Портал магістрів ДонНТУ   ДонНТУ

Реферат з теми випускної роботі

Зміст

  1. Вступ
  2. 1. Опис проблеми. Цілі та задачі досліджень
  3. 2. Огляд досліджень і розробок у сфері цілеорієнтування
  4. 3. Метрики виконання в цілеорієнтованих системах
    1. 3.1 Цикл управління в ЦОАСУ
    2. 3.2 Планування і прогнозування виконання
    3. 3.3 Методи й засоби прогнозування
  5. Висновки
  6. Перелік посилань

Вступ

Сучасні підходи до проектування автоматизованих систем можна характеризувати як процес-орієнтовану парадигму: бізнес-процеси автоматизуються численними окремими системами управління, складові частини систем інтегруються за допомогою зв'язуючого проміжного програмного забезпечення. Процес модифікації (наприклад, у зв'язку зі змінами в бізнес-процесі) та інтеграції таких систем є складним і дорогим через недостатню гнучкість процесів, крихкості систем і конфліктів цілей. Цілеорієнтований підхід до проектування передбачає вивчення та аналіз цілей створення автоматизованої системи для ефективної її реалізації, уніфікації підходу до проектування АСУ та спрощення процесу інтеграції.

1. Опис проблеми. Цілі та задачі досліджень

В основі роботи цілеорієнтованих автоматизованих систем полягає принцип безперервного багаторівневого управління: їх архітектура включає керуючі та керовані блоки, стратегія роботи яких змінюється в часі. Для прийняття рішень щодо коригування керуючих впливів необхідні актуальні відомості про процес виконання цілей, так звані метрики виконання.

Одним з обов'язкових функціональних блоків ЦОАСУ є блок управління, що представляє собою систему підтримки прийняття рішень, яка здійснює контроль цілей та оперує даними про хід їх виконання. Ці дані є метриками виконання системи. Метою магістерської роботи є розробка моделей і алгоритмів аналізу метрик виконання. Основними завданнями на початковому етапі роботи є визначення можливих методів аналізу та обробки даних і засобів зберігання даних.

Наукова новизна й актуальність роботи підтверджуються тим фактом, що на даний момент не існує єдиного універсального підходу до аналізу даних метрик виконання й алгоритмів їх обробки.

2. Огляд досліджень і розробок у сфері цілеорієнтування

На глобальному рівні дослідженнями й розробками з даної теми займаються університет Арізони (Arizona State University), представники компаній Modular Mining Systems Inc. (Sergey Seroukhov, Product Line Architect, Modular Mining Systems Inc., Tucson, Arizona, USA) і Machine Guidance Systems (Andree Rottig, Product Manager, Machine Guidance Systems, Belo Horizonte, Brazil).

На національному рівні можна виділити дослідження у сфері систем із самоогранізацією В.М.Глушкова (Інститут кібернетики АН УССР).

На локальному рівні, в ДонНТУ, наукові розробки у сфері цілеорієнтування ведуть проф. Скобцов Ю.А, доц. Привалов М.В., доц. Скобцов В.Ю., доц. Телятников А.О.

3. Метрики виконання в цілеорієнтованих системах

3.1 Цикл управління в ЦОАСУ

У загальному випадку ціль являє собою стан, до якого спрямована тенденція руху об'єкту, та, як правило, виникає з певної проблемної ситуації. Система виступає засобом вирішення проблеми: виконуючи свої функції з використанням певних структур, система забезпечує вирішення [1]. Ціль є системоутворюючим фактором: немає систем без цілей і саме для досягнення цілі група елементів об'єднується в систему й діє. Ціль системі ставиться ззовні, а від системи потрібна тільки здатність її досягнути. Зовнішнім цілевизначуючим впливом може бути інша система (або системи) [2]. На підставі цього принципу ми можемо представити систему як набір підсистем, кожна з яких має власні цілі більш низького рівня і власні підсистеми. Рівні цілей:

  • політика, закони, постанови — цілі найвищого рівня;
  • довгострокові цілі: стратегічні ініціативи, структурування організації, формування організаційних механізмів;
  • короткострокові цілі: типові проекти, щоденна діяльність організації;
  • оперативні: діспетчерізація, управління ресурсами, реакція на непередбачені ситуації;
  • специфічні операції на рівні ресурсів.

