованы в интеллектуальных программных системах управления распределением ресурсов в режиме реального времени. Также при изучении фундаментальных принципов организации информационного взаимодействия лиц, принимающих решения, необходимо отметить работу [11]. Когда говорят о коллегиальном управлении, то имеют в виду, что принятие решений осуществляется группой лиц, каждое из которых несет персональную ответственностью за определенную область деятельности. Поэтому любую проблемную ситуацию, сложившуюся в системе, это действующее лицо, называемое «актором», рассматривает со своей субъективной точки зрения, хотя выход из создавшегося положения должен быть найдет совместными усилиями, то есть принятие решений происходит в условиях, когда необходимо согласовывать индивидуальные (относящиеся к сфере деятельности акторов) и групповые (общие для всех акторов) интересы и ценности, которые чаще всего являются противоречивыми. Если количество акторов невелико (несколько человек), то коллегиальное решение может быть принято в результате переговоров «за круглым столом», при которых договаривающиеся стороны могут в необходимой степени взаимно информировать друг друга, создавая возможность достижения компромисса путем соглашений на основе взаимных уступок. В данной работе подчеркивается актуальность разработки систем поддержки принятия коллегиальных решений с применением информационно-коммуникационных технологий, для чего предлагается использовать подход, основанный на применении онтологических моделей ситуаций. Для достижения компромисса между акторами должна быть организована коммуникация, структура которой включает в себя акторов-коммуникантов, наделенных сознанием и владеющих нормами некоторой семиотической системы (языка), ситуацию, которую они стремятся осмыслить и понять, тексты, выражающие смысл ситуации в языке, цели, делающие тексты направленными и процесс материальной передачи текстов. Различие точек зрения акторов порождает множество онтологий, композиция которых может формировать новые онтологии. Множественность онтологий не исключает возможности разработки общей онтологии, которая разделялась бы и использовалась всеми неоднородными акторами. Указанные выше принципы организации согласованной инженерной деятельности и автоматизированных систем поддержки принятия коллегиальных решений могут быть реализованы, например, при построении интеллектуальных систем управления распределенными ресурсами в реальном масштабе времени с использованием мультиагентных технологий [12]. Проведенный анализ показывает существенные ограничения применения существующих систем планирования и оптимизации ресурсов и приводит к необходимости разработки качественно новых инновационных систем интеллектуального управления. Новый подход к решению проблемы оперативной обработки информации в процессах принятия решений может быть основан на применении мультиагентных технологий, получивших интенсивное развитие в последнее десятилетие на стыке методов искусственного интеллекта, объектно-ориентированного программирования, параллельных вычислений и телекоммуникаций. В основе этой технологии лежит понятие «агента» - программного объекта, способного воспринимать ситуацию, принимать решения и коммуницировать с себе подобными, динамически устанавливая связи между собой. На сайте Ассоциации AgentLink Европейского союза [13], объединяющей разработчиков МАС, представлен план развития этого направления до 2020-2030 гг. Актуальность и значимость создания мультиагентных систем в современном все более сложном и быстро меняющемся мире трудно переоценить. Существуют результаты в области логики рассуждений агентов, методов представления знаний, платформ для мультиагентных решений, а также прикладных систем в диапазоне от моделирования социальных процессов – до управления роботами. Однако, если число научных работ в этой области стремительно растет, то с коммерциализацией научных разработок и практическими применениями мультиагентных технологий дело обстоит гораздо скромнее - несмотря на тот факт, что на сегодня хорошо известно более 25 коммерческих компаний и 100 университетских проектов в этой области разработок. Причины этой ситуации состоят в том, что рассматриваемые системы, отвечая новым требованиям глобальной экономики и информационного общества, во многом меняют саму парадигму современного программирования, формируя новые постановки задач и требуя разработки инновационных методов и средств решения этих задач для практических применений [14]. Несмотря на эти трудности, в мире уже известен целый ряд успешных промышленных МАС проектов, в диапазоне от управления логистикой боя и миниатюрными беспилотными самолетами – до управления коттеджами для экономного расходования энергии. Список коммерческих компаний, активно разрабатывающих и применяющих МАС, начал заметно расти уже на рубеже столетий: LostWax (Великобритания), Whitestein Technology / Living Systems (Швейцария), NuTech Solution (США), Magenta