1. Вступ Ця публікація є продовженням дослідження [1], яке присвячене проблемі оптимізації транспортної...
2. Сучасний стан питання. Методи та алгоритми розв'язання задачі
3. Пропонована методика формалізації даних і побудови СППР
4. Висновок

Вступ

Ця публікація є продовженням дослідження [1], яке присвячене проблемі оптимізації транспортної інфраструктури регіону в контексті формування інфраструктурного каркаса його економічного розвитку. Раніше розроблена методика, яка реалізує міждисциплінарний багатокритерійний аналіз транспортної мережі, спрямований на її оптимізацію в контексті проектів економічного розвитку регіонів. Такий підхід спрямований на формування транспортної мережі не тільки як такої, але в першу чергу, як основу інфраструктурного каркаса, що забезпечує соціальні і економічні зв'язки, сприяючи інтенсифікації процесів розвитку.

Постановка задачі

Розроблена раніше методика міждисциплінарного дослідження базується на застосуванні моделі транспортної мережі регіону, в основі якої лежить гіперграф. На попередньому етапі дослідження запропоновано алгоритми оптимізації транспортної мережі, в ході яких критерії оптимальності формується на 4-х рівнях ієрархічної моделі. На першому (базовому) рівні вектор критеріїв оптимальності формується із застосуванням даних і знань в області управління транспортом, на другому і третьому - різних галузей економічної географії, на четвертому - просторової економіки. Таким чином, структура моделі і методи її реалізації дозволяють формалізувати залежність економічного розвитку території від наявності та якості транспортної мережі, розташованої на ній.

У ході проробленої в рамках дослідження [1] роботи були визначені параметри, які є факторами векторів критеріїв оптимізації. Ці параметри розташовані на різних рівнях ієрархічної моделі і при розгляді їх у площині кожного рівня вони можуть бути проаналізовані в рамках теорій окремих наукових галузей. Однак, строго кажучи, запропоновані структура моделі і вектор критеріїв оптимальності є тільки окремим випадком вирішення задачі. У загальному випадку постановки завдання для реалізації переваг міждисциплінарного характеру дослідження необхідно забезпечити можливість варіативності кількості рівнів (шарів) моделі, а крім того досліджуваних факторів і критеріїв кожного рівня. У тому числі необхідно знайти методи та шляхи формалізації інформації міждисциплінарних знань про те, який вплив чинять параметри один на одного і при тому не тільки всередині шару, але і з урахуванням міжшарових залежностей. В кінцевому підсумку, в результаті дослідник повинен отримати можливість визначати за допомогою отриманої математичної моделі явні критерії оптимізації, спираючись на відомі положення наукових теорій, а структура і технологія моделі повинні накопичувати інформацію і, формалізуючи дані, допомагати знайти неявні критерії оптимізації. Такий підхід покликаний підвищити якість результатів міждисциплінарних досліджень, які перебувають на стику проблем регіональних транспортних і економічних систем.

Сучасний стан питання. Методи та алгоритми розв'язання задачі

Дослідження великих систем завжди пов'язане з труднощами абстрагування реального об'єкта і протікають в ньому процесів до моделі і формалізації зібраних даних в інформацію придатну для опису системи. На практиці, чим більше припущень і спрощень можна застосувати при побудові моделі, тим більш суворої і детермінованою вона буде. Традиційно декомпозиція системи і визначення вектора критеріїв оптимальності по можливості - єдиного, є основним інструментом системного аналізу. Однак такий підхід в першу чергу застосовується для дослідження технічних систем, наприклад, таких як, електродвигун, автомобіль, космічний корабель, атомна електростанція і ін. Для таких досліджуваних об'єктів критерії оптимальності очевидні, тому що мети існування і функціонування цих систем чітко задані, а параметри системи в високого ступеня піддаються управлінню. Наслідком сказаного раніше є те, що отримують оптимізаційні моделі, які після розрахунку дають чітко визначену готову до використання інформацію. Наприклад, результатами моделювання зазначених систем будуть: потужність електродвигуна, споживання палива автомобілем на 100 км пробігу і т.п. Отримані за допомогою таких моделей дані не вимагають подальшої експертної оцінки, гарантовано виходять в результаті розігрування моделі і однозначно визначено для об'єкта дослідження в заданих заздалегідь умовах. Проте такий підхід декомпозиції і спрощення систем не завжди задовольняє наші потреби знання про об'єкт, або недосяжний за допомогою відомих теорій і методів дослідження. З розвитком ЕОМ і систем штучного інтелекту аналізу піддається все більшу кількість складних систем різного роду. Як правило, такі системи описуються за допомогою аналізу безлічі даних в умовах наявності невизначеностей. Зазначені обставини вимагають застосування, наприклад, робастних моделей систем, а також моделей, які вимагають участі експерта або агента штучного інтелекту. Більш того, для таких систем часто неможливо говорити про оптимальність, а значить завдання оптимізації в класичній постановці тут ставати неправомочною [2].