У теорії управління докладно розглянуто задачу визначення та декомпозиції цілей шляхом побудови дерева. Побудова дерева цілей є методом систематизації дій для досягнення цілей системи управління [3]. У процесі конструювання дерева головна ціль розбивається на підцілі, і цей процес повторюється ітеративно до тих пір, поки в термінальних вузлах дерева не будуть отримані елементарні дії. Приклад такої структури наведено на рисунку нижче.

Рисунок 1. Дерево цілей
(анімація: 7 кадрів, 5 циклів повторення, 24 КБ)
(Gi — цілі, Ai — елементарні дії)

Робота ЦОАСУ в цілому і кожної з окремих її складових є безперервним циклом управління OODA, що складається з чотирьох етапів: спостереження, орієнтування, рішення, дія [4].

Рисунок 2. Схема OODA-циклу

OODA-цикл є концепцією, що спершу застосовувалася у військовій справі на стратегічному рівні військових операцій, але з часом знайшла застосування в економіці (метод стратегічного планування SWOT — Strengths & Weaknesses / Opportunities & Threats) та науці (методологія hypothesis — experiment — evaluation). Подібний цикл характерний для будь-якого процесу управління в кібернетиці. В ЦОАСУ стадія спостереження (Observe) відповідає збору інформації про роботу системи; стадія орієнтування (Orient) — визначенню проблеми; стадія рішення (Decide) — плануванню подальших дій, стадія дії (Act) відповідає всім операціям системи, що виконуються відповідно з прийнятим рішенням. Відомості про виконання операцій потім передаються підсистемі аналізу в якості спостережень, що забезпечує зворотний зв'язок (Feedback). Кожній стадії циклу управління в ЦОАСУ відповідає окремий функціональний блок. Прийняття рішень здійснюється за допомогою систем підтримки рішень різного рівня автоматизації: від ручних до повністю автоматичних.

Незалежно від рівню автоматизації прийняття рішень вирішальні елементи ЦОАСУ у своїй діяльності базуються на інформації про поставлені цілі різного рівня і на даних про стан досягнення цілей, тобто метриках виконання. Роботу вирішальних елементів ЦОАСУ можна представити у вигляді параметричної програми управління, спрямованої на підтримання заданих показників виконання цілей (швидкості виконання, рівня споживання ресурсів і т.д.), яка постійно коригується в процесі роботи. Система здійснює управління обов'язково з деякими похибками [5], інформація про які повинна надходити в підсистему аналізу для підтримки зворотного зв'язку. Таким чином, аналіз метрик виконання служить основним інструментом для оперативного планування і прогнозування досягнення цілей.

3.2 Планування і прогнозування виконання

Планування являє собою орієнтовану на майбутнє діяльність з прийняття рішень, яка включає призначення і вибір варіантів поведінки. Воно пов'язане з досягненням бажаних майбутніх станів і звертається до питання, що повинно бути зроблено і в якій мірі зумовлена ця діяльність. Складність процесу планування та прийняття рішень полягає у досягненні компромісу між довгостроковими (стратегічними) і короткостроковими (тактичними) цілями і включає раціональний вибір альтернатив і засобів для досягнення цілей [6]. Основою для планування виступають історичні дані, за якими будується прогноз виконання.

