авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:   || 2 | 3 | 4 |
-- [ Страница 1 ] --

Сервис виртуальных конференций Pax Grid

ИП Синяев Дмитрий Николаевич

Современные системы

искусственного интеллекта

и их приложения в наук

е

Всероссийская научная Интернет-конференция

с международным участием

Казань, 25 июня 2013 года

Материалы конференции

Казань

ИП Синяев Д. Н.

2013

УДК 004.8(082)

ББК 32.813

С56

С56 Современные системы искусственного интеллекта и их приложения в науке.[Текст]: Всероссийская научная Интернет-конференция с международным участием : материалы конф. (Казань, 25 июня 2013 г.) / Сервис виртуальных конференций Pax Grid ;

сост. Синяев Д. Н. Казань : ИП Синяев Д. Н., 2013. - 166 с.- ISBN 978-5-906217-20-2.

Сборник составлен по материалам, представленным участниками Всероссийской научной Интернет-конференции с международным участием: "Современные системы искусственного интеллекта и их приложения в науке". Конференция прошла 25 июня 2013 года.

Книга рассчитана на преподавателей, научных работников, аспирантов, учащихся соответствующих специальностей.

Составитель: Синяев Д. Н.

Материалы представлены в авторской редакции ISBN 978-5-906217-20-2 © Система виртуальных конференций Pax Grid, © ИП Синяев Д. Н., © Авторы, указанные в содержании, СОЗДАНИЕ МОДЕЛЕЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ И УПРАВЛЕНИЯ ВУЗОМ Абруков В.С., Ануфриева Д.А., Петрова М.В.

Чувашский государственный университет abrukov@yandex.ru Состояние современного российского вуза - это результат принципиальных изменений политических и социально-экономических условий в последние 20 лет. Хороши они или плохи, покажет время, но сейчас каждый вуз в соответствии со своими особенностями (региональными, уровнем материально-технической базы, специализацией и квалификацией преподавателей и т. д.) должен самостоятельно определять пути своего развития и взаимодействия с участниками образовательного процесса и его потребителями, категории и потребности которых очень разнообразны.

Поэтому создание современной системы управления вузом, учитывающей множество разнообразных факторов и рассматривающей проблемы управления по отношению к различным целевым функциям, очень актуально.

Решению этих задач посвящен проект, который начал выполняться в Чувашском государственном университете в 2013 году (сайт проекта:



http://mfi.chuvsu.ru/opros/).

В данной работе представляются первые результаты выполнения проекта по созданию системы поддержки принятия решений и управления вузом: постановка задачи, методология выполнения проекта, структура анкет-интервью участников образовательного процесса в вузе (около 100 вопросов) и первые результаты анализа результатов анкетирования и их моделирования с помощью методов интеллектуального анализа данных - Data Mining и, в частности, искусственных нейронных сетей - ИНС.

К настоящему времени получены результаты решения двух задач:

определение связи между баллами ЕГЭ и оценками первой сессии студентов, определение связи между оценками второй и первой сессии студентов (начала «траектории» обучения студентов).

Результаты показывают следующее. Количество «пятерок» в первую сессию не зависит (близко к 0) от баллов ЕГЭ по математике до значения 80. При баллах ЕГЭ более 80 количество «пятерок», "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

полученных студентами в первую сессию начинает резко расти, достигая максимума при баллах ЕГЭ более 90. Зависимость количества «пятерок»

в первую сессию от результатов ЕГЭ по физике показывает, что максимальное количество «пятерок» соответствует диапазону 64 … 70.

При анализе зависимости количества «пятерок» от баллов ЕГЭ по русскому языку, можно отметить, что меньшие баллы ЕГЭ по русскому языку определяют большее количество «пятерок» в первую сессию, что, возможно, определяет отношение тех, кто больше внимания уделяет математике, к русскому языку.

В целом можно сделать вывод о том, что средние баллы ЕГЭ не могут служить основанием для определения «эффективности» вуза с точки зрения «качества образования» понимаемого как успеваемость студентов.

Были исследованы закономерности начала «траектории» качества учебной работы студентов в виде связей между оценками, полученными студентами на экзаменационных сессиях разных семестров (с 1-го по 4-й).

Получены различные зависимости. Например, зависимость количества «пятерок» во 2-ом семестре от количества «троек» в 1-ом семестре показывает, что большое количество «троек» («печальный опыт» 1-й экзаменационной сессии) приводит к тому, что во втором семестре студент учится в основном на «пятерки» (это справедливо для кластера, которые получили в первом семестре одну «пятерку», две «четверки» и одну «тройку».

Исследовались различные комбинации связей между различными оценками полученными на экзаменационных сессиях разных семестров.

Но четкой связи выявлено не было. Можно отметить только, что связи между оценками, полученными на экзаменационных сессиях 3 и семестров, 4 и 1, 4 и 2 семестров практически нет.

Решение задачи прогнозирования «траектории» качества учебной работы студентов по семестрам (в виде «траектории» качества оценок полученных студентами на экзаменационных сессиях) требует дополнительного сбора данных.

Заключение

Работа в настоящее время продолжается. В дополнение к данным анкет – интервью планируется собрать данные по финансовому обеспечению образовательного процесса, экспертным оценкам итоговых аттестаций, российскому рейтингу вуза, уровню конкурсного отбора абитуриентов и т.д.





Предполагается решение комплекса задач, например:

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

- прогнозирование «траектории» учебной и научной работы студентов различных специальностей и направлений подготовки и определение мер способствующих повышению качества учебной и научной работы студентов.

- кластеризация – группировка специальностей и направлений подготовки по качеству приема абитуриентов, качеству учебной и научной работы студентов, районам проживания абитуриентов и студентов с хорошим качеством учебной и научной работы, уровню востребованности выпускников различных специальностей и направлений подготовки.

- решение задач регрессии (получения многофакторных вычислительных моделей) устанавливающих зависимости таких целевых функций, как: качество учебы по курсам и качество выпускных квалификационных работ, востребованность выпускников и уровень их заработной платы после трудоустройства, степень удовлетворенности участников процесса образования (студенты, аспиранты, преподаватели, учебно-вспомогательный персонал, административно-хозяйственный аппарат, потребители – работодатели, родители студентов), и другие от таких факторов, как: потребность (федеральная, региональная) в специалистах;

личностная потребность в высшем образовании, ресурсы вуза;

бюджетное и внебюджетное финансирование;

степень внедрения информационно-телекоммуникационных технологий;

уровень требований при конкурсном отборе абитуриентов, степень участия преподавателей в НИР;

уровень кадрового обеспечения образовательного процесса в целом;

заработная плата преподавателей и учебно-вспомогательного персонала;

и т.п.

Мы приглашаем аспирантов, научных работникорв и преподавателей вузов к совместной работе.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

ПРЕДМЕТНАЯ ОНТОЛОГИЯ ДЛЯ БАЗЫ ДАННЫХ ПО ЭНЕРГИЯМ ДИССОЦИАЦИИ СВЯЗЕЙ ОРГАНИЧЕСКИХ МОЛЕКУЛ Амосова Е.С., Туманов В.Е., Денисов Е.Е.

ИПХФ РАН alene2000@mail.ru Технологии семантического Веба обеспечивают возможность многократного использования знаний различными приложениями, исследовательскими организациями и научными сообществами, позволяя обрабатывать информацию на семантическом уровне [1].

Настоящая работа посвящена построению фрагмента предметной онтологии для базы данных по энергиям диссоциации связей предметно-ориентированной системы научной осведомленности по физической химии радикальных реакций и реализации RDF-хранилища в хранилище знаний системы [2].

Онтология базы данных по энергиям диссоциации связей включает в себя следующие объекты: набор атрибутов, идентифицирующих органическую молекулу (CAS номер, молекулярную формулу, название соединения), набор атрибутов, идентифицирующих химическую связь в молекуле (длина, энергия связи), набор атрибутов представляющих значение энергии диссоциации связи (энергия диссоциации связи, ошибка измерения или расчета).

Для создания онтологии используется редактор Protege. На рисунке представлен фрагмент онтологии базы данных по энергиям диссоциации связей. В классы данной онтологии выделены ОРГАНИЧЕСКАЯ МОЛЕКУЛА (Organic_molecule), ХИМИЧЕСКАЯ СВЯЗЬ (Chemical_bond) и ЭНЕРГИЯ ДИССОЦИАЦИИ СВЯЗЕЙ (Bond-dissociation_energy).