У розглянутому нами випадку [1] ми мали справу з декількома підсистемами, що знаходяться в ієрархічній залежності. По-перше, досліджувалася система транспортної мережі, розташованої на полігоні заданого регіону, по-друге, система самого полігону з його географічними властивостями, по-третє, економічна система регіону на заданому полігоні. Застосований раніше метод декомпозиції ієрархічної системи виявив необхідність додаткового аналізу, про який говорилося вище. Як його інструментів обрані теорія і методи дослідження проблем ситуаційного управління [2-6]. Ситуація системи є оцінка (аналіз, узагальнення) сукупності характеристик об'єктів і зв'язків між ними, які складаються з постійних і причинно-наслідкових відносин, що залежать від подій, що відбулися і відбуваються процесів [2, 6]. За допомогою методів ситуаційного управління, адаптованих до завдань даного дослідження, будується система підтримки прийняття рішення (СППР). Для цілей цього дослідження прийнято визначення СППР приводиться в [6]: «СППР - це людино-машинна інформаційна система, яка використовується для підтримки дій особи, що приймає рішення (ОПР) в ситуаціях вибору, коли неможливо або небажано мати автоматичну систему подання та реалізації всього процесу оцінки та вибору альтернатив. По-перше, такі системи виступають в ролі помічника особи, яка приймає рішення (ОПР), який дозволяє розширити його можливості, але не замінює його думку і систему переваг. По-друге, вони призначені для використання в ситуаціях, коли принцип прийняття рішення з огляду на необхідність врахування суб'єктивної думки ЛПР не може бути повністю формалізований і реалізований на ЕОМ. »Таким чином, в цьому дослідженні СППР будується з метою аналізу даних і знань, що застосовуються в процесі розігрування оптимізаційної моделі регіональної транспортної інфраструктури в контексті вирішення завдань просторової економіки.

Пропонована методика формалізації даних і побудови СППР

Як зазначалося вище, раніше в дослідженні [1] побудована багаторівнева модель оптимізації транспортної мережі на базі гіперграфу транспортної системи (рис. 1). Вона враховує взаємозв'язок географічних особливостей досліджуваного полігону, розташованої на ньому транспортної мережі і розташованої на тому ж полігоні просторово-локалізованої економічної системи, що в свою чергу також є критеріями оптимізації.

Рис.1 - Схематичне зображення алгоритму методики багатокритеріальної оптимізації

Реалізація моделі забезпечена методами векторної оптимізації. При виборі критеріїв і побудові векторів оптимізації були визначені фактори засновані на даних і знаннях суміжних наукових галузей. Однак при властивих розробленою методикою переваги в процесі дослідження стало очевидно, що застосований підхід пред'являє високі вимоги до якості апріорних даних і знань використовуваних в процесі моделювання. Зокрема, вже на початковому етапі потрібно знати які критерії впливають на оптимальність системи, з яких чинників ці критерії складаються і взагалі, що розуміється під оптимумом для даної системи і на який тривалості її життєвого циклу ця оптимальність може зберігатися. Успішність моделювання в такому випадку сильно залежить від кваліфікації залучених до початку моделювання експертів, якості та повноти інформації та інших обставин, які не призначені. У зв'язку з зазначеними обставинами потрібна доробка методтікі, спрямована на подолання негативного впливу перерахованих факторів. Нижче ви побачите результати дослідження, удосконалять запропоновану раніше методику.

