Размещено на http://www.allbest.ru/

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Агентно-ориентированный подход к совершенствованию интеллектуальной системы поддержки принимаемых решений

Специальность 05.13.01. «Системный анализ, управление и обработка информации» Специальность 05.13.10. «Управление в социальных и экономических системах»

Вдовин Максим Алексеевич

ТВЕРЬ 2006



Работа выполнена в Тверском государственном техническом университете

Научный руководитель: доктор технических наук, профессор, Тихомиров Валерий Александрович

Научный консультант: доктор технических наук, профессор, Палюх Борис Васильевич

Официальные оппоненты: доктор технических наук, профессор Буцев Сергей Васильевич

доктор технических наук, профессор Григорьев Вадим Алексеевич

Ведущая организация - ФГУП НИИ ИТ, г. Тверь

Защита диссертации состоится 21 декабря 2006 года на заседании диссертационного совета Д 212.262.04 при Тверском государственном техническом университете по адресу: 170026, г. Тверь, ул. набережная Афанасия Никитина, 22

С диссертацией можно ознакомиться в библиотеке Тверского государственного технического университета.

Автореферат разослан «…..» ……………………2006 года.

Учёный секретарь диссертационного совета

доктор технических наук, профессор В.Н. Михно

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы

Повышение качества управления неразрывно связано с повышением эффективности производства, увеличением прибыли и других финансово-экономических показателей. В современных условиях повышение качества управленческих базируется на оперативном получении своевременной и точной информации. Развитие информационных технологий обусловило появление целого класса программных средств, призванных помочь руководителю. Информационно-аналитические системы позволяют:

- Стандартизировать автоматизируемые процессы;

- Повысить производительность труда;

- Экономить время;

- Упростить принятие решений.

Однако, современные информационно-аналитические системы обладают рядом недостатков, основа которых сильная непрозрачность процесса разработки программного обеспечения. Роль программиста не имеет аналогов в других профессиях - ни инженеры, ни изобретатели, ни писатели не работают в условиях тесного переплетения чистого творчества, точных наук и практики. Эта проблема была сформулирована в 1986 в статье Фреда Брукса «Серебряной пули нет - существенное и случайное в разработке ПО» следующим образом: «Нет ни одного открытия ни в технологии, ни в методах управления, одно только использования которого обещало бы в течении ближайшего десятилетия на порядок повысить производительность, надежность, простоту разработки программного обеспечения». Хотя результаты разработки программного продукта по-прежнему остаются неизвестными, новейшие технологии дают все больше возможностей их исправить, привести к желательным. Таким образом, можно говорить о том, что повышение качества управленческих решений связано с повышением качества информационно-аналитических систем, качество которых, в свою очередь, определяет процесс первоначального проектирования программного продукта.

Представленная в работе технология призвана сделать процесс разработки программного обеспечения более прозрачным за счет автоматизации процесса проектирования программного продукта, более четкой постановки задач перед программистами и изменений в пользовательском интерфейсе. Это, в свою очередь, позволит сделать более качественную систему поддержки принятия решений и повысить эффективность управления предприятием.

В основу работы положена разрабатываемая система поддержки принятия решений. Сложность фундаментальных, научно-технологических и технических вопросов, решаемых в исследованиях, определяется функциональными блоками АСППР:

- Блок стратегического прогноза и оценки качества сложных систем;

- Блок поддержки решений методами, основанными на опыте и интуиции специалистов;

- Блок поддержки решений адаптивными вероятностно-статистическими методами;

- Блок автоматизированного построения имитационных моделей;

- Блок экономического анализа;

- Блок оценки влияние современной правовой базы на реализуемость программ и планов развития производственных структур.

В основу разрабатываемой системы положена теория искусственного интеллекта. История искусственного интеллекта характеризуется периодами успеха и неоправданного оптимизма, за которыми следовало снижение интереса и сокращение финансирования.

Последние достижения на пути понимания теоретических основ интеллектуальности неразрывно связаны с понятием интеллектуального агента. Разработанная технология базируется на использовании однотипных интеллектуальных агентов (которые являются «кирпичиками»), объединенных в многоагентную систему («дом»).