Атрибуты, идентифицирующие молекулы, связи и энергии диссоциации связей, задаются свойствами данных для каждого класса. Так для класса ОРГАНИЧЕСКАЯ МОЛЕКУЛА (Organic_molecule) заданы следующие свойства данных: CAS номер (CAS_Number), молекулярная формула (Molecular_formula) и название соединения (Compound_name). Класс ХИМИЧЕСКАЯ СВЯЗЬ (Chemical_bond) характеризуется свойствами данных: длина связи (Bond_length) и энергия связи (Bond_energy). Класс ЭНЕРГИЯ ДИССОЦИАЦИИ СВЯЗЕЙ характеризуется свойствами данных: тип связи (Bond_type), значение энергии диссоциации связи (BDE_value), погрешность (Measurement_error), метод измерения "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

(Measurement_method). Классы ОРГАНИЧЕСКАЯ МОЛЕКУЛА и ХИМИЧЕСКАЯ СВЯЗЬ связаны между собой прямой и обратной связью имеет связь / является связью (has_bond / is_bond_in). Классы ОРГАНИЧЕСКАЯ МОЛЕКУЛА и ЭНЕРГИЯ ДИССОЦИАЦИИ СВЯЗЕЙ связаны прямой и обратной связью имеет энергию диссоциации / является энергией диссоциации для (has_BDE / is_BDE_of).

RDF-хранилище реализовано на основе схемы «таблицы свойств классов», которая включает в себя таблицу иерархии классов онтологии и отдельные таблицы для каждого класса.

Таким образом, база данных по энергиям диссоциации связей органических молекул подготовлена для организации в ней семантического поиска.

Рис. 1. Классы и свойства данных классов онтологии базы данных по энергиям диссоциации связей Литература 1. П у з а н к о в Д. В., М и р о ш н и к о в В. И., П а н т е л е е в М. Г.

Интеллектуальные агенты, многоагентные системы и семантический Web: концепции, технологии, приложения. СПб: СПбГЭТУ., 2008. с.

2. Туманов В.Е., Прохоров А.И., Лазарев Д.Ю., Соловьева М.Е.

Система научной осведомленности по физической химии радикальных реакций // Информационные ресурсы России. 2010. № 5. C. 16- "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ЭФФЕКТИВНОСТИ ТЕМАТИЧЕСКОГО АГЕНТНОГО ПОИСКА Артамонов А. А., Черкасский А. И., Соколина К. А., Ананьева А. Г.

НИЯУ МИФИ lexn300@gmail.com Материал доклада основан на результатах опытной эксплуатации Мультиагентной информационно-аналитической системы по естественнонаучным и технологическим направлениям (МИАС), разработанной по Федеральной целевой программе «Научные и научно-педагогические кадры инновационной России» в 2012 году.

Агентом в МИАС называется программа, которая с заданной периодичностью автоматически сканирует заранее определенный кластер сайтов в сети Интернет, собирает тематическую научно-техническую информацию по поисковым предписаниям и доставляет её в соответствующий тематический раздел текстовой базы данных МИАС.

Заинтересованными пользователями МИАС являются научно-образовательные структуры университетов, научные лаборатории, технологические организации.

Интерес пользователей к сетевым системам класса МИАС и, в частности, к поисковым агентам, определяется желанием получить доступ к новым видам информационных ресурсов, таким как сайты тематически эквивалентных организаций, отдельных ученых и специалистов, сайты крупных международных проектов. Причем, этот доступ должен быть прямым со стороны конечного пользователя с минимальной трудоемкостью и не требовать от пользователя специальной операционной подготовки.

В нашем случае агентный поиск проводился по тематическим направлениям: физика плазма, лазерные технологии, нанотехнологии.

Таблица 1. Размеры тематических кластеров Тематическое Физика Лазерные Нанотехнологии направление плазмы технологии Размер кластера 60 50 (организации) В таблице показаны размеры тематических кластеров, т.е.

количество организаций в мире, осуществляющих работу по данным "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

тематическим направлениям.

Оценим время поиска релевантной тематической информации, используя формулу [1] и численные значения среднестатистических экспериментальных данных.

T=Kкл kдост L tф, где [1] T – общее время поиска, Kкл - размер тематического кластера, kдост - коэффициент доступности кластера, L - количество новостных сообщений источника, tф - время фильтрации новостных сообщений.

Размер тематических кластеров по направлениям, как видно из табл.

1, составляет около 50-140 в мировой сети. Количество новостных сообщений в новостной ленте составляет в среднем 50 единиц.

Строго говоря, и указанные величины являются случайными, поэтому в первом приближении могут быть оценены математическим ожиданием.

По результатам экспериментов, можно оценить что: Kкл=80;

L=50;

tф =8 минут, kдост=0,6.

Разница во времени фильтрации t ф зависит от языка клиента и сообщения. Эксперименты показали, что необходимо владение английским языком, так как большинство научно тематической информации в мире излагается на английском языке.

Таким образом, с учетом приведенных экспериментальных данных, общее время поиска релевантной информации по тематическому кластеру T=19,2*10 3 минут или 320 часа, что составляет человеко-дней на одну тематическую область, при 8 часовом рабочем дне.

При агентном поиске сканирование кластера и фильтрация сообщений осуществляет поисковый агент, т.е. T=0 т.к. пользователь обращается только к отсортированным сообщениям в удобное для него время. Таким образом, МИАС сокращает трудоемкость создания тематического новостного продукта на 40 человеко-дней.

Помимо снижения трудоемкости поиска, важными и противоречивым, показателями эффективности любой информационно-поисковой системы являются полнота и релевантность найденных документов, которые могут быть оценены только конечным пользователем. При агентном поиске оптимальные значения этих показателей могут быть достигнуты итерационным путем. На первых итерациях поисковые предписания строятся только по ключевым словам тематической области, т.е.

проводится расширенный поиск, возможно, в ущерб релевантности.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Затем по результатам выдачи поисковых процедур уточняются словари ключевых слов и формируются более сложные предписания с использованием отношений «И», «ИЛИ», «НЕ».

В результате процент «шума» уменьшается и релевантность растет. В нашем случае настройка агентного поиска на приемлемую для конечного пользователя релевантность составляет 3-4 итерации.

Нами проведены эксперименты по построению поисковых предписаний агентам на русском, английском, немецком, французском и испанском языках. Результаты поиска показали, что 90 % тематической научно-технологической информации на зарубежных сайтах представлена на английском языке. Поэтому без специальных причин, предписания для поисковых агентов могут быть двуязычными: русскими и английскими.

Литература 1. Оныкий Б. Н. с соавторами Научно-технический отчет о выполнении 5 этапа Государственного контракта №16.740.11.0129 от 02 сентября 2012 г.

2. О ф и ц и а л ь н ы й сайт Наноцентра НИЯУ МИФИ http://nanocenter.mephi.ru/ 3. Официальный сайт кафедры "Физика плазмы" №21 НИЯУ МИФИ http://plasma.mephi.ru/ru/Mainpage/ru "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

АГЕНТ И МОДЕЛЬ ЕГО ПОВЕДЕНИЯ В МУЛЬТИАГЕНТНОЙ СРЕДЕ МОДЕЛИРОВАНИЯ ПАССАЖИРОПОТОКОВ НА ОСНОВЕ КЛЕТОЧНЫХ АВТОМАТОВ Барзиков К. В., Фомичева О. Е., Куляница А. Л.

МГГУ barzikov@gmail.com В данной работе описывается поведенческая модель агента, имитирующего движение отдельно взятого пассажира в транспортной системе. Моделирование пассажиропотоков осуществляется с использованием специализированного клеточного автомата, позволяющего наглядно представить движение пассажиров в транспортных системах. Данная модель была разработана и использована в рамках диссертационного проектирования.

При рассмотрении вопросов безопасности и целесообразности внесения изменений в транспортные системы в условиях современного крупного города возникает, в числе прочих, задача изучения движения групп людей с учетом препятствий этому движению. Очевидно, такое изучение целесообразно проводить путем построения и исследования моделей таких процессов.

Математическое моделирование движения пассажиропотоков представляет собой проблему, родственную определенному классу задач газодинамики. Для решения некоторых задач газодинамики оказалось возможным применить модели класса клеточных автоматов. Поэтому определенный научный интерес представляет возможность построения моделей движения групп людей, перемещающихся целенаправленно при наличии препятствий их движению, на основе клеточных автоматов. В [3] было показано, что дифференциальные уравнения в частных производных, возникающие при построении моделей такого движения, являются существенно нелинейными и не могут быть эффективно решены традиционными методами, например, при помощи разностных схем. В связи с этим в [1, 2, 3, 4] предлагались модели на основе клеточного автомата, позволявшая описать некоторые характерные ситуации, возникающие при таком движении. В данной статье приведено описание агента мультиагентной системы, построенной на клеточных автоматах, имитирующего движение отдельно взятого пассажира и разработанного авторами в рамках диссертационного проектирования.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Отдельно взятый агент в системе моделирования имитирует поведение отдельно взятого пассажира или какого-либо сходного по своим свойствам объекта в моделируемой системе. Множество агентов, находящихся в виртуальном пространстве моделирования имитирует направленное движение потоков моделируемых объектов и представлено в виде клеточного автомата.

Имеются матрицы A и P произвольного размера, описывающие клеточный автомат. Каждый отдельно взятый агент движется от источника агентов в клеточном поле, образованном матрицей A под влиянием скалярного поля, сформированного в матрице P, стремясь к его минимуму, соответствующему достижению агентом заранее определенной для него цели. По достижении цели агент ликвидируется или переходит в другую область модельного пространства (пересадка на другую станцию, посадка в поезд и т.д.). На каждой итерации каждый агент отслеживает состояние окружающих его элементов в соответствии с окрестностью Мура или фон Неймана, а затем перемещается в ту клетку из окрестности, которой соответствует минимальное значение приводного поля и которая не занята другим агентом.

