Software & Systems

Организация работ в области научных исследований (НИ) по проблематике военного кораблестроения (ВК) предусматривает выполнение как фундаментальных и поисковых работ, так и прикладных исследований. Это в свою очередь предопределяет наличие двух основных целей НИ:

- получения нового знания;

-разработки методов, моделей и методик оценки и анализа свойств кораблей и судов ВМФ на базе проведения соответствующих экспериментальных и теоретических исследований.

Достижение первой из целей предусматривает, как правило, ряд этапов. Этап концептуального анализа проблем, включающий фазы возникновения идей, формирования понятий и суждений, выдвижения гипотез, объединения научных фактов. Последующие этапы предназначены в той или иной мере доказательству правильности гипотез и суждений и разработке на этой основе теорий. Такое доказательство основывается прежде всего на методах математического моделирования, результатах физических и вычислительных экспериментов и во многом базируется на итогах прикладных исследований, которые часто инициируют цели получения нового значения.

Существует ряд проблемных вопросов технологий НИ, возникающих при достижении обеих целей. Приведем некоторые из них:

а) использование в НИ знаний, полученных другими исследователями. Будем называть та кую проблему (по Ершову) проблемой отчуж дения знаний от их разработчика;

б)   многоаспектное, многоцелевое описание одного объекта или процесса множеством ма тематических моделей (ММ) - создание муль- тимодельной среды и связанную с этим про блему оценки свойств ММ и их выбора; полу чение адекватных моделей;

в) использование знаний из неформализованных предметных областей;

г) интеграция экспериментальных и теоретических исследований в единый комплекс НИ, совместное использование моделей и данных;

д)   совершенствование методов и информационной технологии получения новых знаний, выбор и обоснование направления научных ис следований;

е) повышение эффективности НИ.

Изложим некоторые подходы к решению перечисленных проблем.

Отчуждение знаний

В фундаментальном, академическом плане проблема касается вопросов использования "чужих" знаний. Здесь же будем рассматривать проблемные аспекты отчуждения моделей от их разработчика. Отметим, что основным аспектом является аспект доверия к модели, полученной от других исследователей.

Для того чтобы ученый мог с доверием относиться к "чужим" моделям, он должен обладать некоторой дополнительной информацией, которая, как правило, отсутствует. К такой информации можно отнести:

- оценку адекватности ММ и области ее ис пользования;

- методы, алгоритмы и методики, поло женные в основу ее разработки;

- методы, алгоритмы и программные сред ства, используемые при работе с ММ на ЭВМ;

- системы обозначений и идентификацию параметров, расчетные схемы и ограничения, а также другие характеристики, сопутствующие созданию и использованию модели. База для недоверия возникает, когда перечисленная и другая информация недоступны пользователю.

Одним из возможных направлений отчуждения моделей от их разработчика является подход, предложенный в [2,12]. Он основывается на понятиях "текста" и "контекста" ММ и методах их алгебры и логики. Введем ряд определений.

Определение 1. Под параметром будем понимать формальное выражение моделируемого свойства объекта (его компонентов, процесса), отображенное в вычислительной среде.

Параметры свойств объекта характеризуются идентификаторами, в которых отображаются общепринятые обозначения и специфика использования, особенностями (размерность, наличие метрики, нечеткость канала наблюдения и т. п.) их измерения и множеством их допустимых значений.

Определение 2. Под текстом модели будем понимать причинно-следственные отношения между моделируемыми свойствами, представленные в вычислительной среде.

Текст модели является основой получения информации о моделируемом объекте, процессе.

Определение 3. Контекстом модели будем считать формализованное выражение допустимых областей использования, отображенное в вычислительной среде.

Заметим, что и в тексте, и в контексте моделей фактически определяются отношения. Но если в тексте - это отношение между переменными, то в контексте - между переменными и их значениями. В частности, метод синтеза модели можно рассматривать как параметр, определяемый на соответствующем множестве.

Решение проблемы отчуждения моделей от разработчика заключается в полном определении контекстных переменных, так как часто неучет контекста ММ ведет к неверной ее ин терпретации или к недоверию.        