Рисунок. Автоматизированная система поддержки принятия решений

В работе описывается модуль статистического прогноза на основе предлагаемой модели интеллектуального агента. Модуль является автономным интеллектуальным агентом предназначенным для решения задач математической статистики. В его задачи также входит предварительная обработка и подготовка данных для других блоков автоматизированной системы поддержки принимаемых решений, построение моделей исследуемых явлений, в том числе моделей регрессионного и корреляционного анализа данных. Автоматическое проведение исследований позволит уменьшить фактор человеческой ошибки и освободит персонал от выполнения рутинных операций. Своевременный и качественный анализ статистических данных позволит оперативно представлять руководителю организации точную и актуальную информацию, что в свою очередь повысит качество управленческих решений. Отработанные на блоке статистического анализа технологии проектирования и построения сложных систем будут положены в основу других блоков автоматизированной системы поддрежки принятия решений. программный информационный интеллектуальный агент

Все вышесказанное позволяет говорить, что предлагаемая диссертационная работа, направленная на совершенствование методологии построения системы поддержки принятия управленческих решений в современных условиях, является актуальной.

Объект исследования

Инструментальная и методологическая составляющие информационно - аналитической системы поддержки принятия решений.

Предмет исследования

Предметом исследования являются методы и методика создания программного продукта на основе рекурсивной архитектуры интеллектуального агента, реализованные в блоке статистического анализа данных АСППР.

Рамки исследования

В исследовании в полной мере использованы наработки как 20 летней давности, так и самые последние исследования, датированные 2006 годом. Исследования естественным образом ограничены современным пониманием процесса мышления и организации сложных систем.

Цель работы

Повышение эффективности и технологичности создания программно-инструментальной составляющей системы поддержки принятия решений. Для достижения поставленной цели в работе решены следующие задачи:

- разработана рекурсивная архитектура интеллектуального агента на основе модели жизнеспособной системы;

- описаны принципы решения задачи планирования поведения интеллектуального агента;

- разработан интерфейс проектирования базы знаний, который в то же время выполняет задачи по проектированию многоагентной системы и является прототипом пользовательского интерфейса.

- разработан метод проектирования информационно-аналитической системы на основе предложенной архитектуры интеллектуального агента.

Область исследований

Исследование базируются на использовании: теории искусственного интеллекта, экономики, неврологии, психологии, теории управления и кибернетики.

Научная новизна:

- автор впервые адаптировал имитационную модель жизнеспособной системы к проводимым исследованиям в области теории искусственного интеллекта;

- создана методика проектирования программного продукта на основе предложенной архитектуры интеллектуального агента, отличительной особенностью которой является то, что процесс создания базы знаний интеллектуального агента также является процессом проектирования СППР и разработкой пользовательского интерфейса;

- усовершенствован аппарат научно-методического обеспечения построения широкого класса имитационных систем, отличающийся тем, что предложенная система обладает возможностью создать некоторую виртуальную среду, в которую помещается модель объекта, при этом появляется возможность отладить базу знаний и модели поведения будущего аппарата еще до его создания.

Теоретическая значимость проведенных исследований обусловлена развитием системного подхода, позволяющего осуществить структурирование информации для решения различных задач, совершенствованием методического обеспечения моделирования сложных систем, в развитии методического обеспечения для построения архитектуры системы поддержки принятия решений на основе концепции интеллектуальных агентов.

Практическая значимость:

- обусловлена полученными в диссертации теоретическими и практическими результатами, позволяющими существенно расширить область применения интеллектуальных систем при построении как архитектуры информационно - аналитической системы поддержки принятия решений, так и инструментальной и методологической составляющих подобных систем;

- разработкой основы для создания компонентов программного и методического обеспечения построения информационной системы структурирования информации с применением доступного аппаратного обеспечения;

- разработкой эффективной методики проектирования сложных интеллектуальных информационных систем;

- разработкой сценария проведения статистических исследований, обеспечивающего формирование прогнозных решений, необходимых для оценки экономической эффективности.

Обоснованность научных результатов и положений, сформулированных в диссертации, базируется на широко апробированных в науке теоретических положениях и применяемых в ходе исследований научных методах.