Основним напрямком удосконалення методики є побудова СППР, яка дозволить ЛПР в евристичному процесі не тільки формалізувати дані і генерувати інформацію про досліджувану систему для подальшої оптимізації на розробленої раніше моделі, але і буде самостійним дослідницьким інструментом. В якості основи для створення бази даних СППР застосований граф транспортної системи. Як методичної основи - методи теорії ситуаційного управління.

Модель багатокритеріальної оптимізації добре працює в тому випадку, коли ми вже маємо статичний стан формалізованої і добре структурованої системи, для випадку коли ці умови не виконуються необхідне застосування додаткових методів. У нашому випадку застосована семиотическая модель, яка дозволяє гнучко і варіативно працювати з даними та інформацією. Таким чином, ми маємо возомжность перевірити гіпотези, оперуючи не тільки формалізованої інформацією, а й залучаючи додаткові дані і розглядаючи нові стану системи.

Розглянемо семиотическую модель, в класичній формі, як це наводиться у Д.А. Поспєлова [2].

М = <T, P, A, П> (1)

Т - безліч базових елементів, складається з безлічі елементів будь-якої природи (в нашому випадку це ребра і вершини графів). Існує конструктивна процедура π1, яка дозволяє встановити однакові Tn і Tn + 1 чи ні. Процедура π2 дозволяє встановити належить елемент T чи ні.

Р - Синтаксичні правила, використовуються для того, щоб з базових елементів будувати такі їх сукупності, які в рамках даної формальної системи вважаються синтаксично правильними сумами. На синтаксичні правила немає особливих обмежень, потрібно тільки, щоб була процедура π3, яка дозволяла б встановити є ця синтаксична сукупність правильної чи ні.

А - Система аксіом, утворює будь-яка множина синтаксично правильних сукупностей. (В нашому випадку це дуже зручно, так як ми можемо виділяти будь-які питання, що цікавлять нас елементи, в тому числі кластери і підграфи.)

П - Семантичні правила або правила виведення, розширюють, якщо це можливо, безліч аксіом, додаючи до них нові синтаксично правильні сукупності (в нашому випадку це важливо, тому що дозволяє співвідносити міждисциплінарні дані, а також організувати взаємини даних на різних рівнях багаторівневої моделі).

Безліч після застосування семантичних правил і аксіом називається безліччю семантично правильних сукупностей.

Формальна модель, для якої існують конструктивні процедури π1, π2 і π3 називається конструктивної формальною моделлю.

Інтерпретована формальна модель

L = <Z, D, H, V> (2)

Z - безліч інтерпретованих значень (в нашому випадку це можуть бути: протяжність, кількість смуг / шляхів руху, пропускна здатність, середня швидкість на ділянці, ймовірність безвідмовної роботи. Та ін.)

D - правила відображення, встановлюють можливість T↔Z, ці правила при конкретної реалізації дають відображення T → Z, тобто приписують кожному елементу з T інтерпретує значення.

H - правила відображення задають ті чи інші реалізації відображення або вони задаються ззовні (на даному етапі моделювання можна задавати самі різні в т.ч. функціональні залежності, що цікавлять нас).

V - правила інтерпретації дозволяють приписувати будь-синтаксично правильної сукупності базових елементів деякий інтерпретує значення.

І, нарешті, семіотична модель

З = <M, xT, xP, Xа, xп> (3)

Всі елементи, що входять до визначення М (формальну модель) можуть змінюватися за такими правилами:

xT, xP, Xа, xп - правила зміни Т, Р, А, П, де

xT, - змінює синтаксис базових елементів,

xP - змінює синтаксис сукупностей базових елементів (форма явища),

Xа - змінює семантику (призначення явища в загальному випадку),

xп - змінює прагматику (значення явища в окремому випадку, тобто в даний момент часу тут і зараз для ЛПР).