Представим, что если в пространстве моделирования находится агент с координатами (x, y), тогда элемент матрицы A x,y = 1, в противном случае Ax,y = 0. Множество всех окружающих агент элементов, согласно окрестности Мура, представимо в виде A=Ai,jN M;

P=Pi,j N1M. Тогда на каждой итерации для каждого агента если для некоторого элемента ax',y', принадлежащего окрестности агента A выполняется условие P x',y' = min(p);

Px',y' 0;

Ax',y' = 0, агент перемещается туда: Ax,y = 0;

.Ax',y' = 1.

Изложенный выше алгоритм был реализован в виде программной реализации, на рисунках 1, 2 представлены клеточные поля при разных параметрах моделирования.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Рис. 1. Клеточное поле с 18 источниками агентов (светлая полоса слева). Агенты генерируются каждую 20-ю итерацию с разбросом плюс-минус 5 итераций. Приемник находится справа и работает без ликвидации достигших его агентов.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Рис. 2. Геометрия изменена таким образом, что поток агентов поворачивает за угол.

Литература 1. Малинецкий Г.Г., Степанцов М.Е. Применение клеточных автоматов для моделирования движения группы людей // Журнал вычислительной математики и математической физики,. 2004. № 44. C. 2094 –- 2. Степанцов М.Е. Математическая модель направленного движения группы людей, Матем. 2004. 43 с.

3. Малинецкий Г.Г., Степанцов М.Е. Моделирование динамики движения толпы при помощи клеточных автоматов с окрестностью Марголуса // Известия Высших учебных заведений. Прикладная нелинейная динамика. 1997. № 5. C. 75- 4. Степанцов М.Е. Моделирование движения группы людей на основе решеточного газа с нелокальными взаимодействиями.

5. Прикладная нелинейная динамика // 1999. № 5.

6. Тоффоли Т., Марголус Н. ашины клеточных автоматов. М: Мир, 1991 с.

7. Ф о м и ч е в а О. Е., Б а р з и к о в К. В., С т е п а н я н И. В.

Автоматизированный регулятор входной мощности клистрона на основе стохастических вычислительных методов // Доклад. Неделя Горняка. 2011. № 14.

8. Барзиков К.В., Фомичева О.Е. Применение клеточных автоматов в "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

мультиагентном.

9. Аппликативные вычислительные системы: труды третьей международной конференции по аппликативным вычислительным системам // Вольфенгагена. 2012. C. 244- 10. Барзиков К.В., Фомичева О.Е. Формирование приводных скалярных полей при мультиагентном моделировании пассажиропотоков. Аппликативные вычислительные системы: труды третьей международной конференции по аппликативным вычислительным системам // Вольфенгагена. 2012. C. 247- "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

КОНЦЕПЦИЯ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В МЕДИЦИНЕ Белокриницкий В.С., Грищенко В.В., Завадский В.А., Мальгота А.А.

УкрНИИ медицины транспорта, ОНМА rk772@ukr.net Медицинская информационная система (МИС) - комплексная автоматизированная информационная система для автоматизации деятельности ЛПУ, в которой объединены система поддержки принятия медицинских решений, электронные медицинские записи о пациентах, данные медицинских исследований в цифровой форме, данные мониторинга состояния пациента с медицинских приборов, средства общения между сотрудниками, финансовая и административная информация.

Определение узких мест и развитие концепции построения систем интеллектуального анализа исследований в медицине позволит четко и наглядно сгруппировать проблемы и сформулировать последовательность задач для их решения. На основе систем интеллектуального анализа данных можно создать экспертную систему в медицине для прогнозирования, оценки и моделирования различных ситуаций. Возможности бурного развития информационных технологий и программных средств диагностики человека позволяют уже в настоящее время создавать системы с элементами искусственного интеллекта в медицине.

Основным звеном концепции есть активное участие самого человека в поддержании и функционировании интеллектуальной системы принятия решений, для определения качества и количества своего здоровья и профилактики профессиональных заболеваний.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

МОДЕЛЬ ИЕРАРХИЧЕСКОЙ ФУНКЦИОНАЛЬНОЙ СИСТЕМЫ ДИНАМИЧЕСКОЙ ПРЕДМЕТНОЙ ОБЛАСТИ Бурдаев В.П.

Харьковский национальный экономический университет, Украина burdaevvp@mail.ru Рассматривается модель функциональной системы динамической предметной области, на основе понятия расслоения. Предлагаемая модель состоит из иерархии классов предметной области, связей между ними (правил вывода), которые действуют в рамках этой модели.

Предложен, реализован и исследуется механизм интерпретации модели иерархической функциональной системы в условиях динамического изменения ее параметров (базового класса, связей между классами и взаимодействия объектов классов).

Функциональная система (ФС) это система, сформированная для достижения заданного полезного результата (целевой функции) в процессе своего функционирования. Следовательно, ее системообразующим фактором является конкретный результат ФС.

Другими словами, цель рассматривается как заданный результат, а ограничения – как степень свободы, необходимая для достижения результата.

Модель предметной области рассматривается как ФС, в которой результат оказывает организующее влияние на все этапы формирования онтологии. Классы и связи между ним можно рассматривать как логическую конструкцию ФС.

Отличительной особенностью ФС – в их открытости, неавтономности, неизолированности от внешней среды. Математической моделью описывающей эволюцию таких систем служат неавтономные дифференциальные уравнения.

ФС можно рассматривать, например, как совокупность функций с некоторым набором операций, применяемых к этим функциям. Роль функций играют правила базы знаний (БЗ), а основные операции – это сопоставление атрибута с образцом и определения условий применимости правил.

В системе "КАРКАС" [1 3] ФС является формализованным отражением предметной области в виде иерархической структуры набора управляющих компонент, которые взаимодействуют между собой "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

для достижения главной цели.

С другой стороны ФС можно рассматривать как систему высказываний с логическими операциями над ними. Важной особенностью ФС является ее контент моделирующий предметную область.

Онтологии используются для представления знаний о понятиях предметной области и предположительных отношениях между ними.

Почти все модели онтологий, содержат концепты (сущности, понятия, классы, объекты), свойства концептов (свойства, атрибуты, слоты), отношения между концептами (связи, зависимости).

Физическая модель базы знаний хранит экземпляры классов, объектов, значения атрибутов объектов и логические связи между классами, объектами.

Частино-упорядочность классов в онтологии строится путем выделения, так называемого базового (целевого) класса располагающего на самом верхнем уровне иерархии классов. Далее, выделяются классы, находящиеся на следующем уровне и так далее.

Понятие иерархической функциональной системы можно рассматривать как одну из возможных формализаций концепции ФС.

Техническая реализация иерархической функциональной системы выполнена в компьютерной системе "КАРКАС". В архитектуре системы можно выделить следующие основные модули: загрузчик;

модуль для разработки БЗ;

модуль консультации;

модуль кластеризации данных.

Загрузчик осуществляет запуск системы и координирует взаимодействие всех модулей. Основным компонентом модуля для разработки БЗ является визуальный редактор БЗ. Модуль консультации содержит следующие компоненты: агента машины вывода, блок объяснения, анализатор тестов, доску объявления, монитор базы фактов. Модуль кластеризации данных позволяет осуществлять интерактивную и интеллектуальную классификацию многомерных данных. Для тестирования знаний используются генератор тестов и монитор преподавателя. Модули системы представлены в виде программных пассивных агентов (взаимодействие их осуществляется с помощью массивов параметров и через общую память компьютера). Такие компоненты, как визуальный редактор БЗ, агент машины логического вывода, блок объяснения, являются общими для перечисленных модулей и выступают инструментами для функционирования модулей. В системе выделены два режима использования: режим когнитолога специалист моделирующий онтологию предмеиной области и режим проблемного специалиста.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Алгоритм создания БЗ на основе системы "КАРКАС" состоит из следующих шагов:

1. Определить цели и подцели ФС.

2. Определить классы, объекты и их связи в ФС.

3. Определить атрибуты (свойства) ФС.

4. Выполнить формализацию БЗ.

5. Протестировать БЗ.

Предложенная концепция реализации иерархической функциональной системы показала свою эффективность при разработке онтологий в различных информационных динамических предметных областях: медицина, экономика, мобильная связь и кластерный анализ многомерных данных.

Программа дальнейших исследований будет включать в себя разработку алгоритмов сопровождения функционирования иерархической функциональной системы с помощью программных агентов.

Литература 1. Бурдаев В.П. Искусст - венный интеллект // Искусст-венный интеллект. 2009. № 3. C. 205 2. Б у р д а е в В. П. Ф о р м и р о в а н и е п р а в и л б а з ы з н а н и й д л я функциональной системы // Искусственный интеллект. 2012. № 3. C.