Реализация и внедрение результатов

Научные результаты проведенных исследований внедрены в учебный процесс Тверского ГТУ, Пензенского ГУ, Тверского филиала Балтийского ГТУ «ВОЕНМЕХ» им. Д.Ф. Устинова. Использование полученных результатов способствует повышению эффективности учебного процесса. Практические результаты диссертационной работы использовались при создании автоматизированной системы управления предприятием ОАО «Концерн Российские защитные технологии».

Апробация результатов исследования.

Результаты исследования докладывались на научно-технических конференциях Тверского государственного технического университета, МГТУ им. Баумана, Балтийского ГТУ “ВОЕНМЕХ” им. Д.Ф. Устинова, Санкт-Петербургского Северо-Западного Заочного Института, научных семинарах МГТУ им. Баумана, ВА ВКО, Тверского филиала Балтийского ГТУ им. Д.Ф. Устинова.

На защиту выносятся

1. Рекурсивная архитектура интеллектуального агента, основанная на концепции жизнеспособных систем и предназначенная для построения многоагентных систем.

2. Метод проектирования информационно-аналитической системы на основе предложенной архитектуры агента, а также неразрывно связанный с ним пользовательский интерфейс.

3. Интеллектуальный агент, предназначенный для проведения корреляционно-регрессионного анализа данных, раскрывающий эффективность решения управленческих задач реализованной многоагентной системой.

Публикации

По результатам исследований, проведенных в процессе работы над диссертацией, опубликовано 16 работ.

Структура и объем диссертационной работы

Диссертация состоит из введения, трех глав, заключения, списка использованной литературы. Работа изложена на 160 страницах основного текста, иллюстрируется 37 рисунками и 7 таблицами. Список литературы содержит 72 источника.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и основные задачи исследования, новизна и практическая ценность результатов исследования, а также положения, выносимые на защиту.

В первой главе анализируются как современные методы управления предприятием, так и основные типы информационно-аналитических систем, описываются способы моделирования современного предприятия и анализируется модель предприятия на основе концепции жизнеспособной системы. Далее анализируются основные проблемы предметной области, делается постановка задачи. Так основными требованиями к разрабатываемой системе являются:

- Упрощение процесса разработки. Необходимо разработать эффективное средство проектирования новых программных продуктов, при этом значительное внимание следует уделить автоматизации труда проектировщика, доступности документации, средствам постановки задач, контролю за выполнением задач, обеспечения целостности данных. Процесс создания сборок должен быть максимально упрощен.

- Гибкость структуры программного продукта. Разрабатываемая архитектура должна позволять легко наращивать функциональность программного продукта, а также изменять существующие функции. Также структура программного продукта должна обеспечивать неограниченную масштабируемость проекта;

- Эффективный пользовательский интерфейс. Интерфейс, заложенный в систему должен обеспечивать прозрачность функционирования системы, обеспечивать доступность, как к функциям системы, так и к данным. При этом интерфейс должен быть очевиден для конечного пользователя.

Среди дополнительных требований можно выделить:

- Значительную автоматизацию действий, как пользователя, так и разработчика;

- С целью повышения эффективности работы необходимо обеспечить четкое выделение приоритетных задач и наиболее важной информации;

- Неразрывность процессов проектирования и написания кода.

Во второй главе анализируются типичные архитектуры интеллектуальных агентов и на основе рассмотренной в работе модели жизнеспособной системы разрабатывается архитектура интеллектуального агента. В основу модели была положена пятиуровневая система, имитирующая нервную систему человека. В общем случае решение задачи отображения модели жизнеспособной системы на модель интеллектуального агента можно представить в виде: {установление связи исходной задачи с некоторым образом объекта исследования - Q} > {описание Q в пространстве параметров задачи} > {построение проекции S этого Q} > {вычисление числовых характеристик проекции S} > {интерпретация этих чисел как решение исходной задачи}:

отображение р: Q > S,

Данное выражение следует понимать так: указать последовательность операций отображения р, при помощи которых объект Q преобразуется абстрактный объект S. Приведем описание разработанной архитектуры:

Рисунок. Схема архитектуры многоагентной системы

Опишем функциональное назначение каждого уровня предложенной архитектуры интеллектуального агента:

На пятом уровне находится центр управления агентом, в его задачи входит: получение сообщений от других агентов, инициализация процесса планирования или немедленная инициализация действий, информирование внешних систем о ходе выполнения задания. Иначе говоря, в базовом варианте систему пятого уровня следует рассматривать как интерфейсный модуль между системой четвертого уровня и другими агентами.

