Портал магистров ДонНТУ   ДонНТУ

Реферат по теме выпускной работы

Содержание

  1. Введение
  2. 1. Постановка проблемы. Цели и задачи исследования
  3. 2. Обзор исследований и разработок в области целеориентирования
  4. 3. Метрики исполнения в целеориентированных системах
    1. 3.1 Цикл управления в ЦОАСУ
    2. 3.2 Планирование и прогнозирование исполения
    3. 3.3 Методы и средства прогнозирования
  5. Выводы
  6. Список источников

Введение

Современные подходы к проектированию автоматизированных систем могут быть охарактеризованы как процесс-ориентированная парадигма: бизнес-процессы автоматизируются множеством отдельных управляющих систем, составные части системы интегрируются с помощью связующего промежуточного программного обеспечения. Процесс модификации (например, в связи с изменениями в бизнес-процессе) и интеграции таких систем является сложной и дорогостоящей задачей из-за недостаточной гибкости процессов, хрупкости систем и конфликтов целей. Целеориентированный подход к проектированию предполагает изучение и анализ целей создания автоматизированной системы для эффективной её реализации, унификации подхода к проектированию АСУ и упрощения процесса интеграции.

1. Постановка проблемы. Цели и задачи исследования

В основе работы целеориентированных автоматизированных систем лежит принцип непрерывного многоуровневого управления: их архитектура включает управляющие и управляемые блоки, стратегия работы которых изменяется во времени. Для принятия решений по корректировке управляющих воздействий необходимы актуальные сведения о процессе выполнения целей, называемые метриками исполнения.

Одним из обязательных функциональных блоков ЦОАСУ является блок управления, представляющий собой систему поддержки принятия решений, которая осуществляет контроль целей и оперирует данными о ходе их выполнения. Эти данные представляют собой метрики исполнения системы. Целью магистерской работы является разработка моделей и алгоритмов анализа метрик выполнения. Основными задачами на начальном этапе работы являются определение применимых методов анализа и обработки данных и средств хранения данных.

Научная новизна и актуальность работы подтверждается тем фактом, что на данный момент не существует единого универсального подхода к анализу данных метрик исполнения и алгоритмов их обработки.

2. Обзор исследований и разработок в области целеориентирования

На глобальном уровне исследованиями и разработками по данной тематике занимаются университет Аризоны (Arizona State University), представители компаний Modular Mining Systems Inc. (Sergey Seroukhov, Product Line Architect, Modular Mining Systems Inc., Tucson, Arizona, USA) и Machine Guidance Systems (Andree Rottig, Product Manager, Machine Guidance Systems, Belo Horizonte, Brazil).

На национальном уровне можно выделить исследования в области самоорганизующихся систем В.М.Глушкова (Институт кибернетики АН УССР).

На локальном уровне, в пределах ДонНТУ, научные разработки в области целеориентирования ведут проф. Скобцов Ю.А, доц. Привалов М.В., доц. Скобцов В.Ю., доц. Телятников А.О.

3. Метрики исполнения в целеориентированных системах

3.1 Цикл управления в ЦОАСУ

В общем случае цель представляет собой состояние, к которому направлена тенденция движения объекта, и, как правило, возникает из определённой проблемной ситуации. Система выступает средством разрешения проблемы: выполняя свои функции с использованием определённых структур, система обеспечивает решение [1]. Цель является системообразующим фактором: нет систем без цели и именно для достижения цели группа элементов объединяется в систему и действует. Цель системе ставится извне, а от системы требуется только способность выполнять эту цель. Внешним целеполагающим воздействием может быть другая система (или системы) [2]. На основании этого принципа мы можем представить систему как набор подсистем, каждая из которых имеет собственные цели более низкого уровня и собственные подсистемы. Уровни целей:

  • политика, законы, постановления — цели наиболее высокого уровня;
  • долгосрочные цели: стратегические инициативы, структурирование организации, формирование организационных механизмов;
  • краткосрочные цели: типичные проекты, каждодневная деятельность организации;
  • оперативные: диспетчерезация, управление ресурсами, реакция на непредвиденные ситуации;
  • специфические операции на уровне ресурсов.

В теории управления подробно рассмотрена задача определения и декомпозиции целей путём построения дерева. Построение дерева целей является методом систематизации действий для достижения целей системы управления [3]. В процессе конструирования дерева главная цель разбивается на подцели, и этот процесс повторяется итеративно до тех пор, пока в терминальных узлах дерева не будут получены элементарные действия. Пример такой структуры приведен на рисунке ниже.

Рисунок 1. Дерево целей
(анимация: 7 кадров, 5 циклов повторения, 24 КБ)
Gi — составные цели, Ai — элементарные действия)

Работа ЦОАСУ в целом и каждой из отдельных её составляющих представляет собой непрерывный цикл управления OODA, состоящий из четырёх этапов: наблюдение, ориентирование, решение, действие [4].

Рисунок 2. Схема OODA-цикла

OODA-цикл является концепцией, изначально применявшейся в военном деле на стратегическом уровне военных операций, но со временем нашедшей применение в экономике (метод стратегического планирования SWOT — Strengths & Weaknesses/Opportunities & Threats) и науке (методология hypothesis — experiment — evaluation). Подобный цикл характерен для любого процесса управления в кибернетике.

В ЦОАСУ стадия наблюдения (Observe) соответствует сбору информации о работе системы; стадия ориентирования (Orient) — определению проблемы; стадия решения (Decide) — планированию дальнейших действий, и, наконец, стадия действия (Act) соответствует всем операциям системы, выполняемым в соответствии с принятым решением. Сведения о выполнении операций затем передаются подсистеме анализа в качестве наблюдений, что обеспечивает обратную связь (Feedback).

Каждой стадии цикла управления в ЦОАСУ соответствует отдельный функциональный блок. Принятие решений осуществляется с помощью систем поддержки принятия решений различного уровня автоматизации: от ручных до полностью автоматических.

Независимо от уровня автоматизации принятия решений решающие элементы ЦОАСУ в своей деятельности основываются на информации о поставленных целях различного уровня и на данных о состоянии достижения целей, то есть метриках выполнения. Работу решающих элементов ЦОАСУ можно представить в виде параметрической программы управления, направленной на поддержание заданных показателей исполнения целей (скорости выполнения, уровня потребления ресурсов и т.д.), которая постоянно корректируется в процессе работы. Система осуществляет управление неизбежно с некоторыми ошибками [5], информация о которых должна поступать в подсистему анализа для поддержания обратной связи. Таким образом, анализ метрик исполнения служит основным инструментом для оперативного планирования и прогнозирования достижения целей.

3.2 Планирование и прогнозирование исполнения

Планирование представляет собой ориентированную на будущее деятельность по принятию решений, которая включает назначение и выбор вариантов поведения. Оно связано с достижением желаемых будущих состояний и обращается к вопросу, что должно быть сделано и в какой степени обусловлена эта предполагаемая деятельность. Сложность процесса планирования и принятия решений заключается в достижении компромисса между долгосрочными (стратегическими) и краткосрочными (тактическими) целями и включает рациональный выбор альтернатив и средств для достижения целей [6]. Основой для планирования служат исторические данные, по которым строится прогноз исполнения.

Задачи прогнозирования в ЦОАСУ сводятся к двум основным типам: прогнозирование времени достижения цели и прогнозирование значений параметров в заданные моменты времени. Математическая модель анализа метрик может быть представлена следующим образом: пусть

  1. P = {p1, p2, ..., pN} — наблюдаемые параметры системы;
  2. N — количество параметров;
  3. YP1..N = {Yp1, Yp2, ..., YpN} — набор временных рядов, описывающих изменение значений параметров P, где
  4. Ypi1..ni = {ypi1, ypi2, ..., ypini} — набор последовательных измерений значений Pi в моменты времени от 1 до ni (в общем случае ni различно для всех Pi);
  5. VP = {VP1, VP2, ..., VPN} — целевые значения параметров, где
  6. VPi = {VPi1, VPi2, ... VPini+h} — целевые значения параметра Pi;
  7. tg = {tP1g, tP2g, ..., tPNg} — целевое время достижения VP;
  8. tr = { tP1r, tP2r, ..., tPNr } — реальное время достижения VP;
  9. tp = { tP1p, tP2p, ..., tPNp } — прогнозируемое время достижения VP.
  10. Ypini+1..hi = {ypini+1, ypini+2, ..., ypini+hi} — прогноз для параметра Pi на hi периодов (в общем случае hi различно для каждого Pi).

Рисунок 3. Прогресс изменения параметра

Управляющая система стремится уменьшить разницу между прогнозируемыми и целевыми значениями параметров:
в случае прогнозирования значений параметров или
в случае прогнозирования времени достижения цели.

Метрики исполнения представляют собой информацию, непрерывно накапливаемую в системе и характеризующую её состояние в различные моменты времени. Они могут быть представлены в виде временных рядов наблюдаемых параметров, на поддержание которых ориентируется решающая структура. Следовательно, для принятия решений на основе этих данных применимы методы анализа и прогнозирования временных рядов.

Временной ряд (ряд динамики) — это последовательность упорядоченных во времени числовых показателей, характеризующих уровень состояния и изменения изучаемого явления. Временной ряд включает два обязательных элемента: время и уровень ряда — конкретное значение показателя [7], в данном случае значение метрики. Прогнозирование временного ряда заключается в поиске наилучшей в некотором смысле оценки y[N+h] ненаблюдаемой величины y[N+h] (или оценки th времени, необходимого для достижения этой величиной заданного значения) по наблюдениям y[n], n=0,N, то есть как функции этих наблюдений, где

  1. y[N+h] — ненаблюдаемый уровень ряда, соответствующий моменту времени t[N+h];
  2. ti — момент времени i;
  3. у — исследуемый временной ряд;
  4. N — количество уровней временного ряда у [7].

3.3 Методы и средства прогнозирования

Задача прогнозирования успешно решается методами математической статистики и средствами интеллектуального анализа данных, среди которых наиболее часто используются нейронные сети (НС) и деревья решений.

Прогнозирование в математической статистике представляет собой подбор аналитического выражения y = F(x), наиболее точно описывающего тренд — зависимость уровней ряда от времени, и последующую экстраполяцию ряда для получения предсказанных значений. Ключевым этапом является выбор модели регрессии — вида уравнения, описывающего зависимость. Простейший вид модели — линейная регрессия. На практике также часто используются аппроксимирующие многочлены. Подбор параметров регрессии выполняется, как правило, методом наименьших квадратов. Главным недостатком использования статистических подходов является проблема выбора модели регрессии: недостаточно сложные модели не смогут обеспечить необходимую точность, а модели, обладающие избыточной сложностью, могут оказаться переобученными.

Нейронные сети в настоящее время являются одним из наиболее популярных и стремительно развивающихся направлений исследований в области искусственного интеллекта. Задачи управления и регулирования с предсказанием хорошо изучены и успешно решаются с помощью НС [8].

Задача прогнозирования для НС сводится к задаче аппроксимации — поиска такой зависимости, которая наилучшим образом отражала бы изменение временного ряда во времени. Для прогнозирования применяются однослойные линейные сети с временной задержкой (TDNN), многослойные полносвязные сети прямого распространения (многослойные персептроны), сети на основе радиально-базисных функций (RBF-сети), обобщённо-регрессионные (GRNN-сети), некоторые специфические виды сетей с частичными связями специальной структуры, а также нейросети нечёткого вывода [9].

Однослойная линейная сеть имеет наиболее понятную и простую структуру, но требует значительного времени и объёма выборки для обучения. Введение временной задержки приводит к тому, что обработка входных значений зависит от выходных значений на предыдущем шаге работы.

Многослойный персептрон — хорошо изученная модель НС с широкими возможностями, применимая для задачи аппроксимации. Для обучения, как правило, используется метод обратного распространения ошибки. Важным вопросом при использовании многослойных персептронов является определение количества скрытых слоёв и числа элементов в них. Оптимальный выбор архитектуры такой сети зависит от конкретной задачи.

Обобщённо-регрессионная сеть, предложенная Шпехтом [10], предназначена для построения обобщённых (линейных и нелинейных) регрессий. Использование такой сети не требует априорных знаний о виде регрессионной зависимости. Обучение GRNN-сети осуществляется особым образом и не требует итерационной подстройки весов. Более быстрый и простой процесс обучения делает возможным применение GRNN-сети для работы в реальном времени.

RBF-сети основаны на использовании скрытого шаблонного слоя нейронов с радиально-базисными активационными функциями (гауссова, мультиквадратичная, функция Коши и т.д.). Выходной слой образуют нейроны с линейной функцией активации. RBF-сети также обладают высокой скоростью обучения.

Важным свойством НС, которое обеспечивает значительное преимущество их использования, является адаптивность: сеть подстраивает синаптические веса под изменения окружающей среды. Для работы в нестационарной среде, где статистика изменяется с течением времени, могут быть созданы НС, изменяющие синаптические веса в реальном времени, что делает возможным создание систем адаптивного прогнозирования [8].

Деревья решений — ещё один метод интеллектуального анализа данных, применяющийся для задач регрессии и классификации и кластеризации. Задача регрессии сводится к выявлению зависимости целевой переменной от независимых (входных) переменных. К этому же классу относятся задачи численного прогнозирования.

В задачах прогнозирования применяются регрессионные деревья решений, оперирующие численными значениями атрибутов. Для их построения используются алгоритмы CART, SLIQ, SPRINT.

Основной сложностью в процессе конструирования дерева является выбор критерия остановки разбиения или отсечения ветвей. Критериями остановки, как правило, служат глубина дерева — максимальное количество уровней или минимальное число примеров, которые содержит конечный узел. Алгоритмов сокращения деревьев достаточно много (cost-complexity, reduced error, MDL-based pruning [11]).

Существенное преимущество применения деревьев решений для прогнозирования заключается в интуитивно понятном представлении логики работы решающего аппарата. Ещё одним плюсом в сравнении с нейронными сетями является простой и более быстрый процесс обучения: для построения дерева достаточно задать набор всех имеющихся входных атрибутов, алгоритм построения выберет наиболее значимые из них.

Выводы

Целеориентирование представляет собой новый подход к проектированию и реализации АСУ. Метрики исполнения — это параметры системы, позволяющие оценить прогресс достижения цели. Поскольку сведения об изменении таких параметров представляют собой временные ряды, для их анализа применимы известные средства прогнозирования.

В результате анализа основных методов прогнозирования определены наиболее существенные преимущества и недостатки средств интеллектуального анализа данных в применении к рассматриваемой задаче.

Примечание

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2012 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список использованных источников

  1. 1. Сурмин Ю.П. Теория систем и системный анализ: Учеб. пособие. / Сурмин Ю.П. — К. : МАУП, 2003. — 368 с.
  2. 2. Теория систем и системный анализ в управлении организациями: Справочник: Учеб. пособие / Под ред. В.Н.Волковой и А.А.Емельянова. — М. : Финансы и статистика, 2006 p. — 848 с.
  3. 3. Долятовский В.А. Исследование систем управления: Учебно-практическое пособие. / В.А.Долятовский, В.Н.Долятовская — М. : ИКЦ "Март", 2003. — 256 c.
  4. 4. McElman, C. From Buttons to Bits — Achieving Level 3 Integration. Paper 4383, APCOM 2009 conference, Vancouver BC, Oct. 2009. / C. McElman, S. Seroukhov // [Электронный ресурс]. — Режим доступа: www/URL: http://www.mmsi.com/files/download/TechPapers/McElman_Seroukhov_APCOM_2009.pdf.
  5. 5. Бесекерский В.А. Теория систем автоматического управления. / В.А.Бесекерский, Е.П.Попов — СПб. : Профессия, 2003 p. — 751 с.
  6. 6. Саати Т. Аналитическое планирование. Организация систем; пер. с англ. / Т. Саати, К. Керис — М. —: Радио и связь, 1991 p. — 224 c.
  7. 7. Чураков Е.П. Прогнозирование эконометрических временных рядов: Учеб. пособие / Чураков Е.П. — М. : Финансы и статистика, 2008 г. — 208 c.
  8. 8. Хайкин С. Нейронные сети: полный курс, 2-е издание.; пер. с англ. — М. : Издательский дом "Вильямс", 2006. — 1104 с.
  9. 9. Рутковская Д. Нейронные сети, генетические алгоритмы и нечёткие системы; пер. с польск. И.Д.Рудинского. / Рутковская Д., Пилиньский М., Рутковский Л. — М. : Горячая линия-Телеком, 2006. — 452 с.
  10. 10. Specht D.F. A General Regression Neural Network / D.F.Specht // IEEE Trans. on Neural Networks. — 1991. — 2. — №6.
  11. 11. Mehta M., Rissanen J., Agrawal R. MDL-based Decision Tree Pruning / M.Mehta, J.Rissanen, R.Agrawal // Proceedings of the 1st International Conference on Knowledge Discovery and Data Mining. Montreal, Canada. — 1995. — P. 216–221.