CC BY
95
СПИСОК ЛИТЕРАТУРЫ
1. Weiss G. Multiagent Systems. A Modern Approach to Distributed Artificial Intelligence. Cambridge, MA, USA. 2001. P. 36—61.
2. FIPA Specification [Электронный ресурс]: <http://drogo.cselt.stet.it/fipa/> (по состоянию на 01.02.2007).
3. FIPA-OS: A Component-Based Toolkit Enabling Rapid Development of FIPA Compliant Agents [Электронный ресурс]: <http://fipa-os.sourceforge.net> (по состоянию на 03.04.2006).
4. JADE Programmer's Guide [Электронный ресурс]: <http://jade.tilab.com> (по состоянию на 20.02.2007).
5. JADE Administrator's Guide [Электронный ресурс]: <http://jade.tilab.com> (по состоянию на 20.02.2007).
6. Collis J., Ndumu D. Zeus Technical Manual [Электронный ресурс]: <http://labs.bt.com/projects/agents/zeus/ techmanual/TOC.html> (по состоянию на 17.04.2006).
7. Horling B., Lesser V. The TAEMS White Paper / Univ. of Massachusetts. 2004.
8. Карпов Ю. Г. Введение в моделирование с использованием среды AnyLogic [Электронный ресурс]: <http://www.xjtek.com> (по состоянию на 01.12.2006).
9. Городецкий В. И., Карсаев О. В. Технология разработки прикладных многоагентных систем в инструментальной среде MASDK // Тр. СПИИРАН. СПб.: Наука, 2006. Вып. 3, т. 1. С. 11—32.
10. ArcGIS Desktop [Электронный ресурс]: <http://esri.com/software/arcgis/about/desktop_gis.html> (по состоянию на 10.04.2008).
11. GeoTools Java Library [Электронный ресурс]: <http://geotools.codehaus.org/> (по состоянию на 10.04.2008).
12. ArcGIS Explorer [Электронный ресурс]: <http://esri.com/software/arcgis/explorer/index.html> (по состоянию на 10.04.2008).
13. Михайлов В. В., Колпащиков Л. А., Селяков И. С. Использование агентного подхода к моделированию пространственно-временной динамики северных оленей таймырской популяции // Вопр. природопользования на Крайнем Севере: Сб. науч. тр. СПб.: ГУАП, 2007. С. 38—51.
Сведения об авторах
Владимир Валентинович Михайлов — СПИИРАН, лаборатория информационных технологий в системном анализе и моделировании; E-mail: [email protected] Игорь Сергеевич Селяков — СПИИРАН, лаборатория информационных технологий в систем-
ном анализе и моделировании; E-mail: [email protected]
Поступила в редакцию 06.05.08 г.
УДК 004.89
С. П. СОКОЛОВА, Е. А. КУЗЬМИНА
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА МОНИТОРИНГА ОСОБО ОПАСНЫХ ДИНАМИЧЕСКИХ ПРОЦЕССОВ
Рассматривается модульная структура интеллектуальной системы мониторинга особо опасных динамических процессов, ориентированной на анализ многомерных первичных данных (точечных и с неопределенностью интервального типа) для исследования динамических свойств и моделирования процессов. Приведен пример результатов мониторинга для процессов в природном очаге чумы.
Ключевые слова: иммунокомпьютинг, интервальная динамическая система, мониторинг, интеллектуальная система.
Как известно, в Российской Федерации (территория Кавказа, Прибайкалья, Иркутской области и т.д.) и СНГ (Казахстан, Киргизия, Узбекистан) находятся активные и самые крупные
в мире природные очаги особо опасных динамических процессов (к числу которых можно отнести, в частности, такие заболевания, как сибирская язва, чума и т.д.).
Особо опасные динамические процессы, как правило, являются сложными многокомпонентными динамическими системами. К настоящему времени разработано значительное количество математических моделей и вычислительных процедур для исследования динамики поведения сложных отношений между подсистемами и их компонентами на популяционном, орга-низменном и других уровнях. Однако результаты исследований различных видов математических моделей только дополняют друг друга, что объясняется сложностью таких процессов.
Качественно новый подход к анализу многомерных данных мониторинга особо опасных динамических процессов и распознавания ситуаций был предложен в работах [1—5] на основе интеллектуальной информационной технологии — иммунокомпьютинга. Полученные при этом результаты исследований продемонстрировали высокую вычислительную эффективность при решении задач распознавания стадий особо опасных динамических процессов и прогнозирования их возникновения [1—3], а также возможность формирования и вычисления индексов риска [4, 5].
В настоящей статье представлена модульная структура интеллектуальной системы мониторинга особо опасных динамических процессов, ориентированной на использование точечных и интервальных первичных данных и параметров математических моделей исследуемого объекта. Предложенная интеллектуальная система мониторинга содержит набор модулей и вычислительных процедур, спроектированных на основе традиционных технологий и интеллектуальной информационной технологии — иммунокомпьютинга.
Рассмотрим функциональное назначение модулей интеллектуальной системы мониторинга.
Модуль проектирования реляционной модели данных с временной динамикой.
В этом модуле каждое отношение включает время как обязательный атрибут отношения. Реализованная в модуле технология создания базы данных с временной динамикой содержит следующие этапы [3, 6, 7]:
— анализ требований пользователей;
— построение концептуальной, логической и физической моделей базы данных;
— проектирование пользовательских приложений и интерфейса для интеллектуальной системы мониторинга.
Для представления динамики данных в этом модуле формализована временная логика в виде ЛКИ-исчисления [6, 7]. Структура баз данных проектировалась на основе полного перечня всех первичных данных. На базе информации, хранящейся в созданных базах данных с временной динамикой, формируются временные ряды (точечные и интервальные), позволяющие проводить информационный анализ соответствующих индикаторов мониторинга. Эти временные ряды используются в последующем модуле.
Интеллектуальный модуль системы мониторинга. В данном модуле реализованы математические модели и вычислительные процедуры иммунокомпьютинга [1—5, 8—10]. Модуль предназначен для:
— сингулярного разложения плоских и трехмерных матриц с точечными и интервальными элементами [8—11];
— решения задач обучения по тестовым выборкам;
— самообучения системы;
— распознавания стадий особо опасных динамических процессов;
— формирования и вычисления точечных и интервальных значений индексов риска [7].
Выходной информацией модуля являются сформированные обучающие выборки,
данные о состояниях особо опасного динамического процесса и вычисленные значения
индексов риска. Эта информация используется в последующем модуле для решения задач идентификации.
Модуль структурной и параметрической идентификации. В этом модуле приведено обоснование выбора структуры математической модели и решение задачи ее параметрической идентификации. При этом были использованы две концепции математического представления моделей:
1) концепция „вход — выход" — с использованием детерминированных (стохастических) рядов Вольтерры или полиномов Габора — Колмогорова; при таком представлении использовалась аппроксимация экспериментальных кривых методами генетического программирования [7, 12];
2) концепция „пространство состояний" — в виде дифференциальных или разностных линейных и нелинейных уравнений с запаздыванием или без, с точечными или интервальными параметрами; для нелинейных структур интервальных моделей стадий особо опасного динамического процесса решение задачи параметрической идентификации осуществлялось интервальными методами глобальной безусловной оптимизации [12, 13].
Выходная информация модуля представлена выбранной структурой и восстановленными параметрами математической модели, которые используются в модуле исследования динамических свойств.
Модуль исследования динамических свойств. Этот модуль позволяет осуществлять исследование динамических свойств (управляемость, асимптотическая и экспоненциальная устойчивость, робастность и т. д.) — на основе прямого метода Ляпунова с функцией либо функционалом Ляпунова [12] — следующих типов математических моделей с точечными и интервальными параметрами:
— линейной с наличием запаздывания и без запаздывания;
— нелинейной с нелинейностями секторного типа и квадратичной.