Завдання прогнозування в ЦОАСУ зводяться до двох основних типів: прогнозування часу досягнення мети і прогнозування значень параметрів у задані моменти часу. Математична модель аналізу метрик може бути представлена наступним чином: нехай

  1. P = {p1, p2, ..., pN} — параметри системи, за якими ведеться спостереження;
  2. N — кількість параметрів;
  3. YP1 .. N = {Yp1, Yp2, ..., YpN} — набір часових рядів, що описують зміну значень параметрів P, де
  4. Ypi1 .. ni = {ypi1, ypi2, ..., ypini} — набір послідовних замірювань значень Pi в моменти часу від 1 до ni (в загальному випадку ni різниться для всіх Pi);
  5. VP = {VP1, VP2, ..., VPN} — цільові значення параметрів, де
  6. VPi = {VPi1, VPi2, ... VPini + h} — цільові значення параметра Pi;
  7. tg = {tP1g, tP2g, ..., tPNg} — цільовий час досягнення VP;
  8. tr = {tP1r, tP2r, ..., tPNr} — реальний час досягнення VP;
  9. tp = {tP1p, tP2p, ..., tPNp} — прогнозований час досягнення VP.
  10. Ypini +1 .. hi = {ypini +1, ypini +2, ..., ypini + hi} — прогноз для параметра Pi на hi періодів (в загальному випадку hi різниться для кожного Pi).

Рисунок 3 Прогрес зміни параметра

Керуюча система прагне зменшити різницю між прогнозованими та цільовими значеннями параметрів:
у випадку прогнозування значень параметрів або
у випадку прогнозування часу досягнення цілі.

Метрики виконання є собою інформацією, що безперервно накопичується в системі і характеризує її стан в різні моменти часу. Вони можуть бути представлені у вигляді часових рядів параметрів, на підтримку яких орієнтується вирішальна структура. Отже, для прийняття рішень на основі цих даних можна застосувати методи аналізу та прогнозування часових рядів.

Часовий ряд (ряд динаміки) — це послідовність упорядкованих у часі числових показників, що характеризують рівень стану та зміни досліджуваного явища. Часовий ряд включає два обов'язкових елементи: час і рівень ряду — конкретне значення показника [7], в даному випадку значення метрики. Прогнозування часового ряду полягає в пошуку найкращої оцінки y [N + h] неспостережуваної величини y [N + h] (або оцінки th часу, необхідного для досягнення цією величиною заданого значення) за спостереженнями y [n], n = 0, N, тобто як функції цих спостережень, де

  1. y [N + h] — неспостережуваний рівень ряду, що відповідає моменту часу t[N + h];
  2. ti — момент часу i;
  3. у — досліджуваний часовий ряд;
  4. N — кількість рівнів часового ряду у [7].

3.3 Методи й засоби прогнозування

Задача прогнозування успішно вирішується методами математичної статистики й засобами інтелектуального аналізу даних, серед яких найчастіше використовуються нейронні мережі (НС) і дерева рішень.

Прогнозування в математичній статистиці є підбором аналітичного виразу y = F (x), що найбільш точно описує тренд — залежність рівнів ряду від часу, і подальшу екстраполяцію ряду для отримання передбачуваних значень. Ключовим етапом є вибір моделі регресії &mdash виду рівняння, що описує залежність. Найпростіший вид моделі — лінійна регресія. На практиці також часто використовуються апроксимуючі поліноми. Підбір параметрів регресії виконується, як правило, методом найменших квадратів.

Головним недоліком використання статистичних підходів є проблема вибору моделі регресії: недостатньо складні моделі не зможуть забезпечити необхідну точність, а моделі з надлишковою складністю можуть виявитися перенавченими.

Нейронні мережі на даний час є одним з найбільш популярних напрямків досліджень в галузі штучного інтелекту, що стрімко розвивається. Завдання управління та регулювання з прогнозом добре вивчені і успішно вирішуються за допомогою НМ [8].

