Исследования, проводимые в военном кораблестроении (ВК), в достаточной мере условно можно разделить на экспериментальные, научные и проектные (при ведущей роли последних).

В экспериментальных исследованиях на масштабных моделях в бассейнах определяются основные качества будущего корабля, корректируются методики проведения исследований, проводится синтез экспериментально-статистических моделей. Экспериментальные исследования головных проектов надводных кораблей (НК) и подводных лодок (ПЛ) в натурных условиях в основном служат для определения степени соответствия заданных тактико-технических характеристик (ТТХ) реально полученным, для уточнения значений гидродинамических коэффициентов моделей и для других целей. При проведении научных исследований прежде всего решаются задачи разработки адекватных математических моделей, а также методик их анализа и использования. И наконец, высшую ступень иерархии всего комплекса исследований в ВК занимают проектные исследования (исследовательское проектирование - ИП). Основными целями ИП являются формирование облика будущего корабля, оптимизация его ТТХ.

Повышение обоснованности и своевременности принимаемых решений - одна из актуальных задач военного кораблестроения. Можно определить несколько направлений ее решения, мы же остановимся, на наш взгляд, на двух основных:

-     методологическая и программно-техническая реализация коллективного характера процесса принятия решений в ВК и создания комплексной системы автоматизации экспериментальных, научных и проектных исследований;

-     интеллектуальная поддержка принятия решений.

Разработка теории информационной технологии является одним из важных направлений современного научно-технического прогресса, в основе которой лежат достижения в области вычислительной техники, информатики, систем связи, программирования и искусственного интеллекта. Именно здесь в последнее время получены результаты такого уровня, который позволяет говорить о революции в технологии обработки информации - возникновении и развитии новой информационной технологии (НИТ).

Понятие НИТ трактуется сегодня по-разному, однако во многом является дискуссионным и требует дальнейшего обсуждения.

Так, например, в [4] дается несколько определений НИТ, смысл которых сводится к утверждению, что НИТ - это совокупность новых средств и методов обработки данных, объединенных в целостные технологические системы, или НИТ определяют как совокупность нескольких конкретных технологий. Там же приведены два понятия НИТ. Первое характеризует НИТ как совокупность процессов сбора, передачи, переработки, хранения и доведения информации до пользователей; второе определяет НИТ, с одной стороны, как совокупность процессов циркуляции и переработки информации, с другой - как описание этих процессов.

Отметим, что традиционно основным стимулом развития технологии являются средства ее реализации, точнее - противоречия между методами и средствами осуществления процессов. Поэтому появление персональных компьютеров, мощных многофункциональных и гибких средств программного обеспечения ПЭВМ, развитие методов искусственного интеллекта и доведение их до инструментальных средств в виде экспертных систем позволили некоторым авторам обусловить новации НИТ иным образом. Так, например, В.М.Глушков подразумевал под НИТ безбумажный процесс обработки данных на ЭВМ, американский ученый Дж.Мартин и академик Г.С.Поспелов понимают под НИТ возможность проектировать систему и создавать программы самому непрограммирующему пользователю.

В [3] авторы, развивая понятие НИТ, считают, что революция в информатике, приведшая к разработке ЭВМ принципиально новой архитектуры, становлению новой технологии и индустрии интеллектуальных систем, стала возможной благодаря тому, что в теории искусственного интеллекта были разработаны логико-лингвистические модели.

В [2] приводится трактовка НИТ для организационных систем. При этом выделяется три взаимосвязанных аспекта: методология, признаки, результат.

Методология включает:

-     принципиально новые средства обработки информации;

-     целостные технологические системы;

-  целенаправленное создание, передачу, хранение, отображение информации.

Признаками НИТ являются:

-     "встраиваемость" в технологию управления;

-     минимум затрат на внедрение НИТ.

Результаты внедрения НИТ:

-   новая технология коммуникаций;

-   новая технология обработки управленческой информации;

-   новая технология принятия управленческих решений.

Заметим, что во всех приведенных интерпретациях НИТ есть несколько общих моментов. Во-первых, речь всегда идет об использовании ЭВМ; во-вторых, в центр проблемы ставятся потребности конечного пользователя, эффективность и комфортность его труда. В [4] отмечается, что значение НИТ выходит далеко за рамки понимания ее только как нового стиля использования ЭВМ или как технологии прохождения задач на ЭВМ.

Рассмотрим основные концепты ИТ, которые, по мнению авторов, в наибольшей степени отвечают задаче построения единого комплекса исследований в ВК.

КОНЦЕПЦИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ИССЛЕДОВАНИЙ СЛОЖНЫХ ОБЪЕКТОВ В ВК

В любой технологии выделяются объекты двух классов: процессы и ресурсы. В ИТ под ресурсами естественно понимать какие-либо информационные образования. В них можно выделить данные, информацию, знания. В соответствии с [5] будем рассматривать только две информационные категории: данные и знания. Тогда процессы в ИТ - это процедуры обработки данных (знаний). Очевидно, целью любого процесса в ИТ является получение информации.

Как обычно, для любого процесса можно выделить входные и выходные ресурсы. И наоборот, для любого ресурса можно рассматривать процесс его получения и процедуры, его использующие, с модификацией и без нее. Ресурсы мы объединяем в информационную среду, процессы - в операционную, затем исследуем их взаимное отображение с целью определения целостности (непротиворечивости, совместимости, полноты) отношений "процессы-ресурсы".

Перед построением этих отображений необходимо произвести декомпозицию и обобщение (или агрегацию) процессов и ресурсов автономно.

