Разработка интегрированной концептуальной модели природно-технических комплексов и методов ситуационного управления их структурой тема диссертации и автореферата по ВАК РФ 05.13.11, доктор технических наук Фридман, Александр Яковлевич

• Фридман, Александр Яковлевич
• доктор технических наук
• 2001

Оглавление диссертации доктор технических наук Фридман, Александр Яковлевич

ВВЕДЕНИЕ.

Глава 1. ОБЗОР СОСТОЯНИЯ ПРОБЛЕМЫ ОРГАНИЗАЦИИ И

ПРОВЕДЕНИЯ КОМПЬЮТЕРНОГО МОДЕЛИРОВАНИЯ.

1.1. Структура и особенности систем моделирования.

1.2. Концептуальные модели и их применение в задачах моделирования.

1.2.1. Технологии автоматизации разработки пакетов прикладных программ.

1.2.2. Концептуальное моделирование информационных систем.

1.2.3. Методы системной динамики как основа моделирования.

1.3. Моделирование ситуаций для управления динамическими объектами.

1.3.1. Основные характеристики семиотических моделей.

1.3.2. Задачи обработки ситуаций.

1.3.3. Обобщение по признакам. 1.3.4. Обобщение по структурам.

1.3.5. Принятие управленческих решений.

1.4. Технологии моделирования.

1.4.1. Системный структурный анализ.

1.4.2. Основы имитационного моделирования.

1.4.3. Объектно-ориентированные технологии.

1.5. Выводы по главе 1.

Глава 2. РАЗРАБОТКА КОНЦЕПТУАЛЬНОЙ МОДЕЛИ ПРИРОДНО

ТЕХНИЧЕСКИХ КОМПЛЕКСОВ.

2.1. Параметризация концептуальной модели природно-технического комплекса.

2.1.1. Общие характеристики элементов КМПО и связей между ними.

2.1.2. Основные компоненты КМПО ССМ.

2.1.3. Конструирование схемы КМПО.

2.1.4. Модели ресурсов и исполнителей компонентов КМПО ССМ.

2.1.5. Концептуальные модели подсистем ССМ

2.2. Анализ консистентности и разрешимости КМПО.

2.2.1. Контроль адекватности, связности и логической корректности 166 КМПО.

2.2.2. Анализ разрешимости КМПО.

2.3. Выводы по главе 2.

Глава 3. ОБРАБОТКА СИТУАЦИЙ ПРИ ОРГАНИЗАЦИИ

МОДЕЛИРОВАНИЯ ПРИРО ДНО-ТЕХНИЧЕСКОГО КОМПЛЕКСА.

3.1. Концептуальная модель ситуации в ССМ.

3.1.1. Основные понятия и определения.

3.1.2. Использование ЭС ССМ для обработки ситуаций.

3.1.3. Представление КМПО в виде системы продукций.

3.2. Пополнение и доопределение исходной ситуации.

3.2.1. Цели и способы пополнения и доопределения ситуаций в ССМ.

3.2.2. Фрагменты КМПО, соответствующие разным типам ситуаций.

3.3. Классификация ситуаций.

3.4. Обобщение ситуаций.

3.4.1. Синтез и анализ типов ситуаций.

3.4.2. Анализ пространственно-временных зависимостей.

3.5. Оценка временной сложности алгоритмов.

3.6. Выводы по главе 3.

Глава 4. ИНТЕРФЕЙСЫ МЕЖДУ ПОДСИСТЕМАМИ И МОДЕЛИ

ОБРАБОТКИ ИНФОРМАЦИИ В ССМ.

4.1. Организация баз данных ССМ.

4.1.1. База данных концептуальной модели.

4.1.2. Хранение данных и правил в ЭС ССМ.

4.1.3. Основные характеристики БДГИС.

4.1.4. База данных предметной области.

4.1.5. Внутренние БД объектов КМПО.

4.2. Основы интерфейса подсистем ССМ.

4.2.1. Организация связей ГИС.

4.2.2. Внутренний интерфейс ЭС.

4.2.3. Порядок взаимодействия подсистем ССМ в ходе имитации.

4.3. Логическая обработка знаний в ССМ.

4.3.1. Организация логического вывода в ССМ.

4.3.2. Управление применением продукций и выбором данных.

4.3.3. Алгоритмы контроля базы знаний.

4.4. Генерация проблемно-ориентированных приложений ССМ.

4.5. Выводы по главе 4.

Глава 5. ПРОГРАММНО-АЛГОРИТМИЧЕСКАЯ ОРГАНИЗАЦИЯ

СИТУАЦИОННОЙ СИСТЕМЫ МОДЕЛИРОВАНИЯ.

5.1. Средства сопровождения КМПО.

5.1.1. Графический редактор концептуальной модели.

5.1.2. Подсистема формального анализа КМПО.

5.1.3. Блок формирования БД предметной области.

5.2. Работа в среде ЭС ССМ.

5.2.1. Интерфейс ОЭС ССМ.

5.2.2. Учет вероятностного описания и недостоверности результатов обобщения ситуаций.

5.2.3. Программная реализация исследовательской версии ОЭС.

5.3. Особенности применения ГИС в ССМ.

5.4. Основы программно-алгоритмической организации ССМ.

5.5. Этапы подготовки и проведения моделирования.

5.5.1. Постановка задачи моделирования.

5.5.2. Подготовка исполнительной среды имитации.

5.5.3. Реализация и представление результатов моделирования.

5.6. Выводы по главе 5.

Глава 6. ПРИМЕНЕНИЕ СИТУАЦИОННЫХ СИСТЕМ МОДЕЛИРОВАНИЯ.

6.1. Имитационное моделирование комплексных технологических процессов.

6.2. Прогноз динамики лесных экосистем под антропогенным воздействием.

6.3. Прогноз состояния массива горных пород в зоне проведения горных работ.

6.4. Концептуальное моделирование энергетики региона.

6.4.1. Информационно-аналитическая справочная система по оборудованию энергетических предприятий Мурманской области

6.4.2. Ситуационная система моделирования региональной энергетики.

6.5. Оценка эксплуатационных характеристик ССМ

6.6. Выводы по главе 6.

Введение диссертации (часть автореферата) на тему «Разработка интегрированной концептуальной модели природно-технических комплексов и методов ситуационного управления их структурой»

Актуальность работы связана с растущими требованиями по экологическому и экономическому обоснованию производственных и управленческих решений, влияющих на различные аспекты функционирования природно-технических комплексов (ПТК) - территорий, экосистем, технологий и т.д. Непосредственные экспериментальные воздействия на ПТК по различным причинам (ограниченные временные рамки, опасность необратимых изменений, высокая стоимость и др.) обычно невозможны или нежелательны, поэтому основным методом изучения и прогнозирования поведения ПТК при изменениях его структуры, параметров и внешних условий служит моделирование (см., например, [2, 65, 89, 96, 152]).

Моделирование таких объектов с достаточной для получения практически значимых результатов многосторонностью заставляет рассматривать их как сложные пространственные динамические системы с переменной структурой, множественными внешними и внутренними связями. При этом должны учитываться разнообразные информационные, финансовые, материальные, энергетические потоки, необходимо предусматривать анализ последствий изменения структуры объекта, возможных критических ситуаций и т.п. Опишем основные особенности ПТК на качественном уровне, чтобы очертить исследуемую предметную область. Далее эти характеристики будут заданы более формально.

Как следует из названия, любой природно-технический комплекс включает как природные, так и технические объекты. Каждый такой объект может представлять собой многоуровневую систему подобъектов, связанных различными сигналами, которые моделируются потоками данных и трактуются как ресурсы, используемые и/или расходуемые объектами в ходе их жизнедеятельности. Изменения ресурсов внутри объектов описываются некоторым набором процедур или функций, именуемых процессами. Для анализа поведения ПТК и сравнения различных наборов значений ресурсов между собой обычно используются один или несколько критериев качества -функционалов, определенных на тех или иных наборах ресурсов. В терминах теории управления [48] и общей теории систем [112] сигналы, которыми обмениваются объекты, обычно могут интерпретироваться как возмущающие воздействия, рассматриваемые как побочные (нежелательные) результаты функционирования процессов, и управления, используемые для формирования желаемого поведения объекта. Принципиальное различие между природными и техническими объектами состоит в том, что структура и поведение первых непосредственно не зависят от воли человека, в том числе лица, принимающего решения (ЛПР), особенно когда это касается улучшения жизнедеятельности таких объектов. Соответственно, непосредственное управление природными объектами в анализируемой проблематике не осуществляется и далее в работе не рассматривается. Управление же техническими объектами исследуется преимущественно на уровне принятия решений об изменении (или сохранении) их структуры в зависимости от общего состояния и имеющихся тенденций развития ПТК. Аналогичные подходы в настоящее время развиваются для систем поддержки принятия решений (СППР) в чрезвычайных [84] и нештатных [39] ситуациях. СППР такого типа отличаются от описываемой далее системы тем, что из-за особенностей предметной области, во-первых, основной акцент делается на ликвидацию последствий уже реализовавшейся ситуации и, во-вторых, преимущественно ориентируются на сетевые приложения разрабатываемых СППР. Задача же принятия решений по результатам моделирования ПТК более традиционна для теории управления, неформально она может быть поставлена как выбор (из набора альтернативных вариантов) предпочтительной структуры реализации технических объектов, обеспечивающей требуемые характеристики их функционирования при приемлемом состоянии природных объектов. Здесь представляется уместным отметить, что, хотя состояние как природных, так и технических объектов может оцениваться однотипными в математическом смысле критериями, семантическое различие между ними весьма существенно: для технических объектов эти критерии описывают степень реализации цели создания и/или функционирования объекта, а для природных объектов - лишь качество условий их существования, которое формализуется либо как ограничения на уровень входных возмущающих воздействий, например, путем введения ПДК (предельно допустимых концентраций тех или иных веществ), либо как степень деградации интегральных выходных характеристик [89 - 91] таких объектов.

С точки зрения общей теории систем ПТК в настоящей работе рассматриваются как неупреждаемые причинные временны'е системы [112]. По терминологии работ [119, 132, 133] ПТК относятся к гибким дискретным системам (ГДС), то есть системам, способным функционировать в условиях изменения целей, ситуаций и критериев и описываемым в ходе моделирования дискретными множествами моментов времени и значений параметров. Хотя очевидна необходимость дискретизации любых величин перед вводом их в компьютер, акцент на дискретность объекта моделирования делается с целью отойти от оптимизационных стратегий поддержки принятия решений (точнее, вывести их внутрь компонентов объекта исследования, обладающих некоторой "свободой воли") к применению средств искусственного интеллекта на основе управляемого перебора вариантов. Описание природных объектов как дискретных систем может вызвать сомнения, но в данной предметной области представляется оправданным: даже если модель процессов, происходящих в таком объекте, должна функционировать в квазинепрерывном времени, существенные для моделирования всего ПТК моменты изменения состояния природных объектов вполне можно задать дискретно. Ориентация на применение географических информационных систем (ГИС) определяет то, что в рамках предлагаемого подхода в дополнение к требованиям дискретности по времени и по состояниям, предъявляемым к обычным ГДС [119, 132, 133], для моделирования ПТК необходима дискретность их моделей по географическому пространству, то есть возможность сопоставить с каждым компонентом объекта некоторое конечное множество географических элементов стандартной конфигурации, представимых средствами ГИС.

Теперь рассмотрим особенности моделирования сложных объектов класса ПТК, вытекающие из их специфики.

Обобщенная структурная схема моделирования приведена на рисунке 1. Ядром любого программного продукта, поддерживающего постановку и проведение моделирования, - далее такой продукт называется системой моделирования (СМ), -является та или иная модель предметной области (МПО), формализующая представления разработчиков СМ об объекте моделирования. Более строгие определения вводимых здесь терминов будут даны ниже, пока ограничимся качественным рассмотрением задач и способов моделирования таких объектов, как ПТК. Можно выделить два основных режима и этапа моделирования: режим создания и настройки МПО и режим прогноза. В первом режиме вводимые извне экспериментальные данные (ЭД), а также неформальные представления специалистов о свойствах объекта моделирования применяются для создания структуры МПО и подбора ее параметров. Экспериментальные данные в общем случае отображают входы, выходы и параметры объекта. Ввиду того, что для объектов класса ПТК всегда требуется учитывать изменения свойств объекта во времени, основным типом данных в системах моделирования ПТК являются временные ряды. Г

Входы

С Ц

6 < н * а

Р и и

МПО А

Структура МПО

Прогноз

Параметры МПО

Параметры а)

Рис. 1. Схема моделирования ПТК: а) режим создания и настройки МПО, б) режим прогноза.

Блок сопровождения МПО б)

Не существует универсальных способов создания МПО, но идея этого, часто длительного и многостадийного, процесса заключается в следующем: выходные данные модели при тех или иных входах, соответствующих имеющимся экспериментальным данным, сравниваются с выходами объекта при тех же входных данных, несоответствие выходов МПО и объекта используется для изменения МПО. На рисунке 1а) это условно показано значком вычитания выходов объекта и модели. Блок сопровождения МПО в данном режиме обеспечивает нетривиальную процедуру определения структуры и параметров МПО. Во втором режиме МПО считается известной, экспериментальные данные о входах и параметрах объекта полностью или частично заменяются гипотетическими данными (сценариями), для которых необходимо выяснить поведение объекта (прогноз). Роль блока сопровождения МПО при этом ограничивается автоматическим изменением параметров и, возможно (на рисунке 16) это показано штриховой стрелкой), структуры МПО по заранее заданным алгоритмам в зависимости от модельного времени (условного машинного времени, маркирующего процесс моделирования) и параметров исследуемого сценария. Смысл задания сценариев заключается в том, чтобы выяснить поведение объекта при таких входных данных и параметрах, для которых экспериментальные данные отсутствуют, поэтому ЭД о выходах объекта во втором режиме не используются, точнее, могут использоваться только для сопоставления при (графическом) выводе результатов прогноза, без непосредственного воздействия на работу СМ в режиме прогноза. В ходе разработки и применения СМ ПТК многократно осуществляются переходы из режима настройки МПО в режим прогноза и обратно, но на каждом текущем этапе работы с СМ структура системы соответствует либо рисунку 1а), либо рисунку . 16).