355 "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

МУЛЬТИМЕДИЙНЫЕ СРЕДСТВА В ПРОЦЕССАХ МНОГОКРИТЕРИАЛЬНОГО ВЫБОРА Вишневская В.И, Гнеденко Л.С., Стернин М.Ю., Шепелев Г.И.

ИСА РАН mister@isa.ru Вербальный подход к анализу решений основан на предположении, что рассматриваемые объекты могут быть описаны набором словесных оценок по определенному количеству критериев, и это описание является достаточным для принятия решения [1]. Вместе с тем в реальных ситуациях мы часто имеем дело с объектами, адекватное описание которых требует дополнительных «мультимедийных»

элементов, таких как живопись, музыка, архитектура, пейзажи.

Важные аспекты проблемы использования мультимедийной информации, существенно обогащающей язык общения и расширяющей возможности подготовки и принятия решений, рассматриваются в статье [2]. Более специфическим вопросам поддержки процессов многокритериального выбора и классификации объектов средствами мультимедиа посвящена работа [3]. Имея в виду результаты этих работ, рассмотрим задачу выбора лучшего объекта из определенного набора при многокритериальном описании объекта. Некоторые критерии из этого описания имеют порядковые шкалы (количественные или качественные), с другими критериями связаны мультимедийные фрагменты. Такая ситуация типична, например, в туристическом бизнесе. Там окончательный выбор клиента может зависеть от пейзажей, окружающей архитектуры, вида из окна, восприятием эффектов, связанных с другими «искусствами». Выбирая место будущего отдыха, турист, как правило, ограничен сроками отпуска и денежными средствами. Часто турист определенно предпочитает один из видов отдыха: экскурсионный, пляжный, спортивный, лечебный, учебный, комбинированный и т.п. Достаточно часто турист определяет на предварительном этапе маршрут (страну или страны посещения) и качество размещения.

Такого рода ограничения позволяют туристу, используя информационные базы турагенств, получать ответы на запросы со стандартными параметрами, быстро выделить подмножество допустимых для отдыха объектов. Обычно список объектов оказывается довольно "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

длинным. Сократить список можно автоматически, выделив в подмножестве допустимых объектов множество недоминируемых объектов, в котором и будет находиться желаемый (лучший) объект.

Предполагается, что область допустимых объектов сужена известными традиционными для процедур принятия решений методами (например, методом отсечки или методами многокритериальной классификации объектов) и выбор производится на основе информации, предоставляемой туроператором.

Мультимедийные фрагменты могут обогатить процесс поддержки принятия решений, но как мы можем использовать их, чтобы принимать более обоснованные решения?

Предлагается следующий алгоритм выбора объекта.

1. На основе мультимедийного описания множества возможных мест отдыха (объектов), предлагаемого туроператорами, эксперты формируют словесное описание этих объектов в соответствии с требованиями вербального анализа данных и формирования полных и непротиворечивых баз знаний. При этом эмоциональный рассказ об объекте, доступный в мультимедийном файле, преобразуется в структурированное формализованное многокритериальное описание объекта.

2. Пользователю предлагается с помощью системы поддержки, основанной на методе порядковой классификации ОРКЛАСС [1], отобрать часть объектов в класс «объекты, приемлемые для дальнейшего рассмотрения».

3. В классе отобранных приемлемых объектов клиенту предлагается виртуальное путешествие с помощью просмотра мультимедийной информации для окончательного выбора места отдыха путем неформальных, основанных на целостном впечатлении клиента, процедур выбора лучшего объекта.

Целями проводимой таким образом процедуры являются:

- оценка возможного количества характеристик объектов (критериев), которые эксперт может извлечь из мультимедийного описания объектов, предлагаемых на реальных сайтах туроператоров;

- сопоставление качества выбора (классификации) на основе мультимедийного и структурированного многокритериального описания объекта;

- разработка процедуры выбора лучшего объекта (выбор из множества недоминируемых объектов).

Более формализовано шаги алгоритма выбора выглядят следующим образом. Назовем «реальным объектом» описание реального места "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

отдыха в виде многокритериального объекта, разработанное экспертами на основе мультимедийной информации, предоставленной туроператором.

Множество Nr «реальных объектов» Оri, i=1…n формирует базу объектов, каждый из которых характеризуется структурированным многокритериальным вербальным описанием по К критериям, обладающим порядковыми шкалами Skj, k=1..K, j=1…G(k). С другой стороны, каждому реальному объекту соответствует мультимедийное представление, являющееся наиболее полным и многосторонним описанием места отдыха.

Назовем «виртуальным объектом» Оv любое многокритериальное описание, полученное на основе комбинации (прямого произведения) шкал K критериев. Множество виртуальных объектов включает в себя подмножество реальных объектов.

Количество виртуальных объектов (Nv), созданных при заданных характеристиках реального объекта, равно прямому произведению размерностей шкал по всем критериям, т.е.Nv= Nr.

Обозначим редуцированное подмножество реальных объектов Ord, а множество объектов образующих паретовский слой Opar. Заметим, что количество объектов, входящих в паретовское множество не больше количества виртуальных объектов. Поскольку виртуальное множество объектов образовано как прямое произведение порядковых шкал, оно, по необходимости, содержит и доминируемые объекты. Следовательно, количество объектов множества Парето, на котором производится выбор лучшего объекта, строго меньше количества виртуальных объектов.

Сформулируем задачу классификации и выбора объектов применительно к туристической проблеме.

Провести классификацию объектов, в соответствии с которой реальные объекты Оr будут отнесены клиентом к одному из двух классов – «подходящие для отдыха клиента» и «неподходящие для отдыха клиента».

Сформировать «профиль клиента» в виде границы двух классов на множестве виртуальных объектов, полученной в результате опроса данного клиента. Профиль клиента, в предположении о неизменности предпочтений клиента, может быть использован в дальнейшем для автоматической классификации новых объектов по многокритериальному вербальному описанию.

Проанализировать класс объектов «подходящие для отдыха клиента»

и выбрать единственный наиболее подходящий реальный объект, руководствуясь не только вербальным многокритериальным описанием "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

объекта, но и мультимедийным описанием, т.е. целостным взглядом на всю доступную информацию.

Для классификации объектов клиенту предъявляются в определенном порядке виртуальные объекты, которые он должен отнести к одному из двух классов.

Если отбирать в качестве критериев все возможные характеристики объектов, которые эксперт в состоянии извлечь из мультимедийного описания, то их количество превзойдет все мыслимые пределы. С другой стороны, неясно, чем можно заранее пренебречь, поскольку потенциального клиента может интересовать произвольный набор характеристик. Поэтому на первом этапе эксперты пытаются составить список существенных критериев, наиболее полно отражающий возможные предпочтения клиентов.

Список критериев предъявляется клиенту, который получает возможность сузить область анализа, не только выбрав наиболее важные для него критерии из предъявленного списка, но и указав градации шкал на критериях, при которых объект, независимо от значений по остальным критериям, не пригоден для дальнейшего анализа, т.е.

безусловно относится к классу «неподходящих мест для отдыха данного клиента».

На базе редуцированного набора критериев и градаций шкал, в соответствии с алгоритмом классификации ЦИКЛ [1], формируются виртуальные объекты, которые предъявляются клиенту в виде набора вербальных характеристик. Клиент, руководствуясь своими предпочтениями, относит объект к тому или иному классу. При этом клиенту предоставляются возможности просмотреть градуировку редуцированных шкал критериев, участвующих в формировании объекта, просмотреть количество уже отобранных в классы реальных объектов и количество реальных объектов, которые еще предстоит проанализировать.

На каждом этапе классификации и выбора объекта клиенту предоставлена возможность уточнить свои предпочтения, ознакомившись с мультимедийным описанием классифицируемого объекта, однако границы классов строятся в рамках редуцированных шкал вербальных критериев.Особенностью предложенных процедур является предоставление клиенту возможности организовать порядок на шкалах критериев и выбирать лучший объект из заданного множества в соответствии со своими предпочтениями.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Литература 1. Ларичев О.И. Вербальный анализ решений. М.: Наука, 2006.

2. Context for Innovative Decision Making Through Multimedia Communications in Extended Language». 2002. 353 p.

3. Larichev O., Humphreys P. «Сhoosing tourism locations: personal verbal decision analysis supported by multimedia». 2000. 121 p.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

ВОЗМОЖНОСТЬ ПРИМЕНЕНИЯ СОВРЕМЕННЫХ МЕТОДОВ ОПТИМАЛЬНЫХ РЕШЕНИЙ ПРИ ПРОВЕДЕНИИ ТЕНДЕРНЫХ ЗАКУПОК Козлова А. С.

Национальный исследовательский Томский политехнический университет nnkk1@yandex.ru На сегодняшний день основным недостатком тендерных закупок является «гонка на понижение цены». Механизм проведения тендеров и аукционов таков, что побеждает поставщик, предлагающий наиболее низкую цену. Это условие влияет и на баланс «цена – качество»:

снижается цена и, как правило, снижается качество (используется низкокачественное сырье, нанимается неквалифицированный персонал, уменьшается контроль и т.п.). В итоге страдает и заказчик, и конечный потребитель, и поставщик. Негативные последствия для последнего проявляются в потере репутации, ухудшении партнерских отношений;

возможны убытки и судебные разбирательства.

