Datasets:

Aimazing

/

test

like 0

Исторически на каждом предприятии сосуществуют разнообразные информационные системы (ИС), которые зачастую функционируют независимо друг от друга и решают свой класс задач. Многие производственные задачи решаются неэффективно или не решаются вовсе без совместного использования данных сразу нескольких информационных систем, что делает актуальной задачу интеграции ИС по данным. Тем не менее, очевидными являются и недостатки, связанные, прежде всего, с недостаточной гибкостью и масштабируемостью таких решений. В результате экономия на разработке может нивелироваться существенными затратами на поддержку работоспособности частных решений в условиях постоянно меняющейся информационной среды. Существуют более унифицированные подходы к решению задачи интеграции данных на уровне компании, например - использование, так называемых интеграционных платформ. Важным фактором выбора интеграционного решения является высокая стоимость общего и прикладного программного обеспечения (ПО), входящего в платформу. Мы считаем, что разумной альтернативой рассмотренным подходам является создание отраслевых интеграционных платформ, сочетающих мощь и гибкость универсальных платформ с производительностью и предметной ориентированностью частных решений. Понимая это, многие производители ПО для интеграции создают отраслевые шаблоны интеграционных решений, основанные на универсальных платформах. Однако, шаблоны интеграции доступны для ограниченного числа отраслей и классов систем (в основном непроизводственной сферы, финансово-экономических) и не решают проблему избыточной стоимости внедрения и владения. Нефтегазовая отрасль - одна из тех, для которых задача создания эффективной и гибкой отраслевой интеграционной платформы особенно актуальна. В настоящее время большинство нефтегазодобывающих компаний (НГДК) не имеет рациональной стратегии их автоматизации, что приводит к отсутствию интеграции между множеством закупленных программных продуктов, необходимых различным службам, и является препятствием к образованию единого информационного пространства предприятия . Разнородность этих программных продуктов не позволяет эффективно обмениваться данными и усложняет выполнение бизнес-процессов НГДК. Данная работа посвящена разработке концепции создания интеграционной платформы для предприятий нефтегазовой отрасли. включает целый ряд производственных служб, напрямую обеспечивающих процессы добычи, подготовки и транспортировки газа, газового конденсата и нефти . Чаще всего каждая из этих служб представлена специалистами, как на удаленных нефтегазовых промыслах, так и в аппарате управления компании. Основные типы производственных данных представлены в таблице. Анализ типов данных, используемых производственными службами НГДК, показывает, что большая часть информации не замыкается в пределах одного из обеспечивающих производственных процессов и не находится в исключительном ведении одной производственной службы. Наоборот, эффективность реализации производственных процессов во многом зависит именно от эффективной организации обмена производственными данными между всеми их участниками. Планы бурений, измерений, ремонтов и прочих работ. Рассмотрим процесс движения производственных данных с точки зрения ИС НГДК. В основном, технологические данные поступают на нефтегазовых промыслах средствами АСУТП при добыче, подготовке и транспортировке углеводородного сырья. В качестве входных данных в эти системы кроме ряда технологических параметров поступают данные от служб НГДК, например, данные о состоянии скважинного фонда, об объемах добычи и подготовки углеводородного сырья, результаты химических анализов передаваемой в магистральные газо-и нефтепроводы продукции. При использовании метода консолидации данные собираются из нескольких первичных систем и интегрируются в одно постоянное место хранения. Такое место хранения может быть использовано для подготовки отчетности и проведения анализа, как в случае хранилища данных, или как источник данных для других приложений. Федерализация данных обеспечивает единую виртуальную картину нескольких первичных источников данных. Для получения сведений о некотором процессе, обрабатываемом в нескольких оперативных приложениях, процессор федерализации данных извлекает данные из соответствующих первичных складов данных, интегрирует их таким образом, чтобы они отвечали виртуальной картине и требованиям запроса, и отправляет результаты бизнес-приложению, от которого пришел запрос. Распространение данных подразумевает их копирование из одного места в другое. Этот подход обычно используется для операций реального времени и является событийно управляемым. Все эти методы имеют свои преимущества и недостатки. Каждый из них является наиболее эффективным в определенных условиях . Федерализацию данных рекомендуется использовать в тех случаях, когда стоимость консолидации данных перевешивает бизнес-преимущества, которые она предоставляет . Консолидация технологических данных НГДК на базе одной информационной системы является сложной и ресурсоемкой задачей, поэтому на практике интеграционные платформы чаще всего реализуют метод федерализации данных. Проведенный анализ позволяет нам сделать вывод о необходимости создания концепции, включающей в себя набор оригинальных принципов построения платформы для интеграции производственных данных НГДК, требования к платформе, ее обобщенную структуру и компонентную архитектуру. В каждой ИС существует своя интерпретация предметной области, в связи с этим задача сопоставления семантически подобных сущностей из моделей БД разных ИС при их интеграции, является достаточно сложной. Наличие метамодели производственных данных (МПД), в какой-то степени общей для всех задействованных ИС, значительно облегчает эту задачу. Для рассматриваемой в работе предметной области информационной метамоделью будет МПД НГДК. Адаптер должен преобразовывать информацию из схемы данных интегрируемой ИС в схему МПД НГДК. МПД НГДК является важным элементом концепции интеграции, поэтому сформулируем основные требования к ней. Платформа интеграции не является местом хранения производственных данных. Она реализует собой сервер федерализации данных, позволяющий организовать интеграционные процессы внутри предприятия. Описывает логику процесса передачи производственных данных из одной системы в другую в виде понятном платформе интеграции. Можно выделить следующие преимущества концептуально описанной платформы интеграции производственных данных НГДК. Благодаря интеграции данных потребитель имеет дело с единым и единообразным интерфейсом. Прозрачность размещения информации означает, что приложению, потребляющему данную информацию, нет необходимости иметь представление о том, где хранятся данные. Благодаря прозрачности вызова оно может также не знать, какой язык или интерфейс программирования поддерживается исходной базой данных. Приложению также необязательно знать физические условия хранения данных, или о том, какие используются сетевые протоколы (сетевая прозрачность). Приложение, являющееся потребителем сервера интеграции данных, может взаимодействовать с единым виртуальным источником данных. Иначе, приложение должно взаимодействовать с несколькими источниками данных индивидуально через различные интерфейсы, с использованием разных протоколов. По данным исследований, единообразие способствуют значительной экономии времени на разработку при необходимости интегрировать несколько источников. Многие потребители могут потенциально иметь одинаковые или очень сходные запросы в интегрированной информации. Согласно принципам предложенной концепции, интегрированное представление разрабатывается один раз и после этого используется и обслуживается централизованно, таким образом, формируется единая точка изменения. Такой подход сокращает расходы на разработку и поддержку программных продуктов. Реализация прототипа интеграционной платформы позволяет ускорить и упростить интеграцию информационных систем по производственным данным, обеспечить поддержку жизненного цикла систем в ходе развития информационного пространства компании.

В связи с этим происходит переориентация целей обучения. Основными становятся цели, связанные с приобретением фундаментальных междисциплинарных знаний, наиболее стабильных и универсальных, при этом прагматические и узкоспециализированные цели становятся второстепенными. Приходится констатировать, что в настоящее время в педагогических вузах практически отсутствует единое мнение о фундаментальных основах учебной дисциплины информатики, в силу чего этот курс имеет ярко выраженную технологическую и прикладную направленность. Такое понимание (не без успеха) развивалось в рамках традиционной (классической) университетской системы образования. Этот набор может трансформироваться, поскольку развитие науки изменяет приоритеты между отдельными ее достижениями. Фундаментальность подготовки предполагает овладение обобщенными видами деятельности, обеспечивающими решение множества частных задач предметной области. Фундаментальность образования в педагогическом университете предполагает, что значительную долю среди знаний будут составлять обобщенные теоретические знания, раскрывающие структуру содержания той или иной фундаментальной научной дисциплины и деятельности по обучению этому знанию, закономерности осуществления процесса обучения, а также принципы его построения. Таким образом, мы подошли к необходимости ответа на вопрос, каким же образом можно достичь фундаментальности образования в области информатики в педагогическом вузе. К сожалению, такой подход отражает лишь одну сторону фундаментальности образования, не раскрывающую в полной мере философские и логико-методологические аспекты науки информатики. при обучении любой научной дисциплине может быть достигнута за счет включения в содержание обучения определенной формализации, которая, как правило, в процессе обучения осуществляется с помощью построения (или конструирования) языка конкретной научной дисциплины. Проецируя его на обучение предметной области информатики, т. е. включая в процесс обучения элементы конструирования языка предметной области, можно будет добиться фундамен-тализации образования будущего учителя информатики. Но в этом случае, привнеся в содержание обучения большую долю формальной математики, опять-таки нельзя будет в полной мере осветить методологические и философские основания информатики в рамках учебной дисциплины. Отсюда следует, что основания учебного предмета складываются из философских, мировоззренческих и математических оснований предметной области. Философские основания представляют собой основные философские концепции и направления, в рамках которых определяется основной метод познания науки, характеризующий деятельность исследователей в данной предметной области. Математические основания обеспечивают обучаемых знаниями о формализации, которая достигается за счет построения формального языка предметной области и формализации существующих содержательных теорий данной предметной области. В связи с этим чрезвычайно важным фактом при обучении математическим основаниям информатики является, на наш взгляд, система формальных языков, с помощью которых производится формализация семейства языков, относящихся к конкретной предметной области. Таким образом, наш взгляд на фундаментализацию образования выражается концепцией, в основе которой лежит выделение в содержании обучения мировоззренческих, философских и математических оснований учебного предмета и обучение формализации теорий предметной области с помощью формальных языков. Отметим, что данная концепция была сформулирована на базе обширного анализа публикаций по указанной проблеме, а также с учетом основных положений современной государственной образовательной парадигмы и результатов, полученных нами в ходе исследований в области теории и методики обучения информатике. Заметим, что именно такой подход к определению информатики как науки может служить отправной точкой и в отборе содержания обучения математическим основаниям информатики в рамках учебного предмета. При этом основное содержание обучения учебному предмету в рамках концепции фундаментализации образования представляют математические основания информатики. Отметим, что математические основания информатики в качестве самостоятельной учебной дисциплины, на наш взгляд, следует рассматривать как ветвь конструктивной математики, созданную для описания информационных процессов и расположенную несколько в стороне от остальной части математики. Именно эти классы исчислений и классические алгорифмы (рекурсивные функции, машины Тьюринга и др.) учитывались нами при построении иерархии (или системы) формальных языков, которая была получена нами в процессе классифицирования указанных объектов с помощью кластерного анализа. Обучая основным понятиям семиотики и этим классам формальных языков, возможно достичь основной цели обучения математическим основаниям информатики, которая заключается в выработке строгого толкования природы информационных процессов, изучаемых информатикой, что включает в себя формальное определение или представление информационных процессов с помощью конструктивных математических объектов, в результате чего проясняются их взаимосвязи и становятся понятнее их свойства. Взаимосвязь между математикой и информатикой здесь проявляется через дискретные объекты, имеющие возможность планомерно меняться во времени и непосредственно использоваться информатикой. Эти объекты представляют собой новый, необычный для математики предмет исследования. Заметим, что установление соответствий между свойствами дискретных объектов и традиционных математических конструкций привело, например, к возникновению теории доказательства утверждений о правильности программ, которая способствует лучшему пониманию природы программы как математического объекта. Под модулем мы понимаем последовательность тем курса, которую можно либо переместить, либо вынести на самостоятельное изучение студентами, либо удалить из содержания обучения вообще, если студенты уже изучали понятия данного модуля в других курсах. Заметим, что указанная дисциплина может включать и другие вопросы, относящиеся к теоретической информатике, например, вопросы теории информации, физические основы организации компьютера и т. д. Их содержание может быть добавлено в содержание обучения данной дисциплине в качестве дополнительных частей и модулей. Итак, приведем программу курса. содержательной теории множеств (язык канторовской теории множеств). Элементы теории категорий. Языки в алфавите. Слова в алфавите. Языки в алфавите. Операции над языками в алфавите. Перевод языков. Исчисления на словах в алфавите. Формальные доказательства в исчислениях на словах в алфавите. Ассоциативные исчисления в алфавите. Канонические и нормальные системы Поста. Методы задания языков в алфавите. Регулярные языки в алфавите. Регулярные выражения над алфавитом. Формальные грамматики. Классификация формальных грамматик и языков. Классификация КС-грамматик. Обобщение КС-грамматик для увеличения детерминированности процесса вывода и для формализации семантики. Синтаксически управляемый перевод. Алгоритмы преобразования КС-грамматик. Автоматы с магазинной памятью как распознаватели. Логические языки первого порядка. Синтаксис языка первого порядка. Гильбертовское исчисление первого порядка. Построение доказательств и выводов с использованием основных правил вывода. Гильбертов-ское исчисление первого порядка. Установление существования доказательств и выводов с помощью допустимых правил вывода. Семантика языка первого порядка. Логико-математические языки. языков программирования. Машина с неограниченными регистрами (МНР). Простейшие команды. Команда присваивания. Композиция команд. Команда выбора Дейкстры. Команда цикла Дейкстры. Процедуры в системе Дейкстры. Синтез команд присваивания. Синтез команд выбора. Синтез команд цикла. Построение инвариантов. Денотационная семантика языков программирования. Денотационная семантика модельного языка. Элементы компьютерной логики. Алгоритмы распознавания типа формул языка нулевого порядка. Заметим, что такое графическое представление может помочь в создании множества учебных предметов, предназначенных для обучения математическим основаниям информатики в рамках реального учебного процесса. для изложения всех остальных вопросов. Темы, вопросы которых в той или иной мере учтены действующими государственными стандартами высшего профессионального образования, выделены двойной рамкой. Пунктирными стрелками показаны дополнительные связи, с помощью которых можно варьировать содержание обучения в зависимости от реальных условий учебного процесса. Содержание ряда тем (учитывая эти дополнительные связи) можно объединить или вынести для изучения в рамках спецкурса или другой учебной дисциплины. Тогда за счет освободившегося времени в содержание обучения могут быть включены новые темы с сохранением их связей. Некоторые темы с более простым содержанием могут быть предложены студентам для самостоятельного изучения. Таким образом, опираясь на предложенную модель содержания обучения математическим основаниям информатики, можно построить различные учебные дисциплины путем выбора ряда тем в зависимости от реальных условий учебного процесса. Возможность создания такого курса является следствием достаточной зрелости предмета, выраженной в существовании пользовательской семантики фундаментальных понятий. Возможность его усвоения обучаемыми во многом связана с конструктивным воплощением понятий в компьютере, что позволяет обеспечить практической деятельностью обучаемых в процессе изучения понятий теоретической информатики.

Фундаментальная компонента в образовании является своеобразным гарантом качества подготовки специалиста. Именно фундаментальная составляющая образования позволяет выпускнику университета самостоятельно работать в высокотехнологичных областях, учиться и переучиваться, чтобы быть востребованным на рынке труда. Специалист, получивший хорошее фундаментальное образование, гораздо быстрее приспосабливается к изменениям в технологиях и обществе в целом, чем тот, кто знаком с ними поверхностно научился нажимать кнопки и ловко справляться с курсором компьютерной мышки, не понимая сути происходящего. Для компьютерных и смежных технологий ситуация усугубляется активным формированием и развитием теоретической информатики. Эти дисциплины составляют вместе с классической математикой образовательный фундамент для подготовки специалистов по вычислительной технике и информационным технологиям. Программирование за последние полвека породило целый спектр самых массовых интеллектуальных профессий, связанных с задачами хранения, передачи и анализа информации. Наблюдается как необходимость в открытии новых специализаций по информационным технологиям . На противоречия, возникающие между творческой природой программистского труда и необходимостью его организации для производственных целей, одним из первых указал А. П. Ершов . При этом существует вполне объяснимая гонка бизнеса за прибылью, связанная с попытками более эффективного, с точки зрения получения дохода, использования трудовых ресурсов. Индустриализация труда (процесс известный уже два века как тэйлоризация) приводит к его раздроблению и снижению квалификации конкретных исполнителей. В информационных технологиях эти процессы характеризовались развитием идей структурированного программирования, внедрения объектно-ориентированного программирования и проектирования, модульной технологии в программировании. Следствием такого преобразования промышленного производства в области высоких технологий явились более жесткие требования бизнеса к узкой специализации сотрудников. Требования к соискателям на вакансии специалистов в области информационных и коммуникационных технологий содержат множество названий конкретных технологий и программных продуктов. Информационные технологии изменяются так стремительно, что полученные примитивным тренингом навыки быстро устаревают. Поэтому выпускники университетов должны обладать набором фундаментальных знаний в области компьютерных наук, позволяющих быстро осваивать современные компьютерные технологии. Характерной иллюстрацией служит развитие и внедрение информационных систем во все сферы человеческой деятельности. Для теории информационных систем важна не только количественная характеристика информации (приоритетная для кодирования и передачи информации по различным каналам связи, а также сохранности этой информации), но и ее качественные характеристики. Точнее, имеет смысл сама информация и ее содержание, которое осознает человек, получивший данную информацию. В этом случае важную роль играют алгебраическая теория информации и математическая логика. С алгебраической точки зрения теория информации трактуется как абстрактный набор слов со своими специфичными задачами, связанными с хранением, обработкой и передачей слов по каналам связи. При таком подходе основным математическим аппаратом является аппарат современной высшей алгебры. В рамках алгебраической теории информации объединяются многие направления информационных технологий. Такие на первый взгляд различные задачи, как задачи теории формальных языков и построения грамматик, распознавание образов, автоматическое доказательство теорем и теория реляционных баз данных, можно рассматривать как различные приложения алгебраической теории информации. В основу понятийного анализа информации легла математическая логика. Проникновение математической логики в информационные технологии связано в первую очередь с задачами обработки текстов. Лингвисты и математики рассматривали компьютеры как средство автоматизации символьных преобразований, характерных для каждой конкретной области знаний. Результатом таких работ стало активное изучение задач искусственного интеллекта, таких как автоматическое доказательство теорем. Таким образом, при подготовке специалистов по информационным системам необходимо формировать базовые знания по фундаментальной математике, без которых невозможно в будущем освоение новых технологий. Опыт российской высшей школы и отечественной промышленности предлагает нам находить разумный компромисс между фундаментальным образованием, специализацией и прикладной (узкой) специализацией выпускников университетов. При этом под фундаментальным образованием мы понимаем как общеобразовательные, так и общепрофессиональные составляющие образования. Под специализацией может пониматься получение знаний, умений и навыков для конкретной специальности, реализуемой в рамках направления подготовки высшего профессионального образования (ВПО). Специализация выпускника также может быть разделена на базовую, которую может обеспечивать университет, и узкую специализацию, которая должна проводиться работодателем (возможно, в контакте с университетами). Такой подход вполне укладывается в компетентностную модель профессиональных и образовательных стандартов. В профессиональных стандартах должны определяться компетенции в сфере профессиональной деятельности, наличие которых позволит специалисту успешно работать в избранной сфере деятельности. Профессиональные компетенции могут рассматриваться как совокупность фундаментальных, базовых и специальных компетенций. Фундаментальные профессиональные компетенции определяют те знания и умения, связанные с фундаментальными научными дисциплинами, на которых базируются прикладные дисциплины и используемые специалистом технологии. Именно фундаментальные профессиональные компетенции ориентированы на успешную деятельность специалиста в будущем. Для специалистов в области компьютерных наук и технологий это в первую очередь знания и умения, связанные с фундаментальной и прикладной математикой. Базовые профессиональные компетенции отражают специфику профессиональной деятельности, для которой они необходимы в рамках конкретной специальности на самых различных рабочих местах. Для специалистов в области информационных технологий это могут быть компетенции, связанные, например, со способностью решать задачи анализа и модернизации реляционных баз данных, или владения любым алгоритмическим языком программирования. Специальные профессиональные компетенции отражают специфику профессиональной деятельности на конкретных рабочих местах. Для специалистов в области информационных технологий это могут быть компетенции, связанные с владением конкретной средой разработки, или конкретным набором прикладных программ. Компетентностная модель профессионального стандарта может рассматриваться как основа для сопряжения с образовательными стандартами, которые реализованы на аналогичной компетентностной основе, описывающей в качестве целей образовательного процесса компетентно-стную модель выпускника вуза. Отметим, что существенную роль для отработки таких сопряжений играет складывающаяся система регулярных конференций, объединяющих представителей университетов, Российской академии наук и работодателей. Главным и определяющим фактором разработки государственных образовательных стандартов (ГОС) третьего поколения является задание требований к выпускникам университетов. Задание требований к уровню подготовки выпускников в профессиональной деятельности должно определять содержание образовательных стандартов. Логично сначала разработать профессиональные стандарты, содержащие наборы профессиональных компетенций, которые можно положить в основу образовательных стандартов. Профессиональные компетенции, определенные в профессиональных стандартах, определяют наборы компетенций образовательных стандартов. Множество компетенций, заданных в образовательных стандартах, задают уровень подготовки выпускников вузов. Вопрос в том, как задавать содержание образовательных стандартов. Совокупность знаний должна иметь иерархическую трехуровневую структуру. Области делятся на разделы совокупности знаний, которые представляют собой отдельные модули, объединяющие наборы тем совокупности знаний. Содержательная часть ГОС может быть представлена в виде отношений, устанавливающих связь структуры совокупности знаний со множеством (или структурой) компетенций. Данные предложения могут и должны лечь в основу ГОС ВПО нового поколения, реализующих модульную структуру. Предлагаемая концепция позволит уйти от дисциплинарной модели содержания образовательных стандартов при разработке ГОС третьего поколения. Мировая практика показывает, что с течением времени будут ужесточаться требования к математическим знаниям. Эти знания приобретают особое значение как в высокотехнологичных отраслях промышленности, так и в современном обществе в целом, все больше и больше опирающемся в своем существовании и развитии на информационные технологии . Поэтому закономерным является ведущая роль математической составляющей в современной системе ВПО. Для информационных специальностей математика играет особую роль. Для многих предметных областей реляционные базы данных завоевали лидирующую роль потому, что реляционный подход способствовал прогрессу в области теории и методологии проектирования структур баз данных, создания эффективных средств хранения и обработки данных. Реляционная модель позволила перейти к разработке реальных распределенных и параллельных баз данных, основанных на операциях реляционной алгебры. Триумф этой модели стал возможен благодаря строгим математическим основам реляционной теории. Ответом на запрос является отношение, полученное в результате применения последовательности реляционных операторов, к текущему состоянию базы данных. Для реализации запросно-ответных отношений был сформулирован язык реляционного исчисления. Основная идея такого языка заключается в формализации понятия запроса в виде формул языка исчисления предикатов. Поэтому необходимо рассматривать совместно как образование, так и объединенные профессиональные компетенции по информатике и математике. Именно такая объединенная Совокупность знаний и должна быть основой для раскрытия профессиональных компетенций, определенных в стандартах соответствующих профессий. Компетентностные модели стандартов (образовательных и профессиональных) и концепция совокупности знаний позволяют формализовать сами стандарты, а, значит, и весь жизненный цикл их функционирования. Достижения современных компьютерных наук и информационных технологий дают возможность разрабатывать базы знаний. В дальнейшем их пытаются использовать в автоматизированных системах, которые выявляют закономерности накопленных сведений и находят решения задач по описанию законов предметной области. Тезаурусы профессиональных компетенций, сформированные на основе профессиональных стандартов, позволят формировать задачи и цели образовательных стандартов. Отношения, построенные на множествах компетенций профессиональных и образовательных стандартов, определяют соответствующие стандарты ВПО и требования к специализациям в рамках заданного направления подготовки ВПО. Отношения, построенные на множествах компетенций образовательных стандартов и соответствующих Совокупностей знаний, определяют пути реализации образовательных программ и требования к специализациям в рамках заданного направления подготовки ВПО. Прототипы таких систем на начальном этапе могут обеспечить информационную поддержку и управление процессом проектирования содержания как образовательных, так и профессиональных стандартов.

Предлагается алгоритм синтеза программ с условиями и подпрограммами на основе заданной спецификации. Алгоритм позволяет добиться высокой производительности за счет предварительной подготовки специальных структур данных. Затраты на вывод и извлечение программы характеризуются линейной функцией от функциональных связей, объявленных в спецификации. Приведены результаты опытного сравнения с существующими алгоритмами. Функциональная связь, алгоритмы, логический вывод, синтез программ, функциональное программирование, подпрограммы, условия. В изложено описание и реализация алгоритма синтеза линейных программ, обладающего линейными показателями скорости вывода относительно количества атрибутов и функциональных связей в исходной схеме. В настоящей работе отражено расширение алгоритма для решения задач синтеза ветвящихся программ с условиями и программ с подпрограммами с сохранением линейной эффективности. В для осуществления синтеза программ с подпрограммами перед началом планирования предлагается осуществлять развертку подсхем. В излагаются возможные способы вывода без предварительной развертки, однако эти результаты требуют более детального исследования и подтверждения экспериментальными результатами. В настоящей статье предлагается описание и реализация стратегии вывода на динамически генерируемой и управляемой выводом развертке схемы. Такой алгоритм является более эффективным, т. к. не требует затрат на дополнительную подготовку структур данных, использует меньший объем внешней памяти и не затрагивает подсхемы, не участвующие в планировании на конкретной задаче. Исходные данные для процедуры планирования (синтеза) линейных программ поставляются в виде множества имен атрибутов и функциональных связей. Следом за описанием селектора указываются условные атрибуты, имеющие смысл лишь в ветви условия, в заголовке которой они описаны. Условная ФС может включать в качестве аргументов и результатов атрибуты заголовка схемы и условные атрибуты своей ветви условия. Отметим, что в настоящей работе рассматривается реализация программ с двухальтернативными условиями без вложенных условий. Эти ограничения, вероятно, будут устранены в будущем, а на текущий момент могут быть преодолены с помощью подпрограмм. Теперь введем понятие тип атрибута. Под типом атрибута понимается принадлежность возможных значений атрибута определенному поименованному домену. Выделим элементарные или первичные типы (например, целое число, вещественное число, строка) и сложные или непервичные типы, соответствующие описанию схемы, входящей в С-модель. Для упрощения записи указатель принадлежности атрибута элементарному типу может быть опущен. Постановка задачи синтеза может быть переформулирована относительно следующим образом. Для пояснения введенных обозначений приведем пример модели, предоставляющей возможность решения простейшей системы уравнений. При выполнении планирования на схеме, содержащей вариантную часть, необходимо обеспечить доказательства достижимости атрибутов, входящих в логическую функцию селектора. В настоящем подходе перед началом планирования для каждой ветви условия предлагается искусственно ввести некий виртуальный атрибут, являющийся результатом логической функции селектора. Таковыми являются условные ФС, аргументами которых являются безусловные атрибуты. После проведенных преобразований, описание схемы может быть представлено следующим образом. Перед началом планирования выполняется специальная подготовка - компиляция схем С-мо-дели. Заметим, что результат компиляции не зависит от исходных и целевых атрибутов и может быть использован многократно для выполнения разных задач планирования на модели. Эффективная подготовка исходных данных является отдельной задачей и не учитывается при оценке эффективности. Каждый объект содержит указатель на соответствующее условие, а также изначально пустой список шагов доказательства, принадлежащих этой ветви. Содержит счетчик достижимых аргументов, который используется при выводе и ссылку на атрибут - результат ФС. Для каждого вызова объявляется список аргументов и результатов. Аргументы вызова процедуры определяются в ходе выполнения доказательства, атрибуты-результаты - в процессе подготовки структур данных по субатрибутам подсхем, служащих аргументами ФС текущей схемы. В процессе доказательства могут быть достигнуты не все атрибуты-результаты, поэтому их список может быть сокращен. В процессе компиляции осуществляется и трансформация условий, описанная в предыдущем разделе. Виртуальные атрибуты, созданные в процессе подготовки вариантной части, помечаются свойством Виртуальный, которое может использоваться при синтезе программы из доказательства. Для постановки задачи поиска доказательства необходимо создать атрибут непервичного типа на исходной схеме и объявить объект типа ВызовПодпрограммы с ссылками на исходные и целевые атрибуты (списки атрибутыАргументы и аргумен-тыРезультаты). Результатом вывода является список достижимых атрибутов из числа целевых. Сравнивая эти списки можно сделать вывод об успешном доказательстве теоремы. Выделяются три вида таких элементов (или программных термов). вполне применимая в представленной модели связь наследования не используется в целях увеличения производительности алгоритма. Функциональные связи и вызовы подпрограмм являются программными термами, вычисляющие по строго определенному набору аргументов значения определенных целевых атрибутов. Будем называть такие программные термы предложениями вычислимости (ПВ). Используя описанные выше входные структуры данных и постановку задачи в виде вызова подпрограммы, алгоритм пытается построить доказательство теоремы существования решения. При этом используется подход со счетчиками аргументов ФС, описанный подробно в . Если при обработке очередного атрибута счетчик аргументов ФС равен нулю (т. е. достижим атрибут - результат ФС), то формируется очередной шаг доказательства. Если на ФС наложено условие, то шаг помещается как в список шагов доказательства текущей подпрограммы, так и в список шагов соответствующей ветви условия. Условие ФС добавляется в список условий допустимости достижимого атрибута (поле условияДопустимости объекта Атрибут). Если получен утвердительный ответ, атрибут помещается в список достижимыеАтрибуты шага доказательства, содержащего вариантную часть (ветви условия). Этот специфичный шаг доказательства создается заблаговременно для каждой подпрограммы, содержащей вариантную часть, и добавляется в список шагов доказательства подпрограммы однократно при достижении первого безусловного атрибута - результата условных ФС. Значение, полученное в результате вызова метода являетсяДопустимым достижимого атрибута, назначается свойству являетсяДопустимым шага доказательства. Если при обработке очередного аргумента ФС выясняется, что ФС является безусловной (т. е. допустимой), а шаг доказательства, в котором был получен атрибут-аргумент, не является допустимым, то уменьшение счетчика аргументов ФС не выполняется. Игнорируется также шаг доказательства, содержащий ссылку на вариантную часть. Он используется в дальнейшем при синтезе программы. Выполняется вывод на ФС текущей подпрограммы, без спуска во вложенные вызовы подпрограмм, которые помещаются во временный стек. Затем, при невозможности дальнейшего планирования, осуществляется вывод на очередной подпрограмме из стека, после чего продолжается вывод на текущей подпрограмме. Процесс поиска решения является рекурсивным - вывод всех возможных аргументов вызова внутренних подпрограмм в текущей подпрограмме, рекурсивный запуск планирования на очередной внутренней подпрограмме, получение списка достигнутых целей и продолжение работы во внешней подпрограмме. При этом повторный вход в подпрограмму не выполняется. Каждый спуск в подпрограмму приводит к созданию нового объекта типа Подпрограмма (изначально присутствуют только вызовы подпрограмм). При спуске и подъеме из подпрограммы с помощью рекурсивной ссылки субАтрибут осуществляется перевод фактических параметров в формальные. Кроме того, из списка шагов доказательства удаляются условные шаги, дублируемые в списке ветвей условия. Процесс очистки является рекурсивным в том смысле, что он выполняется для всех вызовов подпрограмм, встречаемых среди шагов доказательства текущей подпрограммы. Основное отличие состоит в том, что очистка выполняется итеративно, по всем ветвям условия. Обработка каждой ветви начинается с базового списка целевых атрибутов, полученных перед достижением шага доказательства, содержащего вариантную часть. По аналогии с приведенным алгоритмом, аргументы условных ПВ, участвующих в достижении целей, добавляются в общий список, а обработанные достижимые атрибуты - удаляются. По окончании работы алгоритма этот список содержит безусловные входные аргументы вариантной части, которые при выходе из процедуры обработки вариантной части добавляются в список целей основной процедуры. Прежде всего, отметим, что приведенные в этом разделе расчеты позволяют получить лишь приблизительные значения времени работы алгоритма, так как учитываются далеко не все типы временных затрат. Основной целью здесь является математическое обоснование линейных показателей скорости работы алгоритма относительно объема исходной спецификации. Пусть также г обозначает количество схем в исходной спецификации, ц - количество непервичных атрибутов (т. е. количество вызовов подпрограмм) в г-й схеме, а Ьк - количество ФС, доставляющих вложенные атрибуты к-го непервичного атрибута в г-й схеме (т. е. количество аргументов вызовов подпрограммы). Отметим, что этот алгоритм решает задачу вывода только на линейных структурах. Каждой сгенерированной ФС назначалось одинаковое количество аргументов и одинаковое количество целей, что позволяет оценивать скорость относительно количества ФС без учета количества аргументов. Генерация данных и осуществление вывода проводилось многократно для сглаживания побочных эффектов. Генерация схем с условиями и подпрограммами производилась с таким расчетом, чтобы обеспечить максимальное количество подсхем с максимальной степенью их вложенности. Каждая пара ФС была представлена в виде схемы, включающей в себя вызов других подсхем. График также достаточно наглядно подтверждает, что алгоритм сохраняет линейные показатели эффективности при обработке схем с условиями и подсхемами. Предложена теоретическая база и реализация алгоритма, предназначенного для синтеза ветвящихся программ и программ с подпрограммами. Экспериментально показано, что предложенная стратегия вывода на базе С-моделей сохраняет эффективность и линейные показатели сложности при планировании на схемах с вариантной частью и подсхемами. Использование стратегии динамической развертки не ухудшает показателей скорости вычислений, но, очевидно, использует значительно меньший объем вычислительных ресурсов при компиляции. В последующих работах будут приведены результаты исследований в области синтеза рекурсивных программ.

Обсуждаются области применения дескриптивных логик, базовые термины, а также основные их преимущества по сравнению с классическими исчислениями. Особое внимание уделяется возможности применения дескриптивной логики при обработке знаний, показаны примеры использования дескриптивной логики в этой области. Рассматриваются принципы построения логического вывода для обсуждаемой теории. В последнее время в области инженерии знаний особой популярностью стал пользоваться формализм представления знаний, называемый дескриптивной логикой (ДЛ). Этот формализм широко применяется при построении интеллектуальных систем, основанных на знаниях, - для Интернет-приложений, в медицине, при решении задач конфигурирования оборудования, для построения электронных библиотек и т. д. Большинство таких систем относятся к классу экспертных, имитируя работу специалиста высокого уровня компетентности. Как известно, одной из важнейших составляющих экспертных систем является механизм логического вывода, поэтому разработка эффективных алгоритмов и процедур вывода, а также связанных с ними методов представления знаний, привлекает особое внимание исследователей в области когнитивных технологий. Суть состоит в том, что размерности баз знаний практически полезных систем достаточно велики, и, если для вывода на таких объемах информации использовать неэффективные (переборные) алгоритмы, время получения требуемого от системы ответа может оказаться неприемлемо большим. Исследования в области представления знаний обычно сосредотачивается на методах обеспечения описания высокого уровня, который может эффективно использоваться для создания интеллектуальных приложений. Первые позиционировались как универсальный инструментарий для различных типов задач. В подобных системах знания представлялись специальными структурами данных (семантические сети, сети фреймов, нейроструктуры и т. д.) и дополнялись специальными, как правило, эвристическими процедурами для работы с ними. В последние годы в этой области стали весьма популярными дескриптивные логики. Дескриптивные логики позволяют описывать конфигурацию сложных (многокомпонентных) взаимодействующих. В последнее время эта область, вследствие тесной связи с прикладными задачами, становится чрезвычайно популярной в исследованиях по представлению и обработке знаний. Так, для задач робототехники важно уметь по изображению некоторой сцены восстановить ее вербальное (формальное) описание, чтобы использовать его, например, для планирования действий робота. Обсуждаемые формализмы описывают знания о предметной области, предварительно фиксируя некоторые базовые ее понятия (терминологию), а затем используя эти понятия для точного описания свойств и связей соответствующих объектов . Ключевой особенностью ДЛ, отличающей их от предшественников, таких как семантические сети и фреймы, является то, что это - именно логики, т. е. строгие теории с хорошо определенной семантикой. ДЛ поддерживают стратегии логического вывода, которые встречаются во многих вариантах интеллектуальных систем обработки информации, и давно используются людьми, для структурирования и понимания мира - классификация понятий и их представителей (экземпляров), типизация, иерархия, а также наследование свойств. Базовыми терминами ДЛ являются концепты и роли. Концепт - это выражение, соединяющее в себе набор ранее определенных концептов и их свойств (описываемых ролями), которое строится с использованием одного из конструкторов дескриптивного языка, что позволяет моделировать более сложные объекты анализируемой предметной области. ДЛ предоставляют методы работы с такими сложными концептами, технику рассуждений об их свойствах и выводимости на них. ДЛ могут быть довольно успешно использована для построения объяснительной компоненты соответствующей экспертной системы. Если попытаться определить место ДЛ в структуре классических логических исчислений, то просматривается некоторое противоречие. Дело в том, что в первоначальных исследованиях в области ДЛ считалось, что эти теории являются подмножеством логик первого порядка . Однако в действительности ДЛ связаны с исчислением предикатов лишь синтаксически - в силу использования предикатных форм. С тех пор, как в ДЛ начали использоваться язык, включающий унарные и бинарные (ролевые) предикаты, стало ясно, что ДЛ близки к типизированным модальным языкам пропозиционального уровня, если рассматривать роли как реализацию отношения достижимости . Исследования сложности выполнимости задач в модальной пропозициональной логике осуществлялись намного раньше того, как стала исследоваться проблема сложности вывода для ДЛ. Таким образом, в ДЛ оказалось возможным использование некоторых результатов в области сложности выполнимости задач модальных логик, в частности технику вывода и конструкции языка, которые ранее не использовались в ДЛ . Таким образом, ДЛ можно отнести как логике исчисления высказываний, так и к логике исчислению предикатов. На рисунке приведен пример использования ДЛ относительно предметной области, связанной с обработкой результатов НИРС в вузе. В представлен исчерпывающий набор не зависящих от конкретного приложения конструкторов, предложенный в обзоре. Семантика конструкторов определяется через понятие интерпретации. Важнейшей особенностью дескриптивных логик, их визитной карточкой, является способность строить иерархии на концептах. ДЛ позволяют расширять набор конструкторов сверх стандартных (конъюнкции, отрицания, квантора всеобщности и т. д.), обеспечивая тем самым лаконичное описание предметной области. Проиллюстрируем использование ДЛ в описании данных и запросов к ним на примере. Для этого опишем некоторое состояние системы в определенной ними базе знаний, связанной с НИРС. Запрос к системе управления базой знаний, основанной на ДЛ, представляет собой описание, характеризующее искомое множество объектов. Помимо этого они очень хорошо подходят при отслеживании последовательностей и зависимостей в больших объемах данных . В таких ситуациях запрос обобщается до тех пор, пока в ответе не будет получено непустое значение. Большинство работ по оптимизации запросов к базе данных (БД), как правило, концентрируются на оптимизации алгебраического представления запроса и на физическом доступе к данным. В свою очередь ДЛ позволяют строить отношение классификации между запросами и так называемыми проекциями (простыми запросами с хранимым ответом), значительно сокращая область поиска и, следовательно, время исполнения запросов. Запросы и ответы на них могут при этом сопровождаться комментариями авторов. Построение иерархии из таких запросов помогает не только сократить общую нагрузку на сервер данных, но и позволяет согласовать работу коллектива из нескольких человек. Для всех современных систем такая операция классификации нового запроса по отношению к ранее исполненным является стандартной. Например, в приведенном выше описании мы не знаем точно человека, который руководит данной темой НИРС, но кое-какую информацию все же имеем (в частности, что его ученая степень - д.т.н.). В противовес этому, очень большую долю в приложениях систем ДЛ является как раз работа с неполной информацией. Например, такая возможность бывает полезной при работе группы специалистов над одним очень большим проектом, содержащим множество ограничений на данные в схеме БД. При добавлении в команду нового разработчика интенсиональные ответы помогают ему быстро разобраться в этой скрытой структуре. Дескриптивные языки представляют удобный инструмент для манипулирования данными, нашедший применение практически во всех областях, включая базы данных, медицину, лингвистику и языки программирования. Область их применения постоянно растет. В настоящее время, помимо ставших уже классическими ДЛ, разработаны расширения для вероятностных ДЛ, позволяющие строить и-отношения на домене, и другие, увеличивающие выразительность языка и стройность создаваемой с их помощью модели предметной области. ДЛ предоставляет широкие возможности построения вывода. Для этого сначала необходимо строго сформулировать исчисление (построить аксиоматическую теорию). Это соответствует положению дел в математике, где теоремы, как доказуемые на базе аксиом высказывания, являются тождественно истинными утверждениями.

В лекции излагается современный взгляд на некоторые ключевые аспекты теории и практики информационного поиска. Большое внимание уделено информационно-поисковым языкам, их свойствам, поиску по свободному тексту. Даны подробные характеристики поисковым системам Интернета, а также лингвистическим механизмам формирования поисковых предписаний. Можно сказать, что в основе всей человеческой цивилизации лежит совершенствование средств накопления и обработки знаний. Мир вступил в эру безбумажной, электронной информации всех видов. пают информационно-поисковые системы (ИПС). Характерная особенность информационных потоков в Интернете - это то, что подавляющая часть информационных массивов представляет собой полнотекстовые документы на естественном языке. А естественными языками, как известно, занимается наука языкознание, или, по-новому, лингвистика. С самого начала появления информационнопоисковых систем важнейшим компонентом в них был язык, но... язык информационнопоисковый. Нужно сказать, что для ускорения и упрощения процедуры отбора из массива документов по их содержимому давно появились различные формы сокращенной записи содержания документов - библиографические описания, аннотации, рефераты. Информационно-поисковый язык (ИПЯ) также является механизмом представления основного содержания документов и запросов. Информационно-поисковые языки - это знаковые системы, со своим алфавитом, лексикой, грамматикой и правилами пользования. Основными требованиями к информационно-поисковым языкам являются однозначность между планом выражения и планом содержания (каждая лексическая единица соотносится с одним понятием, и наоборот - каждое понятие имеет уникальное имя, и, как следствие, каждая запись на ИПЯ имеет только один смысл), достаточная семантическая сила (способность полно и точно фиксировать все существенное в содержании документов и запросов), открытость (возможность корректировки и пополнения языка). С другой стороны, все информационно-поисковые языки так или иначе создавались и создаются на базе естественных языков. Кардинальные изменения в информационной сфере произошли в связи с развитием Интернета и резким ростом объемов документальной информации в электронном виде. Немалую проблему представляет изменчивость Сети. И если появление новых ресурсов можно считать естественным процессом (характеризующимся, правда, невиданными ранее скоростью и объемами), то частое изменение документов, как их содержания, так и местоположения в Сети, массовое их исчезновение представляют труднорешаемую проблему. возрастают еще больше. Естественно, значительная часть документов оказывается неучтенной (не заиндексированной поисковыми системами). Большое количество веб-страниц порождается в момент обработки запросов на основе информации, хранящейся на серверах в виде баз данных (динамические веб-страницы). И объем таких документов растет с каждым годом. Как бы то ни было, действительность такова, что поисковые службы заведомо страдают неполнотой. Большая (как лингвистическая, так и программная) проблема - многоязычие информационного пространства Интернета. Эта проблема касается и обработки документов, и составления и обработки запросов, и собственно работы модулей поиска и выдачи информации. В современных ИПС используются словарные, морфологические, прагматические, статистические и другие методы анализа текста. Нельзя сказать, что с появлением Интернета и бурным вхождением его в практику информационного обеспечения появилось нечто принципиально новое с точки зрения теории информационного поиска, чего бы не было раньше. Однако уровень сложности задач (поиск информации в больших объемах разнородных документов) и уровень требований, предъявляемых ко всем видам обеспечения, возрос, и сегодняшние ИПС, работающие в Сети, пытаются соответствовать им. Причем развитие ЛО ИПС идет по пути как усложнения, так и упрощения. Последнее объясняется, на наш взгляд, финансовыми причинами и невостребованностью отдельных элементов ЛО в условиях массового спроса на услуги систем. Их называют еще словарными системами, хотя классический дескрипторный словарь, или тезаурус, практически во всех системах отсутствует. Все они отличаются от других (в лучшую сторону) объемом базы данных, языком запросов, алгоритмами ранжирования и другими особенностями. Полнота поисковой базы и оперативность индексирования веб-сайтов являются главной проблемой всех ИПС в Интернете. Этот программный комплекс является основным источником информации о состоянии информационных ресурсов Сети. Реализуется в виде экранных форм, обрабатываемых вебброузерами. Поисковая система - подсистема поиска, обеспечивающая обработку поискового предписания пользователя, поиск в поисковой БД и выдачу результатов поиска пользователю. Главная содержательная проблема, решаемая при индексировании, заключается в том, какие термины приписывать документам, откуда их брать. Роботы разных систем решают этот вопрос по-разному. Хотя индексируются полные тексты веб-документов, далеко не всегда все термины из них попадают в индекс. И тем не менее объем поисковых индексов глобальных ИПС уже сегодня измеряется терабайтами. Поэтому большое значение имеют языки запросов ИПС, те возможности, которые в них закладываются. Языки запросов представляют собой сложные объекты и объединяют собственно ИПЯ и критерий смыслового соответствия, а также могут содержать в себе требования к интерфейсу выдачи. Вообще, приведение словоформ к каноническому виду необязательно. Его можно избежать, если рассматривать каждую словоформу как отдельную лексическую единицу (ЛЕ) - на уровне текста и входа в инвертированный файл. Но есть системы, которые поддерживают и левое усечение, и внутреннее (маскирование). Маскирование с точностью до количества символов, которые опускаются, может задаваться с помощью знаков вопроса (одного или нескольких). Поэтому целесообразно иметь в ИПС механизм морфологической нормализации. Алгоритмы автоматического морфологического анализа сегодня реализованы в основных ИПС русскоязычного Интернета (Яндекс, Рамблер, Апорт). Так, на запрос со словом плохой будут выданы документы, содержащие словоформы плохая, плохого, плохих, плохими и т.п., а также хуже и худший. Большинство систем сегодня базируется на булевой (логической) модели поиска. Запрос в этих системах представляет собой булево выражение - набор логических переменных (поисковых терминов), объединенных логическими операторами с учетом правил поискового синтаксиса. Оператор АКБ сужает множество результатов поиска и уменьшает число релевантных документов по сравнению с поиском по каждому отдельному поисковому элементу. В теории множеств этому оператору соответствует операция пересечения. На запрос с булевским выражением с оператором ОЯ выдаются документы, содержащие хотя бы один из поисковых элементов, объединённых этим оператором. Оператор ОЯ расширяет результаты поиска и увеличивает число релевантных документов по сравнению с поиском по каждому отдельному поисковому элементу. Таким образом, для того чтобы признать какой-либо документ соответствующим данному аспекту запроса, достаточно обнаружить в нём хотя бы один из поисковых элементов, описывающих этот аспект. В теории множеств этому оператору соответствует операция объединения. Этот оператор удаляет из массива (как правило, это массив документов, релевантных левой части запроса) все документы, содержащие поисковый элемент, стоящий справа от оператора КОТ. Как результат, выдаются все оставшиеся документы. В теории множеств этому оператору соответствует операция дополнения. Пользоваться оператором КОТ следует только тогда, когда мы точно уверены, что любое употребление поискового элемента в документе свидетельствует о нереле-вантности документа запросу. В подавляющем большинстве случаев логическая формула запроса представляет собой конъюнктивную нормальную форму - конъюнкцию дизъюнкций (АКБ-выражение, объединяющее ОЯ-группы). В свою очередь, каждая ОЯ-группа может представлять собой сложное выражение. Это операторы для словосочетаний, которые могут быть отнесены к грамматическим средствам ИПЯ. Он есть практически во всех системах. Это оператор для устойчивых словосочетаний, когда два (или более) слова запроса в документе должны стоять рядом (с точностью до отброшенных стоп-слов). Устойчивые словосочетания чаще всего задаются в кавычках. Для систем в сети Интернет с документами большого объема, где в одном документе могут быть представлены различные темы, использование этих операторов очень важно. Словосочетания должны использоваться обязательно, когда слово-определитель (слова, если их несколько) не просто сужает объем основного поискового термина, но образует в сочетании с ним новое понятие (соответствующее отдельному денотату). Эти принципы применялись и применяются практически всеми поисковыми системами. Подробности см. в справочных подсистемах соответствующих ИПС. Здесь приведен обзор лишь основных элементов языков запросов и лишь для некоторых систем. Дополнительно во многих системах существуют различные другие возможности, например режим установки так называемого семейного фильтра, при котором из результатов поиска исключаются документы неприличного содержания. И многое другое. Мы рассмотрели лингвистическое обеспечение поисковых систем. В то же время сами системы могут выступать и как инструменты лингвистического анализа. Индексы поисковых систем (инвертированные файлы) - это, по сути, не что иное, как конкордансы к текстам. Результаты же поиска в ИПС в виде кратких описаний документов часто содержат контексты, в которых в найденных документах искомые слова встретились. Отличие лишь в том, что конкордансы обычно составляются к конкретному произведению или группе произведений (например, все тексты одного и того же автора), в то время как ИПС Интернета индексируют все доступное множество электронных документов. Главный материал лингвистического анализа - язык, зафиксированный в виде речевых произведений, - в Интернете представлен в огромном объеме и разнообразии и непосредственно доступен для машинной обработки. Этот факт представляет для лингвистов большую ценность, так как ранее на перевод текстов в машинную форму приходилось тратить много времени, сил и денег. Во всех лингвистических исследованиях существенное значение имеет проблема выборки и репрезентативности анализируемого материала. В ряде случаев данные Интернета и баз данных поисковых систем можно рассматривать как текстовые корпусы. Но при этом полезно представлять, как эти базы строятся и, соответственно, учитывать эти особенности в исследованиях. Главная содержательная проблема при индексировании вебсайтов заключается в том, какие термины приписываются документам, откуда они берутся. Не все термины из документов и не всегда попадают в индексы. Многие системы индексируют лишь часть документа (обычно начальную), есть роботы, которые обрабатывают только часть веб-страниц с одного и того же сайта. Знание того, как работают роботы, каковы их технические характеристики, полезно и для создателей веб-документов, и для составителей запросов при проведении поисков. Особенности построения и структура индекса напрямую связаны с языком запросов и возможностями поисковых систем. Последнее, в свою очередь, содержит в своем составе заглавие документа, иКЬ (адрес в Сети), размер документа (объем), дату создания, кодировку, аннотацию (краткое содержание), выделение в аннотации слов из запроса, указание на другие релевантные веб-страницы того же сайта, ссылку на рубрику каталога, к которой относится найденный документ или сайт, коэффициент релевантности, другие возможности поиска (поиск похожих документов, поиск в найденном). Из всех этих реквизитов для задач лингвистического исследования наибольший интерес представляют частотные характеристики. Сведения о количестве языковых единиц в разных системах и разных режимах поиска могут относиться как к словоформам, так и к лексемам. Некоторые системы ведут журнал запросов с возможностью повторных поисков и выдачей статистики по запросам. Полезной и интересной возможностью является также отнесение документов к тематическим классам. На нескольких примерах покажем возможности поисковых систем для получения лингвостатистических данных о частоте использования тех или иных слов или словосочетаний. В принципе, нас, как правило, интересуют относительные частоты, а для этого достаточно проведения сравнительных поисков в рамках одной ИПС. Однако для того чтобы убедиться в достоверности данных и показать особенности разных систем, мы выбрали для эксперимента пять ИПС, наиболее популярных и обладающих наиболее развитым лингвистическим обеспечением. В нормативных словарях русского языка это слово отсутствует. Поиск в Яндексе дает следующие результаты. Следующий пример. И все же лингвистический компонент современных ИПС отстает от технического и программного. Стоит задача создания лингвистического обеспечения на новом уровне. В качестве примера можно назвать многочисленные методы и модели, предложенные в свое время Дж.

Отличительной особенностью научного журнала как объекта оценивания является его политематический характер, что требует получения оценок от экспертов, являющихся специалистами в различных научных областях. Другая особенность - каждый эксперт оценивает своё множество журналов, поэтому матрица экспертных оценок оказывается неполной. Таким образом, предлагается подход к решению задачи, отличающейся от типовых задач экспертного оценивания, в которых каждый эксперт оценивает каждый объект, и все эксперты являются специалистами в одинаковой предметной области. Объектом экспертного оценивания обычно является альтернатива в целом (проект, товар, фирма, информационный ресурс и т.п.) или критерии оценивания альтернативы. Экспертов привлекают в тех случаях, когда точно измерить объект невозможно, но можно дать ему качественную оценку. Ответы экспертов часто носят нечисловой характер. Экспертная оценка, как правило, отображается на порядковую шкалу. При этом градации на порядковой шкале не обязательно обозначаются натуральными числами - количеством баллов или номером ранга. Например, в экономике и финансах популярны порядковые шкалы с буквенным обозначением градаций. Если объектом оценивания является альтернатива, то в результате агрегирования экспертных оценок создаётся упорядоченный (ранжированный) список объектов по убыванию качества. Если эксперт оценивает критерии, то на основании агрегирования экспертных данных определяется приоритет (вес) критериев, а обобщённые оценки альтернатив вычисляются с помощью свёртки критериев. Наиболее простые виды свёрток -линейная и мультипликативная. Иногда рейтингом считается номер ранга (абсолютный или нормированный) в итоговом ранжированном списке. Парные сравнения объектов имеет смысл использовать, если объектов немного (менее десяти). Остальные ячейки можно заполнить автоматически. Примеры матриц парного сравнения критериев по шкале отношений можно найти в . Таким же способом можно сравнить небольшое количество альтернатив, если эксперты в состоянии оценить их в целом, не уточняя приоритеты критериев. Размеры ранжированных списков объектов также целесообразно ограничивать. Причина не только в технической трудности ранжирования - эксперт может просто не обладать достаточным объёмом знаний о значительном количестве сложных объектов. Экспертная классификация позволяет осуществлять экспертную оценку десятков и даже сотен объектов. Но в случае их большого количества эксперту необходимо помимо наименований объектов предоставить необходимую информацию (статистическую, описательную), на основании которой он может сделать логические выводы и оценить объект. Во многих задачах сложность объекта оценивания требует строить иерархию критериев, которая позволяет оценить объект с различных сторон и вычислить общий рейтинг в результате иерархического синтеза частных рейтингов. В таких случаях эксперты привлекаются для определения приоритета (веса) критериев и частных рейтингов. В случае применения экспертной классификации или ранжирования элементом матрицы является оценка в порядковой шкале (обозначение класса или номер ранга соответственно). После сбора экспертных оценок в первую очередь определяется их согласованность. Если оценки несогласованные, отдельным экспертам предлагают заново оценить объекты. Описание различных методов агрегирования экспертных оценок можно найти в . С одной стороны, процедура агрегирования неполной матрицы оценок больше напоминает обработку результатов голосования, при котором необходимо получить некую суммарную оценку, т.е. сумму экспертных голосов. С другой стороны, наличие высокой экспертной оценки, данной объекту хотя бы одним экспертом, может оказаться более приоритетным, чем большая сумма, сложенная из средних и невысоких экспертных оценок. Далее мы рассмотрим экспертизу научных журналов, которые в силу своей многочисленности и политематического характера приводят к неполному и многоаспектному экспертному оцениванию. Одной из основных задач комплектования ВИНИТИ является совершенствование списка важнейших российских и зарубежных журналов, необходимых для обеспечения подготовки Реферативного журнала и Базы данных ВИНИТИ с требуемым уровнем отражения зарубежных публикаций и наиболее полного отражения отечественных и русскоязычных журналов . Нельзя сказать, что до сих пор список журналов, обрабатываемых в ВИНИТИ, формировался стихийно. Информация о новых изданиях поступает в отраслевые отделы, которые отмечают заинтересовавшие их издания. Затем комплектаторы получают образцы отмеченных изданий и направляют их в профильный отраслевой отдел на первичную экспертную оценку. В случае положительной экспертной оценки издания обеспечивается его регулярное поступление в ВИНИТИ в течение года. В результате накапливается статистика отражения статей в РЖ, что позволяет впоследствии выполнять вторичную оценку издания - с учётом статистики отражения в реферативных базах данных. В условиях неуклонного роста мирового потока сериальных изданий необходим более обоснованный механизм вторичной экспертной оценки, опирающийся на учёт мнений всех заинтересованных редакторов, в том числе, из различных отраслевых отделов. Поэтому редакторам РЖ была поставлена задача экспертной классификации - присвоение каждому сериальному изданию порядкового номера, означающего желательность его обработки в ВИНИТИ и отражения в РЖ. Отрицательные оценки в данной шкале отсутствуют. Существенная особенность экспертной оценки научного журнала - невозможность чётко разделить её на оценку качества и оценку использования (спроса), так как она аккумулирует в себе обе составляющие. Эксперт принимает во внимание не только среднее качество статей, но и примерное количество статей в год, поэтому баллы, выставленные экспертом, можно трактовать как субъективную оценку величины КАЧЕСТВО х СПРОС. После сбора тематических экспертных оценок задача состояла в том, чтобы агрегировать их и построить политематиче-ский ранжированный список сериальных изданий. Ранг, полученный сериальным изданием в итоговом ранжированном списке, считался его экспертным рейтингом. Помимо уже перечисленных критериев, уделяется внимание своевременному выходу номеров издания, географической распространённости авторов статей, а также авторов цитируемых ими статей (т.е. приоритетом пользуются издания международного уровня) . Импакт-фактор рассчитывается в отношении определённого множества журналов, покрываемых базой данных цитирования . Обзор критериев оценки качества журналов, не основанных на статистике цитирования, опубликован в . Там же можно найти ссылки на публикации, в которых исследуется ограниченность подхода, при котором импакт-фактор используется в качестве единственного измерителя качества журнала. В описана математическая модель формирования оптимального списка журналов, приобретаемых Библиотекой по естественным наукам Российской академии наук (БЕН РАН). Авторизованные эксперты имеют возможность знакомиться с информацией об изданиях и оценивать каждое из них с точки зрения целесообразности приобретения его в фонды библиотеки своего института или Центральной библиотеки. Изучение отечественного и зарубежного опыта оценки научных журналов по материалам открытой печати привело к выводу, что математические методы активно используются для обработки статистических данных цитирования и читательского спроса, которые накапливаются в базах данных информационных служб и библиотек. От экспертов были получены и загружены в базу данных экспертные оценки в соответствии с порядковой шкалой. Для вычисления обобщённой оценки порядковые номера было решено заменить числовыми значениями в соответствии с вербально-числовой шкалой. За основу была взята вербально-числовая шкала Харрингтона, которая достаточно широко применяется в экспертных оценках для характеристики степени выраженности критериального свойства. Однако анализ списка журналов показал неадекватность такого ранжирования. Преимущество получили журналы, относящиеся к отраслям науки, по которым издаётся значительное количество выпусков РЖ, имеющих смежную тематику. В первую очередь это такие крупные отрасли, как Биология, Химия и Физика. В то же время журналы, относящиеся к менее крупным и более изолированным отраслям (Транспорт, Экономика промышленности, Информатика, Астрономия) подверглись дискриминации. Несмотря на высокие оценки, присвоенные отдельными экспертами, в итоговом списке такие журналы оказались значительно ниже журналов, получивших множество средних оценок от экспертов смежных научных тематик. В результате был добавлен второй критерий. Конечно, существует риск, что эксперт может поставить высокую оценку журналу случайно. В этом случае журнал может быть ошибочно включён в подписку, запущен в технологию обработки, и ошибка будет исправлена не раньше, чем через год. Однако многоотраслевой реферативной службе, стремящейся отражать наиболее передовые научные издания в каждом тематическом РЖ, гораздо важнее не упустить ценный монотематический журнал. Подписчики РЖ быстрее заметят, что реферативная служба не отражает какой-либо авторитетный журнал в их области, чем обратят внимание на то, что в список реферируемых изданий включён малоизвестный журнал. Несомненно, что при выделении достаточных средств на организацию экспертизы необходимо расширять группу экспертов - привлекать несколько специалистов по каждой тематике (например, внештатных референтов) и усреднять тематическую оценку. Тогда влияние одного эксперта было бы сведено к минимуму. Количество тематических списков равнялось количеству экспертов. Сериальные издания в каждом тематическом списке были пронумерованы порядковыми номерами (рангами), начиная с единицы. Если группа журналов имеет совпадающие значения по обоим критериям, то ранги заменяются средним арифметическим значением рангов данной группы. Поэтому вместо рангов необходимо использовать нормированные ранги. К сожалению, идея нормировать тематические ранги пришла уже после того, как экспертный оценки были агрегированы, а ранжированный список окончательно проверен и утверждён. Нормированный ранг предлагается вычислять как отношение тематического ранга к максимальному рангу тематического списка. Таким образом, в результате вычисления новых критериев и экспериментальных сортировок был разработан алгоритм, описанный в предыдущем разделе. Объектам для наглядности присвоены имена - латинские буквы от А до Н (хотя подразумевается, что каждый объект имеет порядковый номер - индекс ,). Итоговый ранжированный список сериальных изданий, выданный из базы данных, был окончательно уточнён отраслевыми экспертами и комплектаторами ВИНИТИ. В этом списке только первое сериальное издание является продолжающимся, остальные - периодические издания. Очевидно, что на основании предложенного алгоритма можно создавать его различные модификации в зависимости от предметной области, целей экспертизы, состава экспертной группы. СевероКавказский регион. Технические науки

На практических примерах демонстрируется эффективность и общность методологических подходов и применения инструментария извлечения знаний на основе компьютерных технологий. В современном обществе центр экономического развития переносится с материальных сфер производства (энергетическо-сырьевой базис) на наукоемкие и высокотехнологичные сферы. Поступательное движение, в том числе в области экономики, определяется сегодня и будет определяться в ближайшее десятилетие совершенствованием информационных технологий. Это новая и непривычная категория, активно включаемая сегодня в сферу деятельности человека. Относительно ИИР человеку неизвестны законы сохранения или ограничения, так характерные для вещественно-энергетической (материальной) субстанции. Главным источником рыночной силы становится интеллект, воплощенный в организационных структурах исследовательских и рыночных корпораций, создающих метатехнологии и удерживающих контроль за ними. В связи с совершенствованием технических средств для получения, записи и хранения информации на специалистов обрушились колоссальные потоки разнородных данных. Вместе с тем традиционная математическая статистика оказалась неспособной обеспечить продуктивное решение ряда актуальных задач из различных предметных областей (поиск закономерностей в многомерных данных, построение диагностических и прогностических моделей, выявление сложных непериодических паттернов в динамических рядах и др.). В настоящее время ИАД существует в двух ипостасях. Ряд специалистов делает акцент на обработке сверхбольших объемов данных. Здесь предъявляются повышенные требования к быстродействию алгоритмов, естественно, в ущерб оптимальности результатов. Другая группа специалистов концентрирует внимание на глубине раскопки данных. Ищутся правила, связывающие значения показателей, для подвыборок данных. Здесь можно найти массу данных и ссылок на примеры решения задач из самых разных областей, в том числе относящихся к теме исследования живых систем. Методы ИАД имеют много общего с методами решения задач классификации, диагностики и распознавания образов. Но одной из главных их отличительных черт, как отмечалось выше, является функция интерпретации закономерностей, кладущихся в основу правил вхождения объектов в классы эквивалентности. Поэтому сегодня все большее распространение получают логические методы. Есть еще одна важная причина, обусловившая приоритет логических методов. Она заключается в сложной системной организации областей, составляющих предмет приложения современных информационных технологий. Эти области относятся, как правило, к надкибернетическому уровню организации систем , закономерности которого не могут быть достаточно точно описаны на языке статистических или иных аналитических математических моделей. Гибкость и многообразие логических конструкций индуктивного вывода позволяют нередко добиваться успешных результатов при описании таких сложных систем. Другие методы ИАД для построения диагностических и прогностических моделей имеют менее прозрачную интерпретацию. Сюда относятся байесовские классификаторы, дискриминантный анализ, нейросетевой подход, метод ближайших соседей, метод опорных векторов, генетические алгоритмы и др. Как показала практика последнего десятилетия, в ряде задач (особенно в бизнес-приложениях, где требуется анализировать огромные базы данных) требование интерпретируемости результатов стало отступать на задний план. Акцент здесь стал делаться на стабильности получаемых решений. Более того, на передний план начали выходить методы работы с комитетами, содержащими сотни и тысячи методов и алгоритмов. Кратко охарактеризуем эти два приема. Бустинг реализует процедуру последовательного построения композиции алгоритмов машинного обучения, когда каждый следующий алгоритм стремится компенсировать недостатки композиции всех предыдущих алгоритмов. Бустинг деревьев решений считается одним из наиболее эффективных методов решения задач классификации. В ряде экспериментов наблюдалось практически неограниченное уменьшение частоты ошибок на независимой тестовой выборке по мере наращивания композиции. Более того, качество на тестовой выборке часто продолжало улучшаться даже после достижения безошибочного распознавания всей обучающей выборки. Это изменило существовавшие долгое время представления о том, что для повышения обобщающей способности необходимо ограничивать сложность алгоритмов. На примере бустинга стало понятно, что хорошим качеством могут обладать сколь угодно сложные композиции, если их правильно настраивать. Теоретическое обоснование эффективности бустинга связано с тем, что взвешенное голосование сглаживает ответы алгоритмов, входящих в комитет. Эффективность бустинга объясняется тем, что по мере добавления базовых алгоритмов увеличиваются отступы обучающих объектов. Причем бустинг продолжает раздвигать классы даже после достижения безошибочной классификации обучающей выборки. При формировании бутстреп-выборок из множества данных случайным образом отбирается несколько подмножеств. Затем на основе каждого подмножества (выборки) строится классификатор. Выходы полученных классификаторов комбинируются (агрегируются) путем голосования или простого усреднения. Считается, что результат будет намного точнее любой одиночной модели, построенной на исходном наборе данных. Известно много работ по сравнительному анализу обобщающей способности бустин-га и бэггинга. Бэггинг направлен исключительно на уменьшение вариации модели, в то время как бустинг способствует уменьшению и вариации и смещения . Бустинг лучше воспроизводит границы классов сложной формы. В целом, как было отмечено выше, в области ИАД за последнее десятилетие произошли существенные изменения. В первую очередь сегодня ИАД представляют большую ценность для руководителей и аналитиков в их повседневной деятельности. Деловые люди осознали, что с помощью методов ИАД они могут получить ощутимые преимущества в конкурентной борьбе. Выборочно опишем некоторые возможные бизнес-приложения ИАД . Розничная торговля. Предприятия розничной торговли сегодня собирают подробную информацию о каждой отдельной покупке, используя кредитные карточки с маркой магазина и компьютеризованные системы контроля. Эти знания нужны для разработки точно направленных, экономичных мероприятий по продвижению товаров. Банковское дело. Телекоммуникации. В области телекоммуникаций методы ИАД помогают компаниям более энергично продвигать свои программы маркетинга и ценообразования, чтобы удерживать существующих клиентов и привлекать новых. В итоге средства, выделяемые на маркетинг, можно тратить там, где отдача больше всего. Страхование. Страховые компании в течение ряда лет накапливают большие объемы данных. Известен случай, когда в США крупная страховая компания обнаружила, что суммы, выплаченные по заявлениям людей, состоящих в браке, вдвое превышает суммы по заявлениям одиноких людей. Компания отреагировала на это новое знание пересмотром своей общей политики предоставления скидок семейным клиентам. Например, одна авиакомпания обнаружила категорию клиентов, которые совершали много полетов на короткие расстояния, не накапливая достаточно миль для вступления в их клубы, поэтому она таким образом изменила правила приема в клуб, чтобы поощрять число полетов так же, как и мили. Известно много экспертных систем для постановки медицинских диагнозов. Они построены главным образом на основе правил, описывающих сочетания симптомов различных заболеваний. С помощью таких правил узнают не только, чем болен пациент, но и как нужно его лечить. Молекулярная генетика и генная инженерия. Пожалуй, наиболее остро и вместе с тем четко задача обнаружения закономерностей в экспериментальных данных стоит в молекулярной генетике и генной инженерии. Здесь она формулируется как определение так называемых маркеров, под которыми понимают генетические коды, контролирующие те или иные фенотипические признаки живого организма. Такие коды могут содержать сотни, тысячи и более связанных элементов . Растущий интерес здесь в значительной степени мотивирован многочисленными практическими приложениями знаний, полученных из таких данных, в медицинской диагностике, разработке лекарств и др. При анализе данных биочипов исследователи сталкиваются с ситуациями, когда число изучаемых генов на два порядка превышает количество имеющихся образцов. Большинство стандартных алгоритмов классификации плохо справляются с решением задач большой размерности и при малом числе примеров почти гарантированно переобучаются. Кроме того, как правило только малая часть из огромного числа проверяемых генов актуальна в контексте решаемых задач. Из этого следует актуальность разработанных в ИАД и охарактеризованных выше методов бустинга и бэггинга. Прикладная химия. Методы ИАД находят широкое применение в прикладной химии (органической и неорганической). Здесь нередко возникает вопрос о выяснении особенностей химического строения тех или иных соединений, определяющих их свойства. Особенно актуальна такая задача при анализе сложных химических соединений, описание которых включает сотни и тысячи структурных элементов и их связей. Можно привести еще много примеров различных областей знания, где методы ИАД играют ведущую роль. Особенность этих областей заключается в их сложной системной организации. Они относятся главным образом к надкибернетическому уровню организации систем, закономерности которого не могут быть достаточно точно описаны на языке статистических или иных аналитических математических моделей . Данные в указанных областях неоднородны, гетерогенны, нестационарны и часто отличаются высокой размерностью. Применение ИАД в гуманитарной сфере приводит к ряду специфических проблем и задач. Многообразие разработанных к настоящему времени моделей, методик и методов анализа данных делает непростой задачу отбора методов для гуманитарного образования и требует изучения новых подходов, на которых они базируются, их особенностей и возможностей. Потребность практического использования в гуманитарной сфере методов ИАД приводит к необходимости построения и соответствующей адаптации их обобщенных математических и алгоритмических моделей и создания оригинальных методик их применения и обучения. Создание механизма повышения эффективности отдельных методов ИАД выдвигает задачу разработки процедуры, обеспечивающей их адаптацию к различным отраслям гуманитарного применения. Многообразие программного инструментария требует для своего успешного применения умения проводить сравнительный анализ эффективности его использования для решения той или иной задачи, вопроса о сроках и качестве освоения специалистами-гуманитариями.

Другая особенность -каждый эксперт оценивает своё множество журналов, поэтому матрица экспертных оценок оказывается неполной. Предлагается методика построения абсолютной шкалы на множестве экспертных оценок и использование скользящих сумм для лексикографического упорядочения журналов. Как составная часть дискуссии о рейтингах научных журналов настоящая статья не проходила научного рецензирования и публикуется в авторской редакции. Редакционная коллегия Сборника может не разделять взглядов и идей автора (прим. ред.). Нельзя сказать, что отказ от матриц парного сравнения, вынесенный в заглавие статьи, продиктован каким-то предубеждением против этого инструмента агрегирования экспертных оценок. Новый объект оценивания (научный журнал), большая размерность задачи, неполные матрицы экспертных оценок, отказ от использования матриц парного сравнения, предложенный эВристический алгоритм, не лишённый недостатков - всё это, описанное в предыдущей статье , вызвало оживлённую дискуссию. Отзывов поступило достаточно много (восемь), поэтому невозможно ответить на все замечания и предложения. Однако по некоторым ключевым вопросам рецензенты высказали сходное мнение, что позволяет ответить сразу многим. В первом разделе, построенном в виде диалога, дан ответ на отдельные критические замечания А. И. Орлова, так как его рецензия существенно отличается от остальных. Материал второго раздела группируется не по персонам рецензентов, а по выявленным ими проблемам. Организационное направление касается расширения состава экспертной группы и разделения процедуры агрегирования оценок на две стадии. Математическое направление - это построение обоснованной количественной шкалы на множестве качественных экспертных оценок и метод скользящей суммы, основанный на критериально-частотном подходе к представлению результатов экспертной стратификации. Отнюдь нет. Редакторов реферативных журналов. В статье О. В. Федорца ответов на эти вопросы нет. Создается впечатление, что опрашивали не тех, от кого можно было бы получить адекватную информацию. К сожалению, от автора не зависело определение состава экспертов. В данном случае необходимо чётко отделять научную проблематику статьи от организационных и финансовых возможностей, которые обычно ограничены. Разумеется, контингент экспертов напрямую влияет на результат любой экспертизы. Прежде чем привлекать к экспертизе ведущих учёных и тратить их драгоценное время, необходимо разработать и протестировать методику. А для этой цели вполне подходят и эксперты-редакторы, у которых имеется как минимум высшее образование, близкое к тематике реферативного журнала (РЖ), и которые находятся в постоянном взаимодействии с внештатными референтами. Редакторы также владеют информацией о количестве и составе подписчиков своего реферативного журнала. Одним из таких чисто вычислительных средств являются коэффициенты ранговой корреляции. Исследование ранговой корреляции позволяет определить статистическую значимость различия ранжировок, но не позволяет судить о том, в лучшую или в худшую сторону изменился ранжированный список при изменении шкалы или методики агрегирования экспертных оценок. Для ответа на этот вопрос необходимо сравнивать ранжировки с некими эталонами - эталонным множеством журналов или эталонной ранжировкой журналов. В эталонное множество должны входить журналы, научная ценность которых не подлежит сомнению. Чтобы сформировать эталонное множество российских журналов, достаточно взять из списка ВАК те издания, которые рекомендованы для публикации соискателям учёной степени доктора наук. Этот вопрос должен решаться в зависимости от уровня компетентности экспертной группы. Искусственное приведение результата экспертной классификации по упорядоченным классам к кластеризованной ранжировке может повлечь искажение экспертных оценок и потерю важной информации, поскольку между кластеризованной ранжировкой и результатом экспертной классификации по упорядоченным классам нет взаимооднозначного соответствия. Если же построить матрицы парных сравнений с кососимметрической калибровкой (где элемент равен разнице оценок), то они будут различаться. Переход от матрицы парных сравнений, заданной в некоторой калибровке, к откалиброванной по-иному матрице возможен не всегда, но лишь при соблюдении некоторых дополнительных содержательных условий и нередко сопряжён с потерей важной информации . Этот метод целесообразно использовать, когда необходимо определить принадлежность оцениваемых альтернативных вариантов к установленным и принятым к использованию классам, категориям, уровням, сортам (далее - классам). ... В зависимости от целей экспертизы может возникнуть необходимость отнесения альтернативных вариантов к упорядоченным классам. Скажем, необходимо отнести оцениваемые объекты к соответствующим категориям, причём так, чтобы более предпочтительные были отнесены к более предпочтительным категориям. Естественно, это отражается на процедуре экспертной классификации. Например, людей можно классифицировать по полу или национальности. Правильная постановка диагноза - также пример классификации. Второй способ структурирования называется СТРАТИФИКАЦИЯ. Иными словами, стратификация есть разбиение множества на ряд уровней или слоев. Организационное мероприятие, позволяющее улучшить качество экспертизы - это увеличение количества экспертов по каждой тематике. В идеале экспертиза должна проводиться в два этапа. На первом этапе собираются оценки по отдельным тематикам и вычисляются медианы, на втором этапе агрегируются медианы тематических оценок. При такой организации экспертизы агрегируются не индивидуальные экспертные оценки, а усреднённые тематические оценки. Нельзя не согласиться с замечаниями рецензентов, что произвольная оцифровка порядковых экспертных оценок недопустима. Взяв за основу вербально-числовую шкалу Харрингтона, необходимо было убедиться в соответствии её численных значений полученному множеству экспертных оценок. Но желательно было разработать методику построения собственной шкалы на множестве экспертных оценок. Этого не было сделано, что вызвало справедливую критику. Чтобы закрыть этот пробел, далее приведена математическая модель, позволяющая вычислить коэффициенты важности (весовые коэффициенты) упорядоченных классов на множестве экспертных оценок. Количество элементов в списках различно. Элемент списка - это пара значений (а, х), где а - уникальный идентификатор объекта (код, наименование, обозначение и т.п.) , х - порядковый номер класса (категории, уровня, сорта и т.п.). Требуется определить числовые значения, соответствующие упорядоченным классам. В результате будет построена абсолютная шкала на множестве экспертных оценок, соответствующая порядковым экспертным оценкам. Учитывается и то, что случайно выбранный объект сравнивается не только с другими объектами того же класса, но и с самим собой. На выборках значительного объёма подобное событие представляется маловероятным. Для сравнения приводится шкала Харрингтона и числовые значения, использовавшиеся в предыдущей версии шкалы . Для разработанного алгоритма не обязательно нормирование коэффициентов важности таким образом, чтобы их сумма была равна единице, так как упорядочение объектов при этом не изменится. МЕТОД СТРОЧНЫХ СУММ И СУММИРОВАНИЕ ОЦЕНОК Одним из наиболее известных алгоритмов упорядочения объектов по результатам парных сравнений является метод строчных сумм. В частности, рекомендация ознакомиться с этим методом содержится в рецензии Л. Ч. Абаева . Допустим, матрицы парных сравнений служат для представления данных более простого типа - числовых оценок. Матрицы парных сравнений определены так, что каждый элемент представляет собой разницу оценок объектов. В этом случае метод строчных сумм приводит к упорядочению объектов по сумме полученных ими оценок . К сумме экспертных оценок можно прийти и другим путём. Далее предлагается критериально-частотный подход к представлению результатов экспертной стратификации, который также приводит к суммированию числовых оценок. Пусть т - количество упорядоченных классов или качественных уровней порядковой шкалы. В нашем случае эксперты - специалисты в различных научных областях - независимо друг от друга оценивают различные тематические аспекты политематических журналов, поэтому замена абсолютной частоты на относительную некорректна. Например, журнал В публикует статьи в смежных областях - биологии и химии. Очевидно, что нет. В случае целочисленных значений критериев линейная свёртка равносильна суммированию весовых коэффициентов. Здесь следует согласиться с рецензентами, что не нужно. Более правильным представляется раздельно учитывать высокие и низкие оценки, например, суммировать оценки по группам с последующим лексикографическим упорядочением по суммам. Приведём простой пример. Следовательно, перед суммированием необходимо определить отрезки порядковой шкалы, в пределах которых оценки допустимо суммировать. Если применить скользящий отрезок шкалы, как это делается в методе скользящего среднего при сглаживании временных рядов, то предлагаемый метод агрегирования экспертных оценок можно назвать методом скользящей суммы. В случае уменьшения длины скользящего отрезка до двух точек мы получим четыре обобщённых критерия для лексикографического упорядочения объектов. Для дополнительного упорядочения внутри кластеров можно применять различные подходы в зависимости от характера задачи и оцениваемых объектов. Переход от оценок к рангам не всегда подходит, так как является огрублением результатов экспертной стратификации. Вычислить сумму оценок объектов, которые менее предпочтительны, чем данный объект, и упорядочить объекты внутри кластеров по убыванию этой суммы. Вычислить сумму оценок объектов, которые более предпочтительны, чем данный объект, и упорядочить объекты внутри кластеров по возрастанию этой суммы. Здесь можно провести аналогию с различными видами спорта. Есть виды спорта, в которых важно количество побеждённых соперников (турниры), а есть виды, в которых важно прийти к финишу в числе первых (гонки). Вернёмся к агрегированию результатов экспертной стратификации научных журналов и их ранжированию. Первые двадцать журналов, полученные в этот раз, почти полностью совпадают с первой двадцаткой в предыдущей статье. Лексикографическое упорядочение производилось по четырём скользящим суммам. Изменения стали более заметными. Северо-Кавказский регион. Северо-Кавказский регион.

Однако при таком расчете возникают сложности учета огромного количества факторов, влияющих на жизненный цикл ПО. Выяснить скрытые закономерности и связи между этими параметрами, а также произвести аналитический расчет в подавляющем большинстве случаев не представляется возможным. В любом программном проекте приходится балансировать между стоимостью, временем, качеством и объемом реализуемой функциональности. Это поможет менеджеру своевременно обнаружить отклонения от установленного графика и принять соответствующие меры в управлении проектом. Непосредственные усилия производителей (их трудозатраты) обеспечивают большую часть стоимости разработки ПО, и, как правило, методы оценки необходимых средств (как следствие, и времени) сосредотачиваются именно на этом аспекте и дают оценки в человеко-месяцах, которые впоследствии могут быть преобразованы в продолжительность проекта или стоимость. Трудозатраты возрастают экспоненциально с увеличением объема. За три последних десятилетия было разработано множество различных моделей количественной оценки трудозатрат. Эмпирические модели используют данные предыдущих проектов, чтобы оценить текущий (анализируя закономерности, прослеживаемые в предыдущих проектах). С другой стороны, аналитические модели базируются на глобальных предположениях относительно связи различных параметров, таких как скорость устранения разработчиком дефектов и их количество в определенный момент времени. Каждая модель имеет свои достоинства и недостатки, но ключевым фактором при ее рассмотрении, конечно же, является точность. Точность оценки трудозатрат напрямую зависит от точности оценки размера. Независимо от выбранной метрики размера определить его заранее точно не представляется возможным, поэтому приходится его уточнять (и соответственно производить общую переоценку трудозатрат) уже непосредственно в процессе разработки. Влияние этого фактора заметно уменьшается при использовании достаточно строгой методологии разработки и детальной проработке требований к системе. Оценка трудоемкости и стоимости была одной из наиболее сложных проблем при разработке программного обеспечения. Далее автор опишет пять метрик размера программного обеспечения, используемых на практике. Несмотря на то что эта метрика существенно зависит от выбранного языка программирования, она до сих пор остается самой используемой метрикой размера ПО. Поэтому оценка размера кода программы до его создания не намного проще оценки реальных трудозатрат, например, в человеко-месяцах. Поддержка такого подхода в последние годы постоянно уменьшается. Применение функциональных точек основано на оценке объема реализуемой функциональности за счет изучения требований, вследствие чего оценка необходимых трудозатрат может быть выполнена на самых ранних стадиях работы над проектом и далее будет уточняться по ходу жизненного цикла, а явная связь между требованиями к создаваемой системе и получаемой оценкой позволяет заказчику понять, за что именно он платит, и во что выльется изменение первоначального задания. В условиях, когда сформулированные требования не отражают истинной сложности реализации (что особенно характерно для системного ПО, критически важных программных комплексов и пр.), метод функциональных точек себя не оправдывает. Он очень близок к методу функциональных точек, с тем лишь отличием, что предусматривает корректирование получаемой оценки с учетом алгоритмической сложности. К перечисленным ранее пяти элементарным классам функциональных объектов добавляется класс алгоритмов. Определяется алгоритм как свод правил, который решает какую-либо существенную вычислительную задачу. Например, вычисление квадратного корня можно рассмотреть как алгоритм. Но в силу своего удобства в применении на самых ранних этапах жизненного цикла ОО-проектов (причем с неплохими показателями), она успешно используется в некоторых разновидностях СОСОМО . В этом методе для получения результата необходимы построение структуры разбиения работ и оценка каждой индивидуальной работы. Таковы, например, методы функциональных точек и СОСОМО. С другой стороны, все методы оценки можно разделить и на алгоритмические, неалгоритмические. Далее приведен общий обзор неалгоритмических методов, указаны их недостатки, что делает резонным выбор именно алгоритмических методов, к числу которых и относится описываемый в данной работе генетический подход. Этот метод требует наличия одного или нескольких законченных проектов, которые подобны новому проекту. Оценку получают путем сравнения текущего проекта с предыдущими с использованием реальных наблюдавшихся в них показателей. Оценка по аналогии может быть сделана или на уровне проекта в целом, или отдельных подсистем. Преимуществом оценки по аналогии всего проекта является учет возможных составляющих факторов (например, накладных расходов на организацию должного взаимодействия всех компонентов). Оценка же по отдельным компонентам позволяет обеспечить более детальный учет общих черт и различий между новым проектом и законченными проектами. Не всегда корректно переносить результаты предыдущих проектов на текущий, так как нельзя с уверенностью сказать, что ограничения и условия предыдущего проекта можно перенести и использовать в новом проекте. Более детальное рассмотрение данного метода представлено в . Для получения оценки с помощью этого метода учитываются мнения нескольких экспертов, которые полагаются на собственные методы и опыт. Вместо этого после каждой итерации координатор проводит собрание. На нем обсуждаются детали оценки, по которым были выявлены наибольшие разногласия. Иногда такой подход бывает успешным, однако, его применение чаще связано с целым рядом негативных последствий, начиная от работы сотрудников в сверхурочное время и заканчивая расторжением контракта со стороны заказчика в случае невыполнения обязательств из-за слишком нереалистичных сроков. Кроме всего прочего, принцип Па-рикнсона, как правило, приводит к созданию очень некачественного конечного продукта. То есть оценка основывается на бюджете заказчика, а не на конечной функциональности ПО. Это также плохой подход, который, однако, часто встречается на практике вследствие политических игр руководства, и с очень высокой степенью вероятности он вызовет задержку поставки или вынудит команду работать в сверхурочное время. В алгоритмических моделях математический аппарат весьма разнообразен и варьируется от простых линейный формул, использующих математическое ожидание и среднеквадратичное отклонение, до сложных регрессионных моделей . Как правило, чтобы улучшить точность алгоритмических моделей, требуется приспособить их (например, с помощью пересчета основных параметров и коэффициентов) к конкретным обстоятельствам. Причем даже после такой калибровки точность зачастую оставляет желать лучшего. Поэтому можно считать, что у каждой конкретной модели есть своя конкретная область применения, в которой она может дать адекватный конечный результат. В частности, зависимость от большого числа факторов, влияющих на разработку ПО, имеет явно нелинейный характер, что приводит к неэффективности данного класса моделей. В силу указанных причин автор не будет рассматривать методы данных классов, а кратко опишет один из наиболее популярных и эффективных степенных алгоритмических методов. Эти модели относятся к классу степенных. С момента своего появления СОСОМО постепенно эволюционировала. Базовая модель СОСОМО. Детализированная модель СОСОМО. Эти изменения базовой модели позволили существенно улучшить точность оценки, особенно в случае применения метода к отдельным компонентам, а не к системе в целом. Главной проблемой современных методов оценки трудозатрат является сложность их адаптации к конкретному проекту (калибровки коэффициетов модели). Обобщенные модели, такие как СОСОМО, разработанные с учетом данных о большом количестве проектов, не могут полностью учесть этой специфики. В настоящей статье автор предлагает принципиально новый, некпассический генетический подход к проблеме, основными принципами которого являются обеспечение простоты применимости метода на практике и учет информации, специфической для каждого конкретного проекта. В его основе лежит идея разделения общей задачи (предсказания необходимых ресурсов) на фиксированную и динамическую составляющие. Это позволяет не учитывать множество дополнительных факторов и существенно упрощает реализацию метода. Главная же инновационная и не имеющая аналогов составляющая предлагаемого подхода заключается в способе решения динамической части задачи. Эта среда и порождает такие дефекты, стремится их устранить впоследствии. Дефекты претерпевают мутации (проявляют заранее непредвиденные свойства), скрещиваются между собой, порождая новые, подвергаются отбору в соответствии со сложностью их устранения и т. п. Проведенные параллели с классическими понятиями теории эволюции биологических систем позволяют создать очень точную модель эволюции проекта в целом и рассчитывать необходимое дополнительное время, эмулируя жизнь этой популяции. Более того, ни один современный программный проект не обходится без системы багтрекинга, позволяющей учитывать и контролировать ошибки, найденные в программе, а также следить за процессом их устранения. Использование этой БД создает идеальные условия для применения разрабатываемой модели. Если же БД пуста (реализация проекта еще не началась), возможно обращение к БД предыдущего проекта, в котором работали те же сотрудники. Кроме того, этот подход позволяет провести все необходимые расчеты любому менеджеру, даже не являющемуся экспертом в области предсказания сроков, так как база данных может быть проанализирована автоматически. Это достигается за счет того, что, имитируя внешние условия достаточно простым заданием параметров разнообразных генетических операторов (т. е. явно задавая окружающую среду), не нужно что-либо рассчитывать аналитически. Тем самым обеспечивается применимость подхода к достаточно широкому классу проектов без привлечения специалистов, владеющих методами математического прогнозирования, что и является его ключевым преимуществом перед всеми другими алгоритмическими методами. Необходимо определить с приемлемой точностью функцию времени до релиза проекта Я(Г), зависящую от текущего момента времени Г, отсчитываемого от начала работы над проектом. Вычисление четкой составляющей представляет собой достаточно простую задачу расчета планового времени в идеальном случае, для решения которой существует большое количество методик, основанных на различных метриках разрабатываемого ПО. Как уже отмечалось ранее, он предполагает рассмотрение базы данных ошибок в качестве хромосомной популяции. В случае отсутствия таких баз данных для этого коллектива можно воспользоваться базами данных другого коллектива, работавшего над проектами, подобными текущему, но эффективность метода заметно ухудшается. На практике это не представляется возможным и приходится мириться с тем, что тестирование, как правило, имеет неравномерный характер. Неравномерность обнаружения ошибок может быть сглажена путем настройки оператора мутации. На сегодняшний день рассмотрена применимость только к программным проектам, но в перспективе описанные идеи могут быть актуальны и в любых других разработках, использующих системы протоколирования возникающих дефектов. Кроме того, предполагается возможность применения идей метода для калибровки существующих моделей оценки трудозатрат и сроков.