На правах рекламы:
ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Авторитетность издания

ВАК - К1
RSCI, ядро РИНЦ

Добавить в закладки

Следующий номер на сайте

2
Ожидается:
16 Июня 2024

Методология построения систем управления базами знаний для интеллектуальных систем поддержки принятия решений

Methodology of creation of knowledge bases control systems for intelligent systems of decision support
Статья опубликована в выпуске журнала № 2 за 2013 год. [ на стр. 131-137 ]
Аннотация:Рассматривается методология построения систем управления БЗ для интеллектуальных систем поддержки принятия решений. Определяются архитектура систем управления БЗ и все ее компоненты. Предлагаемая архитектура систем управления БЗ рассматривается как дальнейшее развитие архитектуры систем управления БД. Излагаются вопросы ориентации предложенной архитектуры на существующие формализмы построения моделей знаний и методы автоматического поиска решений. Описания базируются на формализме семиотической модели знаний, который трактуется как мультимодельная структура представления знаний. Мультимодельность относится к составляющим компонентам семиотической модели и включает семантические сети, фреймы, формальные модели, продукции, вычислительные модели. Выделяются индуктивная и дедуктивная составляющие знаний, описываемых семиотической моделью. Индуктивная составляющая включает средства описания знаний, с помощью которых пользователи системы могут определять проблемные ситуации, описывать мультимодельную структуру знаний предметной области, логику решения задач оперативного принятия решений. В качестве таких средств предлагается формализм языка определения знаний. Основная особенность дедуктивной составляющей семиотической модели – возможность представлять в ней знания о средствах достижения цели управления. Эти знания имеют вид упорядоченного множества процедур, моделей и способов их использования (управления на моделях) для решения возникающих задач в мультимодельной структуре знаний. В основу дедуктивной составляющей положен формализм языка манипулирования знаниями как средства постановки и поиска решений для разрешимых задач поддержки принятия решений. Вводится понятие разрешимости задачи в модели знаний. Приводится описание методов определения разрешимости задачи и планирования ее процессов поиска решений в семиотической модели знаний. Определяются этапы планирования процессов поиска решений: нахождение решающего задачу алгоритма, интерпретация алгоритма для полу-чения результата. Описываются области применения систем управления БЗ.
Abstract:The methodology of creation of knowledge bases control systems for intelligent systems of decision support is considered. The architecture of knowledge bases control systems and all its components is defined. The offered architecture of control systems is considered as development of architecture of knowledge bases control systems. Questions of offered ar-chitecture orientation to existing formalism of knowledge models creation and to methods of automatic decisions search are stated. The descriptions are based on a formalism of semiotics knowledge model which is interpreted as a multimodel struc-ture of knowledge representation. The multimodel component belongs to semiotics model and includes: semantic networks, frames, formal models, production, computational models. There are inductive and deductive components of knowledge de-scribed by semiotics model. The inductive component includes means of knowledge description. These means help system users to define problems, describe multimodel knowledge structure of subject domain, logic of the problem solution of expe-ditious decision-making. The formalism of language of knowledge definition is one of these means. The main feature of a deductive component of semiotics model – representability of knowledge of management purpose achievement means in it. This knowledge looks like the ordered set of procedures, models and ways of their using (management on models) for the so-lution of tasks in multimodel knowledge structure. The formalism of knowledge manipulation language is taken as a basis of a deductive component, it is a mean of statement and finding solutions for solvable problems of decision support. There is a notion of concept of task resolvability in a knowledge model. The description of determination methods of task resolvability and planning of its decisions search processes is provided in semiotics knowledge model. Stages of finding solutions process-es planning are defined: finding the algorithm of problem solving; algorithm interpretation for receiving the result. Scopes of knowledge bases control systems are described.
Авторы: Башлыков А.А. (bashlykovAA@mpei.ru) - Национальный исследовательский университет «МЭИ», г. Москва, г. Москва, Россия, кандидат технических наук
Ключевые слова: средства интерпретации моделей знаний в моделях данных., языки определения и манипулирования зна-ниями, модели знаний, системы управления базами знаний
Keywords: means of interpretation of models of knowledge in models of data, language of definition of knowledge, manipulation language knowledge, model of knowledge, control systems of knowledge bases
Количество просмотров: 8165
Версия для печати
Выпуск в формате PDF (7.68Мб)
Скачать обложку в формате PDF (1.35Мб)

Размер шрифта:       Шрифт:

Известно, что большое количество слабоструктурированных данных обусловило появление в компьютерной практике специальных програм- мных средств – СУБД [1].