Technology (Великобритания – Россия). Применению мультиагентных систем и технологий для решения задач управления ресурсами в настоящее время уделяется достаточно серьезное внимание. Прежде всего, стоит отметить работу [15]. Во многих работах отмечается, что один из новых подходов к управлению предприятиями связан с построением открытых сетевых организаций, подразделения которых, в свою очередь, могут строиться и функционировать как автономные предприятия и напрямую взаимодействовать, как между собой, так и с внешними организациями. Отмечается, что такая сетевая организация позволяет предприятию более оперативно приобретать новые знания и гибко адаптировать свою структуру или принципы функционирования с учетом изменений в среде. В то же время сетевая организация приводит к существенному усложнению и интенсификации процессов принятия и согласования решений, связанных как с текущим функционированием, так и с развитием предприятия. Для обеспечения своей эффективности в этом случае предприятия должны постоянно осуществлять идентификацию потребностей и возможностей в среде и оперативно реконфигурировать свои производственные, финансовые и другие ресурсы, своевременно внедряя новые технологии, обновляя номенклатуру продукции и т.п. Основой последних успешных разработок в области мультиагентных технологий является «биологический» подход (bio-inspired), получивший название «Интеллекта роя» (“Swarm Intelligence”), изначально нацеленный на создание мультиагентных систем нового класса, использующих принципы самоорганизации и эволюции, характерные для поведения живых систем, например, колонии муравьев или роя пчел. Решение любой сложной задачи в таких системах формируется эволюционным путем, часто методом «проб и ошибок», за счет взаимодействия большого числа (десятков и сотен тысяч) простых агентов, непрерывно конкурирующих и кооперирующих друг с другом. Уже в первых работах по этому направлению было показано, что данный подход позволяет решать задачи самой высокой сложности, не поддающиеся решению другими способами, например, в области планирования и оптимизации ресурсов, распознавания образов, понимания текстов и ряда других. Например, при решении таким методом сложных задач оптимизации программные агенты моделируют поведение колонии муравьев в поисках корма – соответствующий подход получил название Ant Optimization. Агенты-исследователи сначала случайным образом разбегаются от гнезда и независимо исследуют окружающую среду, представляющую собой пространство решений. Однако, по мере достижения результата успешные особи, возвращаясь к гнезду с добычей, оставляют следы, которые улавливают другие члены колонии, что заставляет их координировать свое поведение и выбирать тот же путь, направляясь к тому же источнику корма. Если корма много, то все больше муравьев (агентов) обращается к данному источнику, усиливая «протаптывание» дорожки, которая, в свою очередь, привлекает все больше муравьев, и, наоборот, по мере уменьшения корма, привлекательность дорожки ослабевает, и начинают набирать конкурирующую силу другие «дорожки», в это время случайно найденные другими муравьями. В этом случае решение сложной задачи (оптимизации, кластеризации, распознавания образов и т.д.) находится даже в тех случаях, когда другие классические математические методы не работают вовсе, но для построения такого решения может потребоваться довольно много времени для реализации различных «попыток», получение результата иногда никак не гарантировано, и данный подход трудно применим в реальном времени. В то же время, сильные стороны этого подхода связаны с возможностью решения сложных задач за счет взаимодействия большого числа простых агентов, конкуренцией агентов, реализующих разные методы «проб и ошибок», эволюционным решением задач, в котором допускается пересматривать решения, наличием общего поля памяти, корректируемого в ходе различных попыток, как инструмента простейшего согласования действий агентов. Кроме того, стало очевидно, что Swarm Intelligence – важная альтернатива принятому в области искусственного интеллекта классическому пониманию интеллектуальной системы. В этом понимании интеллект должен прийти от механической сборки блоков (как при сборке автомобиля), отвечающих за память, сознание, разные виды рассуждений и т.