Компании, которые работают на принципах высокого качества оказания услуги и дорожат репутацией, зачастую вынуждены отказаться от участия в тендерах, либо работать с очень низкой или даже нулевой прибылью с целью получения другой не финансовой выгоды [1].

Ввиду описанной ситуации, представляется актуальным разработать рекомендации для фирм, использующих такую форму отбора предложений на поставку товаров или оказание услуг как тендер.

На сегодняшний день существуют различные методы принятия решений, такие как метод анализа иерархий Саати, экспертные методы, принятие решений в условиях неопределенности, задачи оптимизации при принятие решений. Не пренебрегая важностью других методов, в данном исследование, я предлагаю рассмотреть применение метода анализа иерархий Саати в качестве инструмента решения проблемы многофакторного выбора оптимального поставщика услуг.

Принцип данного метода заключается в построении иерархий критериев выбора, то есть на самом высшем уровне ставится цель задачи, а на самом низшем набор альтернатив. Промежуточные уровни занимают критерии, от которых зависят все последующие уровни. Таким образом, можно отследить влияние самого низшего уровня на самый "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

высший через промежуточные [2].

При построении модели предлагается использовать следующие критерии отбора при проведении тендерных закупок: цена, срок поставки, качество товара, качество клиентского обслуживания, опыт работы с контрагентами. Цена является одним из основных критериев, который отражает стоимость единицы товара/услуги (Рис. 1).

Под сроком поставки будем понимать оговоренное в договоре и установленное в нем время поставки товара или период времени, в течение которого товар должен быть доставлен, передан контрагенту.

Качество товара – важный критерий, который определяет способность удовлетворять конкретные потребности потребителей, соответствовать предъявляемым требованиям. Качество клиентского обслуживания – это те нормы и правила, которые компания устанавливает для обеспечения высокого уровня качества в обслуживании клиентов. Опыт работы фирмы-поставщика в данной сфере, наличие положительных отзывов от других контрагентов тоже важны при выборе.

Далее необходимо рассчитать весовые коэффициенты для каждого критерия так, чтобы они удовлетворяли потребностям каждой фирмы. В указанном исследовании оптимальные весовые коэффициенты вычислялись методом экспертных оценок. Экспертам необходимо было выяснить, какие критерии влияют в наибольшей степени на выбор поставщика. В опросе принимало участие 6 экспертов, соответственно было необходимо построить 6 матриц, где каждый эксперт заполнял свою матрицу. Результатом является итоговая матрица, каждым элементом которой является среднегеометрическое значение шести сложенных матриц экспертов (Табл. 1). В расчетах используется именно среднегеометрический метод, т.к. он дает более точный результат [3].

Обработав итоговую матрицу, мы получаем векторы решений для соответствующего критерия.

Анализ опроса, проведенного среди тендерных комитетов нескольких организаций г. Томска демонстрирует следующее распределение критериев: качество товара (0,23), цена (0,22), срок поставки (0,22), качество клиентского обслуживания (0,18), опыт работы с контрагентами (0,15). На основании полученных данных можно сделать вывод о том, что цена не является основополагающим критерием при проведении тендерных закупок (Табл. 2).

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Таблица 1. Итоговая матрица представленной задачи Качество Срок Качество Опыт работы с Вектор Цена клиентского поставки товара контрагентами решений обслуживания Цена 1 4,62 2,52 1,50 1,50 0, Срок поставки 0,22 1 5,92 3,00 1,00 0, Качество 0,40 0,17 1 8,21 2,00 0, товара Качество клиентского 0,67 0,33 0,12 1 7 0, обслуживания Опыт работы с 1,54 1,3 1,2 1,8 1 0, контрагентами Таблица 2. Вектор решений представленной задачи Показатели Вектор решений Цена 0, Срок поставки 0, Качество товара 0, Качество клиентского обслуживания 0, Опыт работы с контрагентами 0, В результате проведенного исследования можно сделать следующие выводы: во-первых, проведенный опрос показывает, что респонденты ранжируют ценовой критерий практически так же как критерий качества и срока поставки, что показывает необходимость отказа от учета лишь ценового критерия при выборе поставщика. Необходим переход к модели многофакторного анализа контрагентов при проведение тендерных закупок;

во-вторых, полученный результат подтверждает, что в качестве метода принятия решений при выборе поставщика в условиях многофакторного анализа может быть использован метод анализа иерархий Саати.

Рис. 1. Иерархическая форма представления задачи "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Литература 1. Поляков Ю.И., Калинина С.В. Использование тендеров как нового механизма получения заказов в Омском регионе // Экономические исследования. 2012. № 3. C. 1- 2. Яроцкая Е.В. О задаче выбора наилучшего страховщика для страхования имущества предприятия // Вестник ДВГАЭУ. 2003. № 4. C.

75- 3. Саати Т.Л. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993. 511 с.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

МЕТОД ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ С ИСПОЛЬЗОВАНИЕМ ЭКСПЕРТНЫХ ОЦЕНОК ДЛЯ ОПРЕДЕЛЕНИЯ НАБОРА УЧЕБНЫХ МОДУЛЕЙ В СИСТЕМЕ ПОСЛЕДИПЛОМНОГО МЕДИЦИНСКОГО ОБРАЗОВАНИЯ Коновалова Ю. С.

ГБОУ ДПО ПИУВ Минздрава России julis899@mail.ru Ограниченность временных ресурсов у обучающихся на циклах повышения квалификации и профессиональной переподготовки, а зачастую и нехватка кадров среди профессорско-преподавательского состава образовательных учреждений последипломного медицинского образования делают необходимым пересмотр имеющихся типовых учебных планов и программ с целью уменьшения количества учебных часов без потери качества образования. Для достижения данной цели наиболее эффективным может стать методика планирования и организации учебного процесса с использованием экспертных оценок и динамического программирования.

В качестве примера использования данной методики нами был рассмотрен процесс составления учебных планов по различным образовательным циклам на кафедре клинической лабораторной диагностики (КЛД) Пензенского института усовершенствования врачей (ГБОУ ДПО ПИУВ Минздрава России). Типовая учебная программа по специальности «Клиническая лабораторная диагностика» состоит из учебных модулей, каждый из которых состоит из некоторого набора учебных блоков. Задача преподавателей кафедры состоит в том, что при подготовке определенного цикла занятий (повышения квалификации – ПК, профессиональной переподготовки – ПП, тематического усовершенствования – ТУ, общего усовершенствования – ОУ), выбрать согласно образовательным стандартам, а также уровню компетенции слушателей оптимальный набор данных модулей и блоков. Суть предлагаемой методики состоит в том, что по прибытию слушателей на цикл, проводится тестовый контроль знаний обучающихся с целью оценки входящего уровня компетенции. Результаты выполнения тестовых заданий оцениваются группой экспертов, причем процедура оценки при этом обладает некоторыми особенностями:

1. Субъективность, неполнота, неопределенность информации.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

2. Необходимость учета множества частных показателей – многокритериальность задачи.

3. Необходимость учета при решении задачи оценки входящих компетенций как качественных, так и количественных показателей.

4. Отсутствие возможности применения классических оптимизационных методов.

Таким образом, процедура оценки результатов с использованием технологии тестирования, имея ряд достоинств, является слабоформализованной. В связи с этим рекомендуется использовать нечеткие когнитивные модели, которые широко применяются для решения ряда задач, основанных на моделировании и прогнозировании плохо формализованных процессов, поддержке принятия решений.

Достоинства применения данных моделей по сравнению с другими методами заключаются, прежде всего, в возможности формализации численно неизмеримых факторов, а также в использовании нечеткой, неполной и иногда противоречивой информации.

Общий критерий уровня компетенции слушателя получается путем применения мультипликативной (формула 1, рис.1) либо аддитивной (формула 2, рис.1) свертки векторного критерия. Следует отметить, что аддитивная свертка применяется в случае, когда значение отдельного параметра не является критично значимым и допускается компенсация влияния параметров друг на друга.

Оценки Si получаются экспертным путем. Причем, если эксперт не может численно оценить тот или иной критерий, используют различные методы ранжирования, суть которых заключается в упорядочении критериев (к примеру, нестрогое ранжирование, которое основывается на присвоении каждому критерию нумерации в зависимости от роста степени важности ранжируемого критерия;

если эксперт не находит различия между некоторыми критериями, то в процессе ранжирования эти критерии помещаются рядом в произвольном порядке, а затем проранжированные критерии нумеруются последовательно, а ранг (оценка) критерия определяется его номером).