Введенные механизмы СУБД, с одной стороны, позволили логически упорядочить массивы накопленных данных в рамках средств описания логической модели данных (ЛМД) – языка описания данных (ЯОД), с другой – организовать логический доступ из программных приложений средствами языка манипулирования данными (ЯМД) к хранимым БД.

Дальнейшее развитие СУБД привело к появлению так называемых активных и дедуктивных СУБД [2]. Под активной понимается СУБД, в которой выполняются не только явно указанные пользователем, но и дополнительные действия в соответствии с правилами, заложенными в саму БД. А дедуктивная СУБД представляет композицию компоненты, содержащей факты (экстенционал), и компоненты, содержащей правила для логического вывода новых фактов (интенционал) на основе экстенционала и запроса пользователя.

Следует отметить, что названные СУБД хранят мгновенный снимок модели предметной области. Любое изменение некоторого объекта данных в момент времени t приводит к недоступности состояния этого объекта в предыдущий момент времени. Интересно, что на самом деле в большинстве развитых СУБД предыдущее состояние объекта сохраняется в журнале изменений, но у пользователя нет возможности доступа к этой информации. Развитие СУБД в данном направлении базируется на разработке темпоральных (временных) СУБД – ТСУБД [3]. Основная особенность ТСУБД состоит в том, что для любого объекта данных, созданного в момент времени t1 и уничтоженного в момент времени t2, в БД сохраняются (и доступны приложениям) все его состояния во временном интервале [t1, t2].

ТСУБД позволяет организовать хранение истории поведения данных модели предметной области в виде архивных БД, что особенно важно для приложений, работающих в реальном времени [3, 4].

Вышеописанное развитие СУБД при появлении новых единиц информации, именуемых знаниями, потребовало разработки новых программных средств – систем управления базами знаний (СУБЗ) [5–8], реализация которых опирается на опыт активных СУБД, дедуктивных БД, ТСУБД.

Такая необходимость продиктована особыми свойствами, которыми обладают элементы знаний в отличие от элементов данных, а именно – интерпретируемостью и ситуативностью. Первое свойство говорит о том, что истинность единицы знаний зависит от механизма их интерпретации, построенного на взаимодействии с БД, второе – что истинность единицы знаний в каждый момент времени зависит от ситуации, складывающейся в предметной области.

Исходя из сказанного, можно утверждать, что СУБЗ является развитием СУБД с учетом свойств единиц знаний. Обоснованию такого подхода к построению систем, основанных на знаниях, являющихся ядром интеллектуальных систем поддержки принятия решений (СППР) [9–11], посвящена настоящая статья.

Архитектура СУБЗ

Рассмотрим архитектуру СУБЗ, представленную на рисунке 1.

Данная архитектура представляет собой композицию вышеприведенных компонент, позволяющих

–      средствами ЯОД (посредством процессора ЯОД) описывать структуру ЛМД, представляющей связанный набор элементов предметной области;

–      средствами ЯМД (посредством процессора ЯМД) обеспечивать логический доступ к элементам ЛМД;

–      средствами языка определения знаний (ЯОЗ) (посредством процессора ЯОЗ) описывать структуру ЛМЗ, представляющей модель предметной области;

–      средствами языка манипулирования знаниями (ЯМЗ) (посредством процессора ЯМЗ) обеспечивать описание постановок задач, решение которых необходимо найти в модели знаний, и собственно сам процесс поиска решений;

–      средствами интерпретатора знаний (ИЗ) интерпретировать найденные последовательности утверждений БЗ в БД, приводящие к решению поставленной задачи.

ЛМД существующих СУБД могут быть сетевыми, иерархическими и реляционными [1].

ЛМЗ в современных СУБЗ могут быть следующих типов: семантические сети, фреймы, формальные логические модели (предикаты), продукции, семиотические модели [5–7].