д. Интеллект же в Swarm Intelligence не находится ни в одном блоке, а рождается как новое динамически возникающее (эмерджентное) свойство системы в результате взаимодействия большого числа совершенно не интеллектуальных элементов. Факт, что умственные возможности одного муравья или пчелы относительно малы, но рой пчел или колония муравьев представляют собой мощный организм с высокой степенью интеллекта, позволяющий защищать гнездо, осваивать новые территории, находить пропитание и решать многие другие задачи в условиях постоянно изменяющихся ситуаций в среде. Важный шаг в развитии этого направления исследований был сделан в работах Артура Кестлера в рамках предложенной им концепции холонических систем, первая реализация которых в системе PROSA была выполнена в работе Хенрика Ван Брюсселя, Пола Валкенаерса и ряда других авторов из Христианского университета (Бельгия). При создании мультиагентных систем для производства выделяются агенты заказа, продукта, ресурса, а также штабной агент, позволяющий хранить общее для всех знание об особенностях производства, оказывать консультации и задавать стратегии другим агентам. Холонический подход был успешно развит для создания мультиагентных систем управления промышленным производством в работах под руководством проф. Владимира Марека из Технического университета г. Прага (Чехия) [16]. Этот подход применялся при создании систем управления производством для концерна Skoda, автоматизации управления для подводных лодок по заказу Rockwell International, управления роем беспилотных самолетов в интересах Министерства обороны США и в ряде других приложений. Работы в этом направлении активно ведутся под руководством проф. Пауло Лейтао в Политехническом институте Браганки (Португалия), где применялись, в частности, при создании системы АДАКОР для контроля производства продукции [17]. Динамичное развитие данного направления привело к появлению ставшей уже регулярной международной конференции по холоническим и мультиагентным системам в промышленном производстве - International Conference on Holonic and Multi-Agent Systems in Manufacturing (HoloMAS). В настоящее время на рынке известен целый ряд мультиагентных платформ для разработки мультиагентных систем, наиболее популярные из них [19 –20]:
Среди современных подходов к автоматизации представления и обработки знаний для поддержки принятия решений по управлению ресурсами организаций в последнее время наибольший интерес представляют разработки, связанные с созданием и применением онтологий. Онтология – это формализованные концептуальные знания о предметной области, представленные в форме, допускающей компьютерную обработку и используемые при принятии решений. При проектировании онтологии деятельности предприятия все необходимые знания разделяют на знания предметной области и знания, относящиеся к методу решения задачи или принятия решений. Термин «онтология» используется как для обозначения базы знаний в целом, содержащей описания данных с помощью некоторой концептуальной схемы, так и для обозначения собственно концептуальной схемы, при этом оперативная информация, отражающая текущее состояние объектов, специфицированных с помощью концептов и отношений, выделяется в так называемую «сцену». Онтологии достаточно удобны для обеспечения информационной поддержки принятия решений, поскольку позволяют отделить знания от программного кода, а также описывать проблемные ситуации. Онтологическая модель ситуации [11] представляет собой описание ситуации в форме понятий и отношений путем многостороннего диалога неоднородных акторов, находящихся в этой ситуации и имеющих возможность воздействовать на нее. В онтологической модели ситуации отражаются как явные знаний, так и неявные, которые являются источником неопределенности и риска конфронтации между акторами. Онтологическая модель ситуации выполняют объединяющую роль платформы, на базе которой происходят процессы согласования точек зрения и взаимных уступок акторов. Отмечается, что этот процесс носит итерационный характер, что очень важно учитывать при организации их взаимодействия. В указанной работе формулируются также требования к системам поддержки принятия коллегиальных решений с применением онтологических моделей ситуации на основе информационно-коммуникационных технологий. На наш взгляд, наиболее важными с точки зрения организации управления ресурсами является компьютерное представление онтологий предметных областей в виде баз знаний неоднородных акторов, участвующих в процессах принятия коллегиальных решений, и организацию доступа к ним с целью получения информации об интересах и предпочтениях каждого актора, интеграция знаний с применением композиции онтологий, сетевой обмен информацией между акторами по принципу «каждый с каждым», автоматизацию конструирования и трансформации онтологической модели ситуации путем разработки и использования механизмов коллективного выбора «подходящих» вариантов из множества предлагаемых акторами решений, регистрацию найденных общих решений в системной библиотеке, что позволит корректировать управление в будущем. Вообще, применение онтологий для решения задач интеллектуальной поддержки принятия решений в настоящее время получает широкое распространение. Вопросы проектирования онтологий предметных областей отражены, например, в работах [11]. В работе [12] указывается, что использование онтологического анализа в качестве единой методологической основы обработки информации в системах компьютерного моделирования позволяет осуществить эффективную поддержку всех логически обусловленных фаз процесса моделирования, включая свойственные каждой фазе