Контрольные вопросы

1. Чем определяется выбор рекуррентного типа алгоритма для оценивания контролируемого параметра по экспериментальным данным?

2. В чем сущность общего алгоритма оценки измеряемого параметра?

3. В чем сущность оптимального одношагового алгоритма?

4. Каковы пути повышения сходимости оптимального одношагового алгоритма и сущность его модификации?

5. Какие параметры оптимальности характерны для одношагового алгоритма оценивания контролируемого параметра?

6. Какие начальные условия необходимо использовать для рекуррентного алгоритма оценивания параметра контроля?

Глава 4. Формирование модели измерения задачи оценивания по экспериментальным данным

4.1. Анализ задачи формирования модели измерения

Сущность синтеза ММИ заключается в поиске и принятии решений, обеспечивающих выполнение ИИУ предъявляемых к нему требований. Качество полученных решений непосредственно связано со степенью автоматизации процесса синтеза, особенно в условиях увеличения сложности и функционального разнообразия компонентов создаваемой ММИ.

Процедуру принятия решения при синтезе ММИ в соответствии со схемой рис. 4.1 представим в виде следующих взаимосвязанных этапов:

1. Предварительная подготовка: сбор данных и изучение научных концепций, положенных в основу исследуемой проблемной области, определение класса решаемых задач (подзадач), данных и критериев. Выбор основных параметров и их типов, диапазонов их изменения, задание целевых критериев, определяющих качество формируемых решений.

1. Предварительная подготовка данных и моделей проблемной области. Задание целей и ограничений при синтезе ММИ 2. Формирование баз знаний 3. Настройка моделей синтеза на решаемую задачу 4. Выбор альтернативного варианта из множества возможностей 5. Моделирование и оценка выбранного варианта 6. Развитие лучшего варианта 7. Выбор решения и оценка соответствия выбранного решения целям синтеза Л ПР

Рис.4.1. Основные этапы формирования решения

2. Выявление причинно-следственных отношений между параметрами и целевыми критериями, представление основных связей между параметрами в явном виде, формирование баз знаний, которые являются отображением сценариев, базирующихся на опыте экспертов, и экспериментальной информации в рассматриваемой проблемной области, разработка моделей синтеза и т.д.

3. Настройка моделей синтеза на решаемую задачу путем адаптации баз знаний к экспериментальным данным в рамках эволюционных методов и обучения.

4. Выбор альтернативного варианта из множества возможных ММИ, удовлетворяющего требованиям задачи оценивания, за счет построения решающего правила на основе методов машинного обучения.

5. Анализ и оценивание выбранного варианта с помощью методов моделирования и использования статистических методов обработки результатов экспериментов.

6. Компьютерный анализ развития наилучшего варианта ММИ и модификация этого варианта с целью улучшения его характеристик.

7. Выбор ЛПР предпочтительного варианта решения на основе оценки соответствия принимаемых решений заданным целям и ограничениям.

Процесс принятия решения является циклическим (рис. 4.1), при этом отдельные этапы многократно повторяются. Особенно важными являются этапы 2, 3, 4, на которых осуществляется анализ технической задачи и определяются сценарии ее предметной области, формируются формальные структуры ММИ и самого процесса синтеза, производится выбор альтернативных вариантов решений. Задачи, решаемые на этих этапах, являются трудно формализуемыми и связаны с моделированием нестрогих, многократно пересматривающихся решений ЛПР, для определения которых формальные системы классической логики не приспособлены. Поэтому для решения данного класса задач целесообразно применять программные инструменты, позволяющие выявлять закономерности в данных, формировать базы знаний и осуществлять генерацию и вывод альтернативных вариантов решений. Так, анализ и оценка генерируемых альтернативных вариантов и их ранжирование (этап 5) может осуществляться стандартными средствами систем моделирования с использованием статистических пакетов для анализа результатов моделирования. Окончательный вариант модели может быть скорректирован на низком уровне путем дополнительного программирования на языке моделирования либо создаваться заново, обеспечивая по возможности вставку и редактирование уже созданных и отлаженных моделей.

Однако с целью сокращения времени исследования для определения наилучшего варианта необходимо управлять процедурой моделирования (этап 6). На рис. 4.1 это соответствует введению обратной связи от блока 6 к блоку 5 (коррекция проектного решения). Если получились неудовлетворительные результаты в процессе моделирования, то производится подготовка новых моделей генерации решений путем дополнения, обучения и адаптации базы знаний (обратная связь из бл.7 в бл.3). При несоответствии выбранного решения целям и ограничениям, происходит уточнение проектной информации (обратная связь из бл.7 в бл. 2) и выбираются другие методы и алгоритмы для решения поставленной задачи. Эта процедура повторяется до получения с точки зрения ЛПР рационального варианта.

При этом следует выделить начальный этап синтеза, качество результатов которого имеют определяющее значение для успешной реализации общей цели синтеза, поскольку на данном этапе формирования ММИ принимаются принципиальные решения о выборе ее структуры и взаимоотношения между ее переменными. Наряду с улучшением качества получаемых решений, автоматизация начальных этапов позволяет значительно снизить сроки разработки как за счет уменьшения времени выполнения данных этапов непосредственно, так и вследствие снижения непроизводительных затрат времени, обусловленного недостаточно обоснованными решениями, получаемыми на начальных этапах разработки. Исследование данного этапа синтеза ММИ будет осуществлено в пятой главе.

Для начального этапа синтеза ММИ характерно наличие неформализованных или трудно формализуемых задач, решение которых, как правило, основано на эвристических подходах. В настоящее время перспектива синтеза ММИ связывается с созданием устройства формирования (УФ) модели измерения в рамках ИИУ.

Начальные стадии синтеза ММИ характеризуются значительным уровнем неопределенности, источниками которой являются неполнота, внутренняя противоречивость данных, неоднозначность и размытость задания на синтез, содержащего приближенные характеристики процесса измерения в виде числовых диапазонов, а также словесное описание целей, ограничений и условий чисто качественного характера, в сложных случаях отсутствие аналитических зависимостей, уравнений, связывающих экспериментальные данные и критерии.

Все это определяет расплывчатость представления о взаимодействии компонентов ММИ. Данные виды неопределенности являются систематическими (не устранимыми) и обусловлены сложностью решаемых задач, лимитом времени на принятие решений и т.д. Кроме этого неточность и неполнота исходных данных может быть вызвана недостаточностью знаний о характере синтезируемой ММИ, новизной решаемых проблем. Попытки применения традиционных математических моделей на ранних стадиях проектирования малоэффективны, поскольку эти методы основаны на обработке точных и полных числовых данных и не соответствуют высокому уровню неопределенности задачи.

Выбор структуры ММИ на начальном этапе ее синтеза определяется неформальными соображениями. Это, во-первых, объясняется тем, что многие критерии, по которым происходит оценка качества и эффективности ММИ, могут быть предварительно определены лишь с невысокой степенью точности, в виде размытых допусков. Во-вторых, далеко не все свойства или характеристики ММИ можно оценить количественными показателями. Из-за отсутствия для таких свойств естественных шкал измерений, они определяются относительно субъективных эталонов, сформированных специалистами при сравнении и ранжировании вариантов.