CC BY
54
рационной системы (ОС) обладает одинаковым для всех своих версий интерфейсом, он фактически является универсальным клиентом для клиент/серверных приложений. И поэтому организации очень часто внедряют у себя сети Интранет (локальная сеть, использующая протоколы TCP/IP и предоставляющая те же услуги, что и Интернет). Но существующие у них программные продукты, которые они используют для ведения своих дел (например, бухгалтерские приложения), как правило, не обладают возможностью функционировать в Интернете. Поэтому их требуется либо переписывать заново, используя необходимое средство разработки web-приложений, либо прибегать к каким-нибудь другим хитростям. Надо отметить, что при решении такого рода задач требуется учитывать вопросы безопасности, так как приходится работать с конфиденциальной информацией (бухгалтерия и т.д.), рассмотреть вопросы управления транзакциями, контроль ввода и прочие. В таблице 3 перечислены функциональные характеристики с весовыми коэффициентами для текущей задачи и со-
ответствующие оценки полезности относительно этих характеристик рассматриваемых средств из таблицы 1.
Таблица 4
Функциональная характеристика ak Wij
Cold Fusion DbWeb LiveWire FUAD
Обучение 2 3 балла 4 балла 3 балла 4 балла
Программируе -мость 1 2 балла 4 балла 3 балла 5 баллов
Обработка ошибок 1 5 баллов 3 балла 0 баллов 5 баллов
Средства отладки 2 0 баллов 0 баллов 2 балла 5 баллов
Динамичность интерфейса 2 2 балла 2 балла 2 балла 5 балла
Повышение эффективности работы разработчиков с инструментами web. Для любой организации важным фактором является то, насколько эффективно работают ее сотрудники. Если говорить о разработчиках программных продуктов, то от них требуется высокая скорость и качественное создание необходимых приложений. Поэтому очень важным
фактором является то, какие возможности для удобства разработчиков предоставляют сравниваемые средства.
Весовые коэффициенты (ak ) и оценка полезности инструментов web (wj для текущей задачи представлены в таблице 4.
Анализ результатов
Применительно к оценке эффективности четырех типов инструментов web мы рассмотрели три задачи, для каждой из которых существует свой набор функциональных характеристик с соответствующими весовыми коэффициентами из таблиц 2-4. Результаты оценки эффективности этих средств по формуле (1) представлены в таблице 5.
Таблица 5 Оценка эффективности средств разработки web-приложений
Задача Cold Fusion DbWeb LiveWire FUAD
2.1 Wl = 25 W? = 16 W3 = 23 w4 = 60
2.2 W? = 41 W? = 20 W3 = 37 W? = 77
2.3 W3 = 17 W? = 19 w3 =17 W3 = 38
Из таблицы 5 следует, что наиболее эффективными являются средства разработки web-приложе-ний FUAD и Cold Fusion. Из этих средств наиболее предпочтительное - FUAD.
Если задача, решаемая разработчиком, отличается от рассмотренных выше, то у него имеется возможность самостоятельно задать набор функциональных характеристик из таблицы 1 и расставить необходимые весовые коэффициенты в соответствии с его задачей. Подставив данные в (1), он сможет выбрать наиболее эффективное для решения его задачи средство разработки web-приложений.
Список литературы
1. Курт Ланг, Джефф Чоу. Публикация баз данных в Интернете. - СПб.: "Символ", 1998.
2. Ричард В. Дрейган, Тимоти Дик, Ларри Дж. Зельцер. Инструменты разработки Web: подняться на отметку выше // PC Magazine/RE.- № 6. - 2001.
ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ РАСТУЩИХ ПИРАМИДАЛЬНЫХ СЕТЕЙ
(Работа выполнялась в рамках проекта INTAS №00-397)
В.П. Гладун, Н.Д. Ващенко, В.Ю. Величко
Прогнозированием, или предсказанием, называется деятельность, целью которой является определение таких характеристик объекта исследования или
событий в его развитии, которые могут возникнуть в будущем или при выполнении определенных условий.
Прогнозирование возможно, если известна зависимость прогнозируемой величины от условия, при выполнении которого должен осуществиться прогноз. В качестве условия прогнозирования может быть задан момент или интервал времени или определенная ситуация, которая в общем случае описывается набором значений и отношений некоторых величин или представляется примерами-прецедентами.
Зависимость прогнозируемой величины от условия прогнозирования может быть представлена функцией, в частности функцией регрессии, если исследуются случайные процессы. В целях прогнозирования применяют методы экстраполирования функции, позволяющие определить ее значение при выполнении условия прогнозирования. Если условием является ситуация, нужно уметь распознавать ситуации этого класса или ситуации, им предйкщвукзщшсимости от характера условия прогнозирования задачи прогнозирования сводятся к двум методическим стратегиям: экстраполирование функциональной зависимости или распознавание ситуаций.
В статье рассматриваются методы прогнозирования, в основе которых лежит распознавание ситуаций. К задачам этого типа относятся, например, задачи предсказания существования химических соединений и материалов на основе анализа признаков, характеризующих составляющие элементы; прогнозирование поломок технических агрегатов путем анализа совокупности показаний датчиков, характеризующих их состояние; прогнозирование полезных ископаемых, природных и техногенных катастроф; медицинское прогнозирование и т.п.
Распознавание ситуаций может быть выполнено на основе знания обобщенной закономерности, определяющей класс ситуаций, или путем сопоставления распознаваемых ситуаций с описаниями ситуаций-прецедентов, образующих некоторую обучающую выборку [1-3]. В первом случае обычно приходится строить логическое описание закономерности методами индуктивного вывода (проблема в современной терминологии получила название knowledge discovery - "обнаружение знаний"). Метод прецедентов по сути является реализацией вывода по аналогии. Мы рассмотрим и сравним оба принципа распознавания ситуаций в целях прогнозирования. В обоих случаях обрабатываемые данные представляют собой атрибутивные (признаковые) описания объектов или ситуаций. В методах, описанных далее, используются номинальные признаки, в связи с чем признаки, заданные на числовых шкалах, обрабатываются специальной процедурой, преобразующей числовые шкалы в номинальные. Для решения названных ранее задач используются признаки, характеризующие состав и физико-химические свойства материалов, элементы формы кривых, характеризующие состояние агрегатов, симптомы болезней и т.п.
В статье излагаются теоретические и методологические положения, которые возникли в результате
обобщения многочисленных экспериментальных исследований.
Авторы выражают благодарность отечественным и зарубежным коллегам Н.Н.Киселевой, Й.Пао, С.ЛеКлэру, Ю.Г.Ткаченко за сотрудничество при выполнении исследований в области химии и материаловедения.
Растущие пирамидальные сети
При разработке современных компьютерных систем часто выдвигаются следующие требования:
1) не использовать "жесткие", сложные для перестройки модели окружающей среды, поскольку реальные задачи решаются, как правило, в динамической, часто изменяющейся среде;
2) обеспечивать высокую ассоциативность компьютерного представления среды, в которой решаются задачи, с целью максимального снижения объема поисковых операций.
Недостаточная ассоциативность компьютерного представления данных приводит к резкому увеличению сложности операций выбора с ростом объемов данных при использовании известных средств интеллектуального анализа данных, например, деревьев решений, грубых множеств, эволюционных методов [4,5].
С начала семидесятых годов выполнен ряд теоретических и прикладных исследований, нацеленных на решение аналитических проблем на основе методов, использующих организацию данных в виде растущих пирамидальных сетей [6-9], которая дает возможность обрабатывать большие объемы данных без введения каких-либо ограничений на сложность распределения анализируемых объектов в пространстве признаков.
Пирамидальной сетью называется ациклический ориентированный граф, в котором нет вершин, имеющих одну заходящую дугу. Вершины, не имеющие заходящих дуг, называются рецепторами, остальные - концепторами. Подграф пирамидальной сети, включающий вершину а и все вершины, от которых имеются пути к вершине а, называется пирамидой вершины а. Вершины, входящие в пирамиду вершины а, образуют ее субмножество. Множество вершин, к которым имеются пути от вершины а, называется ее супермножеством.
При построении сети входной информацией слу-
жат наборы знач которые объекты ситуации, болезни тущая пирамидал обучающей выбор пары химических зующих двойные приведены описан имена признаков, единения; 20, 2А сывающих второй ры в ячейках -ков.
Обучающая выбор)ка
Объект Класс 1O 1A 1R 1I 2 O 2A 2R 2I
Li2CoF4 A S 3 4 1 D 3 5 7
Ti2 BeF4 ар P н 10 н3о в е S 1 1 10
Li2NiF4 A S 3 4 1 я D 6 5 7
Li2ZnF4 A S х 3и не4 о б1р а- D 1 6 10
Na2BeF4 A S 9 8 ли1 ц е S 1 1 10
K2MnF4 A S 9 10 1 - D 6 8 6
K2CuF4 A S 9 10 1с о- D 3 6 7
NaF-ZnF2 B S 9 8 1 -D 1 6 10
Na2-NiF2 B S 9 8 ци1 -D 6 5 7
KF-BaF2 B S уи9вх п1и0р и цзи1н а-- S 6 10 2
LiF-MgF2 B S и3х 4 з1н а- S 4 5 7
LiF-CaF2 B S 3 4 1 S 6 9 3
Рецепторы соответствуют значениям признаков. В различных задачах это могут быть имена свойств, отношений, состояний, действий, объектов или классов объектов. Концепторы соответствуют описаниям объектов и их пересечениям. В начальном состоянии сеть состоит только из рецепторов. Концепторы формируются в результате работы алгоритма построения сети, который описан во многих публикациях [6-9].
Пирамидальные сети удобны для выполнения различных операций ассоциативного поиска. Например, можно выбрать все объекты, включающие заданное сочетание значений признаков, прослеживая пути, исходящие из вершины сети, которая соответствует этому сочетанию. Для выборки всех объектов, описания которых пересекаются с описанием заданного объекта, достаточно проследить пути, исходящие из вершин, образующих его пирамиду. Алгоритм построения сети обеспечивает автоматическое установление ассоциативной близости между объектами по общим элементам их описаний. Все процессы, связанные с построением сети, при обработке одного описания локализуются в относительно небольшой части сети - пирамиде, соответствующей этому описанию.
Важным свойством пирамидальных сетей является их иерархичность, позволяющая естественным образом отображать структуру составных объектов и родовидовые связи.
Концепторы сети соответствуют сочетаниям значений признаков, определяющих конъюнктивные классы объектов. Таким образом, при построении сети осуществляется классификация объектов.
В пирамидальной сети информация хранится путем ее отображения в структуре сети. Информация об объектах и классах объектов представлена ансамблями вершин (пирамидами), распределенными по всей сети. Внесение новой информации вызывает перераспределение связей между вершинами сети, то есть изменение ее структуры.
Конечно, в полной мере достоинства пирамидальных сетей проявляются при их физической реализации, допускающей параллельное распространение сигналов по сети. Важным свойством сети как средства хранения информации является то, что возможность параллельного распространения сигналов
сочетается в ней с возможностью параллельного приема сигналов на рецепторы.
Методы, использующие индуктивный вывод
При использовании методов, включающих индуктивный вывод, аналитические проблемы решаются на основе обобщенных многопараметрических моделей классов объектов, которые формируются путем анализа обучающей выборки и затем представляются в виде логических выражений.
В логике обобщенные многопараметрические модели классов объектов называются понятиями. Понятия интегрируют знания, необходимые для классификации, диагностики и прогнозирования. Задача индуктивного формирования понятий формулируется следующим образом.
Пусть Ь - обучающая выборка, включающая объекты классов У19 У2,...,У„, причем ЬпУ^0 0=1,2,...,п). Все объекты множества Ь заданы признаковыми описаниями. Каждый объект 1е Ь снабжен указанием типа 1е У^ Необходимо сформировать понятия 02,...,0„, которые соответствуют классам У1, У2,...,У„ и обеспечивают правильное распознавание объектов обучающей выборки Ь.
Пусть имеется пирамидальная сеть, представляющая все объекты обучающей выборки Ь.
Для формирования понятий 01,02,...,0„, соответствующих классам У1,У2,...,У„, последовательно просматриваются пирамиды всех объектов обучающей выборки. При просмотре пирамид в сети выделяются специальные вершины, с помощью которых должно осуществляться распознавание объектов из объема понятия. Они называются контрольными вершинами данного понятия.
При выборе контрольных вершин используются две характеристики вершин сети: {т1, т2,..., т„}, где
т1 (1=1,2,...,п) - число объектов класса Уь в пирамиды которых входит данная вершина; и к - число рецепторов в пирамиде, соответствующей этой вершине (для рецепторов к=1). Алгоритмы формирования понятий в растущих пирамидальных сетях описаны в [6-9].
В сети, изображенной на рисунке, контрольные вершины $7, $3 и №2ВеЕ4 характеризуют класс А (пары элементов, образующих двойное фтористое соединение), контрольные вершины $4, $13 и /пЕ характеризуют класс В (пары элементов, не образующих соединение).
Сформированное понятие представляется в сети ансамблем контрольных вершин. На основе анализа сети специальная процедура строит понятие в форме логического выражения [8].
После того как понятие для некоторого класса объектов сформировано, проблема прогнозирования сводится к проблеме классификации описания прогнозируемого объекта (состояния, ситуации, процесса, события). Классификация новых объектов выполняется путем сравнения их признаковых описаний с понятием, определяющим класс прогнозируемых объектов [8].
Объекты можно классифицировать, вычисляя значение логических выражений, которые представляют соответствующие понятия. Переменным, соответствующим значениям признаков, которые встречаются в описании распознаваемого объекта, присваивается значение 1, остальным переменным -значение 0. Единичное значение всего выражения означает, что объект принадлежит классу, описываемому логическим выражением.
Доказано, что время выполнения алгоритма формирования понятий всегда конечно. После выполнения алгоритма правило классификации полностью разделяет обучающую выборку на подмножества ЬпУ^0 а=1,2,...,п).
Каждой вершине сети, имеющей к рецепторов в своем субмножестве, в 3-мерном признаковом пространстве соответствует (я-к)-мерная плоскость. Плоскость содержит все точки, представляющие объекты, при восприятии которых возбуждается эта вершина; (я-к)-мерные плоскости, соответствующие контрольным вершинам понятия Qi, называются зонами понятия Qi. В результате работы алгоритма для каждого из формируемых понятий строится область из зон признакового пространства, содержащая все точки, представляющие те объекты обучающей выборки, которые входят в объем понятия, и не содержащая ни одной из точек, представляющих другие объекты обучающей выборки. Эта область аппроксимирует область распределения объектов из объема понятия. Поскольку аппроксимирующая область состоит из линейных элементарных областей (гиперплоскостей), ограничивающая ее поверхность является кусочно-линейной. Следовательно, алгоритм осуществляет кусочно-линейное разделение объектов, входящих в объемы различных понятий.
Понятия являются многопараметрическими моделями классов объектов. Важной особенностью ме-
тода формирования понятий в пирамидальных сетях является возможность включения в понятия исключающих признаков, не принадлежащих объектам исследуемого класса. В результате формируемые понятия имеют более компактную логическую структуру, что позволяет повышать точность диагноза или прогноза. В логическом выражении исключающие признаки представлены переменными с отрицаниями.
Все поисковые операции ограничиваются сравнительно малым участком сети, который включает пирамиду объекта и вершины, непосредственно связанные с ней. В результате появляется принципиальная возможность решать практические аналитические проблемы на основе больших объемов данных.
Существует аналогия между основными процессами, имеющими место в растущих пирамидальных и нейронных сетях. Решающим преимуществом растущей пирамидальной сети является тот факт, что ее структура формируется полностью автоматически в зависимости от вводимых данных. В результате достигается оптимизация представления информации за счет адаптации структуры сети к структурным особенностям данных. Причем, в отличие от нейронных сетей, эффект адаптации достигается без введения априорной избыточности сети. Процесс обучения не зависит от предопределенной конфигурации сети. Недостатком нейронных сетей по сравнению с растущими пирамидальными сетями является также то, что выделенные в них обобщенные знания не могут быть явно представлены в виде правил или понятий. Это затрудняет их интерпретацию и понимание человеком.
Методы, основанные на выводе по аналогии
Вывод по аналогии является основой методов, суть которых состоит в анализе объектов обучающей выборки, наиболее "похожих" на исследуемый объект. Исследуемый объект считается принадлежащим классу, объекты которого представлены в пространстве признаков точками, расположенными наиболее близко к точке, представляющей исследуемый объект (метод К ближайших соседей). Проблема поиска аналогии должна решаться вместе с вопросами организации памяти, обеспечивающей установление аналогии объектов.
В свете современных воззрений это должна быть память коннекционистского типа, допускающая параллельное выполнение поисковых операций и отражающая в своей структуре семантические пересечения блоков информации. Этим требованиям отвечают растущие пирамидальные сети. Алгоритм построения сети, работающий при вводе описаний новых объектов, одновременно является алгоритмом поиска в сети аналогов нового объекта, имеющих общие с ним фрагменты описаний. Степень подобия объектов оценивается мощностью пересечения их атрибутивных описаний.
Эксперименты и применение
Программный комплекс, используемый для проведения экспериментов и решения прикладных задач, включает три системы:
- CONFOR, реализующую индуктивные методы;
- ANALOGY, использующую вывод по аналогии;
- DISCRET, с помощью которой признаки, заданные в числовых шкалах, преобразуются в номинальные. Эта задача называется задачей дискретизации. Дискретизация выполняется на шкалах числовых признаков путем сравнения распределений объектов обучающей выборки, принадлежащих различным классам.