После оценки уровня компетенции слушателей необходимо из общего набора учебных модулей и блоков выбрать только те, которые необходимы для конкретной группы слушателей для обеспечения качества учебного процесса и сокращения продолжительности периода обучения. В решении данной проблемы предлагается использовать так называемую «задачу о ранце» – одну из максимизационных задач комбинаторной оптимизации, идея которой состоит в задаче расположения как можно большего числа необходимых предметов в "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

ранец при условии ограничения общего веса (объема) всех вещей, способных поместиться в ранец. В общем виде задачу о ранце формулируют следующим образом: из заданного множества предметов, имеющих свойства «вес» (объем) и «стоимость» (ценность), необходимо составить набор предметов так, чтобы при одновременном соблюдении ограничения на общий, совокупный объем (вес) получить максимальную суммарную стоимость. Применительно к системе последипломного медицинского образования, в качестве предметов, помещаемых в ранец, выступают учебные модули (блоки), в качестве весов – количество академических часов, предусмотренных на прохождение конкретного модуля (блока). Стоимостью в данном случае является ценность каждого учебного модуля блока, которая выставляется экспертами по 10-и бальной шкале на основе полученных экспертных оценок уровня компетенции группы слушателей.

Задача о ранце имеет несколько способов решений (метод полного перебора, эвристические методы, метод динамического программирования), наиболее предпочтительным из которых является метод динамического программирования, т.к. он дает оптимальное решение с помощью точных вычислений, причем ранец будет наполнен предметами с учетом как их количества, так и ценности.

Динамическое программирование основывается на реконкурентном соотношении, связывающем оптимальные значения целевых функций подзадач.

Пусть P, pi – целые числа, i = 1, 2, …, n;

j(y) – максимальная ценность набора среди первых j предметов, помещенного в ранец грузоподъемностью y, тогда j(y) находится по формуле 3 (рис.1).

Для решения задачи необходимо определить n(P). Значения j(y) вычисляются с использованием рекуррентного соотношения Беллмана (формулы 4, 5, рис. 1) Значение функции j (y) сохраняется в специальном массиве.

Основная часть алгоритма состоит из двух вложенных циклов: во внешнем цикле переменная j приобретает значения от 1 до n, внутри цикл по переменной y. При каждом j для определения значений j(y) необходимы значения этой функции, рассчитанные на предыдущей итерации внешнего цикла j-1(y'). При этом полученные на более ранних итерациях внешнего цикла значения не требуются. Кроме того, если внутренний цикл пустить по убыванию переменной y от Р до 0, то получаемые значения функции j(y), без потери нужной информации, можно хранить в одномерном массиве j[0..Р]. Условно алгоритм можно представить следующим образом:

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Для y от 0 до Р [y] = Для j = 1 до n Для y от Р до Если (pj = y) и ([y] [y – pj] + cj), то (y) = [y – pj] + cj j[y] = иначе j[y] = В приведенном алгоритме j[y] – вспомогательный двумерный массив, значения которого определяются следующим образом: если при pj = y выполнено j-1(y - pj) + сj j-1(y) (т.е. j-1(y) = j-1(y - pj) + сj), то j[y] = 1, в противном случае (при j(y) = j-1(y)) j[y] = 0.

По значениям массива j[y] = 1 определяется оптимальный набор предметов и соответствующие ему значения переменных. Для этого необходимо выполнить следующий алгоритм:

y=P Для j = n до Если j[y] = 1 то xj = y = y – pj иначе xj = 0.

Следует отметить, что временная сложность алгоритма решения данной задачи равна O(P n).

В рамках нашего исследования на основе приведенного алгоритма было разработано приложение на базе программного продукта MS Access, которое позволяет определять набор учебных модулей (блоков) по каждому конкретному образовательному циклу на кафедре КЛД ГБОУ ДПО ПИУВ Минздрава России с заданным количеством академических часов и ценностью каждого модуля (которые вводятся вручную на основании полученных экспертных оценок после прохождения тестовых заданий). Данное приложение позволяет значительно сократить время и автоматизировать процесс составления учебного плана с учетом входящих компетенций слушателей циклов повышения квалификации и профессиональной переподготовки в системе последипломного медицинского образования.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Рис. 1. Формулы "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

ПРЕДСКАЗАНИЕ ЭНЕРГИИ ДИССОЦИАЦИИ СВЯЗЕЙ ОРГАНИЧЕСКИХ МОЛЕКУЛ ПО КИНЕТИЧЕСКИМ ДАННЫМ РАДИКАЛЬНЫХ РЕАКЦИЙ ОТРЫВА С ИСПОЛЬЗОВАНИЕМ НЕЧЁТКОЙ БАЗЫ ЗНАНИЙ Лазарев Д.Ю., Туманов В.Е.

Институт проблем химической физики РАН, Черноголовка lazdan@mail.ru Определение энергии диссоциации связи органических молекул является сложной и трудоемкой экспериментальной задачей.

Результаты квантово-химических расчетов, как правило, не обладают достаточной надежностью, тем не менее, к настоящему моменту, накоплено огромное количество результатов научных исследований параметров химических реакций (энергия диссоциации, энтальпия, энергия активации). Данные химических реакций сохраняются в компьютерных системах и могут быть использованы для извлечения знаний об энергии диссоциации связей из кинетических данных радикальных реакций [1].

В настоящее время разработаны методы идентификации эмпирических зависимостей в данных нечеткими базами знаний [2, 3].

Целью настоящей работы является исследование возможности предсказания энергии диссоциации связей органических молекул по кинетическим данным радикальных реакций отрыва на основе экспериментальной выборки, построенной на основе Банка данных по константам скорости радикальных жидкофазных реакций и включает 700 радикальных реакций [1].

Предполагается, что зависимость энергии диссоциации разрываемой связи от параметров радикальной реакции отрыва можно представить в виде функции от четырех переменных:

Dei = F(Def, Ee, vi, vf), где Def = Df + 0,5hLvf – энергия диссоциации образующейся связи, Df – экспериментальное значение, h – постоянная Планка, L – число Авогадро, vf – частота колебания молекулы вдоль образующейся связи, vi – частота колебания молекулы вдоль разрываемой связи, Ee = E – 0.5(hLvi – RT) – классический потенциальный барьер активации, который "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

включает в себя энергию нулевого колебания рвущейся связи, R – газовая постоянная, T – температура в К.

Таким образом, зависимость Dei рассматривается как модель объекта, которая представляет собой нечёткую базу знаний в виде совокупности логических высказываний “ЕСЛИ-ТО”, которые идентифицируются лингвистическими оценками входных параметров (D e f, E e, v i, v f ) и выходного параметра - D ei. В качестве функции принадлежности к нечёткому терму G, при помощи которой лингвистические оценки приобретают количественную форму, была выбрана функция:

µG(x)=1/[1 + (x - b)2/c2], где начальные параметры b и c были выбраны экспертным образом.

Нечеткая база знаний задается системой логических высказываний в виде:

µdj(x1, x2, x3, x4) = U{Wjp[µajpi(xi)]}, где x1…x4 – лингвистические оценки входных переменных (Def, Ee, vi, vf ), dj – лингвистическая оценка выходной переменной Dei, Wjp – весовая матрица правил. Для экспериментальной выборки нечеткая база знаний была настроена с помощью искусственной нейронной сети. В настоящий момент размерность матрицы базы знаний составляет 680 единиц.

Обучающая выборка для нейронной сети была построена из элементарных радикальных реакций R’ + RH в жидкой фазе, где R’ радикал, а RH – углеводородная молекула (алканов, алкенов, аренов, кислот, кетонов, альдегидов, спиртов, простых и сложных эфиров).

В табл. 1 приведено сравнение оценки энергии диссоциации С-Н-связей углеводородов с использованием нечёткой базы знаний (Dнбз), с вычисленными по экспериментальным значениям энергии диссоциации (Dэкс).

Как видно из Табл.1, наблюдается хорошее согласование предсказание энергии диссоциации связей. Таким образом была успешно применена нечёткая база знаний, настроенная при помощи искусственной нейронной сети для предсказания значений энергий диссоциации С-Н-связей углеводородов.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Таблица 1. Результаты извлечения данных с использованием нечёткой БЗ.

Соединение Dнбз, кДж/моль Dэкс, кДж/моль D, кДж/моль CH3(CH2)3C(O)OCH(CH3)2 405.3 401.0 4, CH3CH(O) 396.0 391.2 3, C6H5CH2CH3 383.2 381.5 1, цис-CH3CH=CHCH3 374.8 373.2 1, CH3CH2CN 405.5 404.6 0, транс-CH3CH=CHCH3 374.7 374.2 0, C6H5SCH3 407.0 406.5 0, C6H5CH3 392.8 392.4 0, (CH3)3CCH(O) 392.5 392.5 C6H5CH(CH3)2 368.5 369.0 -0, CH3C(O)OCH3 409.8 410.3 -0, C6H5OCH3 400.8 402.4 -1, цикло-[O(CH2)4] 405.6 409.0 -3, цикло-[(CH2)5CH(OH)] 402.2 405.8 -3, цикло-[C(O)(CH2)5] 407.4 411.5 -4, (CH3)2CHOH 403.8 407.9 -4, Литература 1. Туманов В.Е., Прохоров А.И., Лазарев Д.Ю., Соловьева М.Е.

Система научной осведомленности по физической химии радикальных реакций // Информационные ресурсы России. 2010. № 5. C. 16- 2. Митюшкин Ю.М., Мокин Б.И., Ротштейн А.П. Soft Computing:

идентификация закономерностей нечеткими.