Семиотическая модель как основа построения мультимодельной логической структуры знаний и решателей задач поддержки принятия решений

Семиотическая модель предметной области поддержки принятия решений [12–15] как формализм имеет две составляющие – индуктивную и дедуктивную – и представляется выражением вида SSC={{R}, {T, P, A}, {a(T), b(P), g(A), s(R)}}, где дедуктивная составляющая {R} – множество правил вывода (поиска решений) в семиотической модели; индуктивная составляющая включает {T, P, A} – множество описаний моделей знаний средствами формальных систем (модель знаний, содержащая Т-множество термов предметной области, P-множество правил построения правильно построенных формул предметной области, А – множество аксиом предметной области); {a(T), b(P), g(A), s(R)} – правила изменения элементов множества {T, P, A} при переходе из одного класса формальной системы в другой.

Главной с точки зрения создания средств описания информации является индуктивная составляющая. Она включает средства, относящиеся к ЯОЗ, которые определяются выражением ЯОЗ= =<{T, P, A}, {a(T), b(P), g(A), s(R)}>, где T=LT, {T, P, A}=LN, {a(T), b(P), g(A), s(R)}=LP, LT, LN – множество терминальных и нетерминальных символов; LP – множество правил, включающих директивы языка. Все терминальные и нетерминальные элементы языка имеют свои определенные типы.

С помощью ЯОЗ пользователи системы (эксперты) могут определять проблемные ситуации, описывать мультимодельную структуру знаний предметной области, логику решения задач оперативного принятия решений.

Основная особенность дедуктивной составляющей семиотической модели – представимость в ней знаний о средствах достижения цели управления. Эти знания имеют вид упорядоченного множества процедур, моделей и способов их использования (управления на моделях) для решения возникающих задач в мультимодельной структуре знаний. Композиционно каждая из моделей состоит из трех частей – собственно самой модели, задачи на модели и элементов связи – синхронизации ее с другими моделями.

Задачей на модели Z будем называть тройку вида Z= V>, где U и V – наборы переменных модели (U, V – вход и выход модели);  – значение набора U (исходные данные); – схема задачи. Вычислительный процесс, переводящий модель из начального состояния (W0, ) в целевое (Wц, ), решает задачу, если W0=U0, VÌWц. Значение  выхода задачи будем называть ответом.

Задача является разрешимой на модели при некотором управлении, если существует эффективная композиция процедур, которая ее решает. Каждая модель позволяет в терминах переменных и их значений определять задачи поддержки принятия решений. Все эти задачи разбиты на классы эквивалентности, состоящие из задач с одинаковой схемой (U, V). Для каждого такого класса задач ищут алгоритм со входом U и выходом V. Если такой алгоритм существует на модели, то он решает задачу тогда и только тогда, когда применим к исходным данным

Задачи на модели решаются в два этапа: планирование решения, то есть составление алгоритма, решающего задачу, и интерпретация алгоритма для получения результата.

Множество разнотипных задач поддержки принятия решений представляются множеством моделей, на которых эти задачи разрешимы. Однако многие из задач, а следовательно и моделей, взаимоувязаны, то есть существуют синхронность и асинхронность в их выполнении. Для описания такого случая в модель и в любую совокупность моделей введено понятие управления на модели С. При этом модель запишем в виде М1(G, С), где G = (х, А) определяет ее информационную структуру; С – управляющая структура или все возможные цепочки операторов, которые могут составить вычислительный процесс решения задачи. Для представления G использована семиотическая модель, для представления С – сети Петри.

Понятие связи – синхронизации – отражает возможность установления взаимодействия между любыми моделями семиотической модели. Это позволяет рассматривать весь набор элементов как некую обобщенную (семиотическую) структурированную модель потоков информации, способов и приемов ее обработки для поиска решений.

Планирование вычислений на такой модели P будем рассматривать как композицию функций ji, сопоставляющую некоторым четверкам <М, С, U, V> оператор  со входом U и выходом V. При этом (U0ÈUBÈY)ÌU; (VDÈVBÈ ÈY*)ÌV; (C0ÈСBÈCL)ÌC; (МDÈMBÈML)ÌМ; P= =<>, где М – мультимодель знаний системы; С – управление на модели М; U, V – множество переменных – условий поиска на М.

Примем, что значение  определено для тех четверок (М, С, U, V), для которых существуют задачи (U, , V), разрешимые на модели при заданном управлении.

