Информационные технологии в науке, образовании и производстве ИТНОП-2010. Материалы IV-й Международной научно-технической конференции. Том 2

Подождите немного. Документ загружается.

ИТНОП-2010

После формирования суммарного сигнала анализатора ЭН создается база данных, в

которую заносится информация о химической природе вещества и концентрации. На основе

полученной информации формируется входной сигнал для слоя основных нейронов.

Для анализа газовой смеси использована полносвязная ИНС (т.е. состоящая из

нескольких слоев нейронов, причем каждый нейрон слоя i связан с каждым нейроном слоя

i+1). Архитектура этой нейронной сети представлена на рисунке 2.

а) б) в)

Рисунок 2

−

−−

−

Архитектура нейронной сети: а) – входной слой;

б) – промежуточные (скрытые слои); в) – выходной слой

В качестве входных данных нейросети выступает вектор значений частотных

сигналов, полученных от пьезосенсоров, а также момент времени, в который был получен

этот вектор. Таким образом, для анализа газовой среды на вход искусственных нейронных

сетей (ИНС) подается матрица значений сигналов системы:

mjni

xxx

nmnjn

imiji

,1,,1,

11111













, (1)

где

– матрица характеристик значений частотных сигналов, полученная в результате

проведения опыта; t

– момент времени, в который произошло формирование очередного

вектора частотных сигналов, с; X

ij –

значение частотного сигнала j-ого сенсора в i-й момент

времени,

m,1j,n,1i ==

, n – количество сенсоров, m – продолжительность проведения

опыта.

Обучение вели с точностью ±0,002. После упрощения и оптимизации топологии ИНС

получили трехслойную однонаправленную сеть, состоящую из 22 нейронов. Число циклов

обучения – 7006. Время обучения составляло 3 мин. Поставленная задача была решена с

использованием всех входных параметров, наиболее значимые из которых учитывают число

– групп в молекуле кислоты

Поставленная задача решается с большей точностью, если обучающая выборка

включает в себя физико-химические характеристики кислот и сорбентов. Полученные

d X

IV Международная научно-техническая конференция

результаты позволили осуществить структурно-параметрическую оптимизацию системы. В

таблице 1 приведены результаты тестирования ИНС.

По результатам тестирования системы установлено, что простейший метод

градиентного спуска, очень неэффективен в случае, когда производные по различным весам

сильно отличаются. Простейшим методом ликвидации данного недостатка является введение

момента µ, когда влияние градиента на изменение весов изменяется со временем.

Дополнительным преимуществом введения момента является способность алгоритма

преодолевать мелкие локальные минимумы. На рисунке 3 приведен алгоритм обучения

нейросети.

Рисунок 3

−

−−

−

Алгоритм обучения разработанной нейросети

Корректировка весов НС

(

)

(

)

(

)

(

)

(

)

(

)

t1tt

ω∆ωω

+−=

Входные данные и определение выходов

нейронов нейросети

Расчет для выходного слоя N

( )

(

)

∂

⋅−=

(

)

(

)

x⋅⋅−=

δηω∆

Расчет для остальных слоев НС, n

( ) ( ) ( )

∂

⋅













⋅=

∑

ωδδ

(

)

(

)

⋅

−

∆

( ) ( )

зад

ωω

≥

конец

начало

ИТНОП-2010

Таблица 1 −

−−

− Результаты тестирования ИНС

Проведенные исследования позволяют предложить следующий алгоритм

аналитического контроля органических токсикантов с использованием газоанализатора (рис. 4).

Рисунок 4

−

−−

−

Схема организации анализа токсикантов с использованием поверхностно

модифицированных пьезорезонаторов

При компьютерной идентификации веществ был установлен критерий идентификации с

учетом воспроизводимости и селективности определений. Выбор этого критерия d проводили с

использованием вероятностного подхода: при однократном определении пробы критерий d

следует выбирать так, чтобы вероятность ложного обнаружения токсиканта (а) и вероятность

ошибочной идентификации токсиканта (b) не превышали допустимый уровень. Вероятность

пропуска сигнала оценивали с помощью функций Лапласа (Ф):

По этой формуле можно рассчитать числовые значения b для некоторых d, выраженных в

единицах стандартного отклонения, в «сигмах».

Для оценки величины a применяли уравнение (6).

