Разработка концептуальной проблемно-ориентированной метамодели образного представления сложной системы на основе геоинформационной системы

В последнее время одним из наиболее перспективных направлений прикладных исследований в области моделирования сложных систем, неотъемлемой составляющей которых является наличие неопределенности, является метасистемный подход (System of system, SoS — «система систем») [1, 2]. Неопределенность, которая присутствует в силу природы сложной системы, затрудняет, а часто исключает применение точных количественных методов и подходов. Метасистемный подход позволяет идентифицировать сложную систему, использовать теоретико-множественное описание на основе нечеткой логики, уточнять модель по данным экспертных оценок, объединять количественные и качественные данные для моделирования и изучения поведения сложных многофакторных систем.

При построении формализованной модели сложной системы необходимо учитывать достаточно большой перечень элементов и составляющих, выраженных как в количественной, так и в качественной формах, при условии адекватного отображения всей глубины исследования системы.

Для реализации вышеназванных требований и предлагается использовать метасистемный подход, отличительной чертой которого является учет когнитивного подхода, позволяющего прогнозировать структурное и образное представление сложной системы в развитии, возможность разрабатывать интеллектуальные информационно-управляющие системы, учитывающие критерии эффективности применяемых технических и программных средств с целью прогнозирования, планирования и управления [3], а также использование метаэвристик [4].

Целью данной работы является моделирование структуры и отдельных элементов функциональности образного представления сложной системы на примере геоинформационной системы в виде наборов метамоделей.

Итак, когнитивная теоретико-множественная метамодель исследуемой сложной системы, основы которой заложены в работе [5] и развита в [6, 7] описывается следующим образом:

M ={MO, ME, MOE, MD, МГИС, Q, MПР, MU, MH, A}, (1).

где: МO — идентифицирующая модель системы (модель объекта); МЕ — модель окружающей среды; МоЕ — модель взаимодействия объекта и среды; MD — модель поведения системы, в том числе, в виде импульсных процессов, реализуемых при моделировании возмущающих и управляющих воздействий на когнитивной модели; МГИС — модель геоинформационной системы (ГИС); Q — возмущающие/управляющие воздействия; MПР — модель принятия решений; MU — модель управляющей системы; МН — модель «наблюдателя» (инженера, эксперта, оператора); А — правила объединений моделей и выбора процессов изменения объекта.

Все вышеперечисленные математические модели и в отдельности и в совокупности, во-первых, это когнитивные модели [8], во-вторых, они, в свою очередь, могут быть описаны как метамодели, что приведет к формализации иерархической составляющей сложной системы. Следует отметить, что взаимодействия между вершинами когнитивной модели могут быть представлены системами уравнений, описанными на языке теории вероятностей и нечетких множеств, допускается использование нечеткой логики и метаэвристик для нахождения оптимального решения (пути между вершинами). Покажем это на примере ГИС.

Современные геоинформационные системы являются ярким примером сложной системы и используются в самых разнообразных сферах человеческой деятельности. Например, в [9] описываются возможности ГИС для систематизации параметров и характеристик, отражающих экологическую обстановку, состав питьевой воды, климатогеографические условия и в совокупности влияющих на уровень стоматологических проблем граждан. В статье [10] предложен метод, основанный на теоретико-множественном представлении и анализе пространственных данных, позволяющий сформировать непротиворечивую структуру распределенной базы данных с учетом ГИС.

Особое внимание в данной статье мы хотим уделить элементу МГИС из (1). Модель геоинформационной системы в свою очередь может быть описана следующим образом:

МГИС (MMO, MME) (2).

где MMO — модель измерения состояния системы, МME — модель измерения состояния окружающей среды, в том числе наборы правил, процедур, измерительных средств и может быть представлена следующим кортежем:

МГИС =, (3).

где S — система сбора информации, H — система хранения информации, D — система обработки результатов измерений, V — система визуализации.

На этапе сбора и хранения информации, модели S и H, объем поступающей измерительной информации оказывается значительным. В то же время основная доля данной информации является избыточной, поэтому актуальной становится задача сжатия данных. Основной интерес представляет обратимое сжатие на основе апертурных интерполяционных и экстраполяционных алгоритмов нулевого и первого порядков, в результате которого исходные сигналы могут быть в дальнейшем восстановлены как функции времени с заданной погрешностью. В работе [11] рассмотрена возможность использования для сжатия данных платформы National Instruments PXI, включающей реконфигурируемый модуль ввода-вывода (модуль R-серии).

В свою очередь модель системы сбора информации, это:

S =, (4).

где P — пространственно-координатные данные, W — данные о времени, С — семантические данные, Т — топологические данные.

В разрабатываемую ГИС предлагается включать реализацию следующих измерительных функций:

K — Контроль протекающих процессов, выявление возможных отклонений. Данный функционал предполагает получение сигнала, сравнение его с допустимым диапазоном значений, и, в зависимости от полученного значения, сохранение в памяти, либо оповещение об отклонении.

L — Локализация и предотвращение аварийной ситуации. ГИС отображает на карте местоположение всех датчиков и связанных с ними объектов и/или элементов мониторинга, что позволяет оперативно определить локализацию аварийной ситуации и предпринять меры для ее подавления.

Md — Моделирование развития ситуации. Данный функционал предполагает анализ картографической информации, что является более естественным и привычным для эксперта. Функции пространственного анализа ГИС: картометрические операции, построение буферных зон, топологический анализ и т. д. позволяют оценить развитие той или иной ситуации. Например, зная месторасположение датчика и объекта, с которым он связан, ГИС строит буферную зону вокруг данного объекта в зависимости от влияния различных критериев: вещество, температура, форма поверхности, уклон и т. д., что позволяет определить объекты, попадающие в зону распространения аварии и минимизировать риск их аварийности.

Pr — Прогнозирование и снижение риска аварийных ситуаций.

Таким образом, модель D из (3) содержит следующий функциональный набор:

D = .

система метамодель структура прогнозирование В работе ГИС следует выделить общий алгоритм функционирования системы, отвечающий за сбор и анализ данных, выработку управленческих и прогнозирующих решений. Алгоритм возможно описать следующей моделью:

AF =, (5).

где Rs — отправная точка в ГИС; RD — область поставок некоторого объекта; N транспортная сеть; VO временная область; PK набор показателей качества объекта; X некоторый объект для перемещения (или мониторинга); Y набор внешних воздействий; ObSt статические объекты — oObSt, Stj: xk, xk? xkopt. Каждый объект из множества ObSt характеризуется следующим набором параметров: o ObSt: xk. К статическим объектам относятся объекты, положение которых не изменяется в процессе функционирования системы: агрегаты, турбины, печи, станки, емкости и т. д.;

ObDm динамические объекты (объекты, которые могут изменять свое положение) — odObDm, Dml: xm, xm? xmopt. Каждый объект из множества ObDm характеризуется следующим набором параметров: oObDm: xm. Подробно алгоритм рассмотрен в [12].

Метасистемный подход позволяет синтезировать метамодели сложных систем (1)-(5), которые дают возможность вырабатывать и корректировать как цели функционирования систем, так и пути их достижения.

Метасистемный подход, обладающий когнитивным свойством можно считать некой разновидностью концептуального моделирования в части создания более иерархических формальных описаний предметных областей.

Работа выполнена при финансовой поддержке гранта РФФИ № 16−07−336 «Развитие теории и применение метаэвристических моделей, методов и алгоритмов для трансвычислительных задач принятия оптимальных решений».

• 1. Звягин Л. С. Метасистемный подход в экономике и управлении // Вопросы экономики и управления. 2016. № 4. С. 6−11.
• 2. System of Systems Modeling and Analysis / James E. Campbell, Dennis E. Longsine, Donald Shirah, and Dennis J. Anderson. Springfield, VA, 2005, 135 p.
• 3. Бушуев В. В., Сокотущенко В. Н. Интеллектуальное прогнозирование. М: ИД «Энергия», 2016 164 с.
• 4. Tuukka Puranen. Metaheuristics Meet Metamodels. A Modeling Language and a Product Line Architecture for Route Optimization Systems. University of Jyvдskylд. 2012. 270 p.
• 5. Сценарный анализ динамики поведения социально-экономических систем / В. В. Кульба, Д. А. Кононов, С. С. Ковалевский, С. А. Косяченко, Р. М. Нижегородцев, И. В. Чернов. М.: ИПУ РАН, 2002. 122 с.
• 6. Инновационное развитие социально-экономических систем на основе методологий предвидения и когнитивного моделирования / Под ред. Г. В. Гореловой, Н. Д. Панкратовой. Киев: Наукова думка, 2015 — 464 с.
• 7. Ginis L.A., Gorelova G.V., Kolodenkova A.E. Cognitive and simulation modeling of development of regional economy system / // International Journal of Economics and Financial Issues. 2016. Vol. 6, No 5S, pp. 97−103.
• 8. Гинис Л. А. Методологические основы нечеткого когнитивного моделирования иерархических проблемно-ориентированных систем // Инженерный вестник Дона. 2014. № 2. URL: ivdon.ru/ru/magazine/archive/n2y2014/2326
• 9. Иванова Е. А., Трифонов А. А. Использование географических информационных систем для оптимизации профилактических мероприятий в области стоматологии // Инженерный вестник Дона, 2016, № 2 URL: ivdon.ru/ru/magazine/archive/n2y2015/3645.
• 10. Павлов С. В., Самойлов А. С. Проектирование структуры распределенной базы пространственных данных в сложно структурированных иерархических географических информационных системах // Инженерный вестник Дона, 2015, № 1−1 URL: ivdon.ru/ru/magazine/archive/n1y2015/2755.
• 11. Левонюк С. В. Совместное моделирование устройства сбора и обратимого сжатия измерительной информации в среде LabVIEW и в системе Multisim // Труды ХII международной конференции «Инженерные и научные приложения на базе технологий National Instruments-2013». Москва, 28−29 ноября 2013. С. 278−280.
• 12. Гинис Л. А., Гордиенко Л. В. Моделирование сложных систем: когнитивный теоретико-множественный подход. Таганрог: Издательство Южного федерального университета, 2016. — 160 с.