В качестве таких задач будем рассматривать задачи диалога, поиска управляющих решений для любой проблемной ситуации управления.

Структура семиотического планировщика приведена на рисунке 2.

Монитор – это внешний блок, устанавливающий дисциплину общения задач с планировщиком.

Информация с выхода монитора поступает на блок установления разрешимости задач на модели. При этом запускается в работу блок выбора соответствующей задачи сети Петри, на которой устанавливается разрешимость задачи.

Если задача неразрешима, выдается сообщение пользователю. Блок выбора по информации из БЗ выбирает соответствующую сеть Петри. Для этой сети блок проверки наличия асинхронных процессов, выполнив свою функцию, передает управление блоку выработки условий синхронизации процессов. Последние три блока работают циклически до тех пор, пока не останется асинхронных процессов. Далее запускается в работу блок выделения последовательных процессов на каждом типе моделей. Множество этих процессов поступает на блок формирования операторной схемы асинхронного вычислительного процесса.

При работе этих блоков используется информация из БЗ. Такой информацией являются сведения о схеме состояний каждой сети Петри, условия синхронизации.

\Логико-статический тип отношений подразумевает на- личие в БД таблицы, соответ- ствующей каждому из опре- деленных отношений данного типа. Логико-динамический тип отношений подразумевает наличие в БЗ процедуры с оп- ределенной для нее областью интерпретации в БД. Каждому отношению этого типа в БЗ должна соответствовать своя процедура, которая может в любой момент времени определить множество параметров, обеспечивающих истинность или ложность данного типа отношения с помощью соответствующей процедуры.

ЯМЗ как средство постановки задач поиска решений

Рассмотренная выше при планировании процессов поиска решений функция

P=<> находит решения для четверок (М, С, U, V), для которых существуют задачи (U,  V), разрешимые на модели М.

Основной целью построения СППР является создание средств, автоматически или автоматизированно реагирующих на изменения внешней и внутренней сред управления и осуществляющих управление.

СППР имеет связь со средой управления как для получения информации о ее состоянии, так и для выдачи управляющих команд, изменяющих данное состояние. Для этого между средой управления и функцией планирования необходимо установить связь, которая должна носить условно-событийный характер, определяемый схемой

<Условия наступления события>®<Событие>

<Событие>®<Разрешимая задача на модели>

<Разрешимая задача на модели>®<Планирование и поиск решений>

<Планирование и поиск решений>®<Решение>.

Каждое событие трактуется в системе как проблемная ситуация. Для ее устранения необходимо найти и реализовать управляющее решение. В проблемной ситуации обязательно должны быть описаны условия наступления события. Это позволяет нам изменить схему и представить ее в виде

<Проблемная ситуация>®<Разрешимая задача на модели>

<Разрешимая задача на модели>®<Планирование и поиск решений>

<Планирование и поиск решений>®<Решение>.

\Рассмотренную цепочку преобразований можно описать на ЯМЗ, основными понятиями которого являются проблемные ситуации, задачи на модели, параметры объекта и среды управления, преобразователи параметров, управление на модели. В качестве правил вывода можно использовать правила, задающие соответствие между проблемными ситуациями и задачами, и правила (алгоритмы) планирования процессов поиска решений на семиотической модели знаний. Такой язык позволяет автоматизировать связь с пользователем и автоматически выполнять следующие функции: РАСПОЗНАВА­НИЕ (Какие события имеют место на данном шаге?), УПРАВЛЕНИЕ (Что необходимо сделать на следующем шаге?), ПОИСК (Какие знания необходимо использовать?), СОГЛАСО­ВАНИЕ (Применимы ли найденные знания? Каким образом?), ЗАКЛЮЧЕНИЕ (Какой вывод на данном шаге можно сделать?).

ЯМЗ позволяет описывать постановку задачи и методы ее решения в модели знаний. В качестве таких методов используются следующие: поиск в пространстве состояний (поиск вглубь и поиск вширь, метод ветвей и границ, алгоритм кратчайших путей Мура, алгоритм Дейкстры, алгоритм Дорана и Мичи поиска с низкой стоимостью, алгоритм Харта, Нильсона и Рафаэля); метод редукции – поиск в пространстве задач (алгоритм Ченга и Слейгла, метод ключевых операторов, метод планирования общего решателя задач, планирование с помощью логического вывода, метод продукций системы STRIPS, метод продукций, использующий макрооператоры); дедуктивный выбор (метод резолюций в логике предикатов первого порядка); вывод в моделях знаний, описываемых немонотонными и вероятностными логиками.