Задача прогнозування для НМ зводиться до задачі апроксимації — пошуку такої залежності, яка в найкращий спосів відображала б зміну часового ряду в часі. Для прогнозування застосовуються одношарові лінійні мережі з часовою затримкою (TDNN), багатошарові повнозв'язані мережі прямого поширення (багатошарові персептрони), мережі на основі радіально-базисних функцій (RBF-мережі), узагальнено-регресійні (GRNN-мережі), деякі специфічні види мереж з частковими зв'язками спеціальної структури, а також нейромережі нечіткого виведення [9].

Одношарова лінійна мережа має найбільш зрозумілу і просту структуру, але вимагає значного часу й обсягу вибірки для навчання. Введення часової затримки призводить до того, що обробка вхідних значень залежить від вихідних значень на попередньому кроці роботи.

Багатошаровий персептрон — добре вивчена модель НМ з широкими можливостями, яку можливо застосовувати для задачі апроксимації. Для навчання, як правило, використовується метод зворотного поширення помилки. Важливим питанням при використанні багатошарових персептронов є визначення кількості прихованих шарів і числа елементів в них. Оптимальний вибір архітектури такої мережі залежить від конкретного завдання.

Узагальнено-регресійна мережа, запропонована Шпехтом [10], призначена для побудови узагальнених (лінійних і нелінійних) регресій. Використання такої мережі не вимагає апріорних знань про вид регресійної залежності. Навчання GRNN-мережі здійснюється особливим чином і не вимагає ітераційного підстроювання ваг. Більш швидкий і простий процес навчання робить можливим застосування GRNN-мережі для роботи в реальному часі.

RBF-мережі базуються на використанні прихованого шаблонного шару нейронів з радіально-базисними активаційними функціями (гаусова, мультиквадратична, функція Коші і т.д.). Вихідний шар утворюють нейрони з лінійною функцією активації. RBF-мережі також мають високу швидкість навчання.

Важливою властивістю НМ, яке забезпечує значну перевагу їх використання, є адаптивність: мережа налаштовує синаптичні ваги під зміни навколишнього середовища. Для роботи в нестаціонарному середовищі, де статистика змінюється з плином часу, можуть бути створені НМ, які змінюють синаптичні ваги в реальному часі, що робить можливим створення систем адаптивного прогнозування [8].

Дерева рішень — ще один метод інтелектуального аналізу даних, що застосовується для задач регресії, класифікації та кластеризації. Задача регресії зводиться до виявлення залежності цільової змінної від незалежних (вхідних) змінних. До цього ж класу належать задачі чисельного прогнозування.

У задачах прогнозування застосовуються регресійні дерева рішень, які оперують чисельними значеннями атрибутів. Для їх побудови використовуються алгоритми CART, SLIQ, SPRINT.

Основною складністю і процесі конструювання дерева є вибір критерія зупинки розбиття або відсікання гілок. Критеріями зупинки, як правило, служать глибина дерева — максимальна кількість рівнів або мінімальне число прикладів, які містить кінцевий вузол. Алгоритмів скорочення дерев досить багато (cost-complexity, reduced error, MDL-based pruning [11]).

Суттєва перевага застосування дерев рішень для прогнозування полягає в інтуїтивно зрозумілому поданні логіки роботи вирішального апарату. Ще одним плюсом в порівнянні з нейронними мережами є простий і більш швидкий процес навчання: для побудови дерева досить задати набір всіх наявних вхідних атрибутів, алгоритм побудови вибере найбільш важливі з них.

Висновки

Цілеорієнтування є новим підходом до проектування та реалізації АСУ. Метрики виконання — це параметри системи, що дозволяють оцінити прогрес досягнення мети. Оскільки відомості про зміну таких параметрів є часовими рядами, для їх аналізу можливо застосовувати відомі засоби прогнозування.

У результаті аналізу основних методів прогнозування визначені найбільш суттєві переваги й недоліки засобів інтелектуального аналізу даних у застосуванні до даної задачі.

Примітка

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: грудень 2012 року. Повний текст роботи та тематичні матеріали можуть бути отримані у автора або наукового керівника після зазначеної дати.

Список посилань

  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.