механизмы интеграции знаний, предложить концепцию и средства ведения альтернативных и эволюционных исследований на моделях. Отмечается, что определяющими чертами систем компьютерного онтологического моделирования являются положения: методологии решения задач суть упорядоченные процессы приобретения, накопления и использования знаний; актуальные релевантные знания разнородны, изучаемые системы являются открытыми в том смысле, что содержание и объем актуальных знаний подвержены изменениям в масштабе времени исследований, прикладные задачи с позиций сложившегося размежевания научно-технического знания являются междисциплинарными. Также следует отметить работу [21], в которой предлагается подход к интеграции разнородных знаний, основанный на агентных взаимодействиях и заключающийся в совместном использовании агентных механизмов работы со знанием на естественном языке и мультиагентного кластерного анализа. Этот подход позволил разработать методы автоматизированного конструирования онтологий, представления и обработки информации, анализа результатов и пополнения знаний, обеспечивая цикл познания, необходимый для эффективного и оперативного использования информации. В работе [22] достаточно полно описаны современные подходы к использованию онтологии в информационных системах на этапе проектирования и разработки информационной системы и на этапе ее функционирования. Отмечается, что в управляемой онтологией разработке информационной системы онтология может быть использована не только для построения новой информационной системы (в инжиниринге информационной системы), но и для реинжиниринга информационной системы, с целью повышения степени ее расширяемости и качестве сопровождения. Онтология может служить для описания области знаний информационной системы и спецификации структуры хранилища данных, поддерживает систематизацию и интеграцию релевантных информационных ресурсов и содержательный доступ к ним. Благодаря использованию онтологии система знаний информационной системы и ее контент образуют единую сеть знаний и данных, по связям которой может осуществляться удобная навигация и содержательный поиск, существенно расширяющий поиск по ключевым словам. Работы [23, 24] посвящены контекстно-ориентированному управлению знаниями для персонифицированной поддержки взаимодействия участников производственных сетей. Здесь производственная сеть рассматривается как совокупностью объединенных на принципах кооперации в рамках единого информационного пространства технологических ресурсов юридически независимых предприятий, способных на основании их координации и оперативного распределения производить конечный продукт или услугу. Отмечается, что сетевой принцип организации требует оперативной координации большого количества независимых участников большой сети, для чего необходимо использование систем управления знаниями с целью формирования общего информационного взаимодействия. Для решения этой проблемы, в частности для повышения эффективности и оперативности взаимодействия участников производственной сети, предлагается использование персонифицированной системы управления знаниями, реализовать которую предлагается с помощью онтологий. Для обеспечения согласованности информационных ресурсов могут быть использованы модели управления контекстом в системах интеллектуальной поддержки принятия решений в структурированных динамических областях [25, 26]. Контекст, формализованный средствами онтологической модели представления знаний, позволяет структурировать накопленную информацию и обеспечивает семантическую совместимость информационных ресурсов друг с другом и с системами интеллектуальной поддержки принятия решений. Разработке методов и моделей автоматического построения онтологий на основе генетического и автоматного программирования посвящена работа [27]. Работа основывается на определении T.R. Gruber, согласно которому онтология является точной спецификацией концептуализации. С этой точки зрения для каждой из баз данных, или баз знаний, или систем, основанных на знаниях, или агентов знаний должны быть построены спецификации, основанные на некоторой концептуализации. Множества объектов и отношений между ними должны быть описаны в некотором словаре, в котором система, основанная на знаниях, представляет свои знания. Данная работа посвящена разработке технологии создания методов автоматического построения онтологий, позволяющей сформировать библиотеку методов извлечения знаний о терминах и отношениях между ними из терминологических словарей и научных текстов. Для создания методов автоматического построения онтологий в данной работе предлагаются модель генерации систем продукций на основе применения генетического программирования, модель генерации преобразователей на основе генетического и автоматного программирования, модель генерации систем логического вывода на основе генетического и автоматного программирования и модель аппарата активации продукций на основе применения