Адаптуючи семиотическую модель для цілей нашого дослідження отримаємо наступне. Нехай гіперграф (див рис. 1) багаторівневої моделі заданий формальною моделлю М, де Т - елементи гіперграфу, однозначно визначаються і відрізняються один від одного за допомогою правил Р, А - синтаксис елементів графа і П - правила його розширення. Дослідник (ЛПР) за допомогою моделі L інтерпретує цю модель в поточному стані М1 і далі перевіряє різні гіпотези (див. Рис.2), суть яких формулюється за допомогою правил xi = <xT, xP, Xа, xп>

Мал. 2 - Перевірка гіпотез дослідження за допомогою адаптованої семіотичної моделі системи

Розглянемо процес перевірки гіпотез ЛПР (рис.2). Тут слід зазначити, що існує деякий початковий стан формальної моделі М, яке відповідає поточному стану системи і рівнем знань про нього, що в практичному значенні тотожне стану повної ситуації S. У нашому випадку такого стану формальної моделі відповідає повний гіперграф транспортної системи і всі транспортні та економічні процеси, які на ньому відбуваються. З точки зору інформаційних технологій цього стану відповідає повна база даних і знань про досліджуваний об'єкт, а також процедур, які можуть з ними виконуватися. На кожному етапі дослідження системи мати справу з повною ситуацією не зручно і не завжди доцільно. Переходи з одного стану формальної системи Mi в Mi + 1 пов'язані зі зміною повної ситуації Si + 1 мають місце в загальному випадку, але ми залишимо їх за дужками алгоритму, зображеного на рис. 2. В даному випадку ми розглядаємо такі переходи, при яких кожномустаном Mi відповідає стан моделі, для якого ситуація є повною тільки для умов, справедливих для перевіряється гіпотези. Таким чином, ми отримали дослідний інструмент, який формалізує процес поділу моделі на рівні не в окремому випадку, як це робилося раніше в процесі багатокритеріальної оптимізації, коли виділялося чотири рівні, але в загальній постановці, коли кількість рівнів і взаємозв'язків між ними довільно і визначається з допомогою правил семіотичної моделі xT, xP, Xа, xп. У практичному відношенні це означає, що ЛПР отримує можливість працювати зі структурою графа в прив'язці до його форми і складу, змінюючи кількість значущих в кожному окремому досвіді елементів графа, використовуючи їх як знаки, і привласнюючи їм різні смислові значення для отримання нових даних і знань про об'єкті.

Далі ми розглянемо питання про ті, что в Цій методіці розуміється під перевіркою ЛПР гіпотез. Як гіпотез в даного випадка віступають ситуации и сценарії, Які дозволяють застосуваті до системи ті чи інше тверджень або зміна умов и отріматі нове відповідне Їм відображення моделі. Самим просто прикладами может служити побудова ізохрон, відображення «вузьких Місць» графа. Для цього Досить Задати відповідні правила інтерпретації та відображення формальної моделі. Например, если мова идет про ізохроннімі, тоді Z - це час проходження ділянки від качана відліку ізохрон до шуканого пункту, D - правило включення елементів в ділянку, для которого візначається Z, H - порівняння поточного значення Функції годині проходження ділянки и нормативного значення, V - Позначення кольору елементів, для якіх значення Z однакові (див. рис. 3). Альо існують и більш СКЛАДНІ сценарії, Які Вже НЕ війта сформулюваті с помощью таких простих залежних, а смороду вімагають Виконання більш складних алгоритмів и Додатковий методів реализации. Для таких випадків пропонованої методикою передбачено застосування фреймів [7].

М. Мінскі в [7] відсилає нас до проблеми мислення всередині парадигм і її негативного впливу на об'єктивність суджень, визначаючи фрейми, як один з інструментів об'єктивізації знань. Для нас це суттєво важливо тому, що раніше в дослідженні ми ставили собі за мету знизити ступінь такого впливу за рахунок міждисциплінарної постановки проведення дослідження, а, отже, виходу з рамок галузевих парадигм науки, шляхом їх взаємного аналізу і синтезу. Якість результатів при такому підході підвищується за рахунок того, що висуваються і піддаються перевірці не тільки такі гіпотези, які формуються всередині існуючих парадигм і випливають зі звичної логіки і добре зарекомендували себе теорій, але і такі які стають наслідком пошуку і всебічного аналізу максимально можливого обсягу даних і знань. Інструменти фреймового представлення знань є методами і механізмами досягнення цієї мети.