3. Попок Н.И., Пята М.Н. Использование нейронных сетей и нечеткой логики для прогнозирования физико - химических свойств материалов // Ползуновский вестник. 2008. № 1. C. 55- "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

МЕТОДОЛОГИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ ОСНОВЫ СОЗДАНИЯ ВЫСОКО АДАПТИВНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ МОДЕЛИРОВАНИЯ АГРОЭКОСИСТЕМ И УПРАВЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫМ ПРОИЗВОДСТВОМ Лизоркина О. А., Недоступ А. А., Клачек П. М., Корягин С. И.

ФГБОУ ВПО КГТУ, БФУ имени Иммануила Канта lizorkina@mail.ru В настоящее время в мире, как с точки зрения Правительств ведущих государств (в том числе и России, что определено в соответствующих стратегических Федеральных программах по развитию и модернизации экономики России), так и с точки зрения представителей агропромышленных союзов и комплексов различных уровней, основополагающей, долгосрочной стратегии развития сельскохозяйственного производства должна стать технология точного земледелия.


Точное, или прецизионное, земледелие представляет собой высшую форму адаптивно-ландшафтного земледелия, основанного на наукоёмких агротехнологиях с высокой степенью технологичности. Технология точного земледелия включает в себя два основных компонента (рис. 1).

Первый компонент системы точного земледелия – высокотехнологичная сельскохозяйственная техника, функционирующая на основе точных автоматических систем управления, с использованием технологии параллельного вождения на базе системы навигации GPS, и обеспечивающие высокую точность агротехнологических процессов (посев, выравненность рядков зерновых, картофельных гребней и т.д.). В настоящее время создано и уже успешно применяется как в России, так и за рубежом, большое разнообразие (как с точки зрения производителей (есть и западные и Российские и даже Белорусские аналоги), так и номенклатуры) доступной сельскохозяйственной техники и оборудования, обладающей всеми необходимыми характеристиками и системами точного автоматического управления (в том числе в режиме «автопилотирования») для реализации технологии точного земледелия.

Второй компонент подразумевает осуществление контроля и управления пространственной неоднородностью сельскохозяйственного поля и соответствующих этой неоднородности продукционных процессов (рост и развитие сельскохозяйственных культур) на основе современных "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

информационных технологий. Основной единицей градации пространственной неоднородностью сельскохозяйственного поля служит т. н. «единица управления». Единицы управления — это участки поля, значительно отличающиеся по влиянию характеристик поля на продукционный процесс посева и движению почвенных растворов. С практической точки зрения, единица управления — это, такая площадка на сельскохозяйственном поле, в пределах которой должна применяться одинаковая схема управления (технологического воздействия).

Изменения же в структуре технологических операций (в терминах сроков, норм или стратегии, т. е. формализованных правил применения) должны происходить лишь при переходе от одной единицы управления к другой. Например, в агроклиматических условиях Калининградской области дифференцировка агротехнологий при применении технологии точного земледелия на 90 % возделываемых площадях должна происходить с разрешением до долей метра. Основная роль при таком сверхточном и адаптивном виде управления в технологии точного земледелия отводиться информационным технологиям. Применение информационных инструментариев в системе точного земледелия заключается в обосновании вида, параметров и сроков проведения технологических мероприятий по обработке почвы и уходу за посевами.

Решение о проведении агротехнологических мероприятий в системе точного земледелия проводиться на основе применения комплексов продукционных моделей процессов роста и развития сельскохозяйственных культур на основе текущей информации о состоянии почвы и растительного покрова и созданных на их основе СППР. Вот здесь в настоящее время и наблюдается ряд серьезных проблем мешающих эффективному применению системы точного земледелия. Основная проблема заключается в том, что при таком сверхточном управления, необходимо учитывать не только региональные, областные, но и самое главное и сложное строго локальные (привязанные к конкретному участку поля порой с разрешением до метра), условия роста и развития сельскохозяйственных растений.

Таким образом, в рамках данного компонента необходимо применение специальных высоко адаптивных информационных технологий. По мнению ведущих мировых специалистов в этой области [Полуэктов, Бондаренко, Топаж и т.д.] в основе такой технологии, должна быть положена интеллектуальная база знаний (составляющая интеллектуальное ядро информационной технологии точного земледелия), формализующая уникальные знания местных специалистов, и вторым важнейшим элементом является необходимость организации "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

интеллектуальной обработки информации и управления на гетерогенном множестве (аналитических, эвристических, логических и т.д.) знаний и соответствующих им моделях продукционных, агрофизических, технологических и т.д. процессов рис. 1.

Таким образом функционирование Агро экосистем и управление сельскохозяйственным производством в системе точного земледелия определяется большим числом разнородных переменных, динамически сложно взаимодействующих друг с другом, поэтому при моделировании процессов функционирования и управления такими системами, возникает необходимость обработки сложных гетерогенных структур информации, а также особого рода формального представления функционирования таких систем, в виде сложно интегрированных, а также гибридных моделей, с переменной структурой, соответствующей сложным пространственно-временным режимам функционирования данных объектов. Таким образом, для реализации высоко адаптивных информационных систем моделирования агроэкосистем и управления сельскохозяйственным производством необходимо применение технологии создания ГИСППР [1] на основе платформы VSM Cenose [2] (рис. 3), позволяющей проводить быструю разработку (интеллектуальный синтез) сложных виртуальных сцен принятия решений с динамически меняющейся модельной структурой на основе многомерных кубов знаний рис.2. методом рангового GZ-анализа [2,3].

Применение многомерных кубов знаний позволяет получить совоекупность моделей принятия решений, каждая из которых имеет свой системный и гауссовый интервал рангового распределения, определяемый системными, физическими, динамическими и т.д.

особенностями характерными для конкретного (модельного или реального) представления объекта системы.

Пример. Исследуется агроэкосистема поля, состоящая из трех участков (обьект1, обьект2, обьект3, см. рис. 1, 2). Имеем 3 модели (на основе нечеткой логики, нейронной сети и продукционного представления) для расчёта урожайности (биомассы) сельскохозяйственной культуры. В соответствии с представленной методикой GZ-анализа на основе многомерного куба знаний (рис. 2) получаем следующую совокупность моделей принятия решений рис. 4, на основе которых (применяя специальные методы сопоставления и интеллектуального синтеза) получает комплексную модель принятия решений (рис. 4).

Основная особенность модели принятия решений, полученной в рамках GZ-анализа на основе многомерного куба знаний, состоит в "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

возможности всестороннего анализа особенностей поведения агроэкосистем с последующим синтезом в рамках ИСППР соответствующих методов принятия решений и систем управления.

Кроме того в процессе синтеза модели принятия решений, появляется возможность на основе всестороннего анализа и сопоставления системообразующих процессов и формальных представлений, получить гибридную модель (гетерогенную структуру на разнородных методах моделирования) исследуемой системы.

Рис. 1. Моделирование агроэкосистем и управление сельскохозяйственным производством на основе интеллектуальной обработки информации на гетерогенном множестве знаний [1].

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Рис. 2. Многомерный куб знаний Рис. 3. Особенности GZ-анализа [2,3].

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Рис. 4. Пример GZ-анализа на основе многомерного куба знаний (рис. 2) Литература 1. Клачек П.М., Корягин С.И., Колесников А.В., Минкова Е.С.

Гибридные адаптивные интеллектуальные системы. Теория и технология разработки. Калининград: Изд-во БФУ им. И. Канта, 1.

375 с.

2. Меркулов А.А. Ситуационный центр VSMCenose: монография.

Калининград: Техноценоз, 2011. 312 с.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

3. Гнатюк В.И. Закон оптимального построения техноценозов. М.:

Изд-во ТГУ, 2005. 384 с.

4. Колесников А.В., Кириков И.А. Методология и технология решения сложных за¬дач методами функцио¬нальных гибридных интеллектуальных систем. М.: ИЛИ РАН, 2007. 387 с.

5. Бабкин С.В., Минкова Е.С., Клачек П.М., Клачек Е.С. Теория и инструментарий развития инновационной экономики в период глобальной рецессии. Монография: СПб, 2011. 791 с с.

6. Колесников А.В. Гибридные интеллектуальные системы. Теория и технология разработки. Монография // Под. 2001. C. 7. Колесников А.В., Клачек П.М., Васильев Д.В. Развитие технологии точного земледелия методом гибридных интеллектуальных систем. Гибридные и синергетические интеллектуальные системы: теория и практика: труды1 - го Международного симпозиума. Под ред. А.В. Колесникова.

Калининград: Изд-во БФУ им. И. Канта, 2012. 112 с.

8. Петрикин В.А., Лизоркина О.А., Клачек П.М. Основы создания адаптивных систем интеллектуального мониторинга сложных био производственных и промышленных комплексов. Гибридные и синергетические интеллектуальные системы: теория и практика:

труды1 - го Международного симпозиума. Под ред. А.В. Колесникова. Калининград: Изд-во БФУ им. И. Канта, 2012. 140 с.