Функция распознавания ситуаций описывается с помощью языка L1, грамматика которого задана в виде выражения L1=(В, p, S, S0), где В – множество терминальных символов, соответствующих переменным и предикатам; p – множество правил, связывающих терминальные и нетерминальные символы; S – множество нетерминальных символов, понятий предметной области; S0 – начальный нетерминальный символ.

Пусть множество терминальных символов состоит из элементов {U, , V}, нетерминальных – из элементов {Si, Zi, S0}. Здесь Si – понятия, которые определяют проблемные ситуации; Zi – понятия, определяющие задачи. Тогда, задав правила {s0®USi, Si®Zi, Zi®V}, можно построить вывод вида S0®USi, USi®Zi, UZi®UV, то есть данная грамматика позволяет описывать процессы связи системы с объектом и средой управления в терминах параметров, понятий и правил вывода.

Остальные функции определим языком L2, грамматика которого будет задана в виде выражения , где Т – множество терминальных символов, соответствующих параметрам и операторам двудольного графа; N – множество нетерминальных символов – путей вывода, порождаемых при планировании на графе;  – алгоритм планирования на графе; С – управление при выводе (стратегия поиска).

Объединяя эти два языка, можно получить новый, позволяющий задавать автоматическую связь системы с внешним миром, который для системы представляется пользователями или объектом и средой управления. Такой язык называют ЯМЗ, так как он помогает автоматически реагировать на любые распознаваемые входные события путем автоматического поиска и выработки решений [15, 16]. Структура элементов языка приведена на рисунке 4. Директивы позволяют организовать человеко-машинное взаимодействие пользователей с системой, а операторы – условия такого взаимодействия.

Описанная методология построения СУБЗ как развитие методологии построения СУБД и реализующие ее элементы инвариантны к предметной области управления. Такая СУБЗ может являться ядром систем интеллектуальной информационной поддержки принятия решений, основанных на единой методической, алгоритмической, программной и информационной базах.

Существующий опыт использования описанной технологии в атомной и тепловой энергетике, в системах транспорта нефти [5, 9, 17] показал работоспособность описанного подхода.

Литература

1.     К. Дж. Дейт. Введение в системы баз данных; [пер. с англ.]. М.: Вильямс, 2005.

2.     Кузнецов С.Д. Основы современных баз данных. М.: Вильямс, 2005.

3.     Date C.J., Darwen Hugh, Lorentzos Nikos, Temporal Data and the Relational Model, Morgan-Kaufmann Publ., 2002.

4.     Dengfeng Gao, Jensen S., Snodgrass T., Soo D., Join operations in temporal databases. The VLDB Journ., 2005, Vol. 14, Iss. 1.

5.     Башлыков А.А. Элементы экспертной системы реального времени для интеллектуальной поддержки принятия решений при управлении режимами энергосистемы // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2012. № 5. С. 11–18.

6.     Пупков К.А., Коньков В.Г. Интеллектуальные системы. М.: Изд-во МГТУ им. Н.Э. Баумана, 2003.

7.     Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000.

8.     Ларичев О.И. Теория и методы принятия решений, а также хроника событий в волшебных странах. М.: Логос, 2000. 295 с.

9.     Геловани В.А., Башлыков А.А., Бритков В.Б., Вязилов Е.Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях. М.: УРСС, 2001.

10.  Башлыков А.А. СПРИНТ-РВ – интеллектуальная SCADA-система для построения средств человеко-машинного управления сложными и экологически опасными объектами и технологиями // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2012. № 12. С. 8–20.

11.  Макаров И.М., Лохин В.М., Манько С.В. Искусственный интеллект и интеллектуальные системы управления. М.: Наука, 2006.

12.  Осипов Г.С. Лекции по искусственному интеллекту. М.: URSS, 2013. 272 с.

13.  Евменов В.П. Интеллектуальные системы управления. М.: Либроком, 2009, 300 с.