Отметим, что иногда создатель модели многие необходимые условия (параметры) адекватности модели исследуемому процессу учитывает неявно (неосознанно). Поэтому в целом задача построения контекста ММ аналогична задачам отчуждения знаний при построении экспертных систем (ЭС) и относится к проблематике искусственного интеллекта. Для обработки и использования формализованных контекстов применяются операции алгебры и логики текстов и контекстов ММ в мультимодеяьных системах [12]. Алгебра включает операции сужения, расширения, погружения, объединения и пересечения контекстов моделей. Логика текстов и контекстов создает основание для определения схем ассоциативного вывода, трансформации текстов в контекст и наоборот, схем обобщения, агрегации, детализации, вывода по аналогии.

Программная реализация такого формального аппарата может быть направлена на создание единого параметрического базиса-универсума для ММ, используемых в НИ в ВК. Некоторые подходы к такой реализации на базе СУБД МАМОД приведены в [3].

Оценка свойств моделей

Две базовые идеи относительно использования ММ в научных исследованиях приводят к необходимости решать задачу количественной оценки свойств моделей и на этой основе их анализа и обоснованного выбора. Первая идея - множественность представления ММ, относящихся к одному объекту (процессу), вторая - желание исследователя получить модель с заранее заданными им свойствами. Поставленная задача (оценка свойства ММ) может быть успешно решена, если рассматривать модели в качестве самостоятельного класса объектов и разработать количественные показатели (критерии) их свойств. В [16,17] процедуры оценки свойств ММ получили название квалиметрии моделей и рассматриваются как прикладная часть общей теории квалиметрии (науки об определении качества изделия).

Определение 4. Квалиметрия моделей - со­вокупность методов и критериев оценки суще­ственных свойств ММ, подлежащих анализу и сопоставлению для отбора моделей с жела­емыми свойствами.

Квалиметрия ММ базируется на методах математической статистики и численного мо­делирования, теории чувствительности, авто­матического управления и информации и дру­гих (см. рис.).

ИТ  МОДЕЛИРОВАНИЯ

Целесообразно для большей эффективности использования критериев оценки свойств ММ производить ее на различных этапах информа­ционной технологии (ИТ) моделирования. К таким этапам можно отнести следующие:

-  обработка    экспериментальных    данных (ЭД);

-  формализация ММ;

-  алгоритмизация ММ;

-  вычислительный эксперимент (ВЭ);

-  анализ моделей.

а) Обработка ЭД.

С позиций концепции квалиметрии моделей на этапе обработки ЭД должны быть получены достоверные оценки статистических характе­ристик, применяемые в дальнейшем при моде­лировании в качестве зависимых и независи­мых переменных. Результаты обработки ЭД используются также для оценки адекватности ММ и коррекции параметров аналитических ММ.

Развитый существующий аппарат методов и критериев обработки ЭД для рассматри­ваемых задач можно направить на достижение следующих свойств оценок случайных величин: состоятельность, несмещенность, эффектив­ность и достаточность. Их определения даны, например, в [11]. Если на этапе обработки удается получить оценки с такими свойствами, то это обстоятельство дает определенные га­рантии достоверности последующих выводов на других этапах моделирования.

б) Формализация моделей. На этапе формализации ММ в состав их оцениваемых свойств предлагается включить:

- сложность;

- полноту;

- робастность;

- работоспособность;

- устойчивость;

- чувствительность.

Рассмотрим подробнее некоторые из свойств.

Положение концепции о множественности ММ, описывающих один объект или процесс, и создание на этой основе мультимодельной среды приводит к понятиям сложности ММ. Критерий сложности может использоваться при анализе многообразия ММ.

Здесь отметим лишь, что если сложность ММ определить как некоторый скалярный критерий j(M) на т (множестве моделей), то формируется задача оптимизации

при условии, что MeW(eo), где Ш(ео) - подмножество ММ с общей погрешностью е <, бо, что приводит к необходимости соблюдения компромисса между сложностью и точностью.

Например, если исходное представление сводимо к форме графа G(V,X), где: V - подмножество вершин, интерпретируемых как функциональные соотношения, операторы и т.д.; X - подмножество переменных Xi, i = i,n, соответствующих понятиям, в терминах которых построена модель, то степень сложности структуры представления X можно определить как отношение числа дуг оцениваемой модели ds =|VS| к числу дуг Р полного графа, построенного на заданном подмножестве вершин Vs, то есть

х = И.                         (2)

р                                             v '

Очевидно, что X < 1.

Свойство полноты ММ заключается в том, что она дает принципиальную возможность с помощью математических методов получить интересующие исследователя результаты.

Продуктивность ММ связана с требованием заданности или вычислимости исходных данных.

Робастность характеризует устойчивость ММ относительно погрешности в исходных данных.

Введем отношение

ршпнп

как показатель помехоустойчивости системы (модели)..

В (3) рш - спектральная плотность шумов. Подходы к оценке устойчивости и чувствительности ММ изложены в [8,10].

в) Алгоритмизация ММ.

Некоторые критерии для этого этапа моделирования на базе двух видов организации алгоритмов (по методу t и методу критических состояний) даны в [1].

Отметим, что могут быть три варианта соотношения модельного времени со временем моделируемого объекта:

а) модели, ускоряющие процесс;

б)   модели, замедляющие процесс;

в) модели, не изменяющие времени процесса.

Тогда можно ввести коэффициент ускорения

где to - длительность временного горизонта объекта; tM - длительность временного горизонта модели.

г) Вычислительный эксперимент.

Основными показателями для рассматриваемого этапа, предусматривающего преобразование исходной непрерывной ММ в дискретную и реализацию некоторой серии испытаний, являются критерии адекватности такого преобразования (8-адекватность) и критерии, характеризующие эффективность организации ВЭ (критерии планирования эксперимента). Современные подходы к оценке 5-адекватности преобразования модель-модель изложены в [7]. Суть их заключается в получении динамических характеристик используемых численных методов решения аналитических моделей, например обыкновенных дифференциальных уравнений (ОДУ), и построения областей 8-согласованности. Исследования показывают, что дискретизация может приводить к существенному искажению воспроизведения дискретной моделью динамических свойств и характеристик процессов, описываемых непрерывной моделью. Качественно и количественно такие искажения полностью определяются динамическими свойствами и характеристиками операторов дискретизации (ОД).

Определение 5. Динамической характеристикой Д данного численного метода дискри-тизации ОДУ называется натуральный логарифм его функции устойчивости

Д = Lnp = Ln (Sidx) = hy .           (5)

В [7] показано, что, используя вещественную и мнимую части динамической характеристики, можно построить области динамической 5-согласованности (адекватности) ОД.

Практическая значимость введения такой характеристики заключается в том, что если при выбранном периоде дискретности h все 1Ш непрерывной модели находятся внутри этой области, то такая дискретная модель в динамическом отношении будет 8-адекватна с точностью до 8.

На этапе анализа ММ основным свойством является ее адекватность объекту или процессу. Этот вопрос в связи с его особой актуальностью автором рассматривается специально в [15,19].

Совершенствование методов и ИТ получения новых знаний

Рассмотрим одно из возможных направлений решения поставленной задачи. Оно базируется на идее формирования единого модель-но-параметрического пространства (МПП) для исследуемого объекта или процесса, предоставляющего возможности определения места и взаимосвязи той или иной частной задачи (методики, модели) во всей моделируемой предметной области и в смежных областях. Такой анализ вместе с сопоставлением других точек зрения и оценкой целостности и непротиворечивости МПП может помочь ученому обосновать дальнейшую направленность исследований.

Определение 6. Под модельно-параметри-ческим пространством будем понимать множество всех моделей, параметров, отношений между ними, характеризующих свойства исследуемого объекта [2,12]. Процессы создания и управления МПП поддерживаются системой управления базами данных ММ.

К основным функциям, выполняемым с ее помощью, отнесем:

-  полный учет и систематизацию всех моде лей, используемых в НИ;

-  построение единого параметрического ба зиса и модельного пространства для объекта;

-  анализ целостности модельного покрытия объекта;

-  анализ совместимости и непротиворечи вости моделей;

-  мотивацию преобразования некоторых моделей и синтеза новых моделей и другие функции.

В конечном итоге МПП должно обеспечить объединение различных точек зрения на исследуемые объекты и процессы в целостное поле видения.

Это в свою очередь способствует увеличению степени полноты и достоверности, уменьшению противоречивости данных, необходимых для принятия решений, так как пользователь теперь будет иметь доступ к семантически соседней информации, которая влияет на качество решений и возможности целенаправленного получения нового знания.

Интеграция экспериментальных и теоретических исследований, совместное использование моделей и данных

Проблему интеграции в комплексе исследований в кораблестроении можно трактовать, как минимум, в двух аспектах.

Первый предполагает разработку ММ, объединяющих несколько областей знаний или нацеленных на получение совокупной оценки корабля в целом, что позволяет говорить о выделении этих моделей в определенный класс -системные модели анализа свойств кораблей [б]. Второй аспект направлен на решение задачи интеграции результатов различных видов исследований одной предметной области. В частности, можно говорить о задаче коррекции параметров аналитических моделей, полученных в теоретических исследованиях (ТИ), по данным экспериментальных исследований (ЭИ).

Приведем некоторые методологические аспекты о взаимоотношениях между экспериментом, моделью и теорией в процессе проведения комплексных исследований.

Последние результаты исследований в этой области позволили сформировать ряд положений, являющихся исходной базой для дальнейших исследований о взаимосвязи эксперимента, модели и теории [5].

1. При проведении экспериментов объекты сознательно ставятся в определенные условия, которые позволяют выявить сущность исследуемого явления. При этом роль эксперимента заключается в том, чтобы быть объективным анализатором действительности.

2.    В общем виде теория - это объяснение объективно-реальных процессов с помощью внутренне взаимосвязанного изложения познанных существенных отношений и законов в некоторой системе законов и соответствующих условий их реализации. Исходя из этого определения, можно представить каждую конкретную теорию как единство отображения и конструирования, единства изображения познанных связей и творческого формирования структур идеальных объектов, смысл которых прежде всего требует проверки. Таким образом, каждая теория содержит некоторые гипотезы и модели, требующие экспериментального подтверждения. С другой стороны, построение математических моделей и в целом формализация теоретических положений могут привести к выявлению неинтерпретированных связей или противоречий в теории, интерпретация или устранение которых и составляет процесс по знания. Таким образом, необходимо говорить о существовании двух различных способов по знания - опыте и теории - и двух им соответствующих методов познания - экспериментальном и теоретическом, которые дополняют друг друга. Можно даже утверждать о взаимопроникновении этих методов, например: натурный и вычислительный эксперименты, идентификация параметров ММ по ЭД, оценка адекватности аналитических моделей по данным натурных экспериментов.

3. Отметим важнейшую роль моделей в познании, характерную для всех наук. При этом аналогии основываются на существовании объективных общих свойств в различных объектах и процессах, что может выражаться в тождественности структур с теорией для различных областей, а гомология базируется на существовании систем с одинаковым основным качеством, которое может проявляться в различных формах. Например, с помощью моделей можно вскрывать существенные связи во всех гомологичных, то есть относящихся к одинаковому качеству, системах.

Единство экспериментальной и теоретической деятельности реализуется, с одной стороны, в интеграции специализированных видов деятельности, с другой - в том, что экспериментальная деятельность всегда включает теоретическую, а теоретическая должна учитывать результаты экспериментов. Хорошая теория подтверждается результатами эксперимента, но удавшийся эксперимент может стать стимулом и основой для корректировки теории.

Для рассматриваемых проблемных областей в достаточно общей постановке примем, что теоретическими основаниями для различного типа исследований являются:

а) для ЭИ - математическая теория эксперимента, включающая методы планирования эксперимента и статистической обработки результатов испытаний;

б) для ТИ - теория моделирования, включающая методы синтеза и анализа моделей, их преобразования, квалиметрии моделей, вычислительного эксперимента.

Интегрирующей теорией для ЭИ и ТИ являются, по-видимому, теория идентификации, позволяющая оценивать параметры теоретических моделей по данным экспериментов и корректировать их известные значения, а также методы квалиметрии моделей, предназначенные для оценки свойств моделей, и прежде всего для их адекватности, с использованием ЭД.

Использование знаний

из неформализованных предметных

областей

Одной из основных отличительных черт новых информационных технологий (НИТ) является использование программных средств, базирующихся на технологии и методах искусственного интеллекта, к которым в последние годы относят [9]:

-  ЭС (системы, основанные на знаниях);

-  нейронные сети и "размытые" логики;

-  естественно-языковые системы.

ЭС в НИТ НИ, как, впрочем, и в других областях знаний, предназначены, прежде всего, для автоматизации решения неформализованных задач, чем существенно расширяют круг использования средств автоматизации.

К ключевым тенденциям использования ЭС в НИТ НИ отнесем:

а) использование гибридных экспертных систем, сочетающих возможности БЗ, БД, баз моделей, ППП и др.;

б)   переход от языков искусственного интеллекта (Lisp, Prolog и др.) к языкам программирования типа С++, которые упростили обеспе чение интегрированности, снизили требования к быстродействию и объемам ОЗУ;

в) переход от индивидуального использования ЭС к парадигме распределенных интегрированных ЭС (перспективное направление).

Основной эффект от интеграции ЭС заключается в обеспечении возможности использования значительно больших объемов информации, данных и знаний, релевантной рассматриваемой проблеме, структурированной в соответствии с ее потребностями и погруженных в вычислительную среду. Так как речь идет об исследованиях сложных объектов, то данные, полученные на различных этапах ЭИ и ТИ, должны быть связаны и взаимообусловлены, и, соответственно, должна поддерживаться стратегия управления всем комплексом исследований на базе сети распределенных ЭС;

г) использование нескольких языков представления знаний для моделирования одной предметной области;

д)   разработку предметно-ориентированных оболочек, требующих только информационного наполнения, а также проблемно- ориентированных оболочек, направленных на решение некоторого класса задач и имеющих в своем составе соответствующие этому классу функциональные модули и общие знания о за даче.

Эффективная реализация информационной технологии (ИТ) НИ, и прежде всего моделирования, требует интеллектуальной поддержки в виде экспертной системы. Это обусловлено многовариантностью возможных реализаций решений и траекторий ИТ для конкретных задач моделирования, различной подготовленностью пользователей и их ориентацией в проблемах моделирования, необходимостью накопления и анализа принимаемых решений и другими причинами.

Рассмотрим основные направления использования ЭС в ЭИ и ТИ в кораблестроении.

Вопросы статистической обработки данных, методов планирования эксперимента, синтеза экспериментально-статистических моделей, неформальный анализ допустимого множества решений и прочее требуют интеллектуальной поддержки для ЭИ.

В ТИ можно выделить 3 основных класса операций и процедур:

- аналитические исследования (формиро вание концептуальной модели, формализация модели и ее преобразование);

- вычислительный эксперимент;

- квалиметрия моделей.

Отдельно можно отметить задачу оптимизации моделей. Для ЭС ТИ и ЭИ характерны следующие особенности:

- в основном они осуществляют интеллектуальную поддержку процессов синтеза, анализа, интерпретации моделей и принятия реше ний;

-как правило, речь идет о выборе целесообразного метода;

- поддержка технологии и корректного ис пользования методов на нескольких пользовательских уровнях;

- реализация специальной подсистемы "накопителя опыта" использования (как не удачного, так и успешного) различных методов в разных ситуациях;

- на основе анализа этого опыта определе ние рейтингов методов и аккумулирование "траекторий" принятия корректных проектных и исследовательских решений;

- применение комбинированных методов представления знаний (систем продукций, ме ханизмов алгебры фреймов и аппарата семан тических сетей).

Обобщая сказанное, можно отметить, что речь, в сущности, идет об интеллектуальной поддержке и собственно о формировании стратегии решения поставленной задачи, и прежде всего, задачи моделирования.

В укрупненном плане эту стратегию можно подразделить на задачи выбора: цели решаемой задачи, класса модели и метода решения; методов обработки и анализа данных; методов моделирования; стратегии планирования натурного и вычислительного экспериментов; стратегии преобразования моделей.

Повышение эффективности НИ

Выделим из всего многообразия подходов к решению этой проблемы лишь два:

- автоматизацию ИТ НИ;

- информационное обеспечение НИ.

Отметим, что разработка и внедрение автоматизированных систем научных исследований (АСНИ) должны быть направлены на автоматизированную поддержку функционально полной ИТ НИ с обеспечением максимально дружественной среды. Некоторые подходы к решению этих вопросов приведены в [4,13,14,19].

Современный подход к информационному обеспечению НИ предполагает использование, помимо традиционных подходов, возможностей системы Internet, включающих автоматизированный доступ к научной информации мирового сообщества и участие в телеконференциях.

В САИПР "Чертеж-4", разрабатываемой для автоматизации комплекса программных, проектных и научных исследований, АСНИ

предназначены для поддержки основных целей НИ, что обеспечивается целесообразным взаимодействием целого ряда подсистем. На базе автоматизации процессов статистической обработки экспериментальных данных, планирования натурного и вычислительного экспериментов, статистического анализа и моделирования, квалиметрии моделей, проведения вычислительных экспериментов с математическими моделями, преобразования моделей и их отчуждения от разработчика, развитых средств графического анализа и отображения информации, а также использования партнерской системы для выбора целесообразной стратегии НИ можно обеспечить существенное повышение эффективности НИ в интересах военного кораблестроения.

Список литературы

1.Бусленко Н.П. Моделирование сложных систем управления. - М.: Наука, 1978. - 400 с.

2. Валькман Ю.А. Принципы построения алгебры и ло гики текстов и контекстов математических моделей //Тр. III конф. по искусствен, интеллекту (КИИ-92). - Тверь, 1992. - Т.1.

3. Валькман Ю.Р., Рыхальскин А.Ю. Исчисление моде лей в исследовательском проектировании //Сб. тр. Междуна род, конф.: KDS - 95 (октябрь 1995, Ялта). - Т.2. - С. 324-334.

4. Валькман Ю.Р., Суворов А.И. Принципы построения интегрированной системы баз данных моделей. //Программные продукты и системы. - 1993. - № 3. - С. 17-22.

5. Герц. Г. Соотношения между экспериментом, моде лью и теорией в процессе естественнонаучного познания. //Сб. статей: Эксперимент, модель, теория. - Москва-Берлин, Наука.- 1982.

6. Захаров И.Г. Особенности моделирования задач предметной области в интересах разработки системных мо делей исследовательского проектирования: Учебное пособие. - СПб.: I ЦНИИ МО, 1993.

7. Костельцев А.В., Костельцев В.И. Новый способ по строения явных методов дискретизации ОДУ //Тез. докл. IV Международ, конф.: Региональная информатика. СПб., 1995.-С. 114- 115.

8. Математическое обеспечение сложного эксперимента /Белов Ю.А. и др. - К.: Наукова думка, 1982. - 304 с.

9. Попов Э.В., Фоминых И.Б., Кисель Е.Б. Статические и динамические экспертные системы. - М., 1995. - С. 125.

10.   Розенвассер Е.Н., Юсупов P.M., Чувствительность систем управления - М.: Наука, 1981.- 464 с.

11.   Справочник по прикладной статистике в 2 томах /Под ред. ЭЛлойда, УЛедермана. - М.: Финансы и статис тика, 1978. - 976 с.

12.   Суворов А.И., Валькман Ю.Р., Соломаха О.Н. Ин формационная технология единого комплекса исследований в военном кораблестроении. //Программные продукты и си стемы. - 1993.-№ 4.-СЮ- 19.

13.   Суворов А.И. Концепция новой информационной технологии научных исследований в кораблестроении. //Сб., посвященный 300-летию ВМФ (В печати).

И.Суворов А.И. О понятиях "технология", "информационная технология" и "новая информационная технология" //Программные продукты и системы - 1996. - № 2. - С. 45 - 48.

15.   Суворов А.И. Оценка адекватности математических моделей в научных исследованиях. Некоторые подходы и критерии. //Сб., посвященный 300-летию ВМФ (В печати).

16.   Юсупов P.M., Иванишев В.В., Костельцев В.И., Су воров А.И. Принципы квалиметрии моделей //Тез. докл. IV Международ, конф.: Региональная информатика. - СПб., 1995.-С.90-92.

17.   Юсупов P.M., Иванишев В.В., Костельцев В.И., Су воров А.И. Принципы построения системы квалиметрии моделей //Тез. докл. I Международ, конф.: Морские интеллектуальные технологии. - СПб., 1995. - С.324 - 325.

18. Philipp В. Diskussionbeitrag. - Sitzungsberichte der Akademie der Wissenschften der DDR, 1975, № 5.

19. Suvorov A; Suvorova A. A new Information Simulation Technology for Analysis and Synthesis of Compound Sea Technologicas Complexes //Тез. докл. Международ, конф.: MARIND - 96 • Варна, 1996.