Згідно з визначенням, яке знаходимо у Мінського [7]: «Фрейм являє собою не одну конкретну ситуацію, а найбільш характерні, основні моменти ряду близьких ситуацій, що належать одному класу. Групи пов'язаних між собою фреймів об'єднуються в системи, які можуть відображати дії, причинно-наслідкові зв'язки, зміни понятійної точки зору і т. Д. »У нашому випадку важливо, що фрейми створюються за участю всіх причетних експертів і при цьому немає жорстких обмежень на фіксуються закономірності, отже, кожен експерт фіксує істотні для вирішення поставлених завдань дані і знання з області його компетенції.

Мал. 3 - Відображення моделі мережі з ізохронними приміського залізничного пасажирського руху

Відмінною рисою фреймів від дуже близьких за змістом процедур мов програмування буде наявність ієрархії і успадкування між фреймами. Завдяки структурі і властивостям фреймів, все різноманіття даних, яке виявляється в ході дослідження, накопичується і структурується, формуючи зв'язку і закономірності незалежно від їх усвідомленості дослідником на даному етапі. Таким чином, неструктуровані дані і знання перетворюється в строгі форми, придатні для подальшого використання з метою системного аналізу і моделювання.

Розглянемо приклади фреймів за допомогою яких побудована пропонована в дослідженні СППР (рис. 4-5). На малюнку 4 наведено фрагмент структури фреймів, що описують елементи гіперграфу. Зокрема, показано як за допомогою фреймової моделі вирішується завдання про перевірку можливості пропуску додаткового обсягу вантажів по ділянці залізниці. Для цього крім фрейма-структури застосовується фрейм-сценарій (рис. 5). На малюнку видно, що для досліджуваної ділянки умови пропуску додаткового обсягу виконані. Аналогічним чином може бути вирішена задача про пошук «вузьких місць», якщо алгоритм застосувати до всіх ребрах гіперграфу.

Мал. 4 - Приклад фрейма-структури, що входить в СППР

Мал. 5 - Приклад фреймів-сценаріїв, що входять в СППР

Очевидно, що наведені тут приклади несуть лише демонстративний характер, ілюструючи загальний принцип роботи методики. Питання і проблеми, що представляють реальний науковий і практичний інтерес дослідження, описуються за допомогою фреймових конструкцій істотно більшого обсягу. Застосовувані тут апарат фреймів є універсальним для аналізу практично будь-якого виду даних, які аналізує ЛПР, хоча і не позбавлені деяких недоліків. Проте при кваліфікованому застосуванні методів створення і обробки фреймових моделей вони довели свою ефективність не тільки в нашому випадку, але і при створенні експертних систем в тому числі із застосуванням штучного інтелекту (ІІ). Це створює хороший заділ для подальшого розвитку методики за допомогою інструментів об'єктно-орієнтованого програмування і систем ІІ.

Висновок

Результати дослідження доповнюють запропоновану раніше оригінальну методику оптимізації транспортної системи регіону в рамках завдання формування просторово-локалізованої економічної системи просторової економіки. На першому етапі дослідження була побудована багаторівнева модель і запропоновано алгоритми оптимізації транспортної мережі з опорою на заздалегідь певні критерії оптимальності. При цьому транспортна мережа є просторовим каркасом досліджуваних економічних систем і реалізує просторові зв'язки. Критеріями оптимізації є параметри транспортної мережі, географічні особливості досліджуваного полігону, а також параметри систем просторової економіки.

На другому етапі дослідження, результати якого представлені в даній статті, стояло завдання підвищення варіативності моделі, шляхом доповнення методики оптимізації інструментами аналізу слабо формалізованих даних і декларативних знань. Як результат планувався методичний інструмент, що дозволяє досягти ефекту взаємного проникнення даних і знань з суміжних галузей науки і оцінки їх взаємного впливу на результат дослідження. У зв'язку з зазначеними обставинами були застосовані адаптована семиотическая модель і фреймова модель подання знань.