14.  Поспелов Д.А. Ситуационное управление: Теория и практика. М.: Наука, 1986 (Проблемы искусственного интеллекта).

15.  Гаврилова Т.А. Логико-лингвистическое управление как введение в управление знаниями // Новости искусственного интеллекта. 2002. № 6. С. 36–40.

16.  Башлыков А.А. Система управления базами знаний как ядро средств интеллектуальной поддержки принятия решений // Трубопроводный транспорт. 2010. № 1 (17). С. 28–32.

17.  Башлыков А.А. Принципы автоматизации процессов контроля и управления техническим обслуживанием и ремонтом объектов и сооружений магистральных нефтепроводов в системе СКУТОР // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2012. № 10. С. 7–23.

References

1.  Date C.J.,  An  Introduction to Database Systems, 8th Edi-tion, Addison-Wesley, 2003.

2.  Kuznetsov S.D.,  Osnovy sovremennykh baz dannykh  [Ba-ses of modern databases], Moscow, Williams, 2005.

3.  Date C.J., Darwen Hugh, Lorentzos Nikos, Temporal Data and the Relational Model, Morgan-Kaufmann Publishers, 2002.

4.  Dengfeng Gao, Jensen S., Snodgrass T., Soo D., Join oper-ations in temporal databases, The VLDB Journal, 2005, Vol. 14, iss. 1.

5.  Bashlykov A.A.,  Avtomatizatsiya, telemekhanizatsiya i svyaz v neftyanoy promyshlennosti  [Automation,  telemetry and communication in oil industry], Moscow, VNIOENG, no.  5/2012, pp. 11–18.

6.  Pupkov K.A., Konkov V.G.,  Intellektualnye sistemy [Intelligent systems], Bauman MSTU, 2003.

7.  Gavrilova  T.A.,  Khoroshevsky  V.F.,  Bazy znaniy intellektualnykh sistem  [Intelligent systems  knowledgebase],  St. Petersburg, Piter, 2000.

8.  Larichev O.I.,  Teoriya  i metody prinyatiya resheny, a takzhe khronika sobytiy v volshebnykh stranakh  [Theory and decision technique, along with event history in magic countries], Moscow, Lagos, 2000, 295 p.

9.  Gelovani V.A., Bashlykov A.A., Britkov V.B., Vyazilov E.D.,  Intellektualnye sistemy podderzhki prinyatiya resheniy v neshtatnykh situatsiyakh  [Intelligent  decision support systems  in emergency situations], Moscow, URSS, 2001.

10.  Bashlykov A.A.,  Avtomatizatsiya, telemekhanizatsiya i svyaz v neftyanoy promyshlennosti  [Automation, telemetry and communication in oil industry], Moscow, VNIOENG, no.  12/2012, pp. 8–20.

11.  Makarov I.M., Lokhin V.M., Manko S.V.,  Iskusstvenny intellekt i intellektualnye sistemy  upravleniya [Artificial intelligence and intellectual control systems], Moscow, Nauka, 2006.

12.  Osipov G.S., Lektsii po iskusstvennomu intellektu [Lectures about Artificial Intelligence], Moscow, URSS, 2013, 272 p.

13.  Evmenov  V.P.,  Intellektualnye sistemy upravleniya [Intelligent control systems], Мoscow, Librokom, 2009, 300 p.

14.  Pospelov D.A.,  Situatsionnoe upravlenie: Teoriya i praktika  [Situational management: Theory and practice], Moscow, Nauka, 1986.

15.  Gavrilova T.A.,  Artificial Intelligence News, 2002, no.   6, pp. 36–40.

16.  Bashlykov A.A.,  Pipeline transport, Moscow, 2010, no.  1 (17), pp. 28–32.

17.  Bashlykov A.A.,  Avtomatizatsiya, telemekhanizatsiya i svyaz v neftyanoy promyshlennosti  [Automation, telemetry and communication in oil industry], Moscow, VNIOENG, no.  10/2012, pp. 7–23.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=3479&lang=
Версия для печати
Выпуск в формате PDF (7.68Мб)
Скачать обложку в формате PDF (1.35Мб)
Статья опубликована в выпуске журнала № 2 за 2013 год. [ на стр. 131-137 ]

Возможно, Вас заинтересуют следующие статьи схожих тематик: