CC BY
19
Евразийский Союз Ученых (ЕСУ) # 7 (16), 2015 | ТЕХНИЧЕСКИЕ НАУКИ
153
Поиск уравнения (1) с максимальным значением называется задачей линейного динамического программирования.
Ввод параметров конструкций:
X1 -шаг, м;
X2 -нагрузка на 1 м2;
X3 -длина конструкции, м;
Х4-суммарная площадь сечения стержней конструкции, м2;
Х5-суммарный периметр узловых деталей, м;
Х6-кол-во отверстий в стержне, шт;
Х7-кол-во отверстий в пластинах, шт;
Х8-толщина пластин-для пролетных, мм;
Х8-толщина базы колонны*периметр базы-для стоечных, мм;
Х9-высота здания, м;
Х10-масса, кг;
Х11-кол-во монтажных болтов, шт;
Х12-длина монтажных сварных швов, мм; Х13-время укрупнения, чел-ч;
Х14-время строповки, чел-ч;
Х15-высота конструкции, м;
Х16-ширина конструкции, м; Х17-выступающие элементы, м.
n долевой коэффициент нахождения конструктивной технологичности,
долевой коэффициент нахождения технологичности изготовления,
Уn■■ долевой коэффициент нахождения техноло-
гичности монтажа,
X —
"■■ долевой коэффициент нахождения техноло-
гичности транспортировки.
Комплексная технологичность конструктивно-технологического решения №1
К = an х К + в х К +уп х К +Л„ х К
n к • n и / n м n )
тр
К = 0,325 х 0,97 + 0,1 х 0,94 + 0,5 х 0,25 + 0,075 х 1 = 0,609
Комплексная технологичность конструктивно-технологического решения №2
К = ап х Кк +в х Ки +Уп х Км + Xn х Кт
тр
К = 0,325 х 1 + 0,1 х 1 + 0,5 х 1 + 0,075 х1 = 1
В результате оценки комплексной технологичности двух конструктивно-технологических решений стальных ферм покрытия автором было выбрано конструктивнотехнологическое решение №2.
Список литературы
1. Ульшин. А. Н. Методика определения обобщенного показателя технологичности конструирования, изготовления, транспортировки и монтажа стальной стержневой конструкции // Журнал “Международный научно-исследовательский журнал”, выпуск 2-1 (33) — СПб, 2015
2. Ульшин А.Н. Разработка обобщенного показателя
качества стальных конструкций, вып.7(25) -
СПбГПУ // Инженерно-строительный журнал. Вып.7(25) - 2011- 62 с
3. Ульшин. А. Н. Влияние параметров стальных стержневых конструкции на трудоемкость изготовления // Журнал “ПГС”. —М, 2015
4. Ульшин. А. Н. Влияние параметров стальных стержневых конструкции на трудоемкость монтажа // Журнал “Монтажные и специальные работы”. — М, 2015-№1 -С.4 - 11
5. Ульшин А.Н. Формулировка способа повышения комплекса технологичности стальных стержневых конструкций, постановка задач дальнейшего научного исследования // материалы II-ой международной научно-практической конференции «Актуальные вопросы технических наук в современных условиях» - СПб, ИЦРОН, 2015.
СТАНДАРТИЗАЦИЯ ПРОЦЕССОВ ПРОЕКТИРОВАНИЯ КОГНИТИВНЫХ СИСТЕМ
Анцыферов Сергей Сергеевич
Доктор технических наук, профессор МИРЭА, г. Москва
Фазилова Ксения Наильевна
Аспирантка МИРЭА, г. Москва
АННОТАЦИЯ
В статье рассматривается стандартная процедура моделирования процесса проектирования самоорганизующихся систем, являющаяся одним из приемов при проектировании когнитивной системы.
ABSTRACT
The article considered a standard procedure of modeling the process of design of self-organizing systems which is one of the techniques of design of cognitive systems.
Ключевые слова: когнитивные системы, самоорганизующиеся системы, проектирование когнитивных систем
Keywords: cognitive systems, self-organizing systems, construction of cognitive systems
Введение когнитивных технологий обусловлена тем, что к настоя-
Тенденция создания сложных информационных щему времени разработан ряд формализованных моделей технических систем, особенно с элементами искусствен- мыслительных процессов, отражающих современные ги-ного интеллекта, со все более широким использованием
154
Евразийский Союз Ученых (ЕСУ) # 7 (16), 2015 | ТЕХНИЧЕСКИЕ НАУКИ
потезы о их протекании в мозге человека, т.е. когнитивных моделей. Когнитивные системы, использующие такие модели, приобретают возможности оперирования приобретаемыми знаниями при решении сложных задач. Можно сказать, что в таких системах симулируется работа мозга человека в рамках понимания ее на сегодняшний день. Наиболее перспективны разработки в области когнитивных нейрологических систем с самоорганизацией и ассоциативной памятью на основе комбинирования логической и нейронной когнитивных парадигм, что фактически означает переход к аппаратной реализации обучаемых интеллектуальных систем нейрологического типа. Ожидается, что на этом пути могут быть созданы системы со сложностью поведения, приближающейся к человеческой. Так, первые образцы искусственной нервной системы роботов-гуманоидов уже созданы японскими корпорациями Sony и Honda. Фирмой Microsoft разрабатываются интегрированные программные продукты, выполняющие функции цифровых нервных систем предприятий.
Цель работы - определение стандартной процедуры моделирования процесса проектирования когнитивных систем.
Определение модели проектирования
Одним из стандартных приемов при проектировании когнитивной системы является отображение ее в виде самоорганизующейся развивающейся системы, т.е. системы, характеризующейся рядом отличительных признаков и особенностей. Особенности подобных систем обусловлены наличием в их составе активных элементов, т.е. элементов, способных самостоятельно принимать решения. Особенности носят, как правило, двойственный характер: они являются новыми свойствами, полезными для системы, ее приспосабливаемости к изменяющимся условиям, но в то же время вызывают неопределенность. К основным особенностям можно отнести: нестационарность (изменчивость, нестабильность) отдельных параметров, стохастичность, а часто и непредсказуемость поведения; способность адаптироваться к изменяющимся условия и помехам; принципиальная неравновестность, что создает проблему устойчивости; способность проявлять негэнтро-пийные тенденции, что обусловлено наличием активных элементов; способность вырабатывать варианты поведения и изменять свою структуру, выходить на новый уровень эквифинальности, сохраняя при этом целостность и основные свойства; способность и стремление к целеобразованию (основа негэнтропийных процессов). Основная особенность такого рода систем - принципиальная ограниченность формализованного описания, т.е. необходимость сочетания формальных методов и методов качественного анализа. При формировании таких моделей меняется первичное представление о моделях, характерное для математического моделирования и прикладной математики. Стандартная процедура моделирования процесса проектирования самоорганизующихся систем может состоять в следующем: вначале необходимо разработать знаковую систему, фиксирующую (отображающую) известные на данный момент элементы (компоненты) и связи между ними; затем, путем преобразования полученного отображения с помощью установленных правил (структуризация или декомпозиция, композиция, поиск мер близости на пространстве состояний и т.п.) необходимо получить новые, неизвестные ранее компоненты, взаимосвязи и зависимости между ними. Накапливая информацию, фиксируя новые компоненты и их взаимодействия (связи) можно получить отображения последовательных состояний, создавая все более адекватную модель системы. Подобное моделирование представляет собой как бы «механизм» развития системы. Его практическая
реализация связана с необходимостью разработки соответствующего языка моделирования, в основу которого может быть положен один из стандартных методов моделирования сложных систем: теоретико-множественные представления, базирующиеся на понятиях множества, элементы множества, отношения на множествах; математическая логика, базовыми понятиями которой являются высказывание, предикат, логические функции (операции), кванторы, логический базис, законы алгебры логики, математическая лингвистика, оперирующая такими понятиями как тезаурус (структура языка), грамматика, семантика, прагматика; имитационное динамическое моделирование, использующее специфический аппарат, позволяющий отразить причинно-следственные связи между элементами системы и динамику изменений каждого элемента; информационный подход, оперирующий такими понятиями как информация, логическая информация, информационная сложность и др.
Вывод
Отображение когнитивных систем в виде самоорганизующихся систем позволит исследовать процессы обработки информации и знаний с большой неопределенностью на начальном этапе проектирования (постановки задачи).
Список литературы
1. Анцыферов С.С. Оценка уровня качества интеллектуальных систем. - Искусственный интеллект. 2013. № 3. С. 316.
2. Анцыферов С.С. Повышение интеллектуального потенциала адаптивных информационно-распозна-ющих систем. - Искусственный интеллект. 2010. №
4. С. 330.
3. Анцыферов С.С., Евтихиев Н.Н. Адаптивные ин-формационно-распознающие системы. - Известия Южного федерального университета. Технические науки. 2004. № 9 (44). С. 183-190.
4. Анцыферов С.С., Евтихиев Н.Н. Адаптивные системы распознавания образов пространственновременных полей. - Искусственный интеллект.
2004. № 3. С. 405.
5. Анцыферов С.С., Русанов К.Е. Быстродействие интеллектуальных систем. - Искусственный интеллект. 2013. № 4. С. 259.
6. Анцыферов С.С., Сигов А.С., Анцыферов Е.С., Голубь Б.И. Системные принципы управления качеством проектирования адаптивных информаци-онно-распознающих систем. - Известия Южного федерального университета. Технические науки.
2005. № 10. С. 167.
7. Евтихиев Н.Н., Анцыферов С.С., Голубь Б.И. Адаптация информационно-распознающих биомедицинских систем. - Биомедицинская радиоэлектроника. 2001. № 1. С. 5.
8. Сигов А.С., Анцыферов Е.С., Голубь С.С., Анцыферов С.С. Системные принципы управления качеством проектирования адаптивных информаци-онно-распознающих систем. - Известия Южного федерального университета. Технические науки. 2005. № 10 (54). С. 167-174.
9. Antsyferov S.S. Forming the spectrum of thermal images of objects and recognizing their patterns. -Journal of Optical Technology. 1999. Т. 66. № 12. С. 1047-1049.
10. Antsyferov S.S. Metrology of virtual systems. -Measurement Techniques. 2003. Т. 46. № 5. С. 439446.
11. Antsyferov S.S., Evtikhiev N.N. Adaptive data processing of isotropic space-time fields. - Journal of Optical Technology. 2006. Т. 73. № 10. С. 702-706.