Застосування адаптованої семіотичної моделі дає широкі можливості в багатоваріантному відображенні гіперграфу із здійсненням вертикальної ієрархії моделі (виділення шарів: транспортного, географічного, економічного), а також горизонтальних зв'язків (виділення подграфов, кластерів, осей). Крім того, формулювання семіотичної моделі наводить дані до вигляду, зручного для перекладу на мови програмування ЕОМ, що працюють в ситуаційної постановці проблем. Механізми інтерпретації семіотичної моделі дозволяють піти від вузької оптимізаційної моделі до більш широкого аналізу інформації представленої у вигляді символів і декларативних знань.

Застосування фреймовой моделі знань є інструментом формалізації і структурування даних, за допомогою яких вирішуються завдання ситуаційного управління. В даному випадку під ситуаціями розуміються різні сценарії і алгоритми, які виступають в якості гіпотез, службовців для отримання апріорних даних оптимізаційної моделі і рішення її підзадач, а також самостійні завдання, постановка яких в оптимізаційному вигляді неправомочна.

Сукупність семіотичної і фреймової моделі формують собою СППР, розвиток якої і вдосконалення у вигляді програмного продукту має високий потенціал не тільки як складова частина запропонованої тут методики, але і як самостійний інструмент для вирішення практичних завдань проектування і управління економічних і транспортних систем, локалізованих на інфраструктурі транспортної мережі регіону.

список літератури

1. Маслов А.М. Основні положення методики оптимізації транспортної інфраструктури в рамках формування просторово-локалізованої економічної системи // Регіональна економіка і управління: електронний науковий журнал. ISSN 1999-2645. - №4 (48). Номер статті: 4836. Дата публікації: 2016-12-14. Режим доступу: https://eee-region.ru/article/4836/
2. Поспєлов Д.А. Ситуаційне управління: теорія і практика. М .: Наука, 1986. - 288 с.
3. Кликов Ю.І. Ситуаційне управління великими системами. М .: Енергія, 1974. - 136 с.
4. Кликов Ю.І. Семіотичні основи ситуаційного управління. М .: МІФІ, 1974. - 220 с.
5. Пилипович А. Ю. Інтеграція ситуаційного, імітаційного і експертного моделювання в поліграфії. М., 2003. - 310 с.
6. Аксьонов К.А. Моделювання та прийняття рішень в організаційно-технічних системах: навчальний посібник. У 2 ч. Ч. 1 / К. А. Аксьонов, Н. В. Гончарова. - Єкатеринбург: Изд-во Урал. ун-ту, 2015. - 104 с.
7. Мінський М. Фрейми для представлення знань - М.: Енергія, 1979 - 152 с.

References

1. Maslov AM The main provisions of the methodology for optimizing the transport infrastructure within the framework of the formation of a spatially localized economic system [Osnovnye polozhenija metodiki optimizacii transportnoj infrastruktury v ramkah formirovanija prostranstvenno-lokalizovannoj jekonomicheskoj sistemy] // Regional economy and management: electronic scientific journal. ISSN 1999-2645. - № 4 (48). Number of article: 4836. Date of publication: 2016-12-14. Access mode: https://eee-region.ru/article/4836/
2. Pospelov DA Situational management: theory and practice [Situacionnoe upravlenie: teorija i praktika]. М.: Science, 1986. - 288 with.
3. Klykov Ju.I. Situational management of large systems [Situacionnoe upravlenie bol'shimi sistemami]. M.: Energia, 1974. - 136 p.
4. Klykov Ju.I. Semiotic basis of situational management [Semioticheskie osnovy situacionnogo upravlenija]. Moscow: MEPhI, 1974. - 220 p.
5. Filippovich A. Ju. Integration of situational, simulation and expert modeling in polygraphy [Integracija situacionnogo, imitacionnogo i jekspertnogo modelirovanija v poligrafii]. M., 2003. - 310 p.
6. Aksenov KA Modeling and decision making in organizational and technical systems [Modelirovanie i prinjatie reshenij v organizacionno-tehnicheskih sistemah]: a manual. At 2 pm Part 1 / KA Aksenov, NV Goncharova. - Ekaterinburg: Publishing house Ural. University, 2015. - 104 p.
7. Minskij M. Frames for the representation of knowledge [Frejmy dlja predstavlenija znanij] .- M .: Energy, 1979 - 152 p.