При этом

Значения коэффициента распределения

Нормированные

Натуральные

Кислота

Сорбент

Дано

прогноз

дано

прогноз

ошибка %

уксусная ПЭГ–500 -0,920 -0,8612 410 415 1,2

Пропионо-

вая

ПЭГ–1000 -0,208 -0,2367 155 152 1,9

бутановая ПЭГ–2000 0,849 0,8835 300 303 1,0

IV Международная научно-техническая конференция

В таблице 2 приведены данные о результатах определения некоторых токсикантов

разработанной ИПС.

Таблица 2 − Результаты определения некоторых токсикантов разработанной

информационно-поисковой системой (d=0,5, σ=0,01)

Токсиканты

∆f, Гц ∆f

, Гц ∆

∆

a b P*

Гексан 650 655 5 10 0 0,32 0,68

Гептан 565 585 10 8 0,044 0,54 0,42

Октан 435 450 3 5 0,014 0,23 0,77

Нонан 320 335 5 5 0 0,21 0,79

*P=1−a−b – частота правильного прогноза.

На основании проведенных исследований предложена следующая информационная

система, обеспечивающая работу мультисенсорного газоанализатора типа «электронный

нос» (рис. 5).

Рисунок 5

−

−−

−

Структурная схема взаимосвязи основных модулей информационной системы

Чувствительный

элемент

Генератор

импульсов

ПЛИС

Схема ограничения параметров

сигнала

Конфигурационная

память

Датчик

температуры

Опорный

стабилизированный

генератор

Источник питания

датчиков

Источник питания

логических схем

Источник питания

ядра ПЛИС

Схема согласования уровней

интерфейса с ПК

Интерфейсный соединитель

…

Нейронная сеть

Комплекс программ

Обучение

Результат

ИТНОП-2010

Созданная система «электронный нос» апробирована при анализе многокомпонентной

смеси углеводородов и их нитропроизводных. Система была также опробована для анализа

смеси фенола и формальдегида, имитирующих газовые выбросы строительных конструкций.

В результате настройки и оптимизации параметров ИНС средняя относительная

погрешность обучения составила 5 %. Максимальные погрешности получены при малых

содержаниях углеводородов в смеси и не превышают 8 %.

При этом диапазоны варьирования управляющих параметров обучения ИНС:

коэффициенты активации – 0,5 – 1; обучения – 0, 2 – 0,75; инерции – 0 – 0,5; количество

циклов обучения – 2000 – 17500. Время обучения сети составляло не более 3 мин.

Разработанные методики отличаются простотой и высокой чувствительностью.

Калач Андрей Владимирович

Воронежский институт Государственной противопожарной службы МЧС России, г. Воронеж

К.х.н., доцент, начальник кафедры естественнонаучных и общетехнических дисциплин

Тел.: 4732-421263

E-mail: a_kalach@mail.ru

Перегудов Александр Николаевич

Воронежский институт МВД России, г. Воронеж

Преподаватель кафедры физики

Тел.: (4732)476995

E-mail: a_kalach@mail.ru

Чуйков Александр Николаевич

Воронежский институт Государственной противопожарной службы МЧС России, г. Воронеж

Старший преподаватель кафедры естественнонаучных и общетехнических дисциплин

Тел.: (4732)421263

E-mail: a_kalach@mail.ru

Грошев Евгений Николаевич

Воронежский институт Государственной противопожарной службы МЧС России, г. Воронеж

Начальник учебной пожарной части

Тел.: (4732)421263

E-mail: a_kalach@mail.ru

IV Международная научно-техническая конференция

УДК 004.42:658.5

Л.Ф. КОЛЕСНИК, О.В. ПРОСТИТЕНКО, В.И. ХАЛИМОН

АЛГОРИТМИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ

АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПЛАНИРОВАНИЯ РЕШЕНИЙ

И ГЕНЕРАЦИИ СЦЕНАРИЕВ ДЕЙСТВИЙ

Принятие решений - каждодневная деятельность человека, часть его повседневной жизни. В

большинстве случаев оно заключается в генерации возможных альтернатив решений их оценке и

выборе лучшей альтернативы. Формализация методов принятия решений, их оценка и согласование

являются чрезвычайно сложной задачей. Увеличение объема информации, поступающей в органы

управления и непосредственно к руководителям, усложнение решаемых задач, необходимость учета

большого числа взаимосвязанных факторов и быстро меняющейся обстановки настоятельно

требуют использовать вычислительную технику в процессе принятия решений. В связи с этим

актуальной задачей является создание системы поддержки принятия решений, которая генерирует

возможные сценарии альтернатив решений.

