Модели и методы поиска данных и документов в системах управления сложными человеко-машинными комплексами Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 658.012.011.56:658.26

А.Ф. Резчиков, В.А. Кушников, В.А. Родичев, Е.И. Шлычков, А.В. Антонов МОДЕЛИ И МЕТОДЫ ПОИСКА ДАННЫХ И ДОКУМЕНТОВ В СИСТЕМАХ УПРАВЛЕНИЯ СЛОЖНЫМИ ЧЕЛОВЕКО-МАШИННЫМИ КОМПЛЕКСАМИ

Рассмотрены модели и методы поиска информации о производственных ситуациях, возникающих в процессе функционирования систем управления производственного назначения.

А^. Rezchikov, V-А. Kushnokov, VA. Rodichev, E.I. Shlichkov, А^. Antonov MODELS AND METHODS OF DATA AND DOCUMENTS SEARCH IN SYSTEMS OF MANAGEMENT OF COMPLICATED MAN AND MACHINE OPERATED COMPLEXES

Information search models and methods of production situations necessary during the process of the system management are described in this article.

Введение

В настоящее время при решении задач снижения себестоимости и повышения качества продукции промышленных предприятий большое внимание уделяется концепции интегрированного производства, обеспечивающей объединение большинства сложных дискретных технических и человеко-машинных систем производственного назначения в составе единой системы управления.

При переходе к интегрированному производству происходит существенное усложнение алгоритмов управления этими системами [1-3], что приводит к значительному росту объемов информации, хранящейся в банках данных предприятия и предоставляемой управленческому персоналу в процессе подготовки и принятия решения. В связи с этим значительно возрастают требования к оперативности и качеству функционирования систем поиска

информации, используемых лицом, принимающим решения (ЛИР), в различных производственных ситуациях.

В процессе управления сложными дискретными техническими и человекомашинными системами предприятия часто возникает необходимость найти и оперативно предоставить ЛИР все хранимые документы и данные, имеющие отношение к сложившейся производственной ситуации, предварительно упорядочив их по степени важности выдаваемой информации. Ири решении этой проблемы известные из работ К. Дейта, Д. Кнута, Дж. Ульмана, И. Соренсона, В.Н. Четверикова и других методы поиска документов и данных зачастую оказываются недостаточно эффективными, так как не позволяют в режиме реального времени осуществить поиск и сортировку больших объемов разнородной информации, характеризующей производственные ситуации [4-12].

Указанное обстоятельство требует разработки новых эффективных моделей и методов поиска информации, используемой при реализации сложных алгоритмов управления производственными системами, что обусловливает актуальность, экономическую целесообразность и практическую значимость данного направления исследования.

1. Постановка задачи

Допустим, что в процессе функционирования промышленного предприятия периоди-

^ ^ ^ ^ 1 чески возникают ситуации 81 (а(£), и (£)) е < 81 (а(£), и (£))>■, требующие принятия решения на

основе анализа документов и данных, хранящихся в различных дискретных технических и

1 ^ ^ 1

человеко-машинных системах производственного назначения (<St (а^), и (£)) }• - множество

допустимых производственных ситуаций предприятия). Иримем также, что на предприятии существует информационное хранилище, в котором размещено множество документов {О} и множество данных {^}, используемых ЛИР при управлении производственным процессом в

1 ^ ^ 1

ситуациях <St (а^), и ^)) >■. С учетом сделанных допущений формализованная постановка

решаемой задачи может быть представлена следующим образом [13].

Для сложных дискретных технических и человеко-машинных систем промышленного предприятия разработать формальные модели и методы поиска информации, позволяющие

^ 1 ^ 1

на временном интервале ^н, к при известных параметрах среды а ()е < А ^)> и управляющих воздействиях и ^) е \и (t Н, характеризующих возникшую производственную ситуацию, в течение времени, отведенного на решение задачи, определить данные и документы, которыми в возникшей ситуации должно руководствоваться ЛИР:

^, й2, йз,..., й„ е {О}, /1, /2, fз,..., /у е {^}, ц рр |{О}|, V рр |{^}| , и упорядочить их по степени важности предоставляемой информации:

Я (йг) > Я (йх) > Я (йс) >,..., > Я (й), г, х, с, t < ц ,

Я (/1) > Я (/х1) > Я (/с1) >,...,> Я (/tl), г1,х1,с1,t1 < V , где й1, й2, й3, ..., йц и/1,/2,/3, ...,/ - данные и документы, необходимые ЛИР для принятия решения в рассматриваемой производственной ситуации; Я(йг) - ранг документа йг, характе-

ризующий степень важности документа; Я(/г1) - ранг данного /г1; ц, V - количество данных и

ственно множество допустимых изменений параметров среды и управляющих воздействий; I I - символ мощности множества).

