Деякі підходи до моделювання в комбінованих інтелектуальних системах

До основних задач в комбінованих інтелектуальних системах моделювання можна зарахувати:

· системний аналіз взаємодії змінних у складних об’єктах з метою визначення множини характеристичних змінних і розподілу її на підмножини вхідних та вихідних (незалежних і залежних) змінних;

· структурну й параметричну ідентифікації об’єктів, що моделюються, з уже відомими моделями взаємозмінних, які їх характеризують;

· якісне та кількісне прогнозування процесів з різною попередністю;

· планування, управління та прийняття рішень.

При цьому існує дещо принципова відмінність двох підходів до моделювання: а) базування тільки на досвіді спостережень за діями об’єкта, поданого у вигляді уявлень користувача, що склалися в нього про об’єкт; б) порівняння ряду розрахунків на основі дослідних даних як результатів проведення активного чи пасивного експерименту. Перший супроводжується використанням принципів імітаційного моделювання, а другий — експериментального методу самоорганізації моделей [ 35 ].

Уразливим місцем імітаційних методів є те, що користувач загальної моделі змушений зазначити закономірності для всіх елементів досліджуваної системи, в тому числі й для тих з них, які він знає гірше від інших або які взагалі найменшою мірою піддаються імітації. Тому найкраще застосовувати комбінований метод, у якому використовуються обидва підходи і який забезпечує найвищу ефективність дослідження складних об’єктів. При цьому моделі погано вивчених елементів формуються за допомогою експериментальних методів самоорганізації моделей, тоді як відомі елементи задаються безпосередньо користувачем моделі.

У цьому разі побудова динамічної моделі процесу зводиться до виконання таких етапів:

· виявлення змінних, які характеризують процес, і планування експериментів;

· реєстрування даних під час спостережень за об’єктом при проведенні експериментів (зміни параметрів слід проводити в однакові інтервали часу та кроків у просторі вимірювань; максимально припустимий крок таблиці треба визначати за теоремою відліків Котельникова — Шеннона);

· вибір фізичного закону, який доцільно покласти в основу моделі (елемент імітаційного моделювання). Якщо в основу моделювання той чи інший фізичний закон покласти важко, застосовується індуктивний підхід, згідно з яким структура моделі оптимальної складності підбирається випробуванням кількох моделей-претендентів за критеріями селекції. При цьому в просторі критеріїв кожній моделі відповідає певна характеристична точка. Відповідно до принципу самоорганізації систем вибирається деяка кількість точок (отже, й моделей), найближче розташованих до початку координат. Процедура довизначення моделі полягає в тому, що з відібраних кращих моделей береться одна за головним критерієм:

· заміна безперервного математичного опису його дискретним аналогом (різницевим рівнянням);

· оцінювання й адаптування (облік за всіма даними) коефіцієнтів різницевого рівняння (елемент самоорганізації моделей).

Самоорганізація (тобто перебирання) моделей, так само як регресійний аналіз, належить до експериментальних методів моделювання, оскільки вона ґрунтується на обробці пасивного (спостереження за нормальною роботою об’єкта, як правило, при ручному керуванні ним) або активного (зміна зовнішніх дій здійснюється за спеціальною програмою) експериментів. Але якщо в регресійному аналізі структура моделі задається, то самоорганізація моделей передбачає визначення моделі оптимальної складності, коли при поступовому ускладненні структури моделі (наприклад, при збільшенні кількості членів і степені поліноміальної моделі) значення зовнішніх критеріїв спочатку зменшуються, а потім збільшуються, тобто є їх мінімум, який визначає модель оптимальної складності.

Загалом процес самоорганізації подібний до роботи генетичних алгоритмів, які починають свою роботу з деякого набору даних і процедур і намагається комбінувати їх різним способом (відбувається схре­щування). Далі з цих комбінацій відбираються найкращі за певним крите­рієм (селекція), і саме вони беруть участь у подальших схрещуваннях. Інко­ли до даних і процедур, які залучені до еволюційного відбору, вносяться певні випадкові зміни (відбуваються мутації). Генетичні алгоритми добре зарекомендували себе для розв’язання ряду погано формалізованих та важкорозв’язуваних задач.

Оскільки аналітична залежність того чи іншого критерію від складності моделі невідома, задача пошуку його мінімуму розв’язується методом індукції, тобто шляхом повного або неповного спрямованого перебирання багатьох моделей-претендентів. У програмах, що реалізують самоорганізацію моделі, передбачаються блок генерування множини моделей-претендентів, блок обчислення значень певного критерію та вихідний блок вибору моделі оптимальної складності за мінімумом цього критерію.