Для математических моделей с интервальными параметрами использованы условия невырожденности интервальной матрицы, непустоты допустимого множества решений интервального матричного уравнения Ляпунова, полученные на основе метода идентифицирующего функционала [12, 13].
Результаты исследований рассмотренных модулей интеллектуальной системы использовались в модуле моделирования динамики распространения особо опасного динамического процесса по ареалу ландшафтно-экологического района природного очага.
Пример. Результаты мониторинга с помощью интеллектуальной системы рассмотрим на примере особо опасной инфекции — чумы в природном очаге. Как известно, в природных очагах чумы периодически возникают эпизоотические процессы (заболевания животных) и даже эпидемиологические ситуации [14, 15]. Вследствие того, что многие природные очаги располагаются в районах залегания природных ресурсов (таких, как нефть, газ и т.д.), их разработка транснациональными компаниями может приводить к выносу и распространению опасных заболеваний далеко за пределы этих районов.
Результаты исследований получены на основе первичных данных по ландшафтно-экологическому району Прибалхашского природного очага чумы (Республика Казахстан) за период с 1949 по 1998 гг., предоставленных исследователями Казахского научного центра карантинных и зоонозных инфекций им. М. Айкимбаева (Алма-Ата) [14, 15].
Чумный эпизоотический процесс является сложной многокомпонентной динамической системой, характеризуемой чумной триадой: носитель — переносчик — чумный микроб. Носителями являются дикие или домашние теплокровные животные (большая песчанка, суслик, верблюд, заяц, кошка и т. д.), переносчиками — различные виды блох, которые обитают на носителях. Возбудитель — чумный микроб — может передаваться посредством прямого контакта, через укус или воздушно-капельным путем.
В интеллектуальной системе мониторинга для представления состояния компонентов чумной триады были использованы наборы индикаторов [14—16]: 8 индикаторов, характеризующих состояние возбудителя, по 12 индикаторов, характеризующих состояния переносчика и носителя, 21 индикатор для оценки влияния внешних (абиотических) факторов.
В качестве примера для демонстрации процесса моделирования динамики численности носителя была выбрана нелинейная интервальная математическая модель, приведенная в работе [12, с. 47, соотношение (3.13)]. С использованием интервального метода глобальной безусловной оптимизации [13] были получены следующие параметры: жесткость внутривидового взаимодействия в = [4,688; 5,156]; интенсивность взаимодействия у = [19,406; 20,00]; коэффициент, характеризующий скорость размножения популяции носителя при отсутствии переносчика (паразита) и внутривидовой борьбы, k = [19,703; 20,00]; постоянные коэффициенты: г = [0,375; 0,750], q = [-0,150; 0,425].
На рисунке представлены результаты моделирования динамики численности (п) носителя при интервальных параметрах модели (средняя квадратическая ошибка о1 = 1,933) и выбранных из вычисленных интервалов средних значениях параметров: |3 = 4,922, у = 19,703, к = 19,851, г = 0,563, q = 0,137 (а2 = 6,271).
а)
п
45 40 35 30 25 20 15 10 5 0
1972
1976
1980
1984
1988
1992
1996 Год
б)
20
15
10
1976 1980 1984 1988 1992
Результаты моделирования динамики численности носителя: а — при интервальных параметрах модели, б — при средних (точечных) значениях параметров; ♦ — эксперимент; ▲, ■ — верхняя и нижняя оценки решений
Анализируя представленные на рисунках кривые, можно сделать вывод, что для рассматриваемого случая предпочтительнее использовать математическую модель с интервальными параметрами.
п
5
0
Предложенная интеллектуальная система позволяет эффективно решать задачи мониторинга особо опасных динамических процессов и может быть адаптирована (при наличии первичных данных) для решения подобных задач на любых территориях, включая территории природных очагов особо опасных динамических процессов в Российской Федерации.
Исследования проводились при частичной финансовой поддержке Еврокомиссии (проект МНТЦ К-159-98; проект INCO-COPERNICUS № ICA2-CT-2000-10048).
СПИСОК ЛИТЕРАТУРЫ
1. Tarakanov A. O., Skormin V. A., Sokolova S. P. Immunocomputing: Principles and Applications. N.Y.: Springer, 2003.
2. Tarakanov A., Sokolova S. et al. Immunocomputing of the natural plague foci // Proc. of the Genetic and Evolutionary Computation Conf. (GECCO-2000), Workshop on Artificial Immune Systems, Las Vegas, USA. 2000. P. 38—41.
3. Sokolova S. P., Abdullina V. Z. et al. Artificial Immune System for the Gerbil Natural Plagues Focus / Ed. A.O. Tarakanov. Almaty: РС, 2002.
4. Sokolova L. A. Index design by immunocomputing // Lecture Notes in Computer Science. 2003. Vol. 2787. P. 120—127.
5. Соколова Л. А. Индекс риска чумы на основе иммунокомпьютинга // Тр. СПИИРАН. СПб.: СПИИРАН, 2003. Вып. 1, т. 3. С. 137—141.
6. Абдуллина В. З. Проектирование баз данных для противочумной службы Казахстана // Сб. материалов междунар. конф. „Менеджмент и новые технологии". Алматы, 2001. С. 25—28.
7. Соколова С. П., Кузьмина Е. А., Абдуллина В. З. Мониторинг особо опасных инфекций (на примере проблемы чумы) // Математическая биология и биоинформатика, 2007. Т. 2, № 1. C. 82—97. [Электронный ресурс]: <http://www.matbio.org/downloads/Sokolova2007(2_82).pdf>.
8. Соколова С. П. и др. Интеллектуальный анализ многомерных данных на основе иммунокомпьютинга. Алматы: PC, 2006.
9. Кузьмина Е. А. Градиентный алгоритм сингулярного разложения многомерной интервальной матрицы // Науч. сессия ГУАП: Сб. докл. СПб.: ГУАП, 2007. Ч. 3. С. 148—152.
10. Соколова С. П., Кузьмина Е. А., Тохтабаев А. Г. Вычислительная процедура для технического анализа фондового рынка // Тр. СПИИРАН. СПб.: Наука, 2007. Вып. 4. С. 171—183.
11. Sokolova S. P., Kuzmina E. A., Sokolova L. A. Analysis and management of a credit risk //Proc. of the 16th Intern. Conf. on Systems Science, Wroclaw. 2007. Vol. 3. P. 375—382.
12. Sokolova S. P., Ivlev R. S. Mathematical Modeling and Investigation of Dynamic Properties of Biological Systems at Population Level. Almaty: РС, 2003.
13. Шарый С. П. Конечномерный интервальный анализ. Новосибирск: ИВТ СО РАН, 2007.
14. Айкимбаев А. М. и др. Эпидемиологический надзор за чумой в Урало-Эмбенском и Предустюртском автономных очагах. Алматы: КазПЧИ, 1994.
15. Аубакиров С. А. и др. Руководство по ландшафтно-эпизоотологическому районированию природных очагов чумы Средней Азии и Казахстана. Алма-Ата: КазПЧИ, 1991.
16. Marshall E. C., Frigessi A., Stenseth N. C. et al. Plague in Kazakhstan: a Bayesian Model for the Temporal Dynamics of a Vector-Transmitted Infections Disease. Oslo: Univ. of Oslo, 2001.
Сведения об авторах
Светлана Павловна Соколова — СПИИРАН, лаборатория прикладной информатики;
E-mail: [email protected] Екатерина Александровна Кузьмина — СПИИРАН, лаборатория прикладной информатики;
E-mail: [email protected]
Поступила в редакцию 06.05.08 г.