Ключевые слова: сетевое планирование и управление; сетевой график; генерация решений;

СППР; параллельно-временная грамматика.

Decision-making – everyday human activity, part of his daily life. In most cases, it is to generate

possible alternative solutions to their evaluation and selection of the best alternative. The formalization of

decision-making methods, evaluation and coordination is extremely difficult. The increase in information

available to governments and directly to the leaders, the increasing complexity of tasks, the need for a large

number of interrelated factors and the rapidly changing situation urgently require use of computer

technology in decision-making. In connection with this urgent task is to create a decision support system,

which generates the possible scenarios of alternatives solutions.

Keywords: network planning and control; network graf; the generation of solutions; DSS; parallel-

time grammar.

Одним из эффективных способов представления и управления сложными проектами

являются методы сетевого планирования и управления.

В основе сетевого планирования и управления лежат системы сетевых моделей.

Применение сетевых моделей обеспечивает продуманную детальную организацию работ,

создает условия для эффективного принятия решений по планированию, организации и

управлению сложными процессами.

Сетевая модель представляет собой план выполнения некоторого комплекса

взаимосвязанных работ (операций), заданного в виде сетевого графика, в котором

отражаются все логические и хронологические взаимосвязи и результаты выполняемых

работ, необходимые для достижения конечной цели планирования.

Однако сетевые графики характеризуются некоторой детерминированностью и

отсутствием возможности рассматривать альтернативные варианты их структуры при

управлении сложными процессами. В этом случае целесообразно использовать систему

поддержки принятия решений (СППР), которая заключается в генерации возможных

альтернатив решений (сценариев), их оценке и выборе лучшей альтернативы.

В данной статье предложен программный комплекс, осуществляющий реализацию

методов сетевого планирования и управления комплексом работ с учетом дефицита ресурсов

или времени в случае жестко определенной последовательности выполняемых действий. С

другой стороны, в случае возникающих альтернатив при выборе последовательности

действий по управлению или проектированию программная система позволяет вырабатывать

ряд альтернативных сценариев в качестве системы поддержки принятия решений. Таким

образом, лицо, принимающее решение (ЛПР), имеет возможность сравнить ранее созданный

сетевой график для предложенной последовательности работ без учета неопределенности,

которая является неотъемлемой частью процессов принятия решений, и возможные

ИТНОП-2010

варианты изменения этой последовательности с целью получения результатов в более

короткие сроки или с меньшими затратами ресурсов. В связи с этим, общая программная

система состоит из двух отдельных подсистем, где рассматривается одна и та же предметная

область и одни и те же действия на этой предметной области. В одном случае для этих

действий или событий строится сетевой график, в другом случае – на основе СППР с

использованием параллельно-временной грамматики формируются альтернативные сетевые

графики выполнения работ. И в одном, и в другом случае результат представляется в виде

графа с указанием временных параметров выполнения работ. При этом в случае

использования СППР учитываются взаимные влияния выполняемых работ (операций).

На рисунке 1 представлена обобщенная функциональная структура разрабатываемой

системы.

Рисунок 1 – Обобщенная функциональная структура системы

Интерфейс пользователя служит для выбора той или иной подсистемы (сетевое

планирование или СППР), ввода данных, которые представляют собой работы (операции), их

последовательность, временную протяженность и затрачиваемые ресурсы на каждую работу.

В любой подсистеме на экран выдается сетевой граф характеризующих последовательность

действий с расчетом затрачиваемых ресурсов и времени на весь комплекс работ.

При этом результаты работы обеих подсистем представляются в виде графа (рисунок

2) и таблицы с рассчитанными его временными параметрами (рисунок 3).

Рисунок 2 – Результаты работы подсистемы сетевого планирования

IV Международная научно-техническая конференция

Рисунок 3 – Временные параметры сетевого графика

Результатом работы модуля СППР является набор правил, представленных в виде

параллельно-временных грамматик, альтернативные графы управления процессами и расчет

их временных параметров. Для построения грамматик используется информация о

возможной последовательности операций, параллельности их выполнения и организации

циклов (если они есть), полученная в процессе диалога руководителя или эксперта с СППР.

Один из сгенерированных сценариев будет представлять аналогичный сетевой

график, полученный с помощью подсистемы сетевого планирования (рисунок 4).