Для решения поставленной задачи и практического использования полученных результатов необходимо выполнить следующие исследования:

- разработать комплекс логико-лингвистических и графовых моделей организации информации, позволяющих осуществить оперативный поиск данных и документов, семантически связанных с различными производственными ситуациями;

- на основе сформированного комплекса моделей разработать эффективные методы и алгоритмы поиска информации в распределенном банке данных промышленного предприятия;

- создать тиражируемое программное обеспечение, реализующее разработанные модели и методы в составе математического обеспечения информационно-вычислительных центров промышленных предприятий;

- сформировать единую методологию внедрения основных результатов проведенных исследований на промышленных предприятиях.

В данной статье основное внимание уделено разработке новых математических моделей и методов, используемых при поиске информации о производственных ситуациях, возникающих при управлении сложными человеко-машинными системами производственного назначения.

Известно [14], что опыт специалиста по выбору рациональной стратегии поведения в сложных производственных ситуациях выражается не столько количественными соотношениями, сколько качественными формулировками, и зачастую может быть использован в системе управления только в том виде, в котором он был зафиксирован на практике. Это обстоятельство делает необходимой разработку математического описания производственных ситуаций в классе графовых и логико-лингвистических моделей, допускающих работу с зависимостями качественного типа. Указанные модели обладают слабой чувствительностью к точности исходных данных, наглядны и удобны для ЛИР, имеют выразительную способность, близкую к естественному языку, и широко используются при создании банков знаний, а также интеллектуальных систем управления сложными производственными процессами.

Ири разработке указанных математических моделей нами был использован формальный аппарат нормальных форм Бэкуса, Ях-кодов, универсального семантического кода, а также графовых моделей, получивших значительное распространение в системах управления компьютерно-интегрированных производств.

Анализ различных производственных ситуаций, возникающих в процессе функционирования промышленного предприятия, показал, что каждую из них можно достаточно полно охарактеризовать следующим набором данных: наименование ситуации; описание причин ее возникновения; указание последствий, к которым она может привести; временные характеристики, определяющие время возникновения и окончания ситуации; наименование структурных подразделений предприятия, где возникла производственная ситуация; описание мероприятий, необходимых для ее успешного разрешения; указание производственных факторов, влияющих на процесс принятия решений; список документов, регламентирующих поведение ЛИР в сложившейся ситуации; перечень данных, поступающих от различных информационно-измерительных систем предприятия и используемых ЛИР в процессе выработки решения. Необходимо отметить, что на ряде промышленных предприятий некоторые из

документов, характеризующих производственную

соответ-

2. Математические модели организации данных, характеризующих производственные ситуации

указанных выше характеристик производственных ситуаций могут не использоваться управленческим персоналом в процессе принятия решения. Кроме того, ряд характеристик производственных ситуаций может оставаться не определенным экспертами в течение значительного промежутка времени. В этих случаях разрабатываемая поисковая система будет учитывать только сформированные характеристики и не рассматривать остальные.

Модель данных на основе нормальных форм Бэкуса. Для формального описания множества данных, характеризующих производственную ситуацию, в статье использовались модели состава и структуры, определяющие, из каких информационных элементов состоит указанное множество данных и какие отношения (связи) заданы на этом множестве. В соответствии с приведенным выше описанием производственной ситуации модель состава МР(£) для множества данных ситуации £ имеет следующий вид:

::= (Д ) ::= [Namel,Name2, Rang}., i = 1,n (Meroprijatija):: = { M1,M2,M3,...,Mk} ,

где {M1, M2, M3, ..., Mk} - множество мероприятий, которые необходимо осуществить для разрешения сложившейся производственной ситуации S, Name, Pritschina, Posledstwija, Wremja, Podrasdelenija, Meroprijatija - приведенные выше первые 6 характеристик производственной ситуации, соответственно; A1, A2, A3, ..., An - параметры объекта управления, системы управления и окружающей среды, поступающие от различных информационноизмерительных систем предприятия и используемые ЛПР в процессе выработки решения; Namel - наименование характеристики (Ai), Name2 - наименование объекта, которому принадлежит эта характеристика; Rang - весовой коэффициент, определяющий степень влияния данной характеристики на процесс принятия решения, Dokumenty, Dannye - перечень документов и данных, используемых ЛПР при принятии решения в ситуации S.

