Эволюционные алгоритмы поддержки принятия решений при управлении сложными системами

За 10 лет активной работы в Красноярске исследовательской группы (школы) по эволюционным алгоритмам и их применениям в моделировании и оптимизации сложных систем, в которую входят преподаватели, сотрудники, докторанты и аспиранты Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева и преподаватели Сибирского юридического института МВД РФ, а также работники производственных предприятий Красноярска, получены значительные теоретические и практические результаты, защищенные в шестнадцати кандидатских [ 1.. .4; 6.. .8; 10; 12; 17...23] и четырех докторских [5; 9; 11; 13] диссертациях, а также в магистерских диссертациях [23; 24], рекомендованных к защите в качестве кандидатских. Итоги работы группы подведены в монографиях [14.. .16]. Новые перспективные направления развиваются в квалификационных выпускных работах бакалавров [26; 27].

Прикладные работы представлены следующими направлениями: проектирование систем управления космическими аппаратами и орбитальными группировками [1^3;5;13], проектирование многопроцессорных вычислительных систем оперативного управления [6; 8; 9], управление организационно-техническими системами [4; 7; 11; 12], управление производственными процессами [10; 11...13; 17; 23], автоматизация проектирования интеллектуальных информационных технологий [5; 18.. .22].

Ниже будут представлены основные научные и практические результаты работы группы и направления дальнейшего развития ее исследований.

Комплекс моделей функционирования сложных систем. Необходимость применения эволюционных алгоритмов вызвана сложностью решаемых задач оптимизации, которые обладают следующими свойствами: разнотипными переменными (вещественными, целочисленными, булевыми), алгоритмически заданными целевыми функциями и функциями-ограничениями, наличием многих моделей для описания управляемых объектов, многокритери-альностью и т. д. Данные задачи оптимизации опираются на комплексы моделей функционирования сложных систем, для управления которыми необходимо осуществлять выбор эффективных вариантов систем управления. В ходе выполнения исследований проделана следующая работа:

• -    проведен системный анализ процесса функционирования системы управления космическими аппаратами и орбитальными группировками;

• -    осуществлен системный анализ процесса планирования загрузки производственных ресурсов в условиях нерегулярного поступления мелкосерийных заказов;

• -    проведен системный анализ организации работы и процесса функционирования многопроцессорных вы

числительных систем автоматизированного управления сложными процессами в режиме реального времени;

• -    определена и изучена проблематика отраслевого предприятия Минатома в условиях закрытого административно-территориального образования (ЗАТО), исследованы проблемные ситуации и их генезис, выполнен анализ проблематики создания информационной среды отраслевого предприятия Минатома в условиях ЗАТО;

• -    разработана система поддержки принятия решений при моделировании сложных систем марковскими процессами;

• -    проведено исследование систем управления реструктурируемых предприятий военно-промышленного комплекса (ВПК), выявлены их особенности, определены основные направления модернизации управления предприятиями;

• -    проведен анализ системы принятия решений при управлении инновациями на реструктурируемом предприятии ВПК и установлены типы принимаемых решений, имеющие решающее значение для обеспечения высокой эффективности инновационного процесса.

В результате построены следующие модели:

• -    комплекс формальных моделей выбора эффективного варианта системы управления космическими аппаратами и орбитальной группировкой, отличающихся тем, что в них учтена структура наземного комплекса управления и распределение выполняемых операций, а также взаимосвязь между контурами системы управления, обеспечивающих возможность оптимального проектирования и планирования загрузки системы управления [1...3;5;7;13;14;16];

• -    комплекс формальных моделей оптимизации загрузки производственных ресурсов в условиях нерегулярного поступления мелкосерийных заказов. В этом случае оптимизация выполняется по технологическим и стоимостным критериям, что позволяет оптимально встраивать коммерческие заказы в основной производственный план [1; 10; 13; 16];

• -    комплекс математических моделей оценки характеристик надежности и производительности, а также описания функционирования многопроцессорных вычислительных комплексов произвольной конфигурации для оперативного управления сложными процессами в реальном времени [6; 8; 9; 15; 25];

• -    комплекс формальных моделей формирования структуры распределенной информационной системы для управления сложными организационно-техническими объектами [4; 11; 14; 15];

• -    структурная модель проблематики и структурная модель информационной среды отраслевого предприятия Минатома в условиях ЗАТО [11; 14; 15];

• -    комплекс модифицированных математических моделей планирования работы предприятия, которые позволяют осуществлять поддержку принятия решений при распределении финансовых и материальных ресурсов и эффективно согласовывать интересы центров финансовой ответственности и центрального управляющего органа при управлении инновационными процессами на децентрализованном предприятии ВПК [17; 23; 24];

• -    математические модели оптимизации планирования взлетов и посадок самолетов в аэропортах [12], формирования заявок на поставку товаров крупной торговой компании [12], формирования кредитного портфеля коммерческого банка [12; 24].

Комплекс оптимизационных процедур. Применение разработанных моделей при поддержке принятия решений в управлении сложными техническими, организационно-техническими и организационными системами требует решения сложных задач оптимизации. Для обеспечения такой возможности были разработаны следующие оптимизационные процедуры:

• -    процедуры решения многоуровневых многокритериальных многошкальных задач оптимизации методами локального и адаптивного поиска, предлагающие специальную организацию программных средств и позволяющие эффективно решать задачи выбора эффективных вариантов сложных систем [3; 5; 9; 11];

• -    метод обобщенного адаптивного поиска, представляющий собой многопопуляционный эволюционный алгоритм с обобщенными структурами окрестностей, операциями преобразования и отбора решений и стратегиями оптимизации, позволяющий организовать взаимодействие популяций, которые ведут к автоматическому выбору метода оптимизации и адаптации его параметров в процессе решения задачи [5; 21];

• -    обобщенные алгоритмы регулярного локального поиска для оптимизации функций с булевыми, целочисленными и смешанными переменными, автоматически настраивающиеся на специфические свойства оптимизируемых функций в ходе процесса оптимизации [13];

• -    регулярные алгоритмы глобальной оптимизации монотонных функций с булевыми и целочисленными переменными, реализующие информационную сложность класса функций [1; 5; 10; 13; 16];

• -    алгоритм глобальной оптимизации произвольных функций с булевыми, целочисленными и смешанными переменными, реализующий мультистарт обобщенного локального поиска из начальных точек, полученных кластерным эволюционным алгоритмом [13; 16];

• -    алгоритмы решения дискретных задач условной оптимизации с алгоритмически заданными функциями произвольной формы, основанные на сочетании методов прямого поиска и модификации метода множителей Лагранжа [8; 9; 15];

• -    алгоритмы адаптивной поисковой оптимизации, позволяющие строить и сужать репрезентативную аппроксимацию множества и фронта Парето при алгоритмически заданных функциях разнотипных переменных [4; 7; 17; 24];

• -    гибридные поисковые процедуры, сочетающие эволюционные алгоритмы, методы ветвей и границ, локального поиска и позволяющие эффективно решать задачи

смешанного целочисленного программирования [12; 13; 23; 26];

• -    гибридные поисковые процедуры с нейросетевой аппроксимацией сложной целевой функции в ходе решения задачи оптимизации [2; 5; 26].

Автоматизация проектирования интеллектуальных систем. Полученный опыт и разработанные алгоритмы решения сложных задач оптимизации позволили начать исследования в такой актуальной и перспективной области, как автоматизация проектирования систем искусственного интеллекта (интеллектуальных информационных технологий). При разработке систем искусственного интеллекта основной проблемой является перенос экспертных знаний человека-специалиста в компьютерную систему.

При построении нейронных сетей это можно сделать автоматически по предъявленному задачнику, но при этом логика решения задачи интеллектуальной системы остается неясной для человека-пользователя. Для преодоления этой проблемы выполнена работа [19], в которой разработана программная система, обеспечивающая автоматическое извлечение знаний в явном виде из обученной нейронной сети.

Системы на нечеткой логике используют базу знаний в явном виде, т. е. они не обладают недостатком нейронной сети, однако не могут настраиваться автоматически и требуют длительного взаимодействия с человеком-экспертом. Эволюционные алгоритмы позволяют автоматизировать процесс генерирования базы знаний, обеспечивая целенаправленный перебор различных вариантов таких баз знаний с оцениванием их эффективности на наборе тестовых задач. Решению данной проблемы посвящены работы [18; 27].

В диссертации [20] применена комплексная интеллектуальная процедура, использующая нейронные сети и алгоритм генетического программирования для прогнозирования успешности обучения студентов по результатам психодиагностического тестирования абитуриентов.

Еще одно новое и перспективное направление исследований - создание системы автоматического построения аналитических моделей и комплексной оптимизации сложных систем - открывает работа [22], в которой в рамках единого эволюционного подхода предлагается строить аналитические зависимости, описывающие функционирование сложных систем (с использованием генетического программирования), и выполнять по ним оптимизацию (с использованием вероятностного генетического алгоритма).

Направлением дальнейших исследований красноярской группы по моделированию и оптимизации является разработка и исследование эффективных эволюционных методов автоматического формирования причинно-следственных связей и функциональных зависимостей при моделировании сложных систем и алгоритмов оптимизации сложных систем с использованием построенных моделей.