автоматного программирования. Аппарат активации может быть использован как для проверки систем продукций на корректность, так и для функционирования в реальном режиме. В системах поддержки принятия решений знания играют ключевую роль, поэтому ориентация именно на накопление знаний и обеспечения ими участников процесса взаимодействия крайне важно для обеспечения эффективности функционирования единого информационного пространства предприятия. В этом контексте следует отметить работы [28], посвященные разработке многоуровневых моделей сложно-структурированных предметных областей и их использование при разработке систем, основанных на знаниях. Отличительная особенность таких систем состоит в том, что знания, необходимые для выполнения профессиональной деятельности, отделены в них от программ для решения прикладных задач. В указанных работах поднимается очень важный вопрос: как обеспечить редактирование и развитие знаний экспертом без участия посредника – инженера знаний, осуществляющего сопровождение баз знаний для систем, созданных с использованием универсальных систем управления базами данных. Для решения этого вопроса предлагается использовать онтологию, задающую систему понятий и связей между ними. Указанное исследование направлено на решение проблемы создания расширяемых специализированных оболочек систем, основанных на знаниях, для сложноструктурированных предметных областей, которые позволяли бы создавать и изменять базы знаний и онтологии предметной области, а также поддерживали механизмы расширения множества классов прикладных задач. Для этого предлагается класс математических соотношений (декларативных моделей), которые могут использоваться при моделировании онтологий и знаний, класс логических языков для представления этих декларативных моделей, методы анализа сложноструктурированных предметных областей с выбранной точки зрения и общая архитектура расширяемых специализированных оболочек систем, основанных на знаниях. Тенденции к более эффективному, рентабельному и ориентированному на качество предоставляемых услуг функционированию железнодорожной системы настоятельно продвигается по политическими, экономическими и экологическими причинам во всем мире. Железнодорожное сообщение представляет собой стратегически важный актив для обеспечения грузовых и пассажирских перевозок. На развитие данной отрасли в Европе тратят до 35 миллиардов € в год. Кроме того, железные дороги являются наиболее безопасным видом транспорта. Замечая внушительный технологический прогресс железных дорог очевидным для всех является факт, что многое может быть сделано для оптимизации работы усовершенствования ее эффективности. Например, для существенно повысить конкурентоспособность и долю на рынке перевозок, может как использование современных высокоскоростных поездов, так и более высокая производительность обычных поездов. Информационные технологии и технологии связи (ICT) уже привнесли важные инновации в работу сетей железных дорог в области повышения безопасности (системы сигнализации типа ERTMS), поддержки эксплуатации дорог (системы управления и контроля) и оказания услуг клиентам (информация для пассажиров, электронная покупка билетов и так далее). Данное направление – ICT, было и будет критически важным в преобразований железных дорог в интеллектуальную систему перевозок [29], следуя основным принципам, заявленным в соответствии с новой Директивой по функциональной совместимости железных дорог в рамках ЕС [30]. Одна из областей направления работы и применения инфокоммуникационных технологий интенсивно развиваемая в странах ЕС, связана с обслуживанием подвижного состава и контролем его состояния. Основная цель данной задачи состоит в том, чтобы минимизировать вероятность критических ошибок во время движения состава поезда, с серьезными последствиями в терминах качества обслуживания и дополнительных затрат, и в то же время поддерживая затраты на техобслуживание настолько низко, насколько это возможно, чтобы уменьшить расходы жизненного цикла и улучшить рентабельность инвестиций. Необходимость улучшения диагностических систем, для поддержки процессов техобслуживания была отражена в проекте EuRoMain FP5-IST. Проект EuRoMain показал возможность осуществления концепции дистанционного техобслуживания посредством бортовой связи и связи бортового оборудования с землей (результат другого проекта FP5-IST: TrainCom). EuRoMain также продемонстрировал важность стандартного формата для диагностических данных, чтобы упростить их понимание и установление связи с напольными инструментами. Очень популярным становиться системный подход на базе онтологий железных дорог, что нашло отражение в проекте InteGRail, FP6 [31, 32], который представил архитектуру коллективного использования информации, на основе онтологии и SOA (сервисно- ориентированная архитектура). Этот проект показал, что подход на основе онтологии и модульного построения структуры системы может быть эффективно и