На четвертом уровне находится центр планирования. В его задачу входит: хранение онтологии предметной области, разработка планов достижения цели, контроль выполнения планов, при необходимости перепланирование, хранение стандартных планов.

Оперативное управление осуществляется на третьем уровне. Основной задачей компонента является раздача заданий в соответствии с планами, разработанными на четвертом уровне, координация совместных действий агентов, распределение системного времени между агентами.

Управление функциональными блоками (управление исполнительными механизмами) находится на втором уровне. В силу рекурсивности предложенной архитектуры функциональность систем на втором уровне соответствует функциям центра управления агентом (компонента пятого уровня). Это означает, что компонент пятого уровня может также являться элементом второго уровня системы более высокого порядка. Т.о. в исследовании впервые предложена архитектура интеллектуального агента, естественным свойством которой является рекурсивность - возможность создавать системы любой сложности путем подключения новых агентов. Отличительной особенностью архитектуры является то, что средой передачи информации между интеллектуальными агентами может быть локальная или глобальная вычислительная сеть. Т.е. предложенная архитектура может быть основой для создания распределенных вычислительных систем.

Функциональные блоки (исполнительные механизмы) находятся на первом уровне. Отличительная особенность предложенной архитектуры состоит в том, что на функциональность этих компонентов не накладывается ограничений. Т.е. они могут быть и программами обработки данных, и внешними датчиками, и драйверами, управляющими физическими устройствами.

В работе с точки зрения математической формализации под интеллектуальным агентом понимается объект S, который обеспечивает некоторую совокупность действий Д_S = {Д_Si}, , где Д_Si - элементарные действия агента, относительно действий окружающей его среды Q - Д_Q = {Д_Qj}, , где Д_Qj - элементарные действия окружающей среды, в целях достижения желаемого результата Д_P = {Д_Pm}, , где Д_Pm - элементарные результаты.

При этом S', S'' Q, т.е. окружающая среда Q - эта область окружения объекта S, которая может состоять из некоторого множества других интеллектуальных агентов и объектов описывающих окружающую среду . Тогда многоагентную систему можно представить как совокупность из N интеллектуальных агентов в виде множества:

S' = {S'₁, S'₂, …, S'_i, …, S'_N} = {S'_i},

Для определения системных отношений модулей интеллектуального агента воспользуемся их структурно-параметрическим представлением. С этой целью представим совокупность модулей интеллектуального агента в виде множества:

S = {S₁, S₂, S₃, S₄, S₅} = {S_j}, ,

где S₁, S₄ - контроллеры конвейера сообщений, S₂ - планировщик, S₃ - конвейер сообщений, S₅ - функциональный блок.

Рекурсивность и иерархичность разрабатываемой системы базируется на тождестве S'_i4 S'_j1, где S'_i4 - контроллер конвейера сообщений i-го агента, S'_j1 - контроллер конвейера сообщений j-го агента. S'_i S', S'_j S', .

Основой функционирования системы является конвейер сообщений S₃ - объединенное множество сообщений f_S = {f_Si} и f_Q = {f_Qj}, где f_Si = f(Д_Si) и f_Qj = f(Д_Qi) используемых интеллектуальным агентом и его окружающей средой.

F = {F_k} = {f_Sp} {f_Qj}.

Действия Д_S1 контроллера конвейера сообщений S₁ заключаются в передаче в среду Q сообщений y_S и приеме из среды Q сообщений x_S.

Для рассмотрения системного описания задачи по формированию операций управления интеллектуальным агентом S использована модель целенаправленного функционирования любой системы: <цель> <стратегия> <ресурсы>.