Рисунок 4 – Результаты работы подсистемы СППР

На рисунке 4 представлена таблица правил взаимосвязей последовательности работ и

порожденные на основе этой матрицы предложения, основанные на использовании

параллельно-временной грамматики, которые представляют собой альтернативные варианты

выполнения перечисленных действий, что и является своего рода СППР. На рисунке 5

представлен альтернативный сетевой график выполнения работ, представленных выше.

ИТНОП-2010

Рисунок 5 – Альтернативный сетевой график выполнения работ

Для более полного понимания ситуации в СППР так же, как и в сетевом

планировании, ведется расчет временных параметров, что показано на рисунке 6 для графа,

представленного на рисунке 5.

Рисунок 6 – Временные параметры альтернативного сетевого графика

Таким образом, ЛПР имеет возможность сравнивать заранее разработанный график

проведения работ с альтернативными вариантами проведения этих же работ в нестандартных

условиях. Числовые характеристики как сетевого графика в подсистеме сетевого

планирования, так и альтернативных вариантов дают возможность выбрать наиболее

приемлемый для той или иной ситуации управленческое решение. СППР кроме взаимосвязи

по порядку выполнения действий дополнительно предусматривается взаимное влияние

параллельно или последовательно выполняемых работ по времени, что также является

весьма существенным фактором при принятии решения по управлению.

Блок сравнения различных альтернативных вариантов сценариев развития событий

использует алгоритм оценки с помощью функций предпочтения. В этом случае

IV Международная научно-техническая конференция

используются знания экспертов для оценки степени важности того или иного критерия. В

нашем случае мы имеет два критерия – это минимизация времени выполнение всего

комплекса работ и минимизация затрачиваемых ресурсов.

Эти два критерия находятся в противоречии. И в связи с этим разрабатываются

специальные экспертные оценки взаимного влияния операций или действий по каждому из

этих критериев. Таким образом, ЛПР имеет возможность самостоятельно сравнить

различные варианты развития процессов, а альтернативные варианты сравнить с

детерминированным сетевым графиком, и в тоже время компьютерными методами

предлагаются результаты сравнительного анализа для всех альтернативных вариантов.

Таким образом, система является эффективным инструментом генерации вариантов

решений, их оценки и выбора наилучшего образа действия. Компьютерная система

поддержки принятия решений дает возможность легко обрабатывать большие объемы

информации в реальном масштабе времени, позволяя получать объективные данные, а также

сокращать время принятия решений, что особенно важно в условиях экстремальных

ситуаций. Данная система позволяет построить сетевой график для проведения работ или

управления каким-либо процессом. Кроме того, в условиях неопределенности, когда сетевой

график по тем или иным причинам не может быть выполнен, строятся альтернативные

варианты на той же предметной области. При этом система, анализируя временные затраты и

затраты ресурсов, ранжирует все альтернативные варианты в нисходящем порядке.

ЛИТЕРАТУРА

1. Колесник Л. Ф. Программный комплекс для принятия решений на основе сетевого

графика при дефиците времени или ресурсов // Математические методы в технике и

технологиях – ММТТ-22: сб. трудов XXII междунар. науч. конф.: в 10 т. – Псков: Изд-во

Псков. гос. политехн. ин-та, 2009. – Т. 10. – С. 63-65.

2. Трахтенгерц Э.А. Возможности и реализация компьютерных систем поддержки принятия

решений // Известия РАН. Теория и способы управления. – 2001. – №3. – С. 86-113.

3. Трахтенгерц Э. А. Компьютерная поддержка принятия решений. – М.: СИНТЕГ, 1998. –

376 с.; 21 см. – 3000 экз. – ISBN 5-89638-003-8.

4. Трахтенгерц Э.А. Компьютерная система поддержки принятия управленческих решений //

Известия РАН. Проблемы управления. – 2003. – № 1. – С. 13-27.

Колесник Любовь Фёдоровна

СПбГТИ(ТУ), г. Санкт-Петербург

Магистрант

Тел.: 8(904)557-42-87

E-mail: kolesnik.lyubov@mail.ru

Проститенко Олег Владимирович

СПбГТИ(ТУ), г. Санкт-Петербург

К.т.н, доцент

Тел.: 8(812)494-93-70

E-mail: vo@nm.ru

Халимон Виктория Ивановна

СПбГТИ(ТУ), г. Санкт-Петербург

Д.т.н., профессор

Тел.: 8(812)494-93-70

E-mail:

vih123@newmail.ru