Реализация метода правдоподобных рассуждений на основе прецедентов для Интеллектуальных Систем Поддержки принятия Решений*
Скачать 97.11 Kb.
|
| УДК 007:519.816 Реализация метода правдоподобных рассуждений на основе прецедентов для Интеллектуальных Систем Поддержки принятия Решений* П.Р. Варшавский1 Описывается метод вывода на основе прецедентов для интеллектуальных систем поддержки принятия решений (ИСППР) и структура библиотеки прецедентов для ИСППР. Рассматривается возможность решения задач диагностики состояний сложного объекта и обнаружения управляющих воздействий с использованием аппарата прецедентов в прототипе ИСППР для подсистемы компенсации объема (КО) в контуре водо-водяного энергетического реактора (ВВЭР) АЭС. Введение На данный момент весьма актуальной проблемой в области искусственного интеллекта и создания высокоэффективных интеллектуальных систем (ИС) является проблема конструирования ИС, ориентированных на открытые и динамические предметные области. Интеграция способных к адаптации, модификации и обучению моделей представления и оперирования знаниями, ориентированных на специфику проблемной области и соответствующий тип неопределенности, лежит в основе ИСППР и отражает их способность к развитию и изменению своего состояния. По этой причине весьма актуальной в плане создания современных высокоэффективных ИСППР является проблема моделирования человеческих рассуждений. Для решения данной проблемы необходима разработка моделей, методов и инструментальных программных средств представления и оперирования знаниями, базирующихся на аппарате нетрадиционных логик – индуктивных, абдуктивных, нечетких, аргументации, на основе аналогий и прецедентов [Вагин и др., 2004]. В рамках базовой архитектуры ИСППР [Вагин и др., 2001] модели и методы рассуждений на основе прецедентов могут применяться практически во всех ее блоках. Применение соответствующих методов в ИСППР расширяет возможности лиц, принимающих решения (ЛПР), и повышает эффективность принятия решений в различных проблемных (аномальных) ситуациях при управлении и мониторинге сложными объектами или процессами в реальном масштабе времени, а также может с успехом применяться для обучения и тренажа оперативно-диспетчерского персонала [Геловани и др., 2001]. 1. Метод вывода на основе прецедентов для ИСППР Рассуждения на основе прецедентов (CBR – Case-Based Reasoning) как и рассуждения на основе аналогий, базируются на понятии аналогии, однако методы их реализации имеют отличия [Варшавский и др., 2005]. В большинстве энциклопедических источников прецедент определяется как случай, имевший место ранее и служащий примером или оправданием для последующих случаев подобного рода. Вывод на основе прецедентов является подходом, позволяющим решить новую задачу, используя или адаптируя решение уже известной задачи. Как правило, такие методы рассуждений включают в себя четыре основных этапа, образующие так называемый цикл рассуждения на основе прецедентов или CBR-цикл [Aamodt et al., 1994]:
Основная цель использования аппарата прецедентов в рамках ИСППР и, в частности, ИСППР реального времени (ИСППР РВ) заключается в выдаче готового решения ЛПР (оператору) для текущей ситуации на основе прецедентов, которые уже имели место в прошлом при управлении данным объектом или процессом. Как правило, последний этап в описанном выше CBR-цикле исключается и выполняется экспертом (ЛПР). Это связано с необходимостью при формировании БП использовать только достоверную информацию или информацию, подтвержденную экспертом. Таким образом, для рассуждений на основе прецедентов в ИСППР количество прецедентов должно быть минимизировано и иметь максимальную степень достоверности. Кроме того, редко возникает необходимость пересмотра и адаптации извлеченного решения, так как рассматривается один и тот же объект (подсистема) и из БП извлекаются только прецеденты, имеющие достаточно большую степень сходства с новой сложившейся ситуацией. Модифицированный CBR-цикл для ИСППР, включает в себя следующие этапы:
Сохранение вновь принятого решения как части нового прецедента может быть осуществлено только экспертом (ЛПР). Поиск решения на основе прецедентов заключается в определении степени сходства текущей ситуации с прецедентами из БП. При этом учитываются веса параметров для описания прецедентов, заданные экспертом. Степень сходства зависит от близости текущей ситуации и прецедента и определяется с помощью алгоритма определения ближайшего соседа. В алгоритме определения ближайшего соседа используется простое покоординатное сопоставление текущей ситуации с прецедентом (каждый параметр для описания прецедентов рассматривается как одна из координат). Таким образом, определяется расстояние D между текущей ситуацией и прецедентом, а также вычисляется максимальное расстояние DMAX с использованием границ диапазонов параметров для описания прецедентов. Затем вычисляется значение степени сходства SIM = 1 – D/DMAX или в процентах SIM = (1 – D/DMAX) 100%. Поясним работу алгоритма определения ближайшего соседа на простом примере. Пусть прецеденты и текущая ситуация описываются только двумя параметрами:
В БП имеются два прецедента:
Для текущей ситуации (Цель) t = 20°С, а h = 3000 мм. Далее рассмотрим координатную плоскость (рис. 1), выбрав в качестве одной оси координат t, а в качестве другой оси координат h. Цель имеет координаты (20, 3000), а прецеденты:
 Рис. 1. Координатная плоскость для рассматриваемого примера Теперь рассчитаем расстояние от Цели до П1 (D1) и до П2 (D2): D1 = ((20 – 30)2 + (3000 – 3500)2)1/2 = 500,10; D2 = ((20 – 40)2 + (3000 – 1500)2)1/2 = 1500,13. Аналогичным образом вычисляется максимальное расстояние DMAX между точками с координатами (10, 1000) и (50, 5000) = 4000,20. Затем вычисляются значения степени сходства SIM текущей ситуации с двумя прецедентами из БП:
Более сложный случай, когда для описания ситуации и прецедентов используется n параметров (n > 2), отличается от представленного случая только тем, что вместо двух координат рассматривается n координат. Далее перейдем к рассмотрению структуры БП, ориентированной на применение в рамках ИСППР, предназначенной для помощи оперативно диспетчерскому персоналу при управлении сложными процессами или объектами типа энергоблоков. 2. Структура БП, ориентированная на применение в рамках ИСППР БП для ИСППР должна объединять в себе прецеденты по конкретной подсистеме сложного технологического объекта управления (ТОУ), а также содержать информацию о каждом параметре, используемом для описания прецедентов (тип параметра и диапазон). Кроме того, БП для ИСППР должна включает в себя такие настройки, как:
Нужно подчеркнуть, что БП может быть сформирована на основе:
БП может быть включена в состав базы знаний ИСППР или выступать как отдельный компонент системы. Как видно из структуры БП для ИСППР (рис. 2) прецедент представляет собой некоторый случай, имевший место в прошлом при функционировании ТОУ и состоящий в самом общем виде из описания задачи или ситуации (т.е. значения параметров, описывающих сложившуюся задачу или ситуацию) и решения (диагноза и рекомендации). Таким образом, прецедент в каком то смысле подобен продукционному правилу вида «ЕСЛИ … ТО …».  Рис. 2. Структура БП для сложного ТОУ 3. Пример решения задач диагностики состояний сложного объекта и обнаружения управляющих воздействий с использованием аппарата прецедентов Под сложным объектом понимается объект типа энергоблока, имеющий сложную архитектуру с различными взаимосвязями, с большим количеством контролируемых и управляемых параметров и малым временем на принятие управляющих воздействий. Как правило, такие сложные динамические объекты декомпозируются на технологические подсистемы и могут функционировать в различных режимах (в штатном, аварийном и т.д.). Для описания сложного объекта типа энергоблока и его подсистем используется конечное множество параметров x1, x2, … , xm (подсистемы энергоблока насчитывают десятки аналоговых и дискретных параметров). Множества O1, O2, … , Om есть области значений соответствующих параметров (т.е. Oi, i = 1, … , m, есть область значений xi). Состояние объекта характеризуется набором конкретных значений указанных параметров. В оперативном режиме считывание значений параметров с датчиков для всего объекта управления производится системой контроллеров с интервалом в 4 секунды. За это время необходимо выдать ЛПР (оператору) диагноз по конкретной сложившейся ситуации и дать рекомендацию о необходимости того или иного управляющего воздействия (последовательности воздействий) на объект. Диагностирование и обнаружение управляющих воздействий осуществляется на основе экспертных знаний, технологического регламента и оперативных инструкций. Как правило, для решения данных задач используется решатель, функционирующий на основе правил продукционного типа. В случае появления аномальных (нештатных) ситуаций на объекте возникает необходимость применения методов правдоподобных рассуждений, в частности, методов поиска решения на основе прецедентов. Поэтому для решения выше указанных задач наряду с решателем применяется разработанное программное инструментальное средство (конструктор библиотек прецедентов – КБП), зарегистрированное в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам (свидетельство №2005610761 от 31.03.2005). Основными компонентами КБП являются:
Разработка программных модулей была проведена в среде визуального программирования Borland C++ Builder 6.0 под операционную систему Windows NT/2000/XP. Рассмотрим применение разработанной системы в составе ИСППР РВ для поддержки оперативно-диспетчерского персонала энергоблока на примере КО в контуре ВВЭР АЭС (рис. 3).  Рис. 3. Схема функционирования ИСППР РВ с использованием КБП Компенсатор объема необходим для реакторов, охлаждаемых водой под давлением, и предназначен для компенсации температурных изменений объема воды, заполняющей реакторный контур. Он используется для создания давления при пуске и поддержания давления в эксплуатации, а также для ограничения отклонений давления в аварийных режимах. На АЭС применяют только паровой КО (рис. 4).  Рис. 4. Технологическая схема парового КО Разработка БП с помощью КБП для систем экспертного диагностирования ТОУ и определения управляющих воздействий подразделяется на следующие основные этапы:
Заключение В работе рассматривается метод правдоподобных рассуждений на основе прецедентов, активно применяемый в диагностических системах (медицинской диагностике, диагностике спутникового оборудования и т.д.), экспертных системах и системах машинного обучения. Указывается специфика применения данного метода в ИСППР. Предлагается структура БП, ориентированная на применение в рамках ИСППР и, в частности, ИСППР РВ. Описываются основные функциональные возможности разработанного программного средства КБП для конструирования библиотек прецедентов и поиска решения на основе прецедентов. Данное программное средство зарегистрировано в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам. Рассмотренный метод и разработанное программные средство применены для решения задач диагностики состояний сложного ТОУ и обнаружения управляющих воздействий с использованием аппарата прецедентов в прототипе ИСППР РВ для подсистемы КО в контуре ВВЭР АЭС, разрабатываемом на кафедре Прикладной математики МЭИ (ТУ) совместно с ОАО «ЦНИИКА». Следует отметить, что в методах рассуждений на основе прецедентов могут весьма успешно применяться механизмы рассуждений на основе аналогий, поэтому интеграция этих методов в рамках ИСППР весьма перспективна [Варшавский, 2004]. Список литературы [Вагин и др., 2004] Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах // Под редакцией В.Н. Вагина, Д.А. Поспелова. – М.: ФИЗМАТЛИТ, 2004. – 704 с. [Вагин и др., 2001] Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени // Известия РАН. Теория и системы управления. 2001. № 6. – С. 114-123. [Геловани и др., 2001] Геловани В.А., Башлыков А.А., Бритков В.Б., Вязилов Е.Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. // – М.: Эдитореал УРСС, 2001. – 304 с. [Варшавский и др., 2005] Варшавский П.Р., Еремеев А.П. Поиск решения на основе структурной аналогии для интеллектуальных систем поддержки принятия решений // Известия РАН. Теория и системы управления. – № 1. – 2005. – С. 97-109. [Aamodt et al., 1994] Aamodt A., Plaza E. Case-based reasoning: foundational issues, methodological variations, and system approaches // AI Communications. IOS Press. Vol. 7: 1. 1994. – P. 39-59. [Варшавский, 2004] Варшавский П.Р. Применение метода аналогий в рассуждении на основе прецедентов для интеллектуальных систем поддержки принятия решений // Труды девятой национальной конференции по ИИ с международным участием КИИ-2004. В 3-х т. Т.1. – М.: Физматлит. 2004. – С. 218-226. * Работа выполнена при финансовой поддержке РФФИ (проект № 05-07-90232) 1 111250, Москва, ул. Красноказарменная 14, МЭИ (ТУ), VarshavskyPR@mpei.ru |
Добавить документ в свой блог или на сайт
Похожие:
 | Система временного вывода для интеллектуальных систем поддержки принятия решений* | | Программа дисциплины «Экспертные системы и системы поддержки принятия решений» Тема Сравнительный анализ экспертных систем и систем поддержки принятия решений |
 | Принципы построения систем поддержки принятия решений для оценки... Объект внимания данной работы представляет собой систему поддержки принятия решений (сппр) для оценки функционального состояния лица... | | Правительство Российской Федерации Государственное образовательное... Тема Сравнительный анализ экспертных систем и систем поддержки принятия решений |
| Программа экологических индикаторов оэср (табл. 2) «Информация для принятия решений» отмечено: «В целях создания надежной основы для процесса принятия решений на всех уровнях и содействия... | | Инновационные парадигмы и технологии имитационного моделирования... В докладе рассматриваются методологические, инструментальные, практические аспекты применения имитационного моделирования, его инновационных... |
| 1. Основные понятия и определения теории анализа и принятия решений... Вводные понятия теории анализа и принятия решений. Области применения. Лицо, принимающее решение (лпр). Альтернативы и критерии в... | | Рабочая учебная программа теория принятия решений (дисциплина) для специальности Предметом изучения курса является процесс разработки и принятия управленческих решений на базе системной концепции и экономико-математических... |
| Сегодня информацию рассматривают как один из основных ресурсов развития... Главное внимание уделяется рассмотрению информационных систем и технологий с позиций использования их возможностей для повышения... | | Учебное пособие по дисциплине «Математическое моделирование и теория принятия решений» Общие сведения и основные понятия математического моделирования и теории принятия решений |
| "Автоматизированная система поддержки принятия решений по оценке... ... | | Модель оценки альтернатив управления слабоструктурированными динамическими ситуациями 1 Рассмотрена интегрированная нечеткая система поддержки принятия решений в слабоструктурированных динамических ситуациях, включающая... |
| Российской Федерации Федеральное государственное бюджетное образовательное... Программа предназначена для повышения квалификации сотрудников, участвующих в модернизации предприятий. Полученные знания могут служить... | | Программа «Методы принятия решений». Гу-вшэ, 2010 г. Министерство... Методы принятия решений для направления 010500. 62 "Прикладная математика и информатика" подготовки бакалавра |
| Рабочая программа учебной дисциплины «Теория принятия решений (дополнительные главы)» Предметом изучения курса является процесс разработки и принятия управленческих решений на базе системной концепции и экономико-математических... | | Курсовой проект по дисциплине: Методы принятия управленческого решения... |