широко применен в железнодорожных системах привнося измеримое увеличение уровня эффективности работы всей железной дороги. При этом нужно отметить, что онтология не новая идея. Онтология - это формальный язык, который позволяет описать любую концепцию в пределах области знаний, используя логические правила для ее выражения в терминах отношений к другим (ранее определенным) понятиям или концепциям. Начиная с фундаментальных понятий (например, время и место) и перемещаясь к более детальным понятиям. Цель состоит в том, чтобы полностью описать знание, которое мы имеем о такой области. Новая область, где усовершенствования необходимы и могут быть достигнуты, используя решения технологий ICT , связана с развитием средств помощи диспетчеризации, с обслуживанием подвижного состава, а также постоянным контролем его состояния. При этом основная цель средств диспетчеризации состоит в том, чтобы минимизировать вероятность критических ошибок во время движения поездов, ошибок, которые могут привести к серьезными последствиями. Тривиальные события (например, несработавшая стрелка, либо несработавший светофор, срочные работы проводимые на путях) могут иметь отрицательные последствия в виде задержки поезда, а чаще всего каскадное воздействие на все поезда на данном направлении, что влечет дополнительные транспортные затраты и снижения рентабельности. Кроме того, нарушение и перерывы в движении поездов (например, электричек) может привести к условиям социальной напряженности и недовольства местного населения. Анализ зарубежного и отечественного опыта показывает, что СППР широко применяются для решения задач управления и принятия решений на железных дорогах мира. В Германии СППР используются для расследования несчастных случаев на государственных железных дорогах; в Италии и Германии - для диспетчерского управления движением поездов; во Франции - для регулирования порожних грузовых вагонов; в Испании для диагностики подвижного состава; в Англии - для диагностики и проверки эксплуатационной готовности поездов и для информационного обслуживания пассажиров; в Японии - для анализа вариантов автоматизации и для сезонного регулирования графика движения; в США - для анализа вариантов трассы и для анализа причин нарушения графика движения. Таким образом, можно сделать вывод об актуальности настоящей научно-исследовательской работы. Существующие классические методы планирования и оптимизации ресурсов на практике имеют и ряд важных ограничений:
Таким образом, можно сделать вывод, что предпосылки создания планирования и поддержки предприятия решения на базе сетецентрических мультиагентных систем существуют и широко описаны в научной литературе, однако при этом НИР, нацеленных на практическое применение мультиагентных технологий в области управления ресурсами, нее проводилось. Достижение поставленной цели НИР предполагается за счет совершенствования процессов принятия управленческих решений, за счет использования современных технологий представления и обработки знаний (баз знаний) и онтологий, а также мультиагентного подхода в построении системы автоматизации обеспечения оперативной реакции на события, гибкого планирования и согласованного взаимодействия всех участников движения и обслуживания РЖД. В этой связи на первом этапе работ по проекту подготовлен обзор и проведен анализ современных информационных технологий для поддержки управленческих решений, прежде всего для повышения эффективности управления ресурсами в реальном времени. Результатом анализа является выбор направления теоретических исследований и проведения работ по оценке возможности применения мультиагентного подхода и создания модуля планирования для построения графиков движения поездов на определенной инфраструктуре путей. Основной задачей управления пассажирскими перевозками является достижение максимальной эффективности функционирования пассажирского транспорта, обеспечение полного и качественного удовлетворения платежеспособного населения в перевозках с минимальными издержками. При этом необходимо учитывать их особую социальную значимость для территориальной подвижности населения с низким уровнем доходов в регионах, где вследствие географических особенностей, железнодорожные пассажирские перевозки являются единственным видом транспорта. Для осуществления перевозочного процесса железные дороги располагают техническими средствами, включающими в себя подвижной состав и инфраструктуру, в которую входят:
Работа железнодорожного транспорта подчинена трём законам (по убывающей степени важности): обеспечение безопасности движения поездов; график движения поездов; план формирования. Также можно добавить рентабельность и экономическую эффективность, как фактор, набирающий все больший вес. Технологические процессы работы станций применяют как типовые, так и составленные специально для станций с большим объемом работы (сортировочных, грузовых, пассажирских и участковым), применительно к местным условиям работы. Основным требованием к организации работы станции является безусловное обеспечение безопасности движения. Для этого используют техническо-распорядительный акт (ТРА), который содержит общие сведения о станции и прилегающих к ней перегонах, данные о примыкании подъездных путей, назначении станционных путей, стрелок и сигналов, об условиях приема и отправления поездов, организации маневровой работы и особенностях ее выполнения на станции. Система управления движением поездов включает в себя техническое нормирование и оперативное планирование эксплуатационной работы, регулирование перевозок и перевозочных средств, оперативное руководство перевозочным процессом и анализ выполненной работы. Оперативное руководство перевозочным процессом осуществляет диспетчерский аппарат, несущий сменное дежурство. На дорогах эту задачу выполняет распорядительный отдел службы перевозок. Оперативной работой станций руководят дежурные по станции, а на крупных станциях – станционные и маневровые диспетчеры. Движением поездов на участках руководят поездные диспетчеры. Участки, которыми они ведают, называются диспетчерскими кругами. Границами этих кругов являются, как правило, участковые и сортировочные станции. Основная задача поездного диспетчера — обеспечить движение поездов по графику, а в случае его нарушения – ввести опоздавшие поезда в график. С этой целью диспетчер применяет такие регулировочные меры, как уменьшение продолжительности стоянки поездов на раздельных пунктах, отправление по неправильному пути на двухпутных участках, изменение порядка и пунктов скрещения и обгона поездов и др. Необходимые сведения диспетчер получает со станций и от машинистов локомотивов с перегонов участка. Кроме того, ему регулярно передается информация о подходе поездов и вагонов и сложившейся обстановке на каждом стыковом пункте. Важное значение для совершенствования организации движения поездов и использования резервов имеет анализ эксплуатационной работы железнодорожной сети, дорог, отделений и станций. Этот анализ выявляет степень выполнения установленных норм и показателей, причины отклонения от них и позволяет наметить меры по исправлению положения. Различают оперативный и периодический анализ. Оперативный анализ заключается в разборе результатов работы за смену и сутки, а периодический – за более длительный срок (пятидневка, декада, месяц, год). Основная задача организации пассажирских перевозок состоит в удовлетворении потребностей населения в передвижении наряду с обеспечением безопасности и высококачественного обслуживания пассажиров на вокзалах и в поездах. Планы пассажирских перевозок разрабатываются на перспективу и на год с разбивкой по кварталам. В перспективных планах устанавливают объем перевозок в пассажиро-километрах на основе анализа отчетности о выполненных перевозках за прошедший период, данных о росте населения, развитии народного хозяйства, в том числе о строительстве новых городов и поселков, железных дорог, расширении сети курортов и домов отдыха и т.д. Учитывают и такие факторы, как массовые организованные перевозки пассажиров на выставки, а также туристов и учащихся, удельный вес междугородных и пригородных перевозок пассажиров другими видами транспорта. Годовые планы перевозок разрабатывают более детально. При планировании перевозок определяют пассажиропотоки по направлениям и периодам года, а для пригородного движения и по месяцам, дням и часам суток. Для этого используются данные обследований пассажиропотоков. При составлении расписания отправление дальних поездов с начальных пунктов назначают, как правило, в вечернее время, а прибытие на конечные пункты – в утреннее. Расписание местных и пригородных поездов стремятся сделать удобным для основной категории пассажиров, увязывая его с часами работы предприятий и учреждений. Наибольший удельный вес в общем объеме пассажирских перевозок занимают пригородные перевозки. Характерными особенностями этих перевозок являются необходимость частых остановок для посадки и высадки пассажиров и значительная неравномерность движения по периодам года, часам суток и дням недели. На пригородных линиях со значительными пассажиропотоками для удобства пассажиров применяют так называемое зонное движение. Это значительно сокращает время нахождения пассажиров в пути и улучшает использование подвижного состава. Пассажирские поезда делятся на три группы: дальние, следующие на расстояние свыше 700 км, местные – до 700 км и пригородные – до 150 км. Дальние и местные поезда в зависимости от скорости движения и количества остановок подразделяются на скоростные, скорые и пассажирские. На сегодняшний день скоростные поезда курсируют в трех направлениях: «Сапсан» из Москвы в Санкт-Петербург и из Санкт-Петербурга через Москву в Нижний Новгород, а также высокоскоростной поезд Alstom Allegro Санкт-Петербург–Хельсинки. В данном подразделе описываются особенности инфраструктуры РЖД, значимые с точки зрения формирования мультиагентной модели.