Модель структуры MS(S) для множества данных производственной ситуации S задается двумя графами G1 и G2, которые определяются отношением R «нетранзитивно зависит от», заданным на множестве {Name, A1, A2, A3, ..., An} и отношением R1 «выполняется после», заданным на множестве {Name, M1, M2, M3, ..., Mk}, соответственно. При этом граф G1 характеризует взаимосвязи, существующие между параметрами объекта управления, системы управления и среды, влияющими на процесс принятия решения в ситуации S, а граф G2 учитывает взаимосвязи между административными мероприятиями, которые рекомендуется осуществить в сложившейся ситуации.

Информационные элементы рассмотренной модели хранятся в базе данных реляционного типа в виде совокупности отношений различной структуры. Поиск этих элементов осуществляется по запросу СУБД, сформированному на языке SQL и выдаваемому при обработке каждой производственной ситуации.

Для формирования указанного запроса необходимо определить структуру области базы данных, хранящей информационные элементы рассматриваемой модели. Под схемой структуры базы данных в соответствии с определением [5] будем понимать описание структуры файлов и записей, хранящих информацию о модели данных производственной ситуации.

Рассмотрим методику отображения модели данных производственной ситуации в нормальных формах Бэкуса на схему структуры области базы данных, хранящей эту информацию.

Модель состава для данных, характеризующих производственную ситуацию, разместим в 7 файлах F1-F7, со следующей структурой: Fle {Name, Pritshina},

F2e {Name, Posledatwija}, F3e {Name, Wremia}, F4e {Name, Podrasdelenija},

F5e {Name, Meroprijatija}, F6e {Name, Al, A2, A3, ..., An}, F7e {Name, Dokumenty},

F8e {Name, Dannye} (F1-F8 - файлы области базы данных, хранящие информацию по модели состава производственной ситуации, разработанной в нормальных формах Бэкуса). В ка-

Name, Pr itschina, Posledstwija, Wremja, Podrasdelenija, {.Meroprijatija), A1,A2,A3,...,An,Dokumenty, Dannye

честве первичного ключа в разработанной логической схеме области базы данных выбрано поле Name, отношения F нормализованы, что облегчает процедуру реализации запроса к этой области базы данных на языке SQL.

Модель структуры для данных производственной ситуации хранится в файле

STRUCTURE в виде матриц инцидентности \\Bn

G1 G2

и ||An|| =

bnn ann

графов G1 и G2. Схема

этого файла имеет следующий вид:

STRUCTURE е {Name, ai, a2, a3, ..., an, bi, b2, b3, bn} ,

где { ai, a2, a3, ..., an, bi, b2, b3, ..., bn} - множество атрибутов файла STRUCTURE, хранящих

столбцы матриц инцидентности \\Бп

G1 и AJ = G2

bnn a nn

графов G1 и G2.

Наряду с моделями данных, построенных на основе аппарата нормальных форм Бэкуса, в ходе выполненных исследований были сформированы модели организации информации о производственных ситуациях в Rx-кодах и в терминах универсального семантического кода, а также определены процедуры перехода от одного вида модели к другому.

3. Методика поиска данных о производственных ситуациях

В основу разработанного метода решения поставленной задачи положено замечание Д. А. Поспелова, приведенное им в предисловии работы [14]. Согласно этому замечанию, организация эффективных поисковых структур в базах данных и знаний часто основывается на идее единого семантического пространства, так как хранимые данные и документы не могут быть бессистемным «сборищем» отдельных информационных единиц.

В соответствии с этим положением хранящиеся в информационно-измерительных и управляющих системах промышленных предприятий документы и данные предварительно распределяются экспертами между производственными ситуациями, так, чтобы, определив каждую из них, можно было бы незамедлительно выдать список семантически связанных с ней данных и документов.

Список производственных ситуаций, контролируемых средствами вычислительной техники, составляется ведущими специалистами предприятия таким образом, чтобы в него вошли все ситуации, существенно влияющие на процесс выполнения производственной программы, связанные с оперативной обработкой значительных объемов информации, а также с трудоемким поиском данных и документов в распределенной базе данных предприятия. При анализе возникшей производственной ситуации она сравнивается с уже известными ситуациями, занесенными в память ЭВМ, и ЛПР выдается перечень документов, данных и рекомендаций, необходимых для принятия адекватных управленческих решений. В противном случае в метрическом пространстве ситуаций определяется точка, наиболее близкая к возникшей ситуации, и управленческому персоналу выдаются документы, данные и рекомендации, непосредственно связанные с ситуацией, которую эта точка характеризует. Если для выработки решения управленческий персонал сочтет полученную информацию недостаточной, то полученная точка исключается из рассмотрения, поисковая система автоматически определяет следующую точку, расположенную наиболее близко к исходной ситуации, и выдает связанные с ней документы, данные и рекомендации управленческому персоналу. Указанный процесс продолжается до тех пор, пока ЛПР не сочтет полученную информацию достаточной и не примет решения, адекватные возникшей ситуации.

После окончания производственной ситуации уточненная информация по данным, документам и рекомендациям, использованным управленческим персоналом в процессе принятия решения, заносится экспертами в базу данных, используемую информационнопоисковой системой (см. рисунок).

Структурная схема процесса поиска данных и документов в информационных системах предприятия

Для практической реализации рассмотренного метода поиска данных и документов нами была разработана оригинальная методика определения расстояния между отдельными точками метрического пространства производственных ситуаций.

Для определения расстояния между двумя произвольными производственными ситуациями S1(t), S2(t) є {S (t)} необходимо предварительно определить функции, устанавливающие степень сходства, существующего между соответствующими характеристиками S1(t), S2(t). Разобьем указанные характеристики на четыре группы:

1-я группа

'Pritschina(S1(t))'-'Pritschina(S2(t))', ' Posledstwija(S1(t))-'Posledstwija(S2(t))',

' Podrasdelenija(S1 (t))-' Podrasdelenija(S2 (t))',

' Dokumenty(S1 (t))'-' Dokumenty(S2 (t))' ' Dannye(S1 (t))'-' Dannye(S2 (t))' (1)

2-я группа

'Wremja(S1 (t ))'-'Wremja(S2 (t))', (2)

3-я группа

{ 'Д(S1 (t))','4(S1 (t))','Аз(S1 (t))',...,'A„(S1(t))'}є S1 { 'A1(S2(t))','\(S2(t))','Aз(S2(t))',...,'A„(S2(t))'}e S2

{ M^S^t)),M2(S,(t)),Mз(Sl(t)),...,Mk(S1 (t))}є S1 (з)

{ M 1(S2(t)),M2(S2(t)),Mз(S2(t)),...,Mk(S2(t))}є S2,

4-я группа

' Name(S1(t))'-' Name(S2(t))' . (4)

Группа характеристик (1) содержит текстовую информацию, в (2) хранится информация в числовой форме, в (з) - ориентированные графы, используемые ЛПР в процессе подготовки и принятия решения. В характеристиках четвертой группы хранится название произ-

водственных ситуаций. Рассмотрим процедуру формирования функций сходства для каждой из указанных групп характеристик, а затем на их основе выберем метрику, определяющую расстояние между отдельными производственными ситуациями.

Анализ алгоритмов функционирования современных информационно-поисковых систем показал, что в качестве функций сходства для характеристик первой группы целесообразно использовать такие показатели, как коэффициент Дайса, коэффициент Жаккара, коэффициент косинуса, а также коэффициент перекрытия [10].

Для определения сходства между характеристиками (2) нами была выбрана функция

Q?(' Wremja(S1(t))',' Wremja(S2(t)') = 1 —— , (5)

Atmax

которая имеет следующие свойства: монотонно возрастает с увеличением степени сходства между сравниваемыми характеристиками; Qf = 0 при полном отсутствии сходства (при At=Atmax); Qj2 = 1 при наибольшем сходстве (при At=0).

Характеристики третьей группы представляют собой графы G1 и G2. Для определения степени сходства могут быть использованы известные методы количественного анализа, основанные на количественной оценке степени совпадения множеств вершин, дуг и весов дуг у сравниваемых графов [16].

Характеристики четвертой группы представляют собой наименования ситуаций S1(t),S2(t)є {S(t)}, хранящиеся в памяти вычислительного комплекса в виде текстовой информации. Функция сходства между сравниваемыми характеристиками производственных ситуаций имеет следующий вид

4 Г 1, при совпадении ' Name (S1 (t))' и ' Name (S2(t))'

Q! (Name (S1 (t))',' Name (S2 (t)) = і

I 0, в противном случае

1/2

Функция принимает значение 1, если существует полное совпадение между наименованиями сравниваемых ситуаций, и 0, если оно отсутствует.

Функции Q j, j = 1,4 используются в составе метрики pS, задающей расстояние между Si(t),S2(t) в пространстве производственных ситуаций. При ее выборе принималось во внимание, что при t=const метрика pS(Si(t),S2(t)) должна быть действительной числовой функцией, для которой выполняются известные аксиомы метрики. В качестве функции, заведомо обладающей данными свойствами, нами было выбрано евклидово расстояние, определяемое по формуле

8

PS Ps (S1(t), S2 (t)) =

Разработанная методика определения расстояния между различными производственными ситуациями, возникающими в процессе функционирования объекта управления, позволила сформировать ряд новых алгоритмов оперативного поиска данных и документов в системах управления сложными дискретными человеко-машинными комплексами.

4. Опыт внедрения разработанного математического обеспечения на промышленных предприятиях Саратовской области

В результате обобщения опыта эксплуатации разработанного математического обеспечения [12] нами была сформирована следующая типовая методика его внедрения и сопровождения на промышленных предприятиях. Данная методика включает следующие основные этапы:

- предпроектную подготовку объекта управления к внедрению комплексов программ поисковой системы и оперативной идентификации производственных ситуаций; подготовку документооборота и баз данных информационно-измерительных и управляющих систем предприятия, являющихся основными источниками информации для указанных программных комплексов;

- формирование списка производственных ситуаций, контролируемых средствами вычислительной техники;

- занесение в базу данных программных комплексов информации по производственным ситуациям, контролируемым средствами вычислительной техники;

- создание системы оперативной идентификации наиболее распространенных производственных ситуаций, требующих немедленной реакции со стороны управленческого персонала;

- адаптацию программного обеспечения, реализующего модели и методы поиска данных, семантически связанных с производственными ситуациями, к условиям конкретной информационной системы;

- обучение оперативно-диспетчерского персонала навыкам работы с новой поисковой системой и ознакомление системных администраторов с правилами эксплуатации ее программного обеспечения;

- сервисное обслуживание внедренной поисковой системы, заключающееся в консультациях эксплуатационного персонала, его ознакомлении с опытом эксплуатации аналогичного математического обеспечения на других предприятиях, проведение семинаров по изучению особенностей функционирования поисковой системы и др.

Для практической реализации результатов проведенных исследований были разработаны два программных комплекса: идентификации производственных ситуаций и поиска информации, связанной с возникшей производственной ситуацией, написанных на языках программирования АССЕМБЛЕР (1-й комплекс), VBA (Visual Basic for Applications) и Delphi 5.0 (2-й комплекс).

Опыт эксплуатации указанного программного обеспечения показал, что экономический эффект от их внедрения достигается за счет:

- улучшения оперативности и качества принимаемых управленческих решений в результате более полного и своевременного информирования ЛПР о возникших производственных ситуациях;

- экономии средств на приобретение высокопроизводительных поисковых серверов, значительно увеличивающих скорость выполнения запросов пользователя;

- экономии средств на модернизацию системы управления предприятием при его подготовке к сертификации по нормативам ИСО 9001, ИСО 9002 за счет улучшения характеристик системы информационного поиска;

- уменьшения затрат времени на поиск информации, семантически связанной с производственными ситуациями;

- возникновения возможности передачи информации по производственным ситуациям в производственные системы искусственного интеллекта предприятия;

- экономии ресурсов вычислительных систем, используемых в процессе оперативного поиска информации, используемой ЛПР при подготовке и принятии решений;

- повышения оперативности идентификации аварийных и режимных производственных ситуаций, требующих вмешательства управленческого персонала и др.

Основные результаты проведенных исследований были внедрены и использованы в виде математических моделей, алгоритмов и программ поиска данных, семантически связанных с производственными ситуациями, на трех крупных промышленных предприятиях г. Энгельса Саратовской области: ОАО «Транспортное машиностроение», ОАО «Троллейбусный завод», ОАО «Энгельсский завод топливных фильтров». Суммарный прямой годовой экономический эффект от их внедрения составил более полумиллиона рублей. В настоящее время ведутся работы по включению разработанного программного обеспечения в состав ряда информационно-измерительных и управляющих систем Саратовского электроагрегатного производственного объединения.