Здесь категории: <цель> характеризует множество желаемых результатов функционирования интеллектуальных агентов; под <стратегией> в работе понимается совокупность тех мероприятий, реализация которых обеспечит достижение поставленной перед интеллектуальным агентом целей при ограничении на ресурсы; <ресурсы> отождествляются с областью допустимых решений. Формирование стратегии осуществляется S₂ - планировщиком. Область допустимых решений C_S есть реакция на множество стратегий D_S = {D_Si} и множество ресурсов R_S = {R_Sk}:

D_S R_S C_S

Ресурсы определяются действиями пятого уровня интеллектуального агента:

Д_S5 R_S



Тогда агенты подразделяются: на порождающих: если агент производит только стратегии Д_S D_S; и конечных: если агент производит только действия Д_S R_S

Причем порождающего агента можно описать как S = {S₁, S₂,}, а конечного S = {S₄, S₅}.

Для разработки онтологии предметной области и создания стандартных сценариев необходим графический интерфейс пользователя. В его задачи также входит постановка задач и отображение хода работ над поставленными задачами. Для создания такого интерфейса был применен нестандартный подход. Там же показано, что интерфейс разработчика является интерфейсом конечного пользователя. Новизна предложенного подхода заключается в том, что работа над проектированием многоагентной системы поддержки принятия решений потенциально сводится к созданию пользовательского интерфейса. Создание конечного агента при этом заключается в написании объектно-ориентированного кода. Для этого в системе предусмотрен текстовый редактор, который вновь созданный код сохраняет в БД функций, а затем компилирует. В случае возникновения ошибок в коде запускается отладчик, который сообщает об ошибках. Особо отметим, что конвейер сообщений, а также контроллеры конвейера создаются автоматически.

Отметим, что в исследованиях впервые предложена архитектура интеллектуального агента, которая является базовым строительным элементом для создания более сложных агентов. Разработав онтологию, описывающую агента основанного на полезности или онтологию обучающегося агента можно создавать интеллектуальных агентов с высокой степенью сложности и автономности. Очевидно, что при этом процесс проектирования высоко интеллектуальных агентов значительно упрощается.

Процесс планирования действий агентом положен в основу предложенной архитектуры, поэтому в работе описываются принципы планирования действий интеллектуальным агентом и способы представления знаний, а также разрабатывается прототип пользовательского интерфейса, который непосредственно связан с этими процессами. Приведем интеллект-карту действий пользователя, управляющего интеллектуальным агентом.

Рисунок. Интеллект-карта действий пользователя при работе с интеллектуальным агентом

Приведем пример прототипа пользовательского интерфейса на основе интеллект-карт и виджетов:

Рисунок. Прототип интерфейса пользователя

Интерфейс в основу которого положены интеллект-карты и виджеты отличается:

- Человечностью;

- Простотой;

- Информативностью;

- Эстетикой.

Графический интерфейс пользователя в конструкторе агентов является естественным инструментом для отслеживания хода работ над системой, выявления наиболее важных функций, которые необходимо реализовать в первую очередь (особенно это актуально при экстремальном программировании). Также появляется возможность быстро создавать тестовые версии системы (альфа и бета-тестирование, прототипирование).

В работе предложена методика проектирования нового программного продукта с учетом предложенной архитектуры интеллектуального агента и разработанного прототипа пользовательского интерфейса. Разработанная методика проектирования состоит из следующих этапов:

- Определение необходимой функциональности системы;

- Конструирование базы знаний;

- Создание прототипа пользовательского интерфейса.

На первом этапе следует определить требования к функциональности будущего программного продукта, именно эта функциональность и будет определять качества конечного программного продукта. В работе описаны методы определения функциональности разрабатываемого программного продукта, а также способы оценки выдвинутых требований.

Следующий этап, конструирование базы знаний, неразрывно связан с результатами процесса определения функциональности создаваемого программного продукта. Процесс конструирования базы знаний также называют инженерией знаний. Инженером по знаниям называют специалиста, который исследует конкретную проблемную область, определяет, какие понятия важны в этой проблемной области, и создает формальное представление объектов и отношений в этой проблемной области. Применяемый подход наиболее приемлем для разработки баз знаний специального назначения, проблемная область которых тщательно очерчена и спектр запросов известен заранее. Проекты в области инженерии знаний значительно отличаться друг от друга, но все они включают в себя следующие этапы: идентификация знаний, сбор знаний, определение словаря, регистрация общих знаний проблемной области, составление описание конкретного экземпляра задачи, передача запросов процедуре логического вывода и получение ответов, отладка базы знаний.

Завершающим этапом разработанной методики проектирования является разработка прототипа пользовательского интерфейса. Прототип - это наглядная модель пользовательского интерфейса, созданная на основе представлений о потребностях пользователей. Его задачей является дать четкое представление о взаимодействии пользователя с системой. Прототип может принимать множество различных форм, от бумажных макетов до реальных программ, имитирующих работу пользовательского интерфейса. В работе описывается методика разработки прототипа нового интерфейса.

Третья глава посвящена экспериментальному подтверждению проведенных исследований. Онтология предметной области была сформирована из двух частей: описание внешнего мира определятся совокупностью внешних объектов и их свойств, описание внутреннего мира определяется совокупностью агентов и действий, которые они могут выполнять. Структура интеллектуального агента определяется функциями, которые он выполняет и задачами, которые он решает. Покажем структуру многоагентной системы проведения корреляционного анализа:

Рисунок. Многоагентная система корреляционного анализа данных

В работе программно реализована методика регрессионного анализа основанная на применении кусочно-линейной модели усовершенствованной этапом проверки гипотезы о виде закона распределения критериальных параметров в условиях малых выборок (гипотезы о нормальном, экспоненциальном и равномерном распределениях). Приведем общий вид формулировки кусочно-линейной модели. Все множество элементов пространства Rx разбито на k непересекающихся подмножеств {O1, …, Ok} с помощью набора некоторых параметрических многомерных характеристических функций (гиперповерхностей) {ш (X; в1), …, ш(X; вk)}. Обычно k << m. Пусть также мы располагаем совокупностью частных линейных моделей прогноза {g(X; б1), …, g(X; бk)}. Тогда прогноз значения Y по замеренному значению x' = (x1, …, xn) по кусочно-линейной модели имеет вид:

,

; при v ? q;

Что можно записать как

где n_v - число информативных признаков X_j X, включенных в модель g(X; б_v) (n_v ? n). В таблице для различных моделей приведены значения оценок остаточной дисперсии как на материале обучения (д_о), так и на контрольной выборке (д_к). Результаты свидетельствуют о значительном преимуществе в точности кусочно-линейных моделей перед линейными многофакторными моделями.



Таблица. Сводная оценка остаточной дисперсии

Yj	Оценка	Линейная многофакторная модель	Кусочно-линейная модель
Y1	до	1202,5	313,2
	дк.	2021,6	508,7
Y4	до	0,0075	0,0022
	дк	0,0128	0,0053
Y = X1	до	0,25	0,036
	дк	0,39	0,094

Разработка сценария проведения анализа, выбор конкретных методов математической статистики проводится агентом в автоматическом режиме, на основании свойств объекта с данными. В работе была разработана многоагентная система анализа статистических данных, а затем ее работоспособность проверена на реальной задаче анализа статистических данных. Внедрение многоагентной системы статистического анализа данных на ОАО «Концерн Российские защитные технологии» позволило:

- повысить оперативность получения информации необходимой для проведения анализа и принятия управленческих решений.

- усовершенствовать методы управления предприятием, усилить контроль за совершенными приходно-расходными операциями.

- обеспечить единообразие и достоверность информации о деятельности, как структурных подразделений и служб, так и в целом о предприятии.

Среди результатов повышения эффективности принятия управленческих решений можно назвать:

- улучшение нормирования и контроля над расходом материальных ресурсов и энергии - направленное на снижение себестоимости продукции;

- улучшение планирования закупки материальных ресурсов;

- повышению достоверности и точности прогноза экономических показателей;

- расширению информационной базы экономического анализа и планирования деятельности предприятия;

- повышение обоснованности ценообразования.

Далее в работе проводиться предварительная оценка стоимости разработки предложенной системы. Приведем сводную таблицу оценки технико-экономических показателей:

Таблица. Сводная оценка технико-экономических показателей

	Средняя	Оптими-стическая	Пессими-стическая
1. Полная трудоемкость разработки программ, человеко-месяцы	1795	1345
1.1. Assembler	150	72	237
1.2. С++ / Java	1645	1273	2055
2. Длительность разработки комплекса, месяцы	36	30	42
3. Необходимо среднее число специалистов, человек	50	45	55
4. Исходная стоимость человеко-месяца, руб.
4.1. Assembler	30 000	25 000	35 000
4.2. С++ / Java	15 000	10 000	20 000
5. Прогнозируемая стоимость разработки, руб.	53 575 910	26 682 363	90 707 181
5.1. Планирование (7%)	3 713 180	1 849 273	6 286 636
5.2. Проектирование (17%)	9 017 730	4 491 090	15 267 545
5.3. Программирование (55%)	29 175 000	14 530 000	49 395 000
5.4. Испытания (22%)	11 670 000	5 812 000	19 758 000

Ориентировочно разработка программного продукта будет продолжаться 3 года, в ней будет задействовано около 50 программистов, стоимость разработки составит 53 576 000 руб. Достоверность оценки составляет 30 - 40%, более точную оценку можно будет получить после завершения проектирования программного продукта. В заключении обобщены основные результаты теоретических и практических исследований, а также показано направление дальнейших исследований.



ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. В работе, на основе использования последних достижений теории и практики создания информационно-аналитических систем, современных положений теории искусственного интеллекта и системного подхода, решена важная практическая задача по разработке конструктора интеллектуальных агентов, который в значительной мере автоматизирует труд проектировщика программного продукта, обладает интерфейсом позволяющим отслеживать ход работ и обеспечивающим прозрачность разрабатываемой системы.

2. В исследовании впервые предложена архитектура интеллектуального агента, естественным свойством которой является рекурсивность - возможность создавать системы любой сложности путем подключения новых агентов. В качестве неочевидного следствия применения предложенной архитектуры следует назвать изменения в процессе написания кода. Во-первых, подробное описание конечных функций агентов, а также сведения об онтологии предметной области, по сути, являются техническим заданием для кодера. Во-вторых, из-за исключительной сложности современных программных продуктов возникают проблемы с использованием функций и библиотек, написанных другими программистами, при использовании агентов появляется возможность не исследовать чужой объектно-ориентированный программный код в поисках необходимой функции, а напрямую обращаться к агенту, ставя перед ним задачу. Следствием этого является упрощенное использование разработок коллег и ускорение работ над сложными проектами.

3. Был разработан метод проектирования информационно-аналитической системы на основе предложенной архитектуры агента, новизна которого заключается в том, что процесс конструирования базы знаний в то же время является процессом проектирования будущего программного продукта. При этом отличительная особенность онтологий - гибкость, позволяет легко вносить изменения в структуру будущего программного продукта. В рамках разработки метода проектирования программного продукта и базы знаний был разработан интерфейс, который обеспечивает прозрачность функционирования системы, доступность к функциям системы и данным. Использование интеллект-карт как основы интерфейса позволяет четко выделять основные задачи и наиболее важную информацию. На ряду с интеллект-картами в интерфейсе используются виджеты - небольшие графические объекты, каждый элемент которых несет информационную и функциональную нагрузку. Новшество, которое заключается в совмещении виджетов и интеллект-карт, позволяет эффективно использовать рабочее пространство, концентрировать внимание пользователя на решаемых задачах.

4. Центральное место в работе заняли исследования, посвященные усовершенствованию такого универсального инструментального средства, которым является база знаний. В работе было показано, как агент может использовать онтологию предметной области для планирования своих действий и построения интеллектуальных сценариев. Практическое применение описанного подхода заключалось в разработке многоагентной системы проведения интеллектуального корреляционно-регрессионного анализа данных.

5. Результаты исследований, полученные в работе, создают предпосылки для разработки нового поколения программного обеспечения, основанного на интеллектуальных агентах. Использование предложенных в работе подходов позволяют существенно сократить как время разработки, так и снизить стоимость программного продукта.



ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

1. Вдовин М.А. Реализация блока стратегического прогноза системы поддержки принимаемых решений на основе агентно-ориентированной модели /Тихомиров В.А., Вдовин М.А., Кононов И.В. //Статья. Сборник НММ адъюнктов и соискателей №29 Тверь: ВА ВКО, 2006. - 1.1 п.л./0.4 п.л.

2. Вдовин М.А. Методологические аспекты создания агентно-ориентированной архитектуры системы поддержки принимаемых решений /Палюх Б.В., Тихомиров В.А., Вдовин М.А., Кононов И.В. //Статья. Сборник НММ адъюнктов и соискателей №29 Тверь: ВА ВКО, 2006. - 1.7 п.л./0.4 п.л.

3. Вдовин М.А. Модель «классная доска» - методология создания архитектуры системы поддержки принимаемых решений /Тихомиров В.А., Вдовин М.А., Кононов И.В. //Статья. Сборник НММ адъюнктов и соискателей №29 Тверь: ВА ВКО, 2006. - 1.2 п.л./0.4 п.л.

4. Вдовин М.А. Формирование «Единого информационного пространства» на основе телекоммуникационных и радио локационных систем /Вдовин М.А., Кононов И.В. // Статья. Сборник НММ адъюнктов и соискателей №28 Тверь: ВА ВКО, 2005. - 0.3 п.л.

5. Вдовин М.А. Информационно-вероятностная модель осуществления долгосрочного прогноза /Вдовин М.А., Кононов И.В. //Сборник тезисов докладов Третьей Всероссийской конференции «Необратимые процессы в природе и технике», - М.: МГТУ им. Н.Э. Баумана, 2005. - 161 - 163 с.

6. Вдовин М.А. Методика адаптации агентно-ориентированное подхода к созданию системы поддержки принимаемых решений /Вдовин М.А., Кононов И.В. // Статья. Сборник НММ адъюнктов и соискателей №28 Тверь: ВА ВКО, 2005. -0.8 п.л.

7. Вдовин М.А. Концептуальная модель системе поддержки принимаемых решений основанная на технологии «классной доски» /Палюх Б.В., Вдовин М.А., Кононов И.В. //Статья. Сборник НММ адъюнктов и соискателей №28 Тверь: ВА ВКО, 2005. - 0.9 п.л./0.4 п.л.

8. Вдовин М.А. Разработка методов и алгоритмов стратегического прогнозирования развития сложных интегрированных структур. /Тихомиров А.В., Вдовин М.А., Кононов И.В. //Монография. -Тверь: НПО «Российские Инновационные технологии», 2005. - 120 с.

9. Вдовин М.А. Агентно-ориентированная модель формирования элементов системы поддержки принимаемых решений /Вдовин М.А., Кононов И.В. /Статья. Сборник НММ адъюнктов и соискателей №27 Тверь: ВА ВКО, 2004. - 0.7 п.л.

10. Вдовин М.А. Проблемные вопросы исследования сложных систем. /Тихомиров В.А., Вдовин М.А., Кононов И.В. //Сборник статей международной конференции «Надежность и качество», -Пенза: ПГУ, 2004. - 23 - 27 с.

11. Вдовин М.А. Формулирование обобщающей цели в сложных системах. /Тихомиров В.А., Вдовин М.А., Кононов И.В. //Сборник статей международной конференции «Надежность и качество», -Пенза: ПГУ, 2004. - 163 - 164 с.

12. Вдовин М.А. Построение информационно-вероятностной модели оценки качества промышленной продукции /Тихомиров В.А., Вдовин М.А., Кононов И.В. //Сборник статей международной конференции «Надежность и качество», -Пенза: ПГУ, 2003. - 145 - 147 с.

13. Вдовин М.А. Формализация информационно-вероятностного метода стратегической оценки принимаемых решений./ Вдовин М.А., Кононов И.В. //Статья. Труды докладов международно-го симпозиума "Надежность и качество 2003" - Пенза: ПГУ, 2003. - 0.7 п.л.

14. Вдовин М.А. Совершенствование информационного подхода к оценке принимаемых решений. /Вдовин М.А., Кононов И.В. // Статья. Сборник докладов XXVII НТК в/ч 33157, 2002 - 0.2 п.л.

15. Вдовин М.А. Общие вопросы внедрения новых информационных технологий в практику исследований. /Вдовин М.А., Кононов И.В. //Статья. Серия А выпуск 3(47). - М: ЦВНИ МО РФ, 2001. - 3 п.л.

16. Вдовин М.А. Внедрение информационных технологий в практику полигонных испытаний /Тихомиров В.А., Громов В.А., Вдовин М.А., Кононов И.В. // Статья. Оборонная техника, 2000. №7-8. - 0,4 п.л./0,1 п.л.

Размещено на Allbest.ru