Наибольшей структурной единицей ресурсов целесообразно считать БД моделей исследуемых процессов, представляющей модель некоторого агрегата (подсистемы), наименьшей -идентифицированное данное, например значение какого-либо параметра в некоторых условиях. Эти данные посредством каких-либо вычислительных процессов объединяются в векторы, например измерительные кадры, реализации и т.п., которые также можно считать моделями некоторых аспектов морфологии и/или функционирования соответствующих узлов, агрегатов и т.п. компонентов сложного изделия. Затем полученные данные объединяются в модели следующего уровня (агрегации) и т.д. до получения предметной БД [5].

Наибольшей структурной единицей процесса, с нашей точки зрения, правомерно считать процедуры интерпретации моделей с целью принятия проектных или исследовательских решений. Дальнейшая декомпозиция процедур этого класса приводит к операциям: синтеза моделей, их агрегации, обобщения, анализа их и их составляющих компонент (проекций), анализа исходных (измерительных) данных, преобразования моделей, идентификации их, редактирования и т.п. Минимальная единица процесса -вычислительный модуль, обеспечивающий расчет каких-либо значений данных параметров. Однако в информационной технологии могут быть процессы, не погруженные в вычислительную среду, например анализа или синтеза каких-либо моделей непосредственно пользователем (без использования вычислительных ресурсов).

Таким образом, мы получаем иерархические структуры процессов и ресурсов. Заметим, что фактически эти структуры сетевые, т.к. одна и та же модель может входить в состав нескольких моделей и/или один модуль (или операция) является базовым для нескольких процессов.

Естественно, процесс построения структуры ИТ носит итерационный характер. Особый интерес представляет анализ трансформации моделей в процессах проведения исследований сложных изделий: какие операции и как производят целенаправленный синтез какой именно информации.

До последнего времени процессы обработки данных (научных, экспериментальных, проектных исследований) в вычислительной среде с целью обеспечения комфортности работы пользователя, гибкости настройки на различные предметные области, объединяли в пакеты прикладных программ (ППП). Автоматизация синтеза расчетных схем вычислений для различных приложений ППП позволяла говорить об интеллектуальных ППП (ИППП). Но специалисты в области искусственного интеллекта быстро поняли, что для эффективной работы их экспертных систем (ЭС) необходимы программные компоненты, работающие на чисто алгоритмической основе. Полученные в результате программно-информационные комплексы стали называть гибридными ЭС (ГЭС) [6].

По-видимому, в ИППП превалирует алгоритмическая компонента, а в ГЭС — эвристическая. В ИТ исследований сложных изделий целесообразно использовать системы обоих типов, строго их не разграничивая. Естественность симбиоза ЭС и ППП очевидна. С одной стороны, ЭС управляет работой ППП, передавая (в точках диалога) необходимую ему управляющую информацию, с другой - ППП обеспечивает экспертную систему необходимыми значениями параметров.

В структуре "модуль-операция-процесс" операционной системы ИТ появление и объем эвристических компонент характерно для более высоких уровней, например для процесса интерпретации какой-либо модели или принятия некоторых решений. При разработке ИТ необходимо тщательно следить за целостностью интерфейса "ЭС — ППП" в рамках каждого процесса.

В процессе эволюции ИТ должны развиваться (наращиваться) эвристические и алгоритмические компоненты.

ИТ можно рассматривать как автоматизированную систему обработки данных (АСОД). В любом случае, с нашей точки зрения, об ИТ можно говорить тогда, когда в вычислительной среде построена, соответствующими средствами обслуживается и используется концептуальная схема (КС).

В КС на формальном и вербальном (описательном) уровнях поддерживаются характеристики всех средств (процессов и ресурсов) ИТ с необходимыми структурными отношениями. Формальные характеристики компонент и их отношений предназначены для обеспечения автоматизации операций синтеза и модификации различных вычислительных схем на разных уровнях ИТ, а описательные — для анализа и интерпретации назначения компонент и их структур пользователем, реализации процедур объяснений целесообразных действий в различных ситуациях и подсистем обучения использованию ИТ в практике исследований конкретных сложных изделий.

В КС ИТ можно выделить описания информационной и операционной сред и отношений между ними. Описание первой включает все схемы БД и БЗ. Этот класс объектов (можно считать его декларативной компонентой ИТ) достаточно исследован и доведен до уровня технологий. Операционная среда включает описание процедурной компоненты. Ее основой мы считаем паспорта методов, алгоритмов, программных модулей. Они содержат различные характеристики: функциональное назначение; наличие эвристической составляющей; идентификацию (свойства и характеристики) входных и выходных данных; характеристики управляющей информации; указатели (идентификаторы) "отцовских" и "дочерних" процедур; характеристики программного обеспечения (объем памяти, среднее время выполнения и т.п.). Примеры паспортов для некоторых технологических модулей приведены в [1]. Пользователь, как правило, считает, что он использует конкретный метод обработки данных, а фактически он имеет дело даже не с данным алгоритмом, а с конкретной программой, производящей необходимые вычисления. Отношения в триаде < метод - алгоритм - программа > должны найти соответствующие отражения в паспортах.

Концептуальная схема обеспечивает автоматизацию процедур трансформации ИТ на трех уровнях:

-     в процессе эволюции технологии исследований, в появлении новых методов, алгоритмов обработки, ППП и т.п.;

-     при внедрении ИТ в НИИ, КБ и т.п.;

- при "настройке" ИТ на исследование сложного изделия нового типа.

Поэтому в составе ИТ должна быть предусмотрена ГЭС, поддерживающая все три процесса на алгоритмическом и эвристическом уровнях.

Одной из базовых концепций ИТ мы считаем интеграцию (в рамках одной системы обработки данных) информации и процессов научных (НИ), экспериментальных (ЭИ) и проектных исследований (ПИ) сложных объектов. При этом отличительной чертой НИ является синтез и анализ моделей аналитическими методами или посредством вычислительного эксперимента. Спецификой ЭИ является синтез и анализ моделей измерительной информации, полученной в основном посредством натурного или полунатурного эксперимента, методами математической статистики обработки данных. В ПИ синтезируются и анализируются (оптимизируются) модели морфологии (состава и структуры) сложного изделия. Модели функционирования подсистем и объекта в целом чаще строятся и анализируются на уровне НИ и ЭИ. Все три класса исследований тесно взаимосвязаны особенно на уровне общей информационной среды.

ИНТЕЛЛЕКТУАЛИЗАЦИЯ ПРОЦЕССА ПРИНЯТИЯ РЕШЕНИЙ В ВК

Задача создания экспертных систем (ЭС) при разработке автоматизированных систем в ВК в настоящий момент представляет практический интерес по целому ряду причин. Во-первых, развитие инструментальных средств ЭС и программно-технических средств ВТ позволяет перейти от создания макетных вариантов к промышленным образцам. Во-вторых, работы специалистов ВМФ в области интеллектуализации позволили выделить достаточно представительный круг неформализованных задач ВК. И наконец, в настоящее время сложился квалифицированный коллектив разработчиков ЭС, уже несколько лет специализирующихся на автоматизации решения неформализованных задач исследований в ВК.

Рассмотрим основные направления использования ЭС в ВК.

Широко и эффективно используются ЭС в проектных исследованиях, что обусловлено следующими отличительными чертами этих исследований: значительный уровень неопределенности, неполноты исходных данных, их противоречивость, неоднозначность и расплывчатость задания на проектирование, отсутствие аналитических зависимостей между параметрами, вербальное описание целей, ограничений и условий чисто качественного типа и т.п.

Такие ЭС предназначены для решения следующих классов задач: структурный синтез моделей изделий; поисковое конструирование (изобретательство); автоматизация и интеллектуализация расчетного анализа (математическое моделирование и синтез расчетных процедур, планирование вычислений, оптимальный выбор моделей расчета, анализ результатов, переход от конструкции ее расчетной схеме, выбор численных методов расчета); оптимальный выбор характеристик деталей в соответствии со стандартами и нормалями на конструктивные элементы; анализ патентной частоты, оптимальная компоновка; автоматизированная обработка чертежной документации.

Основными направлениями здесь, очевидно, можно считать представление и анализ идей, концепций, а не конкретных технических и технологических решений.

Построению так называемых интеллектуальных САПР, которые можно считать интегрированными гибридными ЭС, уделяется значительное внимание у нас и за рубежом. Но, с нашей точки зрения, нового качества такого класса систем можно достичь только путем интеграции их с системами НИ и ЭИ.

Некоторые проблемы и концепции создания ЭС для НИ рассмотрены в [1]. В НИ можно выделить два основных класса операций и процедур: аналитические (ручные) исследования и исследования с использованием методов и средств вычислительного эксперимента.

Во втором случае концепции создания и использования ЭС во многом совпадают с методами и средствами их организации в ЭИ (генерация тех же планов экспериментов, определения адекватных методов и т.п.). Принципиальная разница заключается в средствах получения данных - в НИ они генерируются посредством систем имитационного моделирования, а в ЭИ являются результатом проведения натурных и полунатурных (в бассейне, на стенде и т.д.) испытаний моделей НК и ПЛ. Поэтому в вычислительном эксперименте целесообразно создание специализированных проблемно-ориентированных ЭС имитационного моделирования исследуемых процессов, в которых предметом экспертизы являются: вычислительные решетки (многомерные); методы их синтеза (с определением релевантности используемым методам вычислительного эксперимента и сущности исследуемых процессов и/или объектов); методы, средства, методики, технологии проведения имитационного моделирования (выбор целесообразных средств, анализ результатов их применения в конкретных ситуациях и аккумулирование и успешного, и неудачного использования).

В первом случае (НИ без имитационного моделирования) можно рекомендовать к применению специализированные ЭС типа ADVISOR, MACSYMA, MATLAB68 и т.п., предназначенные для выполнения символьных преобразований алгебраических выражений, дифференцирований, решения дифференциальных и интегральных уравнений, использования прямого и обратного преобразования Лапласа и т.д. Эти средства можно успешно использовать и в ПИ, и в ЭИ.

Многие проблемы и концепции реализации ЭС для ЭИ рассмотрены в [4, 1]. Здесь уточним классы задач, для которых целесообразны реализации, как правило, гибридных ЭС: выбор оптимальных методов и критериев для процессов предварительной (первичной) обработки измерительной информации; определение оптимальных планов экспериментов для выделения существенных (значимых) факторов и синтеза регрессионных моделей исследуемых процессов; определение целесообразного метода оценки статистических характеристик исследуемых процессов; выбор оптимального метода и алгоритма получения спектрально-корреляционных характеристик; определение рационального метода моделирования, релевантного поставленным целям; выбор лучшего метода оптимизации; определение оптимального метода синтеза экспериментально-статистических моделей; неформальный анализ допустимого множества решений.

Для ЭС ЭИ характерны следующие особенности:

-     в основном они касаются процессов синтеза, анализа, интерпретации моделей и принятия решений;

-     как правило, речь идет о выборе целесообразного метода (понятие "оптимальный" в данном случае неправомерно, т.к. оно подразумевает более формальные методы и наличие какой-либо формализованной целевой функции);

-     поддержка технологии и корректного использования методов на нескольких уровнях (от автоматического - для неквалифицированного исследователя - до ручного - для специалиста высокой квалификации) с автоматизированной адаптацией системы;

-     реализация специальной подсистемы накопителя опыта использования различных методов в разных ситуациях;

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

-     необходимость использования нетрадиционных схем логического вывода;

-     применение комбинированных методов представления знаний (систем продукций, механизмов алгебры фреймов и аппарата семантических сетей).

Основной эффект от интеграции ЭС заключается в обеспечении возможности использования значительно больших объемов информации (и знаний, и данных), релевантной данной проблеме, структурированной в соответствии с ее потребностями и погруженных в вычислительную среду. Так как в данном случае речь идет об исследовании сложных объектов, то, естественно, данные, полученные на различных этапах НИ, ПИ и ЭИ, должны быть связаны и взаимообусловлены. Концепция, интеграция данных и знаний НИ, ПИ, ЭИ в единую информационную среду приводит к целесообразности использования парадигмы распределенного искусственного интеллекта (РИИ).

Под РИИ в данном случае понимается сеть взаимосвязанных БЗ и сеть связанных ЭС, интегрированных с ориентацией на исследование сложных изделий определенного типа. При этом необязательно (но желательно, с учетом объемов знаний) использование сети ЭВМ. Распределению подлежат компетенция и опыт специалистов различных прикладных областей знаний. Систематизация этих знаний, их взаимное и корректное использование - вот цель РИИ. Тем самым частично осуществляется переход от субъективных оценок и принятия решений к объективным, понимая в данном случае несколько механистически, что объективное -интеграция (но не сумма!) субъективных точек зрения на проблему.

В настоящее время РИИ строится как система экспертных моносистем. В дальнейшем предполагается (после проведения соответствующих исследований и анализа опыта эксплуатации этих систем) рассмотреть проблему "сверху", то есть как построение некой супервизорной (мониторной) ЭС, функции которой будут заключаться в:

-    анализе исходных данных (условий) проблемы (достаточно глобальной);

-    построении дерева целей ее решения (разрешения);

-    построении И/ИЛИ - дерева подпроблем (задач);

-    распределении (планировании) решений задач по горизонтально-вертикальной структуре локальных ЭС;

-    диспетчеризации процесса (последовательно-параллельного) решения этих задач.

Заметим, что все эти аспекты в значительной мере носят эвристический характер.

Одной из важнейших задач, решаемых с помощью НИТ, является обеспечение комплексности экспериментальных, научных и проектных исследований в в/ч 27177.

Методы и средства интеграции исследований в В К являются той основой, которая дает возможность направить в практическую плоскость задачу создания комплексной САИПР.

МЕТОДЫ И СРЕДСТВА ИНТЕГРАЦИИ ИССЛЕДОВАНИЙ В ВК

Как правило, основой для анализа, проектирования и для принятия решений в целом служит математическая модель объекта или процесса. Для реализации единого комплекса исследований, опирающегося на различные виды моделей и данных, одной из основных задач является разработка методов, позволяющих осуществлять их совместное использование, например коррекцию параметров теоретических моделей научных исследований по данным натурных испытаний. Ниже рассматриваются предложения по методам интеграции исследований на основе круга задач, решаемых при моделировании процессов.

Методы преобразования и коррекции матмоделей по данным натурного и вычислительного экспериментов

К числу важнейших задач, решаемых в процессе проектирования и исследования сложных технических систем, относятся задачи моделирования, т.е. построения и исследования математических моделей, также задачи оптимизации параметров и характеристик различных объектов с использованием ММ. С этой целью интенсивно разрабатываются интеллектуальные пакеты прикладных программ (ИППП) и программные системы (И ПС), использующие знания экспертов.

Однако существующие ИППП и И ПС, ориентированные на решение задач моделирования, лишь в малой степени отвечают потребностям исследователей и разработчиков сложных (нелинейных, нестационарных и др.) систем.

Традиционно они включают пакеты статистической обработки экспериментальных данных, построения моделей методами линейного и нелинейного регрессионного анализа, решения дифференциальных, алгебраических и трансцендентных уравнений.

Не умаляя важности применения указанных методов и средств на этапе моделирования, отметим следующее.

Разработчики и исследователи сложных изделий новой техники, стремящиеся повысить эффективность и конкурентоспособность, естественно, заинтересованы в новых нестандартных постановках и методах решения задач проблемного характера, которые дают пользователю качественно новые знания о свойствах элементов и систем в целом, связях, отношениях между объектами, характеристиках и свойствах операторов их преобразования. Если эти сведения во всей полноте не удается получить традиционными методами, сформулируем тезис, выражающий самые высокие требования к системе моделирования сложных объектов - СМ СО должны обеспечивать пользователей той информацией, которая потенциально заложена (имеется) в теоретических моделях (ТМ) и экспериментальных данных (ЭД).

Реальному воплощению данного тезиса мешают две причины. Во-первых, если пользователю и известно, какую информацию желательно и можно получить из ТМ и ЭД, то зачастую основное препятствие представляют ограниченные возможности применения известных методов моделирования. Вторым препятствием являются ограниченные знания пользователей об информационных возможностях (ИВ), заложенных в ТМ и ЭД.

Ограниченность знаний об ИВ ТМ и ЭД, конечно, зависит от эрудиции и квалификации пользователей. Но, кроме этого, существенную роль здесь играют факторы, обусловленные сложившимися представлениями и стереотипами о возможностях традиционных методов по извлечению информации из ТМ и ЭД. Это свидетельствует об актуальности создания программных систем (ПС), реализуемых как традиционные, так и нестандартные концепции и подходы к моделированию сложных объектов.

Основу методологии создания и совершенствования таких ПС может составить, на наш взгляд, комплексный подход, объединяющий и развивающий идеи теории и практики вычислительного и натурного экспериментов (ВЭ, НЭ), а также структурно-эвристического моделирования, в частности формально-эвристических методов (ФЭМ) типа МГУА.

Разработка данного подхода включает в себя решение следующих задач:

1.       Совершенствование известных и разработка новых способов организации и планирования ВЭ с целью исследования различных классов ТМ и формирования точечных (дискретных)множеств данных (ДМД), необходимых для структурно-параметрического синтеза аппроксимирующих моделей (операторов).

2.       Применение и разработка новых формально-эвристических методов и процедур:

а)  выбор класса моделей, состава переменных, генерация частных описаний (базисных функций и операторов);

б)  формирование полных структур моделей(операторов, характеристик) с учетом информации, содержащейся в ТМ и ЭД, содержательном описании объекта об их свойствах, структуре, т.е. связях и отношениях между элементами;

в)  оценки адекватности синтезируемых моделей по внешним критериям и их устойчивости.

3.  Комплексирование данных ВЭ и НЭ с целью получения моделей с новыми качествами формально-эвристическими методами.

Анализ работ, посвященных вопросам моделирования, проектирования и испытания кораблей, представляет безграничное поле деятельности для нестандартных решений задач моделирования формально-эвристическими методами, в частности, при исследовании качки и остойчивости судов, волновых нагрузок на их корпус и т.д.

Систематическое изложение задач преобразования и коррекции математических моделей, а также принципов и методов их решения, в современной теории аппроксимации и идентификации практически отсутствует. В то же время именно в данном направлении можно ожидать качественно новых результатов. Об этом свидетельствует, в частности, наш опыт моделирования и синтеза различных классов нелинейных систем управления и обработки информации. Основу новой информационной технологии преобразования и коррекции математических моделей составляет комплексный подход, включающий в себя проведение вычислительных и натурных экспериментов, а также ФЭМ структурно-параметрического синтеза аппроксимационных моделей на дискретных множествах данных. Разрабатываемые нами ФЭМ преобразования и коррекции ММ в значительной мере базируются на идеях и принципах теории эвристической самоорганизации моделей, или МГУА.

Как известно, алгоритмы МГУА включают в себя эвристические процедуры выбора класса моделей и состава переменных генерации частных описаний (структур) и их агрегирования с целью получения полных описаний (структур). В МГУА формализованы процедуры оценивания параметров частных описаний и их отбора по так называемым внутренним и внешним критериям.

Сочетание эвристических и формальных приемов с использованием МГУА позволяет решать задачи, которые вызывают принципиальные трудности в случае применения классических методов моделирования.

Изначально авторы методологии и теории МГУА ориентировались на решение задач синтеза моделей по данным натурных экспериментов. ВЭ применяется лишь для выяснения частных вопросов, таких, например, как апробация и сравнительный анализ новых алгоритмов МГУА с известными.

В нашем случае вычислительный эксперимент играет центральную роль в задачах преобразования ММ, так как аппроксимирующие модели строятся на множествах данных, сформированных в результате ВЭ с исходными, т.е. преобразуемыми моделями.

В задачах коррекции ММ по данным НЭ целесообразно комплексирование ВЭ и НЭ, поскольку исследование свойств различных классов ММ и алгоритмов структурно-параметрической идентификации по данным ВЭ позволяет более эффективно организовывать натурные эксперименты.

Различие между разрабатываемыми ФЭМ и МГУА не ограничивается комплексированием ВЭ и НЭ. В рассматриваемом случае появляются дополнительные возможности генерации новых идей (эвристик), относящихся к вопросам структурного моделирования, т.е. к выбору класса искомых моделей и составу информативных переменных, частных и полных описаний в зависимости от свойств исходных ММ, а также заданных требований, предъявляемых к аппроксимирующим моделям, т.е. их желаемых свойств.

Сформулируем ряд нестандартных задач моделирования и рассмотрим общие принципы их решения формально-эвристическими методами.

ПРЕОБРАЗОВАНИЕ НЕЛИНЕЙНЫХ УРАВНЕНИЙ И СИСТЕМ

Предположим, что нелинейный статический объект описывается уравнением вида:

f(y,x,a) = О, ХеДх, УеДу              (1)

где X - вектор входных переменных, Y — выходная переменная, а- вектор параметров (коэффициентов).

Требуется построить аппроксимирующую модель в виде явной функции:

Y = f (x; a; в)                           (2)

в предположении, что отображение Дх Ду однозначно. В (2) в - вектор искомых коэффициентов аппроксимации. Данное преобразование имеет смысл, если модель (2), в отличие от (1), обладает некоторыми желаемыми свойствами. В чем же они здесь выражаются? Заметим, что в результате перехода от (1) к (2) меняется класс модели. Исходная ММ представляет собой нелинейное уравнение или неявную функцию, а вторая ищется в виде явной функции. Преимущества явной функции проявляются, если, к примеру, ставится задача оптимизации характеристик объекта по параметрам вектора а в соответствии с некоторым критерием J (х;у;а), т.е. по форме (2) более удобное в смысле применения известных методов параметрической оптимизации.

Процедура преобразования (1) — (2) включает в себя следующие этапы:

1.  Задание исходных данных в виде конечных множеств:

Wx = {Xj}, j = ТГМ, Wa = {ае}, i = Tim, WxCAx, WacAa.

Заметим, что здесь а рассматривается не как вектор коэффициентов, а как вектор переменных "равноправных" с X.

2.  Проведение ВЭ: выполняются значенияYi, i= 1,N по заданным Xj, ае и формируется множество Wy = { Yi}. На данном этапе с помощью графических средств исследуется однозначность отображений

(3)

( Wx X Wa ) — Wy

3.       Структурный синтез: задание класса ММ(2), частных описаний, выбор способа формирования полных описаний или структур ММ. Для этого этапа полезно создание своеобразного"Банка эвристик", включающего в себя известные способы, приемы структурного синтеза ММ и открытого для новых идей.

4.       Параметрический синтез: при заданном критерии аппроксимации данная задача формализуется и обычно записывается в виде:

в = argmin J { Yi - f (x; ае )},               (4)

в

где J { .} - приближения функций на дискретных множествах данных (ДМД).

5.  Оценка показателей качества ММ. Для этой цели можно рекомендовать так называемые внешние критерии, исследуя их устойчивость к разбиениям ДМД на обучающие и проверочные подмножества.

ЗАДАЧА ПРЕОБРАЗОВАНИЯ НЕЛИНЕЙНЫХ ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ (НДУ)

Предположим, что исследуемый объект описывается НДУ вида

(5)

F (Y(Q) (t) , ... Y (t); a ) = X(t),

где F (.) - оператор, Y(x), Y*4' (x) - выходные координаты и ее q-я

производная, (Я = 1'Q.)'- Х(0 ~ входная координата (функция

воздействия); ~а — вектор параметров (коэффициентов) НДУ.

Требуется построить аппроксимирующие модели заданного класса и с заданным составом переменных. Подобная задача возникает, когда для исследования объекта в определенных режимах желательно иметь, к примеру, функциональные модели (ФМ), содержащие в качестве переменных некоторые функционалы входных и выходных процессов:

(6)

j = f(xlV.. xm; а; в), i = l,n

 = (y,,... yn; a; c), j = l,m

(7)

Выражение (6) назовем прямой ФМ, а (7) -обратной ФМ. Задавая те или иные типы функционалов Y, X, можно, таким образом, выразить различные требования или представления о желаемых свойствах аппроксимирующих моделей, которыми не обладают исходные ММ (5). В качестве переменных х, у можно использовать средние значения и дисперсии процессов, амплитуды основных гармоник и амплитуды n-процентной обеспеченности. Не для каждого из указанных вариантов можно построить ФМ (6), (7) методами спелитического конструирования. В подобных ситуациях становится необходимой разработка ФЭМ, включающих вычислительный эксперимент и структурно-параметрический синтез ФМ на ДМД. Общая схема решения задачи, этапы и некоторые процедуры сходны с рассмотренными ранее. Поэтому остановимся лишь на отличительных моментах.

1.        В качестве исходных данных целесообразно (если это возможно) задавать (имитировать)выходные процессы исследуемого объекта Y (t)в классе непрерывных, m-раз дифференцируемых функций. Зачастую удается имитировать семейства спектральных характеристик, переходя затем к временным функциям.

2.        Вычислительный эксперимент в случае непрерывного оператора F(.) и при наличии множеств Wa = {ае}, W = {Y^t)}, i = 1,Nпроводится достаточно просто: находятся аналитические функции Y(4)(t), q = 1,Q и операторы F (.) = X (t), или реализации входного процесса; на множествах W , W , W вычисляются (задаются) множества функционаловW , W .

V             X

Таким образом, ДМД в рассматриваемой задаче формируются на решениях обратных задач динамики. Данный способ организации ВЭ на практике эффективней, чем многократное решение прямых задач численными методами интегрирования НДУ.

Последующие этапы (3-5) построения ФМ на ДМД аналогичны рассмотренным ранее, за исключением того, что в качестве переменных в УМ здесь используются функционалы.

Формирование структур ММ только на основе неформальных (эвристических) процедур может привести к следующей проблеме: последовательное усложнение структуры ММ не способствует повышению ее точности. Это означает, что частные описания и способ их агрегирования выбраны не совсем удачно, хотя успех формально-эвристического моделирования во многом зависит от удачного выбора указанных частных описаний и способов. В этой связи целесообразен поиск вариантов, характеризующихся эффективным (гармоничным) сочетанием формальных и неформальных процедур построения ММ, например аналитического конструирования и эвристических методов синтеза. Укажем на некоторые из них.

ЗАДАЧИ КОРРЕКЦИИ ММ ПО ДАННЫМ ВЭ И НЭ

Термин "коррекция ММ" предполагает, что некоторые модели нуждаются в уточнении или коррекции, причем речь может идти об уточнении как параметров, так и структуры.

Выскажем некоторые идеи и принципы решения задач коррекции ММ.

Задача 1. Допустим, что для НДУ (5) методом гармонической линеаризации построена ФМ(6). Эта задача зачастую решается спелитически. В качестве переменных используются амплитуды и частоты основных гармоник. Предположим, что требуется построить аналогичную модель, в которой переменные представляют собой амплитуды и частоты процентной обеспеченности. В этом случае целесообразно использовать полученную аналитическую модель в качестве базового описания или структуры, используя для ее уточнения аддитивные и мультипликативные корректирующие функции. Определение параметров (коэффициентов) этих функций проводится, как и ранее, на ДМД.

Задача 2. Коррекция разностных операторов на решениях обратных задач. Известно, что разностные операторы (схемы Эйлера, Рунге-Кут-та и т.д.) строятся аналитически, посредством локального приближения (аппроксимации) точных решений НДУ рядом Тейлора. Предлагаемый подход с использованием решений обратных задач, т.е. точных решений, позволяет корректировать структуру и параметры разностных операторов, например их шаг дискретизации на

ДМД.

Задача 3. До сих пор речь шла о преобразованиях и коррекции ММ по данным ВЭ. Говоря об идентификации или коррекции ММ по данным натурных экспериментов, подчеркнем одну мысль, конструктивность которой подтверждается опытом наших исследований. Суть ее в том, что работам по идентификации сложных объектов предшествовал этап исследований, включающий преобразования и коррекцию моделей по данным ВЭ.

Система управления базами данных

матмоделей - средство информационной

интеграции комплекса исследований

В [1] под математической моделью корабля (с точки зрения ее содержания) понимается совокупность аналитических зависимостей (уравнений, формул, неравенств), алгоритмических представлений, графиков, графов и таблиц, описывающих корабль в физически содержательных терминах без учета несущественных параметров. Далее в [4] выделяют морфологическое, функциональное и информационное описания свойств подсистем, структуры отношений и системы в целом.

Для построения СУБД МАМОД, адекватной применению в научных, проектных и экспериментальных исследованиях (НИ, ПИ, ЭИ), проводимых в в/ч 27177, необходим анализ требований к организации и использованию данных, информации, знаний о проектах кораблей в виде математических моделей, их морфологии, функционирования их подсистем и агрегатов.

Некоторые принципы реализации единой информационной среды НИ, ПИ и ЭИ сложного корабля рассматривались нами в [1].

Следует заметить, что во всех трех типах баз данных хранятся очень большие объемы информации, поэтому система БД моделей корабля в НИ, ПИ и ЭИ хранится и обслуживается в распределенном виде в среде локальной вычислительной сети.

В основу распределения и интеграции данных положены следующие принципы.

1.        Централизация и децентрализация данных по подразделениям по схеме: центральная БД (одна в организации) — БД отделений – БД отделов - БД лабораторий - локальные БД отдельных рабочих мест.

2.        Распределение данных по уровням использования по схеме: архив данных - БД общего пользования - оперативные БД.

3.        Интеграция и дифференциация данных последующей схеме: БД объектов, разработанных в данной организации - БД аналогичных объектов, находящихся в эксплуатации - БД проектируемых и/или исследуемых объектов.

4.        Интеграция и распределение данных по подсистемам и агрегатам объектов: поскольку чаще всего специализация подразделений производится по функциональным признакам (например, занимается отдел исследованием прочности или лаборатория исследований мореходности судна и т.п.), то этот принцип тесно взаимосвязан с первым.

Между вторым и третьим принципами очевидна некоторая корреляция. Разница между НИ, ПИ и ЭИ заключается в следующем: первые направлены на формирование конструктивных параметров и структуры корабля с ориентацией на функционирование его в соответствии с определенными целями (объекта еще нет, поэтому проектирование носит гипотетический характер); вторые ориентированы на более определенные функциональные свойства изделия, иногда и его статических структур с учетом потенциальных значений параметров его строения и характеристик (объекта еще нет, поэтому модели-гипотезы, а не теории); третьи представляют собой апробацию созданного объекта ("эксперимент - критерий истины"), поэтому в ЭИ строятся модели в четко определенной параметрической среде, посредством их фактически проверяются гипотезы проектных (статики объекта) и научных (динамики его) исследований (правда, это справедливо в большей степени для натурных испытаний, чем для стендовых и лабораторных экспериментов).

Интеграция БД ММ НИ, ПИ и ЭИ должна обеспечить быстрый поиск адекватных проектируемому изделию и его компонентам моделей-аналогов как статических, так и динамических характеристик и свойств. Более того, если И/ИЛИ-граф должен обеспечить необходимую целостность технологии проведения ПИ, то его использование в НИ должно ориентировать исследователей на поиск гипотез и построение теорий узких мест функционирования новых изделий, а применение его в ЭИ придает им целесообразность.

Таким образом, построение единой информационной среды, по сути, обеспечивает взаимное обогащение данными, информацией, знаниями все три типа исследований.

Рассмотрим, как это происходит, и определим основные признаки интеграции. Все три БД локально включают два типа объектов модели и параметры. Поскольку корабль един, то параметрическая среда также должна интегрироваться в общую структуру. Таким образом (1-ый признак интеграции), теперь конструкторы и исследователи всех трех типов будут знать о параметрах (и их отношениях) модулей других типов исследований: ПИ об ЭИ и НИ; НИ об ЭИ и ПИ; ЭИ о НИ и ПИ. При осуществлении интеграции параметрической среды необходимо тщательно отслеживать идентификацию параметров. Кроме этого, параметры, используемые во всех трех типах исследований, семантически не должны совпадать, так как, например, в ПИ, как правило, не знают о параметрах, значения которых фиксируются датчиками и измерительными системами в определенных точках сложного изделия для синтеза моделей процессов его функционирования.

И/ИЛИ-дерево фактически поддерживает информацию о множестве альтернативных проектов (как это необходимо и в практической деятельности), но, в отличие от традиционного его использования, мы предлагаем (2-ой признак интеграции) хранить в нем модели структур кораблей, их подсистем и агрегатов, которые когда-либо были разработаны и исследованы в в/ч 27177; структуры объектов научных исследований; модели проектов изделий и их компонент, которые находятся в эксплуатации и, может быть, неполные структуры, которые могут представлять интерес для конструкторов. Таким образом, первую часть структуры И/ИЛИ-графа изделия можно считать динамической компонентой, а вторую - статической составляющей, так как она не подлежит изменениям - объект уже создан, и поэтому в нем отсутствуют связи-отношения "ИЛИ".

Структурно-параметрическое И/ИЛИ-дерево является, по сути, обобщенной системой координат для построения моделей при проведении НИ и ЭИ. Модели, синтезируемые в ПИ (а это и есть И/ИЛИ-структуры) показывают (3-ий признак интеграции): что, как, в каких диапазонах изменений значений параметров, с какой целью, в какой последовательности и т.п. проводить испытания в ЭИ, т.е. программа испытаний формируется еще на уровне ПИ, а некоторые испытания (стендовые) проводятся (под управлением И/ИЛИ-дерева) и параллельно с ПИ, с тем, чтобы обеспечить быструю обратную связь. С другой стороны (4-ый признак интеграции), на основе единой параметрической среды конструкторы сложного изделия имеют теперь возможность доступа (посредством статической компоненты И/ИЛИ-графа и его связей с динамической составляющей) только релевантному -подмножеству модулей аналогов (полученных ранее при проведении ЭИ) проектируемых агрегатов и подсистем с возможностями совместного анализа с целью выявления особенностей их функционирования.

Заметим, что на основе информационной интеграции возможна и функциональная, т.е., например, конструктор, занимающийся ПИ, будет иметь доступ к операционным (процедурным) инструментальным средствам анализа и интерпретации моделей, используемых исследователем при проведении ЭИ. Но в большей степени это относится к анализу моделей, а не их синтезу.

Аналогично отношениям ПИ и ЭИ в единой информационной среде можно рассмотреть и связи между ПИ и НИ, погруженные в вычислительную среду. Синтез структурно-параметрического И/ИЛИ-графа изделия должен обеспечить (5-ый признак интеграции) обоснованные задания на проведения НИ, которые могут проводиться параллельно с ПИ, так как не требуют натурного образца объекта, как в ЭИ. И посредством статической компоненты (и ее связей с динамической) И/ИЛИ-графа конструктор имеет доступ (6-ой признак интеграции) к результатам НИ, адекватным проектируемым агрегатам, подсистемам, узлам.

Использование моделей, синтезированных процессами НИ в ЭИ (7-ой признак интеграции), обеспечивает: более целесообразное планирование испытаний; расстановку акцентов на экспериментальную проверку функционирования объекта в различных областях допустимых значений параметров, для которых или теоретические модели априори ненадежны, или они пока не построены ввиду неполноты и противоречивости исходных данных; проверку адекватности теоретических моделей исследуемым процессам; совместный анализ результатов вычислительного и натурного экспериментов.

Часто трудно провести грань между различными типами исследований. Так, например, стендовые испытания используют методы и средства натурного эксперимента и теоретические модели, синтезированные в НИ; более того, их результаты используются в формировании облика сложного изделия (ПИ) или эмпирических моделей. По-видимому, построение единой информационной среды ПИ, НИ, ЭИ еще в большей мере будет способствовать стиранию этих граней.

Выше были рассмотрены бинарные отношения между ПИ, НИ, ЭИ. Но, по-видимому, наибольший эффект от построения системы БД ММ всех трех типов исследований следует ожидать от интегрального использования единой информационной среды (8-ой признак интеграции). Так, например, можно с позиций ПИ проанализировать взаимодействие теоретических и экспериментально-статистических моделей функционирования некоторого множества аналогичных агрегатов в разнообразных условиях их эксплуатации, затем построить гипотетическую модель и произвести ее интеграцию методами вычислительного эксперимента и т.д.

При использовании СУБД МАМОД в качестве интегрирующего средства данных, информации, знаний о проектируемых и/или исследуемых кораблях, их подсистем и агрегатов необходимо учитывать следующие специфические факторы.

В ПИ, НИ, ЭИ, проводимых в в/ч 27177, используется множество различных проблемно-ориентированных и общесистемных ППП и СОД. Они могут иметь собственные СУБД, БД, файловые системы. В БД ММ записываются, структурируются и средствами СУБД МАМОД обслуживаются только модели, которые:

-     необходимы для других (относительно данного) ППП или СОД;

-     представляют интерес (информативны) для других (относительно исследователя, производившего синтез ММ) пользователей;

-     необходимы для обеспечения целостности информационной среды исследований, проводимых в в/ч 27177;

-     целесообразны для анализа средствами системы ГРАММ. В этом отношении собственные БД различных ППП СОД с точки зрения БДММ представляются (условно) рабочими массивами.

Эти замечания не относятся к параметрической среде, обслуживаемой средствами СУБД МАМОД. Поскольку необходимо обеспечение ее целостности, то администратор данных ЛВС обязан соответствующим образом

обслуживать системы словарей-справочников, каталогов и классификаторов параметров средствами СУБД МАМОД; поддерживать их в актуальном и непротиворечивом состоянии.

Таким образом, для проведения исследований различных типов может быть построена мультимодельная многовариантная информационная среда. Единая параметрическая среда обеспечит навигацию этих моделей в процессе исследований; средства их анализа (в частности совместного) представляют возможность их интерпретации и трактовки. В конечном счете система моделей (в системе БД ММ) должна обеспечивать целесообразное объединение точек зрения на исследуемые процессы и объекты в целостное "поле видения". Образование такого поля видения способствует увеличению степени полноты, уровня релевантности, степени достоверности, уменьшению уровня противоречивости данных, необходимых для принятия проектных и исследовательских решений; в частности, пользователь теперь будет иметь доступ к "семантически соседней" информации, которая должна повлиять на качество решений.

Для реализации изложенных концепций информационных технологий единого комплекса исследований в В К в в/ч 27177 в этом году начато использование САПР "Чертеж-3" на базе локальной вычислительной сети и проводятся работы по созданию нового поколения САПР "Чертеж-4" с элементами интеллектуализации принятия решений.

Список литературы

1.      Ваклькман Ю.Р., Суворов А.И. Проблемы интеллектуализации информационных технологий научных исследований сложных объектов. - Киев: Знание, 1990. - 24 с.

2.      Гриценко В.И., Паньшин Б.Н. Информационная технология в организационном управлении. - Киев: Науковадумка. — 216 с.

3.      Поспелов Д.А. Ситуационное управление: теория и практика. - М.: Наука, 1986. - 284 с.

4.      Скурихин В.И., Квачев В.Г., Валькман Ю.Р., Яковенко Л.П. Информационные технологии в испытаниях сложных объектов: методы и средства. - Киев: Наукова думка. 1990. -320 с.

5.      Цаленко М.Ш. Моделирование семантики в базах данных. - М.: Наука, 1989. - 288 с.

6.      Экспертные системы: состояние и перспективы / Под ред. Д.А. Поспелова. - М.: Наука, 1989. - 152 с.