Зависимость характеристик реальных сложных объектов класса ПТК от времени можно исследовать с помощью двух типов математических моделей: аналитических и имитационных. В аналитических моделях поведение объекта описывается в виде некоторых функциональных соотношений или логических условий. Для сложных систем исследователю зачастую приходится идти на упрощения представления реальных явлений, дающие возможность описать их поведение и представить взаимодействия между их компонентами.

Когда явления в изучаемом объекте настолько сложны и многообразны, что аналитическая модель становится слишком грубым приближением к действительности, приходится использовать имитационное моделирование. В имитационной модели (ИмМ) поведение компонентов объекта описывается набором алгоритмов, которые затем реализуют ситуации, возникающие в реальной системе; Моделирующие алгоритмы позволяют по исходным данным, содержащим сведения о начальном состоянии объекта, и фактическим значениям его параметров отобразить реальные явления и получить сведения о возможном поведении объекта для данной конкретной ситуации. На основании этой информации исследователь может принять соответствующие решения. Отметим при этом, что предсказательные возможности имитационного моделирования значительно меньше, чем у аналитических моделей.

Сам термин "имитационное моделирование" означает, что используются такие математические модели, с помощью которых результат нельзя заранее вычислить или предсказать, поэтому для предсказания поведения реального объекта необходим эксперимент (имитация) на модели при заданных исходных данных.

Имитация представляет собой численный метод проведения компьютеризованных экспериментов с математическими моделями, описывающими поведение объекта в течение заданного или формируемого периода времени. Поведение компонентов объекта и их взаимодействие в ИмМ чаще всего описываются набором алгоритмов, реализуемых на некотором языке (языках) моделирования. Имитируя различные реальные ситуации на ИмМ, исследователь получает возможность оценить эффективность различных принципов управления системой, сравнить варианты структуры системы, определить степень влияния изменений параметров системы и начальных условий имитации на показатель эффективности системы.

На основании опыта имитационного моделирования [21, 37, 82, 195] рекомендуется использовать ИмМ сложной системы в следующих случаях:

1. Если не существует законченной постановки задачи исследования и идет процесс познания объекта моделирования. ИмМ служит средством изучения явления.

2. Если аналитические методы имеются, но математические процедуры столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи.

3. Когда, кроме оценки влияния параметров объекта, желательно осуществить наблюдение за поведением его компонентов в течение определенного периода.

4. Когда имитационное моделирование оказывается единственным способом исследования системы из-за невозможности наблюдения явлений в реальных условиях.

5. Когда необходимо контролировать протекание процессов в объекте путем замедления или ускорения явлений в ходе имитации.

6. При подготовке специалистов и освоении новой техники, когда ИмМ обеспечивает возможность приобретения необходимых навыков в ее эксплуатации.

7. Когда изучаются новые ситуации в объекте исследования, о которых мало что известно или не известно ничего. В этом случае имитация служит для предварительной проверки новых стратегий и правил принятия решений перед проведением экспериментов на реальном объекте.

8. Когда особое значение имеет последовательность событий в проектируемом объекте, и ИмМ используется для поиска узких мест в функционировании объекта и других трудностей, появляющихся при введении новых компонентов объекта.

В исследуемой проблематике актуальны все перечисленные варианты использования имитационных моделей, кроме, возможно, второго, который более характерен для давно изучаемых, "устоявшихся" предметных областей. Кроме того, для предлагаемого подхода принципиально важна возможность интегрирования в единую среду моделирования моделей компонентов объекта, построенных разными группами исследователей в разное время и, соответственно, имеющих различные динамические параметры (шаг дискретности, порядок модели и т.д.) и даже различные принципы внутренней организации (например, чисто логические, автоматные и аналитические модели). Необходимость такой интеграции для комплексирования разных форм представления знаний в "слабо изученных" предметных областях отмечается рядом авторов [25, 84, 132, 206], например, в работе [132] говорится: "Проблема не в том, чтобы заново создавать модели и методы решения, а в том, чтобы объединить разнородные по природе и форме информации модели в единую систему". В рассматриваемой области указанный подход обеспечивает еще и возможность реализации ставшей уже стандартной для прикладных систем искусственного интеллекта стратегии ускорения внедрения программных продуктов путем разработки "быстрых прототипов" (например, [68, 105, 139, 142]): при отсутствии или неполной готовности модели некоторого компонента объекта исследования она может быть заменена экспертными правилами, чтобы не тормозить сопровождение всей системы.

Однако имитационные модели наряду с перечисленными достоинствами имеют и существенные недостатки. Разработка хорошей ИмМ часто обходится дороже создания аналитической модели и требует больших временных затрат. Р.Шеннон показал в [195], что ИмМ в принципе не точна, и степень этой неточности невозможно измерить. Тем не менее, имитационное моделирование является одним из наиболее широко используемых методов при решении задач синтеза и анализа сложных систем. К достоинствам имитационного метода с точки зрения его использования в предлагаемой системе моделирования относится также следующее: возможность описания поведения компонентов объекта на высоком уровне детализации, отсутствие ограничений на вид зависимостей между параметрами ИмМ и состоянием внешней среды, возможность исследования динамики взаимодействия компонентов во времени и пространстве параметров системы.

Принципиальная неполнота знаний о сложных объектах существенно ограничивает применимость к ним классических аналитических моделей и определяет ориентацию на использование опыта экспертов, что, в свою очередь, связано с созданием соответствующих средств формализации экспертных знаний и их встраиванием в программную систему моделирования (ПСМ). Поэтому в современном моделировании существенно возросла роль такого понятия, как концептуальная модель предметной области (КМПО) [92, 192]. Строгого определения понятия концептуальная модель" (КМ) в изученной автором литературе не дается. Основное отличие концептуальных моделей от аналитических представляется аналогичным отличию функциональных языков типа ЛИСП и Пролог от процедурных (операторных) языков программирования. А именно, основой КМ является не алгоритмическая модель передачи и преобразования данных, как в аналитических моделях, а декларативное описание структуры объекта и взаимодействия его составных частей. Таким образом, КМПО изначально ориентирована на формализацию знаний экспертов. В КМПО определяются элементы исследуемой предметной области и описываются отношения между ними, которые задают структуру и причинно-следственные связи, существенные в рамках определенного исследования [16-19, 146, 177]. Создание КМ является первичным и основным (по потребляемым ресурсам) этапом моделирования, так как для сложных задач с большим объемом данных эта модель во многом определяет реализацию алгоритмов, характер программ и способы общения исследователей с компьютером. Рассмотрим процесс конструирования МПО несколько подробнее.

Независимо от способа проектирования сложной системы и назначения моделирования можно выделить следующие восемь этапов создания и использования математических моделей [21,22,102]: определение объекта исследования, установление границ и ограничений моделирования, выбор показателей для сравнения эффективности вариантов системы (составление содержательного описания объекта моделирования); формулировка замысла модели, переход от реальной системы к логической схеме ее функционирования (составление КМ); реализация описания объекта в терминах математических понятий и алгоритмизация функционирования ее компонентов (составление формального описания объекта); преобразование формального описания объекта в описание имитационной модели (составление описания ИмМ); программирование и отладка модели (программирование модели); проверка модели, оценка ее свойств и затрат ресурсов на имитацию (испытание и исследование модели); организация модельного эксперимента на компьютере (эксплуатация модели); интерпретация результатов моделирования и их использование в ходе проектирования сложной системы (анализ результатов).

Составление концептуальной модели производится в следующей последовательности [17, 143, 195, 255].

На основе анализа поставленной задачи определяется общий замысел модели, выдвигаются необходимые для ее построения гипотезы и допущения.

На основании содержательного описания уточняется задача моделирования, определяются процедура и график ее решения. Уточняется методика всего имитационного эксперимента в зависимости от наличных ресурсов, выделенных для имитации. Общая задача моделирования разбивается на частные подзадачи. Устанавливаются приоритеты решения подзадач моделирования.

Выбираются параметры и переменные систем, представляющих интерес для моделирования; уточняются критерии эффективности функционирования проектируемой системы; выбирается тип аппроксимации компонентов модели; проводится предварительный анализ требований к модели; определяются необходимые математические уравнения, описывающие реальные процессы, а также возможные методы проверки правильности функционирования модели. Определяются методы проверки программной реализации модели, формулируются технические требования на программирование. Изучаются возможности применения известных методов обработки и анализа результатов, выбираются способы представления результатов моделирования и язык будущей формализации процессов в объекте моделирования.

Результатом выполнения работ являются КМ, выбранный язык формализации и способ организации имитации, который реализуется на этом языке. В состав КМ входят: уточненное содержательное описание объекта моделирования, свободное от всего того, что не представляет интереса для изучения поведения системы; список параметров и переменных моделирования; критерии эффективности функционирования вариантов системы; список методов обработки и способов представления результатов.

Составление формального описания моделирования представляет собой ответственный этап создания модели сложной системы. Цель - получение исследователем формального представления алгоритмов поведения компонентов сложной системы и отражение вопросов взаимодействия этих компонентов между собой. При составлении формального описания модели исследователь использует тот или иной язык формализации. В зависимости от сложности объекта моделирования и внешней среды могут использоваться три вида формализации: аппроксимация явлений функциональными зависимостями, алгоритмическое описание процессов в системе, смешанное представление в виде последовательности формул и алгоритмических записей. Обычно КМ сложной системы представляет собой упрощенное алгоритмическое отображение реальной системы. С учетом рекомендаций специалистов по предметной области сложная система расчленяется на конечное число частей (производится ее декомпозиция) с сохранением связей, обеспечивающих их взаимодействие [22, 165, 195]. Полученные части при необходимости вновь структурируются до тех пор, пока не получатся элементы, удобные для математического или алгоритмического описания. В результате этого сложная система представляется в виде многоуровневой конструкции взаимосвязанных элементов, объединяемых в подсистемы (подмодели) различных уровней. При этом, по крайней мере, в слабо изученных предметных областях, стремятся к тому, чтобы получаемые подмодели отвечали реально существующим фрагментам системы.

Выбор параметров и переменных. Параметрами модели считаются те величины, значения которых исследователь может выбирать по своему разумению, изучение влияния их значений на исследуемую систему и представляет цель моделирования. Остальные характеристики модели могут принимать только вполне определенные значения, задаваемые перед началом имитации. Они являются переменными модели. Параметры обычно входят в состав показателей качества моделируемой системы, выбранных на этапе составления ее содержательного описания, и являются варьируемыми характеристиками в функциях показателей качества.

В общем случае описание параметра должно содержать в себе следующую информацию: его определение и идентификатор, единицы измерения, диапазон изменения, качественные характеристики (однозначный - многозначный, регулируемый - нерегулируемый), место применения в модели, источник получения значений.

Теперь перейдем к обсуждению общих проблем создания и использования

МПО.

При разработке СМ сложных объектов необходимо удовлетворить два противоречивых требования: свести к минимуму дополнительные разработки при непринципиальных изменениях решаемых задач и, с другой стороны, обеспечить использование результатов исследований в прикладных целях. Первое требование ведет к созданию комплексных СМ (по типу автоматизированных систем научных исследований - АСНИ), которые представляют собой сложные интеллектуальные системы и могут рационально эксплуатироваться только в подготовленных коллективах исследователей. Второе условие связано с разработкой специализированных систем, имеющих в своей предметной области ограниченные возможности, а также не предъявляющих жестких требований к программистской квалификации пользователя [92]. В настоящей работе предлагается разрешать указанное противоречие путем автоматизированной генерации прикладных (проблемно-ориентированных) систем для решения конкретных задач в некоторой предметной области как подсистем комплексной СМ [152]. В зависимости от специфики предметной области и требований пользователя прикладная система может быть в различной степени интегрирована с внешней средой. Подробнее эти вопросы изложены в подразделе 4.3, здесь необходимо лишь отметить, что конструктивные процедуры реализации такого подхода удобнее строить при регулярной структуре КМПО. Кроме того, регулярная организация модели повышает достоверность прогнозирования состояния объекта моделирования [153], а также существенно упрощает логический анализ накапливаемых в КМПО знаний для исключения дублирования и противоречий в них [127, 178].

Процесс организации и проведения моделирования включает в себя этапы, которые, как правило, реализуются специалистами различных профилей - от эксперта по конкретной предметной области до программиста. При этом возникают определенные трудности по адекватному преобразованию модели исследуемой системы от декларативного к программно-алгоритмическому представлению. Решением таких проблем является использование автоматизированных технологий проектирования программного обеспечения, позволяющих строить формальные описания структуры и задач моделирования, осуществлять анализ и оценку качества проекта и генерировать, полностью или частично, исполнительную среду, обеспечивающую реализацию моделирования. Технологии такого типа получили названия CASE (Computer Aided Software Engineering) и CAD (Computer-Aided Design).

Представленная в данной работе система моделирования на основе древовидной КМ является одним из вариантов реализации указанных технологий. При разработке использованы результаты в области концептуального анализа, проектирования и моделирования программного обеспечения пакетов прикладных программ, распределенных вычислительных систем и других информационных систем [16-19, 80, 146, 177]. В связи с изложенным далее описывается программная система, обеспечивающая автоматизированную разработку и сопровождение древовидной КМ для исследования ПТК с ориентацией на использование экспертных знаний [67].

При постановке задачи и подготовке процесса моделирования КМ предназначена для представления знаний о структуре исследуемой предметной области. Для элементов КМ существует соответствие между собственно объектом реального мира и его модельным представлением. В обеспечение возможности автоматизации последующих этапов моделирования осуществляется отображение МПО на адекватную ей формальную систему. Этот переход реализуется в ходе построения КМ путем задания каждому ее элементу некоторого формального описания. В результате, завершение построения КМ будет соответствовать переходу от неформальных знаний об исследуемой предметной области к их формальному представлению, допускающему только однозначную процедурную трактовку. Полученная формальная модель носит декларативный характер, так как в ней описывается в первую очередь состав, структура и отношения между объектами и процессами, независимо от конкретного способа их реализации в компьютере.

Декларативный язык описания КМ [18, 148] состоит из двух частей: части, соответствующей элементам описываемого мира, и части, соответствующей отношениям и атрибутам представленных в модели элементов. В качестве математической основы этого языка использована аксиоматическая теория множеств.

В КМ ПТК описываются три вида элементов (сущностей) реального мира -объекты, процессы и данные (или ресурсы). Объекты отображают организационную и пространственную структуру объекта исследования, с каждым из них может быть связан набор процессов. Под процессом понимается некоторое действие (процедура), преобразующее подмножество данных, называемых входными по отношению к рассматриваемому процессу, в другое их подмножество, именуемое выходным. Данные характеризуют состояние системы. Они используются при реализации процессов, являются результатами их выполнения. Выполнение любого процесса изменяет данные и соответствует переходу системы из одного состояния в другое. Взаимосвязи и взаимодействие объектов реального мира описывается в модели с помощью отношений, задаваемых на множествах объектов, процессов и данных.

Каждое отношение связывает один элемент модели с некоторым подмножеством отличных от него элементов [117, 192].

Любому реальному элементу присущи некоторые признаки, которые позволяют идентифицировать его и сопоставлять с другими элементами. При построении модели в рассмотрение принимаются только существенные, с точки зрения решаемой задачи, атрибуты, характеризующие элемент.

Имена элементов КМ могут задаваться с использованием терминов предметной области. В общем случае каждому элементу модели назначается исполнитель, обеспечивающий его реализацию в ходе моделирования. Тип исполнителя определяет характеристики реализации, например, язык программирования, на котором реализуется исполнитель соответствующего процесса, и тип исполнителя в алгоритмическом языке.

Атрибуты, описывающие тип отношения иерархии [18], конкретизируют представление объектов модели на следующем, нижнем уровне иерархии. Тип отношения "композиция" (&) определяет, что объект строится агрегацией его подобъектов. Тип "классификация" (v) указывает, что объект верхнего уровня является обобщением для группы объектов нижнего уровня. Отношение типа "классификация" в КМ используется для представления различных вариантов элемента верхнего уровня. Тип "итерация" (*) позволяет определять в КМ итеративные процессы и описывать регулярные структуры данных.

В зависимости от типа отношения иерархии объекту назначается управляющее данное. Управляющие данные назначаются для доопределения структуры процессов, имеющих тип отношений иерархии "классификация" или "итерация", и данных, имеющих иерархическое отношение типа "итерация".

При проведении моделирования можно выделить два класса количественных характеристик - предметные и процедурные.

Процедурные характеристики относятся к исполнителям, представляющим реальные объекты и процессы при моделировании объекта исследования в динамическом режиме. Они позволяют получить количественные оценки вариантов реализации модели. В работах [18, 80] представлены правила вычисления результирующих количественных характеристик для различных элементов с учетом их расположения в модели. Алгоритмы расчета процедурных характеристик изначально закладываются в систему моделирования и не могут изменяться пользователем.

Предметные характеристики - это количественные характеристики, присущие элементам предметной области. В рассматриваемой проблеме к ним относятся материальные ресурсы процессов и объектов КМПО (их входные и выходные данные), а также информационные ресурсы, которые моделируют координирующие воздействия доминирующих объектов модели и сигналы обратной связи от подчиненных им объектов. Использование предметных характеристик дает возможность проведения предварительного анализа решаемой задачи по заданному пользователем набору критериев, не переходя к этапу ее алгоритмической реализации с использованием сложных имитационных моделей.

Формальное представление КМ позволяет существенно автоматизировать анализ корректности структуры и разрешимости КМ [16, 146, 182].

Важным аспектом эффективности СМ является удобство представления результатов моделирования. В настоящее время наиболее перспективной средой для компьютеризованного исследования объектов класса ПТК считаются ГИС [39, 132, 168]. Кроме продвинутых способов визуализации и графической обработки данных, инструментальные средства ГИС в принципе позволяют ставить задачи для пространственно координированных расчетов в дружественной к пользователю графической среде [83, 159], хотя это требует дополнительных разработок программного обеспечения. Кроме того, ГИС-пакеты не рассчитаны на анализ динамики объекта и серьезную математическую обработку данных.

ГИС-представление любого объекта состоит из комплекта условных слоев (покрытий), на каждом из которых в виде графических элементов из стандартного набора отображаются те или иные составные части объекта. Решающим аргументом в пользу выбора ГИС в качестве среды для моделирования является тот факт, что в ГИС изображение не хранится целиком, а строится перед выводом на экран из стандартных элементов по значениям их графических атрибутов, хранящимся в базе данных (БД) ГИС. Обычно используются стандартные элементы трех видов: точки, дуги и полигоны [191]. Точки хранятся в БД ГИС в виде пары координат, дуги (линии) - в виде последовательности точек, которые перед выводом на экран соединяются линиями заданного вида, а полигоны (площадные элементы) - в виде последовательности образующих их линий. Линии имеют начало и конец, то есть ориентированы, соответственно, им могут быть приписаны слева или справа прилегающие полигоны. Базовые положения ГИС - связность (connectivity) и ассоциативность (contiquity) требуют, чтобы линии соединялись только в их начальных или конечных точках (узлах). В принципе, для ГИС безразлична семантика элементов, отображаемых тем или иным видом графических элементов. На одном покрытии в различных цветах полигонами могут отображаться, например, и поля, и озера. Однако в целях упрощения дальнейшей формализации предполагается, что в каждом покрытии элементами одного графического вида отображаются функционально однотипные составные части объекта. Сделанное предположение увеличивает количество покрытий, из которых строится модель объекта, но позволяет автоматически, с помощью встроенных средств ГИС, реализовать принципиальное для последующего рассмотрения свойство модели: в каждом покрытии отображается пространственное разбиение (в смысле теории множеств) некоторой характеристики объекта. Кроме того, однотипность элементов каждого покрытия облегчает контроль корректности КМ и формирование приоритетов альтернативных вариантов реализации структуры объекта.

Еще одно достоинство ГИС в рамках рассматриваемой задачи заключается в том, что с каждым графическим элементом можно связать дополнительные поля БД, доступные для модификации внешними вычислительными модулями, в отличие от графических атрибутов. В частности, эти поля можно использовать для хранения атрибутов КМ, относящихся к данному элементу, и других параметров, необходимых для организации и проведения моделирования.

Таким образом, каждый цикл расчетов в ходе моделирования может быть разделен на три стадии: задание условий расчета, собственно расчет и вывод результатов. Неформальная цель разработки СМ заключается в автоматизации всех этих стадий с обеспечением максимального сервиса непрограммирующему пользователю, то есть с использованием терминологии предметной области и дружественного интерфейса пользователя с компьютером. По тем же соображениям СМ должна быть функционально полной, то есть предоставлять пользователю все нужные ему средства без явного выхода в другие программные среды. Создание специализированных графических библиотек и средств генерации отчетов потребовало бы неоправданных затрат на программирование и значительно удлинило сроки разработки. Поэтому представляется целесообразным компромиссное решение: возложить задачи вывода данных на стандартные пакеты или специализированные программные модули, но в максимальной степени автоматизировать их работу, исключив диалог с пользователем в их среде. Для организации графического вывода (представления данных в виде диаграмм и графиков) и документирования результатов моделирования весьма перспективны разрабатываемые в рамках упомянутого концептуального подхода к моделированию информационных технологий средства концептуального моделирования графических интерфейсов [80, 198]. Следует отметить, что в новых версиях ГИС появляются встроенные функции графического вывода [203].

Следующим и основным по сложности компонентом СМ является комплекс сопровождения "вычислительных" программных модулей, обеспечивающих моделирование объекта в динамическом режиме. В него входят средства анализа корректности заданных описаний, планирования процесса моделирования, выбора (формирования) и анализа сценариев развития исследуемого объекта, а также сама библиотека программных модулей для реализации моделей предметной области на компьютере.

Известные средства сопровождения КМПО [18, 80, 108, 164, 198] не могут непосредственно применяться в рассматриваемой проблеме, поскольку они специализированы для управления проектными разработками, моделирования различных вычислительных сред и информационных систем. Поэтому в них не развивались методы работы с пространственными функциями и временными рядами, методы проведения многовариантных расчетов, имитационные режимы исследования объекта моделирования и совместная логико-аналитическая обработка данных. Кроме того, эти средства не ориентированы на использование ГИС-технологий.

Перечисленные возможности реализуются в предлагаемой СМ на основе развития ситуационного подхода [141] для проблемы моделирования ПТК на основе КМПО [183]. Ситуационный подход применяется в области моделирования и управления сложными объектами, его центральным понятием является понятие ситуации как временного среза траектории изменения характеристик объекта в некотором абстрактном многомерном пространстве. Критерии выбора этого пространства мало изменились по сравнению с требованиями к выбору элементов вектора состояния в классической теории пространства состояний [48], развитой для управления динамическими объектами, которые допускают описание в форме дифференциальных и разностных уравнений. А именно, в пространство состояний должны включаться все меняющиеся во времени характеристики объекта, существенно влияющие на достижение целей моделирования (управления). Процедура построения пространства состояний, то есть отделения собственно объекта исследования от окружающей среды, обычно выносится за рамки процесса моделирования, поскольку конструктивные приемы выбора элементов вектора состояния для реальных объектов отсутствуют. Необходимость сопоставления различных траекторий (сценариев развития объекта) между собой, а также ограничения со стороны практической реализуемости алгоритмов обработки данных об объекте приводят к тому, что область определения характеристик состояния тем или иным способом дискретизируется на основе линейных, нелинейных или порядковых шкал.

Конкретное определение ситуации зависит от предметной области и использованного аппарата формализации [84, 110, 132], в общем случае полная ситуация описывается в трех основных аспектах - это знания о текущей структуре объекта, о текущем состоянии системы управления и о технологии (стратегиях) управления [141]. Таким образом, каждая ситуация описывается набором значений переменных, характеризующих перечисленные аспекты. Основой классического ситуационного управления является семиотическая (знаковая) модель, строящаяся в виде сети, где узлами являются внутренне непротиворечивые формальные модели, а переходы между узлами задаются правилами преобразования параметров формальных моделей - корреляционными или логико-трансформационными правилами (ЛТП). Построение семиотической модели осуществляется на языке ситуационного управления, представляющем собой достаточно сложное по структуре подмножество естественного языка. Так, в работе [141] делается предположение, что для создания систем ситуационного управления достаточно использовать набор из примерно 200 базовых отношений, делящихся на 10-12 категорий и связывающих между собой базовые понятия семиотической модели, причем количество последних на порядок превышает количество базовых отношений и существенно зависит от специфики предметной области. Создание и развитие систем ситуационного управления требует больших затрат ресурсов на сбор сведений об объекте, его функционировании и способах управления им, а также на систематизацию этих сведений в рамках семиотической модели, поэтому авторы метода считают целесообразным применять его только в случаях, когда другие методы формализации приводят к задаче слишком большой (для практической реализации) размерности. Дополнительную сложность вносит отсутствие конструктивных процедур построения семиотических моделей.

Далее исследуются возможности адаптации ситуационного подхода для исследования динамики пространственных объектов на базе КМПО [68, 122, 125, 147, 181, 183], с этой целью рассмотрим формализацию метода ситуационного управления несколько более детально согласно [110, 141, 181, 183, 189]. Исходная информация для построения системы ситуационного управления группируется следующим образом:

Q j, j=T, 2, .m - текущая ситуация на объекте (аналог текущего значения вектора состояния);

Uk, k=l, 2,.n - набор возможных одношаговых воздействий (управлений);

Si - текущая полная ситуация, которая, как упомянуто выше, включает не только текущую ситуацию, но также сведения о состоянии системы управления и стратегиях управления, и переводит объект из одной текущей ситуации в другую, реализуя некоторое одношаговое воздействие:

В.1)

Блок-схема традиционной системы ситуационного управления показана на рис.2.

Описание текущей ситуации

Блок случайного выбора

Воздействие на объект

Об |,скт

Рис.2. Структура системы ситуационного управления

Здесь Анализатор по описанию текущей ситуации принимает решение о необходимости (или отсутствии таковой) применения какого-либо управления. Если управление необходимо, в действие вступает Классификатор, который должен отнести текущую ситуацию к одному или нескольким классам, соответствующим некоторому одношаговому управлению. Решение Классификатора передается Коррелятору, где хранятся все ЛТП. Если Коррелятору удается выбрать единственное ЛТП, то на объект выдается связанное с этим правилом управление; в противном случае подключается Экстраполятор, предназначенный для выбора управления путем экстраполяции и сравнения последствий всех альтернативных воздействий. Когда не удается выбрать предпочтительное управление и таким путем, воздействие реализуется в результате случайного выбора.

На наш взгляд, значительная часть сложностей в реализации метода ситуационного управления вызвана использованием естественного языка как основы для внутреннего представления знаний в семиотических моделях, а также поисками средств формализации для пространств состояния произвольной структуры, не имеющих собственной метрики. Аналогичные проблемы возникают при разработке формальных моделей текстов на естественном языке в автоматизированных информационных системах [49, 192]. Для преодоления этих сложностей и обеспечения реализации идей ситуационного управления с помощью вычислительных систем широкого применения представляется целесообразной разработка ситуационного подхода при регулярной структуре модели объекта, в частности, при использовании КМПО [67, 122, 125, 149, 181]. Рассмотрим вкратце основные особенности этой модели.

Основной задачей декомпозиции является разделение целого на части. При необходимости этот процесс повторяется, что приводит к иерархическим древовидным структурам, которые определяют отношения концептуальной модели как связи ее элементов с соответствующими подэлементами на каждом уровне иерархии модели. Для разных структур моделей предметной области и степени формализации знаний существуют различные подходы к построению концептуальной модели. Одним из таких подходов является функционально-целевой подход (ФЦП) [67, 92, 149, 164], развитый для класса задач с древовидными моделями предметной области. Исходная посылка функционально-целевого подхода - управление через целеполагание (формирование многоуровневой древовидной системы целей управления). В ФЦП эта иерархия целей используется не только как обычное средство наглядного структурного описания, но и как инструмент структурно-алгоритмического проектирования системы, обеспечивающий учет особенностей структуры предметной области. Модели, разработанные с помощью ФЦП, основаны на двухоперационных алгебрах целей и действий. Функционально-целевой подход вводит соответствие между целями различных уровней КМ по принципу: каждой цели соответствуют функции, обеспечивающие ее достижение, которые в свою очередь являются целями, достигаемыми на следующем, более низком уровне иерархии модели. Использование этих моделей обеспечивает формальную основу синтеза систем, в структурно-алгоритмической организации которых отражена структура целей моделирования. Для задач с древовидными МПО доказана теорема о покрытии [65], которая заключается в следующем: система, построенная из подсистем, покрывающих подзадачи основной целевой задачи системы, покрывает основную целевую задачу системы.

Возможность решения целевой задачи на основе решения ее подзадач особенно важна при исследованиях в тех областях, где: существует ряд наработок, которые должны быть включены в общую моделирующую систему в качестве подсистем; необходима интеграция логических, численных и комбинированных моделей, которые будут описывать состояние и динамику элементов и подсистем исследуемой системы; условия целевой задачи могут варьироваться, что выдвигает соответствующие требования к адаптационным возможностям модели.

Для решения задач подобного типа предназначен и упомянутый выше подход [119, 132, 133], автор которого вводит понятие ГДС и, в соответствии с методологией общей теории систем [112], выделяет в них три основные подсистемы: организационную, которая определяет выбор цели и критериев функционирования (поведения) системы на основе сформированной цели существования (жизни) системы; информационно-управляющую, обеспечивающую взаимодействие системы с внешней средой и компонентов исполнительной системы между собой в процессе достижения цели поведения, заданной организационной подсистемой в соответствии с текущей ситуацией и критериями функционирования; исполнительную, представляющую собой совокупность всех исполнительных средств, которая способна обеспечить выполнение всех действий, необходимых для достижения цели поведения (функционирования) системы.

Модель объекта строится в виде набора иерархий, порождаемых декомпозицией критериев функционирования по некоторому их параметру, причем каждая подсистема и компонент нижележащих уровней в свою очередь состоят из таких же трех функциональных подсистем до тех пор, "пока вариативность целей остается их свойством" [132]. Отмечается, что при построении иерархических систем обычно роль организационной подсистемы некоторого уровня декомпозиции выполняет информационно-управляющая подсистема более высокого уровня, ибо именно она задает цели, критерии, ограничения для информационно-управляющих и исполнительных подсистем более низкого уровня.

Главная трудность при определении состава модели при таком подходе заключается в том, что разделение целостной системы на части является относительным, зависящим от целей моделирования. Поэтому важным этапом построения концептуальной модели является определение целей моделирования.

Тем не менее, иерархические модели достаточно просты и наглядны, обычно они хорошо отражают реальные взаимосвязи предметной области. Кроме этого, построение модели сложного объекта в виде иерархической многоуровневой системы наиболее естественно согласуется с общепринятым в настоящее время модульным принципом программирования. Использование модульности целесообразно и при интеграции уже созданных моделей элементов исследуемой предметной области. Как уже говорилось, иерархическая система лучше адаптируется к изменениям решаемой задачи и обладает большей надежностью (ошибка в какой-либо подмодели не всегда распространяется на всю систему).

Концептуальная модель в настоящей работе базируется на представлении объекта моделирования в виде древовидного И-ИЛИ графа, отображающего декомпозицию структурных элементов этого объекта (объектов КМПО) в соответствии с их организационными связями. Объекты КМПО атрибутированы наборами входных и выходных ресурсов (ими могут быть некие характеристики объектов, данные и т.п.) и наборами процессов, осуществляющих преобразование одних ресурсов в другие.

Подчиненные элементы КМПО доминируются элементами вышележащего уровня -суперобъектами, что индуцирует отношение частичного строгого порядка, лежащее в основе любой иерархии. Декомпозиция некоторого элемента по типу И определяет необходимые для его функционирования подобъекты, декомпозиция по типу ИЛИ (она предусмотрена и для процессов, точнее, для наборов порождаемых этими процессами ресурсов) позволяет ввести в модель альтернативные варианты, подлежащие сопоставлению в ходе исследования объекта моделирования. Элементам КМ различных уровней иерархии при необходимости назначаются исполнители, которые должны обеспечить их реализацию в компьютере. Иерархическое описание, естественно, вносит некоторые ограничения на структуру отображаемых объектов, но зато позволяет существенно повысить конструктивность процедур исследования объекта на различных уровнях описания, а также облегчить формальный анализ самой модели. Наиболее наглядным представлением иерархических моделей является графическое. Следовательно, для поддержки начальных этапов организации моделирования необходимо наличие графического редактора, предоставляющего возможность построения древовидной структуры с указанием типа декомпозиции каждой конкретной вершины графа. С помощью аппарата типизации элементов КМПО поддерживается ее корректность и консистентность, а также автоматизируется выборка исходных данных для расчетов и генерация баз данных для хранения результатов моделирования.

В связи с изложенным представляется резонной попытка достижения компромисса между преимуществами ситуационного подхода и ограничениями со стороны его практической реализуемости на стандартном аппаратном обеспечении за счет дополнения традиционного для ГИС набора атрибутов составных частей объекта атрибутами, поддерживающими функционирование концептуальной модели объекта, и разработки методов анализа и синтеза программного обеспечения задачи моделирования в рамках полученной формализации. При этом не рассматриваются вопросы реализации прямых и обратных связей между моделью и исследуемым объектом, поскольку специфика управления существенно дифференцирована для различных предметных областей.

Кроме использования знаний экспертов при конструировании КМПО, для моделирования компонентов объекта, которым по разным причинам не могут быть сопоставлены имитационные модели, предлагается непосредственно встроить средства логической обработки данных в ПСМ [183]. Для решения этой задачи разработана специализированная оболочка экспертной системы (ОЭС) [45, 127, 128], которая, наряду с традиционными задачами обработки правил, касающихся значений параметров объекта, решает и внутренние задачи предлагаемой ситуационной системы моделирования (ССМ), в частности, используется при доопределении, классификации и обобщении ситуаций в процессе постановки задачи моделирования [184, 189]. Алгоритмы применения ОЭС в ССМ подробно рассмотрены в главах 4, 5, основной элемент новизны заключается в том, что одни и те же параметры объекта или процесса могут вычисляться как аналитическими, так и логическими процедурами. Предпосылкой такой возможности служит унификация форматов программного представления числовых параметров и параметров, определяемых на порядковых шкалах. Для исключения проблем, связанных с малыми изменениями данных, в ССМ допускаются только данные с дискретным конечным множеством значений (типа списковых данных). Это соответствует рассмотренному выше описанию ПТК в классе ГДС. Если значения некоторого данного есть строковые константы, то такое данное называется параметром, и ССМ не контролирует упорядочение его значений. Если данное имеет числовые значения, то оно именуется переменной, и над ним можно выполнять определенные математические операции. Если результат вычислений представляет собой значение переменной, то он округляется до ближайшего значения из списка допустимых значений. В дальнейшем, если сказанное относится к данным любого разрешенного в ССМ типа (и к переменным, и к параметрам), употребляется термин "данное". С точки зрения алгоритмической организации моделирование ПТК представляет собой многовариантный расчет некоторой группы величин при изменениях заданного набора параметров, поэтому в ССМ должны быть включены средства задания условий и сохранения результатов таких расчетов. С этой целью в зависимости от функционального назначения данных в процессе разработки модели вводится три класса данных [67, 127, 181]: постоянные, временные, оперативные. К постоянным относятся данные, которые не изменяются в ходе моделирования (данные натурного эксперимента, постоянные коэффициенты и т.п.). Временные данные - это, как правило, промежуточные или целевые результаты вариантов имитации. При повторных реализациях имитационного режима временные данные могут либо заменяться, либо храниться в виде версий. Постоянные и временные данные записываются в ходе моделирования на внешние запоминающие устройства (ВЗУ) и составляют базу данных предметной области (БДПО) моделирования. Временные данные могут удаляться по завершению имитации. Оперативные данные создаются и хранятся в оперативной памяти только в процессе выполнения соответствующей программы и уничтожаются после ее завершения.

Принятые форматы хранения данных и структура модели предметной области позволяют проводить сопоставительный статический и динамический анализ различных ситуаций, описывающих текущее состояние объекта исследования или некоторой его части, с целью принятия решения об управляющем воздействии на объект, которое осуществляется реализацией одной из допустимых альтернатив структуры объекта, описанных в КМ. Таким образом, ССМ предоставляет ЛПР алгоритмическую поддержку для обоснования его решений об изменении или сохранении структуры подчиненного ему объекта и в этом смысле является альтернативой экспертному совету. Подобные обоснования целесообразны как в случае отсутствия достаточного количества экспертов, так и при ограниченных возможностях их приглашения (по временным, финансовым или иным соображениям).

Следующее базовое понятие предлагаемой формализации - задача. Ее основным естественным параметром является целевая величина (величины), для вычисления которых задача решается, и порождающий эту величину объект КМПО, который называется объектом принятия решения (ОПР). Однако иерархическая структура модели позволяет ввести дополнительный атрибут любой задачи - уровень решения, который может задаваться как на концептуальной модели (например, именем некоторого района, если модель включает административные единицы), так и непосредственно выбором какого-либо участка карты. В общем случае в зависимости от уровня решения может меняться не только набор входных и выходных параметров одной и той же задачи, но и сам алгоритм ее решения. Одна из основных идей разработки рассматриваемой ССМ заключается в автоматизации процедур постановки задачи, подготовки исходных данных для расчетов на концептуальной модели с учетом уровня решения, выполнения самих вычислений и представления их результатов, в этом смысле ССМ относится к CASE-системам [149].

Другая принципиальная особенность ССМ, определяющая многие особенности ее реализации - это ориентация на нестационарные объекты исследования, параметры которых зависят от времени. Как уже отмечалось, ССМ функционирует в дискретизованном времени, поэтому для каждой переменной величины, используемой в расчетах как исходная, в системе должен быть задан временной ряд ее значений. Допускается использование экспериментальных данных либо генерация данных по ходу моделирования. В первом случае с именем величины связывается имя базы данных и полей этой базы, где хранятся ЭД, во втором случае дается ссылка на имя программы, генерирующей данные [67, 125].

Нижний уровень декомпозиции в КМПО - уровень примитивов - задает структурно неделимые компоненты модели, которые в реальности могут соответствовать достаточно сложным составным частям объекта. На более высоких уровнях КМ конъюнктивно (дизъюнктивно) связаны логически последовательные (параллельные) подзадачи [188]. Параллельными считаются задачи обработки данных, которые в каждом цикле расчетов инициируются независимо друг от друга, в противном случае они рассматриваются как логически последовательные.

В рассматриваемой ССМ каждый примитив КМ отображается набором графических элементов на одном или нескольких покрытиях карты, поэтому к его основным атрибутам в КМПО добавляются имена покрытий и идентификаторы графических элементов. Эти атрибуты относятся к категории исполнителей элементов КМПО. Отображения элементов КМПО более высоких уровней синтезируются из отображений примитивов по определенным правилам.

Управление объектом в рассматриваемой постановке трансформируется в выбор одного из возможных вариантов структуры объекта на каждом шаге или такте моделирования. Тогда задача Анализатора текущей ситуации (см. рис.2) в предлагаемой ССМ превращается в задачу оценки предшествующего управления с целью принятия решения об изменении структуры объекта. Функция Классификатора заключается в сужении класса допустимых на текущем шаге воздействий. Для дополнительного учета предпочтений экспертов предоставляется возможность производить сопоставление вариантов с помощью вводимых пользователем весовых функций, на основе которых вычисляются приоритеты заложенных в КМПО вариантов структуры объекта. В результате отбирается один или несколько вариантов структуры объекта, чьи векторы приоритетов в некотором смысле доминируют векторы приоритетов других вариантов, они могут более детально изучаться в имитационном режиме работы системы.

Предложенный подход к моделированию состояния пространственных объектов позволяет естественным образом поддерживать современный сценарный метод поддержки принятия решений. Для этого с помощью встроенных в ССМ средств формируются ряды исходных данных для расчетов на будущие интервалы времени и производится моделирование состояния объекта для этих интервалов. Имеется возможность отдельно исследовать каждый из описанных в КМПО вариантов структуры объекта, помечая соответствующий ему фрагмент концептуальной модели [67] и отключая ввод управлений, предлагаемых на основе анализа ситуации. Предусмотрена возможность отказа от любого последнего интервала времени с целью исследования альтернативной траектории объекта.

Таким образом, далее разрабатывается ситуационная система моделирования на основе интегрированной концептуальной модели нестационарного природно-технического комплекса, ориентированная на автоматизацию всех этапов моделирования, широкое применение экспертных знаний, использование ГИС-технологии для графического представления составных частей объекта, постановки задачи и представления результатов моделирования, а также для выполнения пространственно-зависимых расчетов.

Приведенная выше аргументация обосновывает следующую формулировку цели выполненных автором исследований и разработок.

Цель работы состоит в создании концептуальной модели, интегрирующей геоинформационную и специализированную экспертную систему, и разработке в рамках этой модели методов представления и обработки данных и знаний, а также методов и средств постановки, проведения и представления результатов ситуационного моделирования природно-технических комплексов.

Для реализации этой цели автором решены следующие задачи: определены требования к разрабатываемой ситуационной системе моделирования со стороны предметной области и условий работы системы; выполнена параметризация концептуальной модели ПТК и ее основных компонентов, выбор структур данных, стандартов их представления в модели и обработки в ходе моделирования; разработаны методы контроля консистентности и разрешимости модели предметной области, объединяющей концептуальную модель, базу знаний экспертной системы, базы данных предметной области и компонентов ССМ; созданы методы и средства автоматизированного формирования структуры базы данных предметной области на основе концептуальной модели данных; разработан метаязык ССМ и на его основе - интерфейсы КМПО с ГИС и ЭС на всех этапах моделирования; разработаны средства доопределения ситуаций на модели предметной области с возможностью логической обработки экспертных знаний о ситуациях; разработан метод сопоставления заложенных в КМПО альтернативных решений, адекватных текущей ситуации, для классификации и обобщения ситуаций с возможностью анализа влияния погрешностей моделирования на полученные результаты; предложены методы управления выводом и алгоритмы логического вывода при решении задач обработки ситуаций с учетом пространственных и динамических взаимосвязей между характеристиками элементов объекта экспертизы; созданы средства автоматизации работы ССМ в имитационном режиме с поддержкой современных сценарных подходов к моделированию; разработана технология и средства автоматизированной генерации проблемно-ориентированных (прикладных) ССМ на базе многофункциональной исследовательской модели предметной области.

Методические отличия разработки от прототипов состоят в следующем: иерархическая концептуальная модель предметной области применяется не только для фиксации структуры объекта и статического контроля взаимосвязей компонентов объекта, но и как основное средство обработки ситуаций на всех этапах моделирования. На этапе постановки задачи моделирования КМПО управляет выбором релевантных исходных данных, участвует в процедурах пополнения и доопределения ситуаций. При реализации имитационного режима КМПО диспетчирует вызов программных модулей и управление потоками данных. По завершении расчетов эта модель организует распределение результатов по модулям хранения и представление результатов моделирования; относительное пространственное расположение составных частей объекта, отображаемое средствами ГИС, используется как естественная основа при построении иерархии объектов КМПО, графические атрибуты ГИС-представления объекта входят в критерии качества компонентов КМПО и участвуют в определении концептуального уровня реализации текущей ситуации; знания экспертов используются не только при построении КМПО, но и непосредственно управляют логическим выводом в ходе доопределения, обобщения и классификации ситуаций; процедура формального контроля разрешимости и корректности КМПО расширена путем включения условий вычислимости объектов КМПО в состав продукционных правил встроенной экспертной системы и их последующего анализа на адекватность и логическую корректность совместно с собственно экспертными правилами; разработанные структуры и интерфейсы данных позволили унифицировать процедуры обработки числовых и ранжированных данных в процессе моделирования, то есть организовать совместную логико-аналитическую обработку данных; экспериментальные данные и данные исследуемых сценариев могут вводиться не только на входы листьевых объектов и процессов КМПО, но и на входы любых элементов модели.

Методы исследования. Для решения поставленных в работе задач используются методы теории управления (в частности, ситуационного управления), концептуального моделирования, теории экспертных систем, элементы теории множеств, теории графов, теории вероятностей и математической логики. В качестве общего метода исследования и разработок автором развит ситуационный подход к организации моделирования на базе разработанной концептуальной моделью предметной области.

В основу диссертационной работы положены результаты, полученные автором в ходе исследований по планам научно-исследовательских работ Института информатики и математического моделирования Кольского научного центра РАН в период с 1989 по 1999 годы.

Научная новизна работы определяется тем, что с единых позиций, представленных в форме ситуационного подхода к концептуальному анализу состояния объекта, рассмотрена и решена проблема автоматизации моделирования нестационарных природно-технических комплексов. Основные аспекты научной новизны работы следующие:

1. Разработана и исследована концептуальная модель предметной области анализа и прогноза состояния нестационарного природно-технического комплекса, которая интегрирует пространственно-зависимые данные и экспертные знания об изучаемом объекте как многоуровневой многокомпонентной пространственной системе. Область применимости модели ограничена комплексами, допускающими древовидную декомпозицию и представление их компонентов в виде ограниченного множества ГИС-элементов.

2. Для КМПО ССМ разработаны методы и алгоритмы контроля адекватности, логической корректности и разрешимости с детальностью вплоть до отдельных ресурсов, созданы средства автоматической реализации элементов модели в ходе моделирования с помощью аппарата категорий и исполнителей этих элементов.

3. Предложен ситуационный подход к концептуальному анализу состояния объекта и синтезу программного обеспечения для организации и проведения исследования КМПО, в частности, предложены методы пополнения и доопределения ситуации с учетом экспертных знаний и уровня решения задачи, а также методы обобщения и классификации ситуаций на базе анализа областей доминирования частных критериев в глобальном критерии качества функционирования объекта, дающие возможность исследования влияния погрешностей моделирования на принимаемые управленческие решения. Предложен частный вид критерия качества, пригодный для статического анализа и сопоставления принимаемых решений по управлению структурой объекта и использующийся для обработки ситуаций.

Актуальность и научная новизна работы подтверждены включением одного из ее приложений - инструментальной системы прогноза удароопасности горного массива, созданной коллективом исследователей под руководством автора, - в перечень важнейших результатов Российской академии наук за 1995 год в области теории и методов построения экспертных систем и извлечения знаний. Разработанная автором ситуационная модель регионального промышленного комплекса включена в раздел "Математическое моделирование, вычислительная и прикладная математика для задач информатики" этого перечня за 1999 год.

Практическая ценность работы состоит в следующем.

1. Для задач исследования сложных природно-технических комплексов разработана инструментальная среда сопоставительного анализа эффективности и последствий принятия управленческих решений по изменению структуры объекта, ориентированная на широкое применение картографической информации и экспертных знаний и не требующая программистской подготовки пользователя.

2. Предложены процедуры управления выводом (применением продукций и выбором активируемых данных), направленные на согласование используемого фрагмента КМПО и набора правил ЭС, а также на блокировку неэффективных вариантов пополнения и доопределения ситуаций с использованием управляющих формул, которые построены по результатам классификации и обобщения ситуаций и позволяют учесть знания о пространственно-временных зависимостях в характеристиках элементов модели.

3. Разработана оболочка экспертной системы, ориентированная на решение различных задач обработки ситуаций с использованием детерминированного и вероятностного механизма вывода и учетом возможности наличия недостоверных исходных данных, а также эмпирические индикаторы хода вывода, позволяющие оценить успешность продвижения к цели вывода и принять решение о его прекращении или продолжении.

4. Созданы средства автоматизированного синтеза проблемно-ориентированных систем моделирования, компетентных на заданном наборе ситуаций, на основе универсальной для данной области исследовательской модели, что позволяет уменьшить затраты ресурсов на разработку специализированных прикладных систем без ущерба их эффективности.

Научная апробация работы. Основные результаты работы обсуждались на следующих научно-технических мероприятиях:

ХХГУ Всесоюзная школа по автоматизации научных исследований, 1990, Апатиты, 17-26 сентября;

III Международная научно-техническая конференция "Программное обеспечение ЭВМ", 1990, Тверь, ноябрь; международная конференция ЮНЕСКО "Математика, управление и инвестиции", 1993, Москва, 15-19 февраля;

V С.-Петербургская Международная конференция "РИ-96", 1996, Санкт-Петербург, 13-16 мая;

Second International Conference on Information Technology in the Barents Region (BAR-IT'96), 1996, Apatity, 18-19 September;

IV международная конференция "Проблемы управления в чрезвычайных ситуациях", 1997, Москва, 11 февраля;

International Conference on Informatics and Control (ICI&C97), 1997, St.Petersburg, 18-19 September;

12th European Simulation Multiconference 1998 (ESM'98), Manchester, UK, 1998, 16-19 June;

6-я Всероссийская конференция "Муниципальные геоинформационные системы" (МГИС'99), Обнинск, 25 - 29 янв. 1999;

II конгресс обогатителей стран СНГ, 1999, Москва, 16-18 марта; а также на секциях ученых советов Института физико-технических проблем энергетики Севера (ИФТПЭС) КНЦ РАН, Горного института (ГоИ) КНЦ РАН и

Института информатики и математического моделирования технологических процессов (ИИММТП) КНЦ РАН.

Основные положения работы, выносимые на защиту

1. Иерархическая концептуальная модель нестационарного природно-технического комплекса, состоящая из трех множеств элементов - объектов, процессов и ресурсов (данных), - на которых определены связи и отношения. Модель включает иерархию объектов (составных частей объекта исследования), отражающую их организационные взаимоотношения. Каждому объекту может приписываться набор процессов, имитирующих преобразование некоторого набора входных ресурсов в выходные. Ресурсы атрибутированы списками допустимых значений, что позволило проводить анализ и расчет ресурсов элементов модели, а также осуществить контроль адекватности, логической корректности и разрешимости модели с детальностью вплоть до отдельных ресурсов. Модель специализирована на применение экспертных знаний и ГИС-технологии.

2. Ситуационный подход к концептуальному анализу состояния объекта и синтезу программного обеспечения расчетов на его модели этого объекта, состоящей из концептуальной модели предметной области и интегрированных с ней ГИС и экспертной системы, в рамках которого разработаны: метод пополнения описания исходной ситуации с учетом экспертных знаний, как использованных при конструировании декларативной концептуальной модели объекта исследования, так и непосредственно выраженных в виде набора продукционных правил ЭС ССМ; метод классификации и обобщения ситуаций на основе областей доминирования одного из критериев качества функционирования исследуемого объекта, индуцируемых сопоставляемыми альтернативами в обобщенном пространстве критериев, метрика которого может синтезироваться с учетом предпочтений экспертов; частный вид критерия качества, пригодный для статического анализа и сопоставления принимаемых решений по управлению объектом и обеспечивающий конструктивное решение задач обобщения и пополнения ситуаций в ССМ с возможностью исследования влияния погрешностей моделирования на управляющие решения; аппарат синтеза и анализа типов ситуаций, в частности, оптимальных достаточных ситуаций, ориентированный на решение вопросов координации и согласования управляющих воздействий на различных уровнях модели ССМ; процедуры пополнения и обобщения описаний ситуаций с учетом пространственно-временных отношений между элементами этих ситуаций, использующие библиотеку предложенных пространственно-временных функций; процедуры управления логическим выводом (применением продукций и выбором активируемых данных) в ходе моделирования; автоматизированная технология генерации проблемно-ориентированных систем.

3. Программно-алгоритмическая организация и практическая реализация ситуационной системы моделирования как большой программной системы: принципы и форматы хранения различных групп данных, метаязык модели и базирующиеся на нем интерфейсы между модулями системы, средства автоматизации синтеза исполнительной среды моделирования по типам элементов модели, а также структура оболочки ССМ.

4. Реализация и внедрение результатов диссертационной работы в виде программных систем, специализированных для решения следующих задач: моделирования динамики техногенного воздействия на лесные экосистемы Севера; прогноза удароопасности породного массива в зоне проведения горных работ; анализа вариантов развития энергетической системы региона; исследования комплексных технологических процессов, в частности, процессов обогащения минерального сырья.

Публикации. По материалам диссертации опубликовано 44 печатные работы в центральных, местных и зарубежных изданиях, в том числе основной материал диссертационной работы отражен в коллективной монографии; полученные результаты изложены в ряде отчетов по НИР в ИФТПЭС КНЦ РАН, ГоИ КНЦ РАН и ИИММТП КНЦРАН.

Объем и структура работы. Диссертация состоит из введения, 6 глав и заключения. Работа содержит 345 машинописных страниц текста, а также 17 таблиц, 73 рисунка, 2 приложения и список литературы на 258 наименований.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Фридман, Александр Яковлевич

6.5. Выводы по гл.6.

Практическая реализация проблемно-ориентированных ССМ в рамках единой технологии показала возможность поэтапной разработки и создания многоуровневых ССМ регионального управления. Внедрение и использование ССМ позволяет повысить качество принимаемых решений, снизить риск нежелательных последствий каких-либо планируемых или возможных действий, а также выработать план мероприятий по минимизации отрицательного воздействия при его неизбежности [106, 58].

Практическое применение разработанных приложений ССМ показало, что предложенный подход позволяет решать специфические задачи в различных предметных областях, таких, как оценка влияния техногенных воздействий на лесные массивы, оценка удароопасности горного массива, моделирование энергетической системы региона, комплексное использование минерального сырья.

ЗАКЛЮЧЕНИЕ

В диссертационной работе сформулирована и решена научно-техническая проблема интеграции различных форм представления знаний с целью применения современных методов исследования и прогнозирования поведения сложных нестационарных природно-технических комплексов как многоуровневых многокомпонентных пространственных объектов. В рамках разработанного ситуационного подхода к задаче концептуального моделирования объектов указанного класса получены следующие основные результаты.

1. Разработана и исследована концептуальная модель природно-технических комплексов, специализированная для совместного использования аналитических и логических процедур обработки данных с учетом их семантики, применения экспертных знаний и ГИС-технологии.

2. Предложен ситуационный подход к организации и проведению исследований на разработанной концептуальной модели, в частности, метод пополнения и доопределения ситуации, использующий концептуальную модель и обеспечивающий автоматизированное нахождение минимальной полной ситуации, на которой могут сопоставляться имеющиеся альтернативные решения и проводиться имитация последствий выбранных решений. Созданы конструктивные методы обобщения и классификации ситуаций на базе анализа областей доминирования частных критериев в обобщенном критерии качества функционирования объекта, с возможностью проверки влияния погрешностей моделирования на принимаемые решения.

3. Предложен и обоснован аппарат типизации компонентов концептуальной модели, обеспечивающий автоматизацию всех основных этапов моделирования, от формулировки конкретного варианта расчетов до представления результатов моделирования и сопоставления различных сценариев развития объекта.

4. Созданы средства экспертного анализа пространственно-временных зависимостей в характеристиках компонентов объекта исследования с целью уточнения концептуальной модели и повышения эффективности обработки ситуаций.

5. Реализована исследовательская версия ситуационной системы моделирования, внедренная в ряде предметных областей, результаты эксплуатации которой подтвердили правомерность применения предложенных теоретических и программно-алгоритмических решений для достижения цели настоящей работы.

Проведенные исследования выявили перспективность использования предложенного подхода для проведения анализа состояния и прогноза поведения сложных природно-технических комплексов. Разработанные методы и алгоритмы использованы при создании проблемно-ориентированных приложений ССМ, практическое применение которых показало, что указанный подход позволяет решать

422 специфические задачи в различных предметных областях, таких, как оценка влияния техногенных воздействий на лесные массивы, оценка удароопасности горного массива, моделирование энергетической системы региона, моделирование задачи комплексного использования минерального сырья.

Среди возможных направлений дальнейших работ по исследованной проблеме представляется целесообразным отметить следующие: поддержка описания и обработки исходной ситуации в формате, когда заданы желаемые значения целевых данных ("что нужно, чтобы"); разработка новых видов пространственно-временных функций; разработка методов координации управления в рамках модели ССМ; анализ связей между метрикой обобщенного критерия качества и результатами классификации ситуаций, в частности, степени согласованности результатов этой классификации со структурой декомпозиции объекта; исследование закономерностей и связей между характером декомпозиции объекта и чувствительностью модели к результатам классификации ситуаций; разработка и встраивание в модель ССМ модели трехмерной ГИС с возможностью автоматического изменения графических характеристик ГИС-элементов по результатам расчетов.

Список литературы диссертационного исследования доктор технических наук Фридман, Александр Яковлевич, 2001 год

1. Автоматизация информационного обеспечения научных исследований / Стогний A.A., Каширин Ю.П. и др. Киев: Наукова думка, 1990. - 296 с.

2. Адаптивная АСУ производством: (АСУ "Сигма") / Г.И.Марчук, А.Г.Аганбегян, И.М.Бобко и др. Под ред. Г.И.Марчука. М.: Статистика, 1981. - 176 с.

3. Алгоритмы и программы решения задач на графах и сетях / Нечепуренко М.И., Попков В.К., Майнагашев С.М. и др.- Новосибирск: Наука, 1990. 515 с.

4. Алиев P.A. и др. Управление производством при нечеткой исходной информации. М.: Энергоиздат, 1991. 240 с.

5. Алиев P.A., Либерзон М.И. Методы и алгоритмы координации в промышленных системах управления. М.: Радио и связь, 1987. - 208 с.

6. Арефьева H.A., Пушкина И.П., Родионов С.Т. Hipo-технология метод разработки и сквозного документирования программ по принципу "сверху - вниз" // УСИМ. - 1978. - № 3. - С. 35-38.

7. Ахо А., Ульман Дж. Теория синтаксического анализа, перевода и компиляции. М.: Мир, 1978, т.1, 2.

8. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. М.: Мир, 1979. - 536 с.

9. Белкин А.Р., Левин М.Ш. Принятие решений: комбинаторные модели аппроксимации информации. М.: Наука, 1990.

10. П.Белл Т., Бикслер Л., Дайер М. Расширяемая система автоматизированной разработки требований к программному обеспечению // Требования и спецификации в разработке программ /Пер. с англ. под. ред. В.Н. Агафонова. М.: Мир. 1984. - С. 47-76.

11. Богословская Н.В., Бржезовский A.B. О подходе к созданию обобщенной модели программного обеспечения // Теоретические и прикладные модели информатизации региона. Апатиты: КНЦ РАН, 2000. - С. 27-29.

12. Борковский А.Б. Англо-русский словарь по программированию и информатике (с толкованиями). М.: Рус.яз., 1987. - 335 с.

13. Бржезовский A.B., Жаков В.И., Путилов В.А., Фильчаков В.В. Синтез моделей вычислительного эксперимента.- СПб: Наука, 1992. 231 с.

14. Бржезовский A.B., Жаков В.И., Фильчаков В.В. CASE-технология разработки пакетов прикладных программ // Вычислительный эксперимент и моделирование в системах "Технологические процессы природные комплексы" -Апатиты, 1992. - С. 15-23.

15. Бржезовский A.B., Фильчаков В.В. Концептуальный анализ вычислительных систем. СПб: Изд. ЛИАП, 1991. - 78 с.

16. Бржезовский A.B., Фильчаков В.В. Программная система для разработки концептуальной модели в области обработки информации // Методы и средства вычислительного эксперимента. Апатиты: Изд. КНЦ АН СССР, 1990. - С. 24-28.

17. Бржезовский A.B., Фильчаков В.В. Технология концептуального проектирования // Тезисы докладов 24 всесоюзной школы по автоматизации научных исследований. Апатиты: изд. Кольского научного центра АН СССР. 1990. - С. 6, 7.

18. Бурбаки Н. Теория множеств. М.: Мир, 1965. - 240 с.

19. Бусленко В.Н. Автоматизация имитационного моделирования сложных систем. М.: Наука, 1977. - 240 с.

20. Бусленко Н.П., Калашников В.В., Коваленко И.Н. Лекции по теории сложных систем. М.: Сов.радио, 1973. - 439 с.

21. Буч Г. Объектно-ориентированное проектирование с примерами применения. Киев: Диалектика, 1992. - 520 с.

22. Буч Г. Объектно-ориентированный анализ и проектирование: с примерами приложений на С++. "Издательство Бином", "Невский диалект", 1998. 560 с.

23. Вавилов A.A., Имаев Д.Х. Машинные методы расчета систем управления. -Л.: Изд. ЛГУ, 1981.-232 с.

24. Вайнштейн Е.А., Путилов В.А., Пушилин В.В. Концептуальные основы динамического моделирования устойчивого развития городов Севера России // Системы информационной поддержки регионального развития. Апатиты: КНЦ РАН, 1998.-С. 6-13.

25. Вальковский В.А. Семантика манипуляций с базой данных интеллектуальных систем // НТИ. 1984. Сер. 2, № 3. - С. 14-19.

26. Ван Тассел Д. Стиль, разработка, эффективность, отладка и испытание программ. М.: Мир, 1981. - 320 с.

27. Вендров А.М. Case-технологии. Современные методы и средства проектирования информационных систем. -М.: Финансы и статистика, 1998. 176 с.

28. Вентцель Е.С. Исследование операций. Задачи, принципы, методология. М.: Наука, 1988.

29. Вирт Н. Структуры данных + алгоритмы=программы. М.: Мир, 1986.- 406 с.

30. Вишневский А., Мамаев Е. Microsoft SQL Server 7 для профессионалов. -СПб: Питер, 1999. 896 с.

31. Габидулин И.А., Силантьев С.А. Классификация информационных систем // УСиМ, 1/2, 1992.-С. 112-119.

32. Гаврилов В.М., Подиновский В.В. Оптимизация по последовательно применяемым критериям. М.: Сов. радио, 1975.

33. Гафт М.Г. Принятие решений при многих критериях. М.: Знание, 1979.

34. Гафт М.Г., Подиновский В.В. О построении решающих правил в задачах принятия решений. Автоматика и телемеханика, № 6, 1981.

35. Гвоздик М.И., Казимир В.В. Язык проектирования программ имитационного моделирования. Тезисы докладов НТК. - Петродворец: ВВМУРЭ, 1988. - С. 96-100.

36. Гейн К., Сарсон Т. Структурный системный анализ: средства и методы. М.: Эйтекс, 1992,- 274 с.

37. Геловани В.А., Бритков В.Б. Системы поддержки принятия решений в нештатных ситуациях с использованием современной информационной технологии // http://sr.isa.ac.ru/sr-95-96/gelbrit3.html.

38. Гладков С.А., Фролов Г.В. Программирование в MICROSOFT WINDOWS. -В 2-х ч. М.: Изд. "Диалог-МИФИ", 1992. 4.1. - 320 с.

39. Горбатов B.C. и др. Пакет программ для моделирования сложных динамических объектов. // Микропроцессорные средства и системы. 1990.- № 3. - С. 24-26.

40. Гудман С, Хидетниеми С. Введение в разработку и анализ алгоритмов. М.: Мир, 1981.- 366 с.

41. Дейт К. Введение в системы баз данных. М.: Наука, 1980. - 464 с.

42. Деруссо П., Рой Р., Клоуз М. Пространство состояний в теории управления. -М.: Наука, 1970. 620 с.

43. Диалоговые системы. Современное состояние и перспективы развития / Довгялло А.М., Брановицкий В.И., Вершинин К.П. и др. Киев: Наук. Думка, 1987. -248 с.

44. Диковский А.Я. Обзор идей и методов в технологии программирования // Системная информатика. Вып. 1. Проблемы современного программирования. -Новосибирск: Наука, 1991. С. 121-173.

45. Директор С., Рорер Р. Введение в теорию систем. М.: Мир, 1973. - 464 с.

46. Дмитриев А.К., Мальцев П.А. Основы теории построения и контроля сложных систем. Л.: Энергоатомиздат, 1988. - 192 с.

47. Дремов С. Н., Каган М.М., Легашов М.А., Олейник О.В., Фридман А.Я. Экспертная система диагностики состояния породного массива на подземном руднике. // Региональные информационные системы. Ч.1.- Апатиты, 1995. С. 77-83.

48. Дремов С.Н., Каган М.М., Легашов М.А. Структура комплексной методики прогноза удароопасности. // Синтез систем вычислительного эксперимента. Апатиты: Изд-во КНЦ РАН, 1994. - С. 54-62.

49. Дрибас В.П. Реляционные модели данных. Минск: Изд-во Белорус, ун-та, 1982. - 182 с.

50. Дубов Ю.А., Травкин С.И., Якимец В.Н. Многокритериальные модели формирования и выбора вариантов систем. М.: Наука, 1986. - 296 с.

51. Дулин С.К. Введение в проектирование баз данных,- М.: МФТИ, 1987. 80 с.

52. Ефимов Б.В., Сагидова М.Л., Фридман А.Я. Решение задач ремонтно-профилактического обслуживания энергетических сетей средствами ГИС // Имитационное моделирование в исследованиях проблем регионального развития. -Апатиты: КНЦ РАН, 1999. С. 53-60.

53. Ефимов Б.В., Сагидова М.Л., Фридман А.Я. ГИС-приложение для системы моделирования региональной энергетики Мурманской области // Системы информационной поддержки регионального развития. Апатиты: КНЦ РАН, 1998. - С. 37-40.

54. Замулин A.B. Системы программирования баз данных и знаний. -Новосибирск: Наука, 1990. 352 с.

55. Зыков A.A. Основы теории графов. М.: Наука, 1987. - 384 с.

56. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Техника, 1975. - 312 с.

57. Ивахненко А.Г., Мюллер Й.А. Самоорганизация прогнозирующих моделей. -Киев: Техника, 1985. 223 с.

58. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным,- М.: Радио и связь, 1987. 118 с.

59. Игнатьев М.Б., Путилов В.А., Смольков Г.Я. Модели и системы управления комплексными экспериментальными исследованиями. М.: Наука, 1986. - 232 с.

60. Ильин В.Д. Система порождения программ. М.: Наука, 1989. - 264 с.

61. Инструментальная система поддержки вычислительного эксперимента / Олейник А.Г., Смагин A.B., Фридман А.Я., Фридман О.В. // Программные продукты и системы, 1999, № 2. С. 7-13.

62. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник // Под ред. Д.А.Поспелова - М.: Радио и связь, 1990. - 304 с.

63. Йодан Э. Структурное проектирование и конструирование программ. М.: Мир, 1979. -415 с.

64. Казимир В. В., Демшевская Н. В. Формальный объектно-ориентированный подход к моделированию сложных систем. В сб.: Перша \пжнародна науково-практична конференщя з програмування УкрПрог'98 - Киев: Кибернетический центр HAH Украины, 1998. - С. 593 - 598.

65. Казимир В.В. Конкретизация кусочно-линейных агрегатов аппаратом Е-сетей. Тезисы докладов НТК. - Петродворец: ВВМУРЭ, 1988. - С. 104 - 107.

66. Калянов Г.Н. CASE. Структурный системный анализ (автоматизация и применение). М.: Лори, 1996. - 242 с.

67. Калянов Г.Н. Консалтинг при автоматизации предприятий (подходы, методы, средства). М.: СИНТЕГ, 1997. 286 с.

68. Кахро М.И., Калья А.П., Тыугу Э.Х. Инструментальная система программирования ЕС ЭВМ (ПРИЗ).- М.: Финансы и статистика, 1988. 181 с.

69. Кини Р.Л., Райфа X. Принятие решений при многих критериях: предпочтения и замещения. М.: Радио и связь, 1981.

70. Клейнрок Л. Теория массового обслуживания. М.: Машиностроение, 1979.430 с.

71. Кнут Д. Искусство программирования для ЭВМ: Пер. с англ. Том 3. Сортировка и поиск. М.: Мир, 1978. - 841 с.

72. Кокс Д.Р., Оукс Д. Анализ данных типа времени жизни / Пер. с англ.- М.: Финансы и статистика, 1988. 191 с.

73. Коллинз Д. Структурный анализ в разработке систем. М.: Финансы и статистика, 1986. - 280 с.

74. Концептуальное моделирование информационных систем. Под ред. В.В.Фильчакова. СПб: СПВУРЭ ПВО, 1998. - 356 с.

75. Корн Г., Корн Т. Справочник по математике. Для научных работников и инженеров. М.: Наука, 1987. - 832 с.

76. Костин А.Е., Шангин В.Ф. Организация и обработка структур данных в вычислительных системах. М.: Высш. шк., 1987. - 248 с.

77. Кошкарев A.B. Программное обеспечение ГИС // ГИС-обозрение, весна 1994. -С. 10-11.

78. Кравченко Б.В., Черкасов Д.Н. Системы интеллектуальной поддержки принятия управляющих решений при ликвидации последствий ЧС //http://mars.biophys.msu.ru/awse/CONFER/MCE99/149.htm.

79. Краснощеков П.С., Федоров В.В., Флеров Ю.А. Элементы математической теории принятия проектных решений. Автоматизация проектирования № 1,1997. - С. 15-23.

80. Кротов В.Ф. и др. Основы теории оптимального управления. М.: Высш.школа, 1990.

81. Кузнецов О.П., Адельсон-Вельский Г.М. Дискретная математика для инженера. М.: Энергоатомиздат, 1988. - 480 с.

82. Кузьмин A.B. Информационная технология ретроспективного анализа экосистем: Методы и процедуры. Апатиты: Изд-во КНЦ АН СССР, 1990. - 23 с.

83. Кузьмин A.B., Олейник О.В., Олейник А.Г., Фридман А.Я. Алгоритм оценки многолетней реакции лесных экосистем на изменение параметров окружающей среды. // Вычислительный эксперимент в задачах прогнозирования". Апатиты: Изд. КНЦ РАН, 1994. - С. 129-139.

84. Кузьмин И.А., Путилов В.А., Фильчаков В.В. Распределенная обработка информации в научных исследованиях. Л.: Наука, 1991. - 304 с.

85. Лавров С.С. Расширяемость языков. Подходы и практика. Б-ка "Прикладная информатика". М.: Финансы и статистика, 1984. Вып.2. - С. 17-22.

86. Ларичев О.И. Объективные модели и субъективные решения. М.: Наука. 1987.

87. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. -М.: Наука, 1996.

88. Лиепа И .Я. Динамика древесных запасов: Прогнозирование и экология. -Рига: Знание, 1980. 170 с.

89. Лингер Р., Миллс X., Уитт Б. Теория и практика структурного программирования. М.: Мир, 1982. - 406 с.

90. Логический подход к искусственному интеллекту: от классической логики к логическому программированию / Тейз А., Грибомон П., Луи Ж. и др. М.: Мир, 1990. -432 с.

91. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц.- М.: Мир, 1991.- 568 с.

92. Майерс Г. Архитектура современных ЭВМ: В 2-х кн., кн.2 Пер. с англ. -М.:Мир, 1985. -312 с.

93. Максимей И.В. Имитационное моделирование на ЭВМ,- М.: Радио и связь, 1988.-232 с.

94. Максимей И.И., Хвещук В.И. и др. Моделирующий комплекс PLSIM // Теория сложных систем и методы их моделирования: Труды семинара / ВНИИСИ. М.: 1982.-С. 107-111.

95. Марка Д., Мак-Гоуэн К. Методология структурного анализа и проектирования. М.: Метатехнология, 1993. - 240 с.

96. Марков A.A. Теория алгоритмов. М.: Изд. АН СССР, 1954. (Тр. Мат. ин-та им. В.А. Стеклова; 42).

97. Марселлус Д. Программирование экспертных систем на Турбо Прологе. М.: Финансы и статистика, 1994. 256 с.

98. Мартин Дж. Организация баз данных в вычислительных системах. М.: Мир, 1980.-664 с.

99. Матьяш В.А. Реверсивные методы структурной разработки программных систем на начальных этапах жизненного цикла. Дисс. на соиск. уч. ст. канд. тех. наук. -СПб, ГУАП, 1999.

100. Медницкий Г.В. Декомпозиция и итеративное агрегирование в задачах линейного программирования с блочно-треугольной или ступенчатой структурой ограничений // Изв. АН СССР. Техн. кибернетика.- 1990.- №.6. С. 14-27.

101. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. - 272 с.

102. Месарович М, Мако Д., Такахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973. - 344 с.

103. Месарович М., Такахара Я. Общая теория систем: математические основы. -М.:Мир, 1978. 312 с.

104. Методы теории чувствительности в автоматическом управлении / E.H. Розенвассер, P.M. Юсупов (ред.). JL: Энергия, 1971. - 344 с.

105. Миркин Б.Г. Проблема группового выбора. М.: Наука, 1974.

106. Многоуровневое управление динамическими объектами. Под ред.: В.Ю.Рутковского, С.Д.Землякова. М.: Наука, 1987. - 309 с.

107. Моисеев H.H. Предисловие к книге Орловского С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука. 1981.

108. Молчанов A.A. Моделирование и проектирование сложных систем. Киев : Выщашк., 1989.-234 с.

109. Мулен Э. Кооперативное принятие решений: аксиомы и модели. М.: Мир, 1991.-464 с.

110. Мясников В.А., Игнатьев М,Б., Перовская Е.И. Модели планирования и управления производством. М.: Экономика, 1982.

111. Нариньяни A.C. Лингвистические процессоры ЗАПСИБ. Ч. 2. Общая схема и основные модули. Новосибирск, 1979. 48 с. - (Препринт/ АН СССР. Сиб. отд-ние. ВЦ; 202).

112. Научно-методические основы прогнозирования горных ударов: Отчет / ФТИ АН СССР. Л., 1987. - 54 с.

113. Нильсон Н. Искусственный интеллект. Методы поиска решений. М.: Мир.1973.

114. Объектно-ориентированное расширение технологии RTST // А. Иванов, Дм. Кознов, А. Лебедев, Т. Мурашова, В. Парфенов, А. Терехов, Санкт-Петербургский Государственный Университет, http://wwwu.tepkom.ru/publications/RTST/Method.htm -06.10.1999.

115. Олейник А.Г., А.Я. Фридман, О.В. Олейник. Программная система информационной поддержки региональной энергетики // Региональные информационные системы. Ч.1.- Апатиты, 1995. С. 14-24.

116. Олейник А.Г., А.Я. Фридман. Генерация базы данных вычислительного эксперимента на основе концептуальной модели // Региональные информационные системы. 4.1. Апатиты: КНЦ РАН, 1995. - С. 47-57.

117. Олейник А.Г., Олейник О.В., Фридман А.Я. Иерархические концептуальные модели в исследованиях нестационарных пространственных объектов II Интеллектуальные инструментальные средства вычислительного эксперимента. -Апатиты: изд-во КНЦ РАН, 1997. С. 6-16.

118. Олейник А.Г., Олейник О.В., Фридман А.Я. Реализация оболочки экспертной системы в среде СУБД Foxpro // Информационные технологии поддержки принятия решений. Апатиты: изд. Кольского научного центра РАН, 1998. - С. 20-30.

119. Олейник А.Г., Фридман А.Я., Фридман О.В. Особенности экспертного анализа нестационарных пространственных объектов // Системы информационной поддержки регионального развития. Апатиты: КНЦ РАН, 1998. - С. 50-55.

120. Осипов Г.С. Формирование моделей предметных областей // Лекции Всесоюзной школы по основным проблемам искусственного интеллекта и интеллектуальным системам. Тверь: Изд. НПО "Центрпрограммсистем", 1990,- 4.2. -С. 56- 74.

121. Осуга С. Обработка знаний. M.: Мир, 1989. - 293с.

122. Парасюк И.Н., Сергиенко И.В. Пакеты программ анализа данных: технология разработки. М.: Финансы и статистика, 1988. - 159 с.

123. Перовская Е.И. Имитационные модели для поддержки принятия решений // Мост (ежемесячный информационно-аналитический журнал для промышленников), СПб, 1999, №6.

124. Перовская Е.И. Основы гибкой автоматизации. JL: ЛИАП, 1986. - 32 с.

125. Пецко Е.Ю., Изупак Ю.С., Кукушкин В.В., Хвастунова И.А. FoxPro 2.0. Опыт работы, проблемы и решения. -"Контур-М", 1992. 140 с.

126. Пешев Н.Г. Экономические проблемы рационального использования фосфатного сырья. Л.: Наука, 1980. - 224 с.

127. Подиновский В.В. Многокритериальные задачи с упорядоченными по важности критериями. Автоматика и телемеханика, №11, 1976.

128. Попов A.A. Программирование в среде СУБД FoxPro 2.0. Построение систем обработки данных. М.: Радио и связь, 1994. - 352 с.

129. Попов Э.В. Экспертные системы. М.: Наука, - 1987. - 286 с.

130. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статистические и динамические экспертные системы. М.: Финансы и статистика. 1996. 320 с.

131. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988. - 280 с.

132. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986.-288 с.

133. Построение экспертных систем: Под ред. Ф. Хейеса-Рота, Д. Уотермана, Д. Лената. М.: Мир, 1987. - 441 с.

134. Пранявичюс Г. Модели и методы исследования вычислительных систем. -Вильнюс: Мокслас, 1982. 227 с.

135. Представление знаний в человеко-машинных и робототехнических системах. M.: ВЦ АН СССР: ВИНИТИ, 1984. Том А: Фундаментальные исследования в области представления знаний. - 262 с.

136. Представление и использование знаний:/Под ред. X. Уэно, М. Исидзука. -М.: Мир, 1989.-220с.

137. Преобразование концептуальной модели к спецификациям алгоритмов / Фильчаков В.В., Бржезовский A.B., Жаков В.И., Дегтярев A.B. // Вычислительный эксперимент в задачах прогнозирования. -Апатиты, изд-во КНЦ РАН, 1994 С. 180-186.

138. Приобретение знаний:/Под ред. С.Осуга, Ю.Саэки. М.: Мир, 1990. - 260 с.

139. Путилов В.А., Фильчаков В.В. Фридман А.Я. CASE-технологии вычислительного эксперимента. Апатиты: Изд-во КНЦ РАН, 1994. Т.1 - 249 с. Т.2. -169 с.

140. Путилов В.А., Фридман А.Я. Декомпозиция и оптимизация в задачах моделирования комплексных технологий // XXIV Всесоюзная школа по автоматизации научных исследований. Тезисы докладов.: Изд-во КНЦ АН СССР, Апатиты, 1990. С. 72, 73.

141. Путилов В.А., Фридман А.Я. Прикладные АСНИ: технология автоматизированного проектирования // Методы и средства вычислительного эксперимента. Апатиты: Изд. КНЦ АН СССР, 1990. - С. 34-38.

142. Путилов В.А., Фридман А.Я., Ченосов С.Б. Иерархическое представление имитационных моделей комплексных технологий // Технология проектирования программных и аппаратных средств вычислительных систем. Л.: Изд. о-ва "Знание", 1990.-С. 25-27.

143. Путилов В.А., Фридман А.Я., Ченосов С.Б. Организация вычислительного моделирующего эксперимента для динамических объектов // Вычислительный эксперимент в исследованиях технологических процессов и систем. Апатиты: Изд. КНЦ АН СССР, 1991. - С. 42-46.

144. Романов Б.А., Кушниренко A.C. dBASE IV. Назначение, функции, применение. М.: Радио и связь, 1991. - 384 с.

145. Росс Д. Структурный анализ (SA): язык для передачи понимания // Требования и спецификации в разработке программ / Пер. с англ. под ред. В.Н. Агафонова. -М: Мир, 1984. С. 240-284.

146. Саати Т. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993.- 320 с

147. Сагидова M.JL, Фридман А.Я. Основы ГИС-интерфейса в ситуационной системе вычислительного эксперимента // Теоретические и прикладные модели информатизации региона. Апатиты: КНЦ РАН, 2000. - С. 110 -113.

148. Сагидова M.JL, Фридман А.Я., Олейник А.Г. Алгоритм геокодирования для моделирования протяженных объектов энергетической системы Мурманской области // Системы информационной поддержки регионального развития. Апатиты: КНЦ РАН, 1998.-С. 33-36.

149. Салуквадзе М.Е. Задачи векторной оптимизации в теории управления. -Тбилиси: Мецниереба, 1975. 202 с.

150. Самарский A.A. Введение в численные методы. М.: Наука, 1987. - 288 с.

151. Семенов H.A. Программы регрессионного анализа и прогнозирования временных рядов. Пакеты ПАРИС и МАВР,- М.: Финансы и статистика, 1990. 111 с.

152. Синтез моделей вычислительного эксперимента / Бржезовский A.B., Жаков В.И., Путилов В.А., Фильчаков В.В. СПб.: Наука, 1992. - 231 с.

153. Системы: декомпозиция, оптимизация и управление. М.: Машиностроение, 1986. - 495 с.

154. Современное состояние теории исследования операций. Под ред. Н.Н.Моисеева. М.: Наука, 1979. - 464 с.

155. Тейчроу Д., Херши Э. PSL/PSA: Автоматизированная методика структурированного документирования и анализа систем обработки информации. // Требования и спецификации в разработке программ / Пер. с англ. под ред. В.Н. Агафонова,- М.: Мир. 1984. С. 7-27.

156. Тикунов B.C. Геоинформационные системы что это такое? // ГИС-обозрение, весна 1994. - С. 8-9.

157. Тиори Т., Фрай Дж. Проектирование структур баз данных. М.: Мир, 1985. Т.1.-287 е.; Т.2.-320 с.

158. Трахтенгерц Э.А. Компьютерный анализ в динамике принятия решений. -Приборы и системы управления. № 1, 1997. С. 49-56.

159. Тыугу Э.Х. Концептуальное программирование. -М.: Наука, 1984. 255 с.

160. У.И.Дал, Б.Мюрхауг, К.Нюгорд. Симула-67. Универсальный язьпс программирования. М.: Мир, 1969. - 99 с.

161. Уинстон П. Искусственный интеллект. М.: Мир, 1980.

162. Ульман Дж. Основы систем баз данных. М.: Финансы и статистика, 1983.

163. Унифицированный язык моделирования UML // А.Бабкин, Ф.Новиков, http://www.MSFESTIVAL.ru/reports/9-3/9893.htm.

164. Уотерман Д. Руководство по экспертным системам. М.: Мир, 1989.

165. Фильчаков В.В., Богданов Д.В. Метод генерации плана выполнения проекта на основе концептуальной модели технологии // Информационные технологии поддержки принятия решений. Апатиты, изд. Кольского научного центра РАН, 1998. -С. 31-42.

166. Формализация задачи анализа базы знаний продукционной экспертной системы /С.Н. Малыгина, А.Г. Олейник, О.В. Олейник, А.Я. Фридман. //Информационные технологии поддержки принятия решений. Апатиты, 1998. - С. 620.

167. Фостер Дж. Автоматический синтаксический анализ. М: Мир, 1974. - 71 с.

168. Френкель A.A., Бар-Хиллел И. Основы теории множеств. М.: Мир, 1966.556 с.

169. Фридман А.Я., Олейник А.Г., Матвеев П.И. Ситуационная СППР муниципального управления // Муниципальные геоинформационные системы. Материалы 6-й Всерос. конференции МГИС'99, Обнинск, 25 29 янв.1999. -г.Обнинск: изд-во ОГИЦ (CD-ROM). - С. 96-111.

170. Фридман А.Я. Использование отношений порождения и следования для автоматического анализа концептуальной модели // Теоретические и прикладные модели информатизации региона. Апатиты: КНЦ РАН, 2000. - С. 75-83.

171. Фридман А.Я. Ситуационный подход к моделированию состояния пространственного объекта // Системы информационной поддержки регионального развития. Апатиты: КНЦ РАН, 1998. - С. 45-49.

172. Фридман А.Я., Фридман О.В. Управление выводом при пополнении, классификации и обобщении ситуаций в ситуационной системе вычислительного эксперимента // Теоретические и прикладные модели информатизации региона. -Апатиты: КНЦ РАН, 2000. С. 95 - 100.

173. Фридман А.Я., Фридман О.В. Контроль корректности вычислений и управление выводом в системах продукций // Имитационное моделирование в исследованиях проблем регионального развития. Апатиты: КНЦ РАН, 1999. - С. 93100.

174. Фридман А.Я., Ченосов С.Б. Программная система проектирования, диалоговой оптимизации и анализа динамики комплексных технологических процессов. // Междунар. конф. ЮНЕСКО "Математика, управление и инвестиции". Тез. докл. М.: Прогресс, 1993. - С. 77.

175. Фридман А.Я., Ченосов С.Б. Средства организации и проведения вычислительного эксперимента по моделированию динамики сложных систем. //Вычислительный эксперимент в задачах прогнозирования" Апатиты: Изд. КНЦ АН СССР, 1994.-С. 140-149.

176. Фридман А.Я. Классификация ситуаций и сопоставление альтернативных структур модели в ситуационной системе вычислительного эксперимента. //Имитационное моделирование в исследованиях проблем регионального развития. -Апатиты: КНЦ РАН, 1999. С. 14-24.

177. Хаббард Дж. Автоматизированное проектирование баз данных. М.: Мир,1984.

178. Хрупов С. В. Организация данных в ГИС II РИС обозрение, 1997, № 2, - С.38 -42.

179. Цаленко М.Ш. Моделирование семантики в базах данных. М.: Наука, 1989. -288 с.

180. Цикритзис Д., Лоховски Ф. Модели данных / Пер. с англ. М.: Финансы и статистика, 1985. - 420 с.

181. Чень Ч., Ли Р. Математическая логика и автоматическое доказательство теорем. М.: Наука, 1983. - 370 с.

182. Шеннон Р. Имитационное моделирование систем. Искусство и наука. М.: Мир, 1978.-417 с.

183. Шлеер С., Меллор С. Объектно-ориентированный анализ: моделирование мира в состояниях. Киев: Диалектика, 1993. - 240 с.

184. Шоломов Л.А. Логические методы исследования дискретных моделей выбора. М.: Наука, 1989. - 288 с.

185. Щекин C.B. Концептуальное моделирование программного обеспечения графических систем. Дисс. на соиск. уч. ст. канд. тех. наук. СПб, ГУАП, 1999.

186. ЭВМ пятого поколения: Концепции, проблемы,перспективы: /Под ред.Т.Мото-Ока;.- М.: Финансы и статистика, 1984. 110 с.

187. Юсупбеков Н.Р., Цацкин М.Л. Робастность многосвязных систем управления. М.: Наука, 1990. - 149 с.

188. Antonovich Michael. FoxPro 2. Programming Guide. Microtrend Books, 1992.

189. Arc View GIS. Геоинформационные системы для всех. Руководство пользователя. Environmental Systems Research Institute, Inc. 1996. 376 с.

190. Avenue. Настройка и разработка приложений в ArcView. Руководство пользователя. Environmental Systems Research Institute, Inc. 1996. 280 с.

191. Borgida A. Features of Languages for the Development of Information Systems at the Conceptual Level // IEEE Trans, on Software. 1985. -1 1. - pp. 63-72.

192. Byte, Special Smalltalk Issue, v.6, n.8, 1981.

193. Cauvet C., Proix C. and Rolland С. Information systems design: an expert system approach // The Role of Artificial Intelligence in Databases and Information Systems. China Academic Periodical Press. Gungzhou, China, 1988, pp. 1-28.

194. Chambers Bill. FoxPro 2. Business & MIS Application. Microtrend Books,1992.

195. Codd E.F. Relational Model of Data for Large Shared Data Banks // Comm. ACM. 1990. Vol. 13,1 6. - pp. 377-387.

196. Cox B.J. Object-Oriented Programming. Addison-Wesley, 1986.

197. Davis R. Application of meta-level knowledge to the consultation maintenance and use of large knowledge bases // Сотр. Sci. Dep. Stanford University: Report STAN-CS-76-552. 1976.

198. Eom S.B. Decision support systems research: reference disciplines and accumulative tradition. The International Journal of Management Science,23, 5, October 1995,-pp. 511-523.

199. Erman L. et al. The HEARSAY-II speech understanding system. Integrating knowledge to resolve uncertainty// Сотр. Survey. -1980. Vol. 12(2). - pp. 213-253.

200. Ershov A.P. Mixed computation: Potential applications and problems for study // Theoretical Сотр. Sci. 1982. - Vol. 18. - pp. 41-67.

201. Forrester, Jay W. 1958. "Industrial Dynamics-A Major Breakthrough for Decision Makers." Harvard Business Review, Vol. 36, No. 4, pp. 37-66.

202. Forrester, Jay W. 1971. World Dynamics. (1973 second ed.). Portland, OR: Productivity Press. 144 pp.

203. Freeman, Christopher, ed., 1983. Long Waves in the World Economy, London and Boston, MA: Butterworths, 245 pp.

204. Georgeff M.A. A framework for control in production systems // Proc. of IJCAI -6. Tokyo. 1979. - pp. 328-334.

205. Georgeff M.A. Procedural control in production systems // Artificial Intelligence. 1982. - Vol. 18.,-pp. 175-201.

206. Goldberg A., Robson D. Smalltalk-80: The Language and its Implementation. -Addison-Wesley, 1983, 720 p.

207. Graham, Alan K. 1980. "Parameter Estimation in System Dynamics Modeling." In Jorgen Randers (ed.), Elements of the System Dynamics Method. pp. 143-161. Portland.

208. Graphic Query, Display and Cartographic Output. User's guide. Environmental Systems Research Institute, Inc. 1994.

209. High Performance Systems. 1990. STELLA II Users Guide. Macintosh. 45 Lyme Road, Hanover, NH: High Performance Systems.

210. Keravnov E.T. What is the deep system? An analysis of first-generation limitations and review of second-generation architectures. // Comp. Physics Communication. 1990. - Vol. 61. 1 3, - pp. 3-12.

211. Kim W. and Lochovsky F. Object-Oriented Concepts, Applications, and Databases. Microtrend Books, 1989.

212. King Roger and Novak Michael. Designing Database Interfaces with DBfast // ASM Transactions on Information Systems, Vol.11,1 2, April 1993, pp. 105-132.

213. Kowalski R. Algorithm = Logic + Control // Com. ACM. 1979. - Vol. 22. 1 7, -pp. 424-436.

214. Krivorutsky L., Oleynik A., Oleynik O., Fridman A. Decision Support System for Regional Power Supply Management. Papers of Second International Conference on Information Technology in the Barents Region (BAR-IT'96), 1996, Apatity, 18-19 September.

215. Liskov, et all. Clu reference manual. Lect.Notes in Computer Science, v. 114. Springer Verlag, 1980.

216. Mahajan, R., and B.Sneiderman. Visual and textual consistency checking tools for graphical user interfaces. / IEEE Transactions on Software Engineering, Nov 97, pp. 722 - 735.

217. McDermontt J. et al. The efficiency of certain production system implementation //Inference Systems. 1978, - pp. 155-176.

218. Nutt G. Evaluation Nets for Computer Systems Performance Analysis. FJCC, AFIPS PRESS, 1972, Vol. 41, Pt. 1, pp. 279-286.

219. PC ARC/INFO. STARTER KIT. Руководство пользователя / Пер. с англ. M.: с/п Дата+ ,1993.

220. Powersim 2.5 Reference Manual.-Herndon, USA: Powersim Press, 1996. 427pp.

221. Pugh, Alexander L., III. 1986. Professional DYNAMO Plus Reference Manual. IBM PC computers. 5 Lee St, Cambridge, MA: Pugh-Roberts Associates.

222. Richardson, George P. 1991. Feedback Thought in Social Science and Systems Theory. Philadelphia, PA: University of Pennsylvania Press. 374 pp.

223. Roberts, Edward B. 1978. Managerial Applications of System Dynamics. Portland, OR: Productivity Press. 562 pp.

224. Roberts, Nancy, David Andersen, Ralph Deal, Michael Garet, and William Shaffer. 1983. Introduction to Computer Simulation: A System Dynamics Modeling Approach. Portland, OR: Productivity Press. 562 pp.

225. Roberts, Nancy. 1978. "Teaching Dynamic Feedback Systems Thinking: an Elementary View." Management Science, Vol. 24, No. 8, pp. 836-43.

226. Rumbaugh j., Blacha M. Premerlani W., Eddy F. Lorensen W. Object-Oriented Modeling and Design. Prentice-Hall, Inc., 1991.

227. Salza S., Pichetti L. LOGIBASE+: efficient implementation of a rule-based interface to a computer database management system // OÑél, 1/2, 1992. pp. 77-85.

228. Schroeder, Walter W., Ill, Robert E. Sweeney, and Louis Edward Alfeld, ed., 1975. Readings in Urban Dynamics: Volume 2, Portland, OR: Productivity Press, 305 pp.

229. Senge, Peter M. 1990. The Fifth Discipline. New York: Doubleday. 424 pp.

230. Simon H.A. The new science of management decision. Englewood Cliffs, N.J., Prentice-Hall Inc., 1975.

231. Simonovic A., Slobodan P. Decision support for sustainable water resources development in water resources planning in a changing world.-Proceeding of International UNESCO symposium, Karlsruhe, Germany, p. III.3-13, 1994.

232. Slovic P., Fichhoff В., Lichtenstein S. Behavioural decision theory.- Annu. Phsychol. Rev. vol. 28, 1997.439

233. Sterman, John D. 1986. "The Economic Long Wave: Theory and Evidence." System Dynamics Review, Vol. 2, No. 2, pp. 87-125.

234. Sterman, John D. 1989. "Modeling Managerial Behavior: Misperceptions of Feedback in a Dynamic Decision Making Experiment." Management Science, Vol. 35, No. 3, March,-pp. 321-339.

235. Stroustrup B. An Overview of С++. SIGPLAN Notices, v.21, n.10, 1986, pp. 718.

236. Tesler L.G. et al. The LISP70 pattern machining system // Proc. of IJCAI 3. -Stanford. California, 1973, - pp. 671-676.

237. Turbo Pascal 5.5. Руководство по объектно-ориентированному программированию. M.: - ПЭМ ВНИИНТПИ Госстроя СССР, 1990. - 123 с.

238. Wizsing M. et al. On hierarchies of abstract data types // Acta Informática. 1983. -Vol. 20,-pp. 1-34.

239. Yourdon E. Modern Structured Analysis. Prentice-Hall, 1989.

240. Zahedi, F. and Ashrafi, N. Software Reliability Allocation Dased on Structure, Utility, Price, and Cost // IEEE Trans, on Software Engineering, vol.17, No.4, April 1991, -pp. 345-356.

241. ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ1. Использованные сокращения

242. АСК СМ автоматизированная система контроля состояния горного массива

243. АСНИ автоматизированная система научных исследований

244. АСУТП автоматизированная система управления технологическим процессом1. БД база данных1. БЗ база знаний1. БИД база исходных данных

245. БИЭЗ библиотека исполнителей элементарных задач

246. БДПО база данных предметной области

247. БПС большая программная система

248. ВЗУ внешнее запоминающее устройство

249. ВЭ вычислительный эксперимент

250. ГДС гибкая дискретная система

251. ГИП графический интерфейс пользователя

252. ГИС географическая информационная система

253. ИАСС информационно-аналитическая справочная система1. ИМ информационная модель1. ИмМ имитационная модель

254. ИсМ исследовательская модель

255. ККУ критерий качества управления (вычислительным экспериментом) КЛА - кусочно-линейный агрегат КМ - концептуальная модель

256. КМИС концептуальное моделирование информационных систем

257. КМПО концептуальная модель предметной области

258. ЛПР лицо, принимающее решения

259. ЛТП логико-трансформационные правила1. ЛЭП линия электропередач

260. МПО модель предметной области

261. МУИ модуль управления имитацией

262. ОЗУ оперативное запоминающее устройство

263. ООП объектно-ориентированный подход к программированию1. ОП оперативная память

264. ОПР объект принятия решения

265. ОЭС оболочка экспертной системы

266. ПАС прикладная автоматизированная система

267. ПВФ пространственно-временная функция

268. ПДК предельно допустимая концентрация1. ПК персональный компьютер1. ПМ прикладная модель

269. ПСМ программная система моделирования

270. ППДС правильно построенная достаточная ситуация

271. ППП пакет прикладных программ

272. ПТК природно-технический комплекс

273. ПФ пространственная функция

274. РГП радиальный годовой прирост1. СА структурный анализ

275. САП список одновременно активизируемых процессов

276. СДУ служба диспетчерского управления1. СМ система моделирования1. СП система продукций

277. СППР система поддержки принятия решений

278. СРВ система реального времени

279. ССМ ситуационная система моделирования

280. СУБД система управления базами данных

281. ТГЭ трансформированный ГИС-элемент

282. ТТГ текущий технологический граф

283. ФЦП функционально-целевой подход

284. ЭД экспериментальные данные1. ЭС экспертная система

285. ЯМД язык манипулирования данными

286. CAD (Computer-Aided Design) автоматизированное конструирование CASE (Computer Aided Software Engineering) - автоматизированная разработка программного обеспечения

287. CPN (Color Petri Nets) цветные (раскрашенные) сети Петри DFD (Data Flow Diagrams) - диаграммы потоков данных

288. ERD (Entity-Relationship Diagrams) диаграммы "сущность-связь"

289. PDL (Process Description Language) язык описания процессов (язык типа Ада)

290. SADT (System Analysis & Design Technique) анализ и конструирование систем

291. SDL (Specification & Description Language) язык описаний и спецификаций

292. STD (State Transition Diagrams) диаграммы переходов состояний

293. UML (Unified Modeling Language) унифицированный язык моделирования

294. Adj множество имен настроечных параметров критериев качества функционирования элементов КМПО ССМ (подмножество множества Var) В(М) - булеан над множеством M В'(М) - разбиение множества M

295. Оа множество объектов, принадлежащих в КМПО уровню с номером а Р - множество процессов, описанных в КМПО

296. Par множество имен параметров со значениями строкового типа, использованных в КМПО ССМ (подмножество множества D)

297. Res множество имен ресурсов (количественных характеристик) элементов КМПО ССМ (подмножество множества Var)