Комплекс прошел длительное испытание временем. Типичными прикладными задачами, для решения которых использовался комплекс, являются: прогнозирование новых химических соединений и материалов с заданными свойствами, прогнозирование в генетике, геологии, прогнозирование солнечной активности, медицинская и техническая диагностика, прогнозирование нарушений в работе сложных агрегатов [6,10].
Сравнение методов прогнозирования на основе индуктивного вывода и вывода по аналогии проводилось на задачах прогнозирования существования неорганических соединений с заданными свойствами. В качестве обучающей выборки использовались таблицы, содержащие атрибутивные описания двойных, тройных и четверных систем химических элементов, образующих и не образующих химические соединения. Обучающие выборки для двойных, тройных и четверных систем включали соответственно 1333, 4278 и 4963 описания, а экзаменационные выборки - 692, 2156 и 2536 описаний. Каждый химический элемент описывался 87 признаками. Описания двойных, тройных и четверных систем состояли соответственно из 174, 261 и 348 признаков. Была достигнута достаточно высокая точность прогноза - от 97,88% до 99,86%.
На основании результатов экспериментов можно сделать следующие выводы.
1. Методы, основанные на аналогии с предварительным переводом числовых признаков в номинальные (система DISCRET), более просты в использовании и дают хорошие результаты прогноза при условии использования представительных обучающих выборок в случаях, когда области распределения объектов разных классов в пространстве признаков компактны. Без предварительного перевода признаков в номинальные реализация методов существенно усложняется из-за необходимости согласования единиц измерения для признаков, заданных в различных шкалах.
2. В методах, основанных на аналогии, результаты классификации зависят от параметра, определяющего размеры анализируемого окружения точки, представляющей объект в признаковом пространстве (например, число К в методе К ближайших соседей).
Естественно выбирать К таким образом, чтобы обеспечить наилучшую классификацию объектов экзаменационной выборки. В этом случае параметр К может идеально разделять экзаменационную выборку и тем не менее давать плохие результаты при классификации других объектов.
3. Использование методов, включающих индуктивный вывод, снижает требования к обучающей выборке. Однако, в отличие от методов, основанных на аналогии, индуктивные методы гораздо чаще приводят к появлению неопределенного прогноза (ответа типа "не знаю"). Это происходит, в частности, в случаях, когда исследуемый объект одновременно соответствует закономерностям, характеризующим различные классы. Работу системы CONFOR, реализующей методы, включающие индуктивный вывод, можно сравнить с поведением серьезного исследователя, не бросающего слов на ветер. Работая в очень сложном "зашумленном" признаковом пространстве, он часто отвечает "не знаю", однако дает прогноз с большой степенью точности.
4. Иногда важным достоинством индуктивных методов прогнозирования является создание обобщенной модели исследуемого класса объектов, которая представляется в виде логического выражения, удобного для интерпретации человеком.
Исследования, выполненные на сложных данных большого объема, показали высокую эффективность применения растущих пирамидальных сетей для решения аналитических задач. Такие качества, как простота внесения изменений, совмещение процессов ввода информации с ее классификацией, обобщением и выделением существенных признаков, высокая ассоциативность, делают растущие пирамидальные сети важной компонентой прогнозирующих систем. Выводы, приведенные ранее, позволяют правильно выбрать метод анализа в зависимости от условий исследования.
Список литературы
1. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск: Изд-во ин-та математики, 1999.- 270 с.
2. Журавлев Ю.И., Рязанов В.В. Об извлечении знаний из выборок прецедентов в моделях классификации, основанных на принципе частичной прецедентности. //Тр. междунар. науч.-практ. конф.: KDS-2001: Знание-Диалог-Решение. - СПб. - 2001. - С. 232 - 237.
3. Закревский А.Д. Логика распознавания. -Минск: Наука и техника, 1988. - 118 с.
4. Quinlan R. "Induction of decision trees". Machine Learning 1, 1986, pp.81-106.
5. Piatetsky-Shapiro G.and Frawley W.J., editors. Knowledge Discovery in Databases. AAAI Press, Menlo Park, California, 1991.
6. Гладун В.П. Партнерство с компьютером. Человеко-машинные целеустремленные системы. - Киев: Port-Royal, 2000.128 с.
7. Gladun V.P., Rabinovich Z.L. "Formation of the World Model in Artificial Intelligence Systems". In: Machine Intelligence, 9, Ellis Herwood Ltd., Chichester, 1980, pp. 299-309.
8. Гладун В.П. Планирование решений. -Киев: Наукова думка, 1987. -168 с.
9. Gladun V.P. and Vashchenko N.D. "Analytical processes
in pyramidal networks". International journal on information 10. Kiselyova N., Gladun V., Vashchenko N.. "Computational
theories & applications. FOI-COMMERCE, Sofia, Vol. 7, №3 - 2000, Materials Design Using Artificial Intelligence Methods". Journal of Al-pp. 103-109. loys and Compounds. 279(1998), pp. 8-13.
ИНСТРУМЕНТАЛЬНАЯ РАСПРЕДЕЛЕННАЯ ВЫЧИСЛИТЕЛЬНАЯ САТУРН-СРЕДА
(Работа выполнена при поддержке РФФИ (грант № 01-07-90220))
Г.А. Опарин, А.Г. Феоктистов
Статья посвящена методологическим основам автоматизации процессов разработки и применения распределенных пакетов знаний в области исследования динамики и проектирования сложных управляемых систем (СУС). Термин проектирование здесь и далее понимается в классическом для специалиста по управлению движением смысле и подразумевает решение задачи структурно-параметрического синтеза систем управления. При этом цель проектирования определяется в виде совокупности требований к динамическим показателям функционирования СУС (точность в различных режимах, быстродействие, запасы устойчивости и другие динамические показатели). По сути дела, речь идет о формировании динамического облика СУС и комплексе научно-исследовательских работ, выполняемых на уровне математических моделей, аналитических и численных методов их исследования.
Основу расчетных работ при заданной цели исследования составляют три тесно связанных понятия: математические модели СУС, методы (алгоритмы) исследования этих моделей и методики (технологические схемы) достижения цели исследования с использованием моделей и методов их решения. Мы рассматриваем наиболее часто используемые на практике алгоритмические модели, когда описывающие функционирование СУС сложные системы дифференциальных, разностных, алгебраических и логических уравнений оформляются в виде множества взаимосвязанных процедур, и организованный на этой основе вычислительный процесс соответствует в определенном смысле поведению моделируемой системы. В этом контексте совокупность понятий модель+метод+методика имеет ярко выраженную алгоритмическую окраску и составляет базу алгоритмических знаний расчетных работ.
Традиционно процесс исследования динамики и проектирования СУС представляет собой организованную в соответствии с технологией системного анализа последовательность многовариантных расчетов - вычислительных экспериментов, на каждом шаге которой в соответствии со стратегией и тактикой исследования и поиска приемлемых решений варьируются структура и значения параметров модели, методов и методик, выполняются запланированные расчетные работы, оцениваются результаты и
принимается решение о дальнейшем направлении исследований.
Конструирование плана вычислительного эксперимента, а также дальнейшая реализация этого плана средствами базового языка программирования составляют во многом рутинную деятельность, которая многократно выполняется в рамках этой технологии специалистами по управлению, отвлекает их внимание от решения проблемных задач и является в данной работе основным объектом автоматизации и инструментальной поддержки.
Многочисленные, в определенной части противоречивые, требования к системным средствам организации вычислительных работ приводят к необходимости замены программирования моделей, алгоритмов и технологических схем их исследования автоматизированным процессом конструирования из заранее созданных и допускающих автономную трансляцию и отладку модулей. Желательно, чтобы это конструирование основывалось на автоматическом получении и сборке из модулей схемы решения задачи (СРЗ) и, в конечном счете, расчетной программы по заданным пользователем постановкам исследовательских задач, включающим описание имеющихся данных и цели расчета. В этой связи следует отметить, что популярные математические системы (MATLAB, MATHCAD, MAPLE, DERIVE, MATHEMATICA и др.), несмотря на их многочисленные достоинства, являются, по сути дела, мощными интеллектуальными калькуляторами, которые не обеспечивают необходимый для специалиста по управлению общесистемный уровень автоматизации расчетных работ при исследовании динамики и проектировании уникальных СУС.
В полной мере достичь поставленной цели позволяет комплексное использование новейших достижений программной инженерии, инженерии знаний и доказательного программирования. В этом контексте мы рассматриваем далее такие общесистемные методологические аспекты автоматизации процессов анализа динамики и проектирования СУС, как модульность и представление знаний о математических моделях СУС, методах и методиках их анализа и проектирования, формулирование постановок исследовательских задач, планирование схем решения задач, их конкретизация и исполнение, визуали-