ЛИТЕРАТУРА

1. Красовский А. А. Аналитическая теория самоорганизующихся систем управления с высоким уровнем искусственного интеллекта / А.А. Красовский, А.И. Наумов // Известия РАН. Теория и системы управления. 2001. № 1. С. 69-75.

2. Васильев С.Н. От классических задач регулирования к интеллектуальному управлению I / С.Н. Васильев // Известия РАН. Теория и системы управления. 2001. № 1. С. 5-22.

3. Васильев С.Н. От классических задач регулирования к интеллектуальному управлению II / С.Н. Васильев // Известия РАН. Теория и системы управления. 2001. № 2. С. 5-21.

4. Дейт К.Дж. Введение в системы баз данных. 6-е изд. / К.Дж. Дейт; пер. с англ. Киев, М., СПб.: Издат. дом «Вильямс», 2000. 848 с.

5. Четвериков В.Н. Базы и банки данных / В.Н. Четвериков, Г.И. Ревунков, Э.Н. Самохвалов. М.: Высшая школа, 1987. 248 с.

6. Ульман Дж. Основы систем баз данных / Дж. Ульман. М.: Финансы и статистика, 1983. 334 с.

7. Кнут Д. Искусство программирования для ЭВМ. Т.3. Сортировка и поиск / Д. Кнут. М.: Вильямс, 2001. 845 с.

8. Готлиб К.К. Типы и структуры данных / К.К. Готлиб, Л.Р. Готлиб. СПб.: Питер, 1998. 336 с.

9. Трамбле Ж. Введение в структуры данных / Ж. Трамбле, П. Соренсон. М.: Машиностроение, 1982. 792 с.

10. Озкарахан Э. Машины баз данных и управление базами данных / Э. Озкарахан: пер. с англ. М.: Мир, 1989. 696 с.

11. Коннолли Т. Базы данных: проектирование, реализация и сопровождение. Теория и практика. 2-е изд. / Т. Коннолли, К. Берг, А. Страчан; пер. с англ. М.: Издат. дом «Вильямс», 2001. 1120 с.

12. Шлычков Е.И. Модели и методы поиска данных по производственным ситуациям в информационно-измерительных и управляющих системах / Е.И. Шлычков, В.А. Кушников, А.Ф. Резчиков. Саратов: СГТУ, 2002. 112 с.

13. Шлычков Е.И. Постановка задачи разработки моделей и методов поиска данных и документов в информационно-измерительных и управляющих системах промышленного предприятия / Е.И. Шлычков, В.А. Кушников, А.Ф. Резчиков // Проблемы точной механики и управления: сб. тр. Ин-та проблем точной механики и управления РАН. Саратов, 2002. 233 с.

14. Поспелов Д. А. Логико-лингвистические модели в системах управления / Д.А. Поспелов. М.: Энергоиздат, 1981. 220 с.

15. Кук Н.М. Формальная методология приобретения и представления экспертных знаний / Н.М. Кук, Дж. Макдональд // ТИИЭР. 1986. Т.74. № 10. С. 42-46.

16. Кохов В.А. Метод количественного определения сходства графов на основе структурных спектров / В.А. Кохов // Известия Академии наук СССР. Техническая кибернетика. 1994. № 5. С. 143-159.

Резчиков Александр Федорович -

член-корреспондент РАН, директор Института проблем точной механики и управления РАН, Заслуженный деятель науки и техники РФ, профессор, заведующий кафедрой «Системотехника»

Саратовского государственного технического университета

Кушников Вадим Алексеевич -

доктор технических наук,

заведующий кафедрой «Информационные системы в гуманитарной области»

Саратовского государственного технического университета

Шлычков Евгений Иванович -

кандидат технических наук, Генеральный директор ОАО «Трансмаш» (г. Саратов)

Родичев Вячеслав Анатольевич -

заместитель начальника отдела информатизации ГО и ЧС по Самарской области, соискатель кафедры «Системотехника»

Саратовского государственного технического университета

Антонов Алексей Викторович -

аспирант кафедры «Информационные системы в гуманитарной области»

Саратовского государственного технического университета.