9. Колесников А.В., Клачек П.М., Васильев Д.В. Моделирование агроэкосистемы методом гибридных интеллектуальных систем.

Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT’12». Научное издание в // Физматлит. 2012. C.

4- 10. Колесников А.В., Клачек П.М. Разработка системы принятия решений по озимой пшенице // Отчет по работе над научно исследовательским проектом. 2001. № 96. C. 11- 11. К л а ч е к П. М. И н т е л л е к т у а л ь н а я с и с т е м а у п р а в л е н и я технологическими процессами на транспортном средстве ( на примере зерноуборочных комбайнов CLASS ). Сборник докладов Международной Конференции «Интеллектуальные транспортные системы» в рамках Международной специализированной выставки форума «Дорога», включенного в тематические планы реализации программы «Автомобильные дороги» федеральной целевой программы « // Развитие транспортной системы России. 2010. C.

10- "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

МОДЕЛИРОВАНИЕ МАГНИТНЫХ ПОЛЕЙ СИМПЛЕКСНЫМ МЕТОДОМ НА ФРАКТАЛЬНОЙ СЕТКЕ Луценко М.Ю.

СПбГЭТУ dark_lair@mail.ru Несомненно, вектор развития метрологии как науки уже давно отошёл от прямых и даже косвенных измерений, фундаментальные законы и методы связанные с этими понятиями много лет остаются неизменными. Основной прирост научной базы осуществляется главным образом за счёт разработки специфических методов измерения и моделирования. Учитывая широкое распространение компьютерных технологий, сфера внедрения которых по многим причинам неумолимо продолжает расширяться, одним из основных направлений развития метрологии становится именно моделирование. Моделирование магнитных полей - сфера достаточно востребованная, главным образом в силу того что существующие методы исследования полей [1] в подавляющем большинстве случаев являются сильно устаревшими.

Иначе говоря, отсутствие прогрессивных средств построения картины поля (КП) играет тормозящую роль в ходе технического прогресса. В частности, можно говорить, что существующие методы построения КП главным образом ориентированы на работу в широко распространённых томографических, спектрометрических установках имеющих относительно небольшие размеры рабочего поля. Как следствие применение таких методов для построения КП пространств более 1м является задачей нетривиальной. А задачи по получению КП с рабочей зоной порядка десятка метров и более вовсе стоят на грани реализуемости, хотя, несомненно, имеют решения, но сложные и громоздкие. Для решения задач построения КП на больших исследуемых пространствах, необходим метод, специально разработанный, а не заимствованный из смежной сферы исследования. Таким методом может стать симплексный метод моделирования магнитных полей на фрактальной сетке. Сущность метода заключается в том, что алгоритм, восстанавливающий КП, оперирует ограниченным набором измерительной информации, полученной в нескольких точках исследуемого пространства с соблюдением принципа масштабной инвариантности. Измерительный орган устройства, представляет собой "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

систему магниточувствительных датчиков Холла, определённым образом расположенных на плате из фольгированного текстолита (рис.1). На рисунке, места для монтажа датчиков отмечены кружками.

Расположение и число датчиков выбрано таким образом, что позволяет составить оптимальную систему уравнений, решением которых является картина неоднородностей исследуемого поля. Подробнее данная измерительная система описана в [2]. Измерительная информация, полученная такой системой датчиков холла (СДХ) в одной точке (эту совокупность данных мы определили как единичное измерение (ЕИ)), позволяет судить о характере распределения магнитного поля в около лежащем пространстве (значение магнитной индукции, направление магнитных линий, их искривление). Обработка такого набора данных, полученных в разных точках исследуемого пространства, позволяет восстановить КП в исследуемой области. Непосредственная суть симплексного метода моделирования магнитных полей на фрактальной сетке заключается в выборе оптимальной топологии расположения точек ЕИ в исследуемом пространстве с сохранением масштабной инвариантности. Иными словами, пространственная структура расположения СДХ при осуществлении всех ЕИ должна повторять структуру расположения магниточувствительных датчиков на самой плате СДХ (рис.2). На рис. 2 наглядно показан принцип структурного соответствия пространственного расположения датчиков в СДХ и точек измерений в исследуемом объёме. Кружочки в исследуемом объёме представляют собой точки ЕИ, съём информации с которых может осуществляться последовательно. В свою очередь, соблюдение условия структурного соответствия позволяет получить ряд полезных свойств.

Первым и ключевым свойством данного метода является возможность использования одного унифицированного алгоритма для восстановления КП как в ближней зоне (при ЕИ, КП в окрестности СДХ), так и во всём исследуемом пространстве. Данное свойство, помимо очевидной алгоритмической компактности, имеет и другие важные следствия. В частности, если мы допускаем что для описанных структур при любых масштабах будет использован один алгоритм восстановления КП, то очевидно, что ничто не мешает практически неограниченно наращивать кратность структурного самоподобия (рис.3). Иными словами каждая точка ЕИ может стать центром такой же структуры меньшего масштаба.

При этом с ростом кратности подобия при неизменной размерности исследуемого пространства возрастёт и детализация КП. С другой стороны возможность практически безграничного наращивания детализации позволяет столь же свободно расширять и границы "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

исследуемого пространства. С точки зрения алгоритма восстановления КП, речь идёт об интерпретации свойств массива данных, полученного с помощью интерполяции измерительной информации. Как известно, точность интерполяции зависит главным образом от количества точек в выборке [3].Соответственно, точность и детализация построения КП будут зависеть от выбора количества точек измерения, а по сути кратности самоподобия структуры, которую образуют эти точки в исследуемом пространстве. На практике же, увеличение количества точек измерения коррелирует с временем проведения эксперимента и, в зависимости от характера поля, далеко не всегда может повысить точность измерений. При этом очевидно, что в большинстве случаев поле исследуется на наличие или отсутствие фрагментов с вполне определёнными свойствами. Несомненно, что как и любые другие метрологические величины, характерные свойства этих фрагментов (интенсивность или направление градиентов поля), имеют допустимые значения для процесса в который они включены. Из этого проистекает вывод, что в ряде случаев максимальная детализация КП во всех точках исследуемого пространства не является необходимой. Максимальная детализация целесообразна в тех точках, где характер искажения поля лежит за допустимым пределом. На момент написания статьи создана модифицированная измерительная установка с характеристиками, превосходящими предыдущую модель (описанную в [2]).

Экспериментальные данные, полученные на момент написания данной статьи, свидетельствуют о большом потенциале описанного метода. А периодический интерес проявляющийся со стороны представителей сферы прикладной науки и бизнеса, говорит о востребованности данного и подобных ему методов.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Рис. 1.

Рис. 2.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

Рис. 3.

Литература 1. Афанасьев Ю.В., Студенцов Н.В., Хорев В.Н., Чечурина Е.Н., Щелкин А.П., Студенцов Ю.В., Хорев Н.В., Чечурина В.Н., Щелкин Е.Н. Средства измерений параметров магнитного поля.:

«Энергия» Ленинградское отделение. 1979. 320 с.

2. Луценко М.Ю. Анализатор однородности магнитного // Известия.

2012. № 7. C. 27- 3. Завьялов Ю.С., Квасов Б.И., Мирошниченко В.Л. Москва «Наука» главная редакция физико - математической литературы.

функций: 1980 с.

"Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.

К ВОПРОСУ СОЗДАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ ОБРАЗОВАТЕЛЬНОГО НАЗНАЧЕНИЯ Надеждин Е.Н.

ФГНУ, ФГБОУ en-hope@yandex.ru Стремительное восхождение современного общества к новому технологическому уровню потребовало глубокого философского переосмысления концептуальных основ системы высшего профессионального образования и особой роли информационных и коммуникационных технологий (ИКТ) в её обновлении [4].

Принципиальной особенностью новой образовательной парадигмы, ориентированной на человека будущего, как известно, является иной концептуальный подход к систематизации научного знания. В условиях глобализации информационных процессов были сняты естественные ограничения на активное развитие профессионально-ориентированного контента и на доступ к мировым образовательным ресурсам. При этом многократно возросла потребность в целенаправленном накоплении, интеграции и систематизации научного знания [1,2,4].

На современном этапе эволюции педагогические системы приблизились к порогу, за которым следует ожидать массовое использование семантических технологий и интеллектуальных информационных систем образовательного назначения (ИИС ОН).

Предметом нашего исследования является обобщение и систематизация опыта системного проектирования и использования ИИС ОН, а также выявление проблемных вопросов и перспективных направлений в развитии методологии создания ИИС ОН применительно к условиям отечественной системы высшего профессионального образования.

Учитывая специфику предметной области и следуя сложившейся традиции, в дальнейшем интеллектуальные информационные системы будем рассматривать как некоторое подмножество информационных систем, элементы которого наделены набором дополнительных системных свойств – адаптация, обучение и самообучение, накопление знаний и вывод на знаниях, в результате чего возникает интегративный эффект, проявляющийся как расширение функционала субъекта образовательного процесса в аспектак интенсификации и повыщения "Современные системы искусственного интеллекта и их приложения в науке",июнь - 2013.



Pages:   || 2 | 3 | 4 |
 

Похожие работы:





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.