Поездом называется сформированный и сцепленный состав вагонов с одним или несколькими действующими локомотивами или моторными вагонами, имеющий установленные сигналы. По старшинству поезда подразделяют на:
Всем поездам в зависимости от категории на станциях формирования присваивают номера: скорым – 1 … 99, пассажирским дальним круглогодичного обращения – 171 … 299, грузовым сквозным – 2001 … 2998, грузовым участковым – 3001 … 3398, грузовым сборным – 3401 … 3498, пригородным – 6001 … 6999 и т.д. Поезда одного направления имеют нечетные номера, а поезда обратного направления – четные. Нормы массы и длины поездов устанавливают в плане их формирования и графике движения. В отношении сквозных поездов нормы массы унифицированы для всего направления следования, с тем, чтобы избежать ее перелома (изменения) при переходе с одного участка на другой. Ускоренные грузовые поезда имеют несколько меньшие нормы массы. Грузовые поезда могут быть тяжеловесными и поездами повышенной массы. В зависимости от длины помимо существуют обычные грузовые поезда; грузовые поезда повышенной длины (длина составляет 350 осей и более); длинносоставные (длина превышает максимальную норму, установленную графиком движения на участке следования этого поезда) и соединенные (составленный не менее чем из двух сцепленных поездов с действующими локомотивами в голове каждого поезда). Грузовой поезд обслуживает локомотивная бригада, тогда как пассажирский – также проводники, а в необходимых случаях и другие работники. Пассажирские поезда подразделяют на следующие категории: дальние, следующие на расстояние свыше 700 км, местные – 150 ... 700 км и пригородные – до 150 км. Дальние и местные поезда в зависимости от скорости движения и числа остановок могут быть скоростными, скорыми и пассажирскими. К скоростным и скорым относятся поезда, следующие с высокой скоростью и имеющие остановки только на больших станциях. Пассажирские поезда следуют с меньшей скоростью и останавливаются на всех или на большинстве станций. Их средняя скорость движения составляет лишь около 50 км/ч.
|
Похожие:
 | Отчет о научно-исследовательской работе Гост 32-2001. Межгосударственный стандарт. Система стандартов по информации, библиотечному и издательскому делу. Отчет о научно-исследовательской... | | Отчет о научно-исследовательской работе Межгосударственный стандарт (гост 32-2001). Отчет о научно-исследовательской работе. Структура и правила оформления (редакция 2005... |
 | Общие положения отчет Отчет о научно-исследовательской работе (нир) документ, который содержит систематизированные данные о научно-исследовательской работе,... | | Реферат Отчет о научно-исследовательской работе состоит Отчет о научно-исследовательской работе состоит из 33 рисунков, 8 разделов, 12 подразделов, 9 формул, 31 источника. Общий объем 48... |
| Отчет о научно-исследовательской работе «определение доступности... Ключевые слова: отчет, научно-исследовательская работа, заключительный отчет, кинопоказ, доступность, качество, цифровые технологии,... | | Отчет по научно-исследовательской работе студентов экономического факультета за 2012-2013 г Научно-исследовательская работа студентов является действенным средством повышения качества подготовки специалистов и проводится... |
| Отчет о научно-исследовательской работе Двухфакторная многокритериальная методика аттестации научно-педагогических работников спбгу на основе показателей эффективности их... | | Отчет о научно-исследовательской работе фгоу впо «Кемеровский гсхи» Ключевые слова: наука, инновации, инновационный потенциал, инновационный проект, финансирование научно-исследовательской работы,... |
| Отчет о научно-исследовательской работе за 2011 год Основные научные направления (по которым факультет осуществляет научно-исследовательскую деятельность) | | Отчет о научно-исследовательской работе Проведение научных исследований коллективами научно-образовательных центров в области коллоидной химии и поверхностных явлений |
| Отчет о научно-исследовательской работе Проведение научных исследований коллективами научно-образовательных центров в области коллоидной химии и поверхностных явлений | | Отчет о научной исследовательской работе студентов (магистрантов) Института Организация научно-исследовательской деятельности студентов и их участие в научных исследованиях и разработках в 2012 году |
| Отчет о научно-исследовательской и опытно-конструкторской работе Методические указания по выполнению контрольной работы одобрены на заседании Научно-методического совета взфэи | | Отчет о научно-исследовательской работе «научно-методическое сопровождение выполнения обязательств российской федерации по охране всемирного культурного и природного наследия... |
| Отчет о научно-исследовательской работе в рамках федеральной целевой... Государственное образовательное учреждение высшего профессионального образования | | Отчет о научно-исследовательской работе в рамках федеральной целевой... Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования |
