Russia, Kaliningrad, Kaliningrad State Technical University

kolesnikov@baltnet.ru;

The concept of heterogeneous modelling of bio-industrial systems (BIS) is submitted, the purpose of which being the most efficient realisation of the industrial potential of agricultural enterprises under the current economic conditions. Also considered: conceptual model of BIS for heterogeneous modelling; questions of synthesis of the integrated model of BIS and the results of experiments with hybrid intelligent systems.

Россия, Калининград, Государственный технический университет

kolesnikov@baltnet.ru;

Представлена концепция неоднородного моделирования био-производственной системы (БПС) для наиболее полной реализации потенциала агрофирм в существующих условиях хозяйственной деятельности, для чего рассмотрены концептуальная модель неоднородного моделирования БПС, вопросы синтеза интегрированной модели БПС и результаты экспериментов с гибридными интеллектуальными системами (ГИИС).

В новой экономической ситуации перехода сельского хозяйства России на рыночные отношения и самофинансирование, в условиях конкуренции с зарубежными производителями с/х продукции, а также низкими доходами в сравнении с возможными, особенно актуальна наиболее полная реализация производственного потенциала агрофирм для получения максимальной прибыли от растениеводства. С этой целью и выполняется стратегическое планирование урожаев и агротехнических мероприятий на весенне-летний период будущего года. Эта сложная задача решается в процессе коллективной творческой деятельности с привлечением широкого спектра аналитических, статистических, логико-лингвистических и др. знаний, распределенных по профессиональным нишам: экономики, бухгалтерского учета, агрономии, мелиорации на разных уровнях от конкретного с/х поля агрофирмы до района и области.

Проведенные исследования [2,3] показали актуальность планирования урожаев и агротехнических мероприятий, в первую очередь, отдельного с/х поля, результаты которого используются всеми организационными уровнями. Особые проблемы при решении данной задачи возникают в зонах рискованного растениеводства, к которым относится и Калининградская область. В первую очередь, это связано с необходимостью резкого снижения ошибки прогнозирования урожая, достигающей порой 40%. Кроме этого, накопленные знания несистематизированы, применяются разрозненно, автономно вследствие не системного, асоциального, индивидуалистического подхода разработчиков той или иной школы, например, института сельского хозяйства. Для такого подхода характерно не комплексное решение имеющейся проблемы, а "вырезание" из нее той части, которая может быть имитирована, чаще всего, в рамках одного метода исповедуемого в той или иной школе. В этих условиях ЛПР или эксперт естественно вынуждены по-прежнему решать более сложную общую, целую задачу и компьютерная схема решения "не вписывается" в их творческий процесс. В настоящей работе задача планирования урожаев и агротехнических мероприятий решается с позиций системного подхода, распределенных знаний и неоднородного моделирования.

Стратифицированная модель управления БПС. Био-производство сложная, многоаспектная и стратифицированная система. Мы рассматриваем ее на биологическом и производственно-экономическом уровнях. Анализ фаз учета, контроля, анализа, планирования, прогнозирования и регулирования стратифицированной модели БПС позволил выделить функции управления, автоматизация которых дает наибольший экономический эффект.

На биострате это задачи планирования и прогнозирования. В первом случае формируется множества планов агротехмероприятий возделывания с/х культур. Элементы определяют возможные варианты работ на множестве интервалов времени, где: - период возделывания культуры от сева до уборки урожая. Из вариантов работ ЛПР формирует агротехнологии . Разработка - это процедура F, использующая информацию об исходном состоянии агроэкосистемы, производственном потенциале агрофирмы, прогнозах воздействий внешней среды и профессиональные знания субъекта управления. Планы должны удовлетворять целевым установкам : F(,,,,). Прогнозирование выполняется процедурой : ,, ,,)для предсказания состояния при реализации планов . При отсутствии управления на некотором интервале времени продукционного процесса с/х культур, предсказание состояния агроэкосистемы определяется процедурой : ,,, ) .

На производственно-экономической страте в соответствии с составляются технологические карты, определяющие объем и последовательность выполнения операций по возделыванию культур и рассчитываются планово-финансовые показатели производства с/х продукции. Стратификация системы позволила выделить актуальные аспекты решения задачи и перейти к построению интегрированных моделей (гибридных интеллектуальных систем - ГИИС [1]).

Автономные модели интеллектуального управления БПС. Исходная задача была декомпозирована на восемь подзадач, распределенных по производственно-экономической и биологической стратам. В первую группу отнесены задачи рациональной организации производства, а вторая состоит из пяти подзадач прогнозирования: состояния посевов (); урожая (); доз удобрений и микроэлементов (); сроков внесения удобрений и микроэлементов; развития болезней, вредителей и сорняков. Задачи первой группы решаются информационно-расчетной системой, использующей в работе результаты моделирования на биострате. Для решения центральных задач из второй группы разработано гетерогенное поле из семи моделей (наряду с авторскими использованы и известные в области с/х аналитические модели). В него вошли три продукционные ЭС для решения задач - (количество правил от 40 до 150), аналитическая модель (алгебраические уравнения - АУ) для решения , нейросеть прямого распространения (два слоя, число нейронов первого слоя -30, второго-2, обучена методом обратного распространения с ошибкой - 0.1), нечеткая система Мамдани (5 входов и 6 выходов, 23 правила) и нейро-нечеткий (НН) гибрид (4 входа, один выход, количество правил после анализа экспертами и редукции - 45, ошибка обучения - 0.001) для решения . Каждая из моделей оценена специалистами на релевантность ситуациям на наиболее значимых для прогнозирования параметрах управления по шкале 0-1. По результатам оценки была построена нечеткая система Мамдани, используемая при синтезе ГИИС. На разработанном модельном поле была поставлена и решена задача эвристической коррекции фундаментальных аналитических зависимостей для организации интеллектуального управления. Такая коррекция выполняется в ходе неоднородного моделирования.

Интегрированные модели интеллектуального управления БПС. Для эффективного управления БПС используется неоднородное моделирование, основные этапы которого показаны на рис. 1. Центральной является оригинальная пошаговая процедура, синтеза архитектуры ГИИС, как метода решения неоднородной задачи над гетерогенным модельным полем, при движении по графу декомпозиции задачи справа - налево. Принятие решений о выборе той или иной модели на очередном шаге процедуры чередуется с работой нечетком системы Мамдани, оценивающей релевантность моделей значениям существенных для моделирования параметрам и однородным моделированием решения подзадач. Таким образом, в итоге обработки всей декомпозиции инициализируется релевантная неоднородной задаче архитектура, которая затем используется для организации неоднородного, имитационного моделирования решения исходной задачи.

Результаты неоднородного моделирования. Для экспериментов создана система АГРО, автоматизирующая разработку приложений ГИИС в среде MS Windows 95, 98 и поддерживающая PS-технологию [1] и неоднородное моделирование. Межмодельные интерфейсы реализованы в стандарте DDE (Dynamic Data Exchange), что позволило наиболее эффективно организовать обмен данными в ГИИС.

Для сравнительного анализа качества однородного и неоднородного моделирования выполнены эксперименты на статистических данных по урожаям озимой пшеницы агрофирмы им. Ладушкина за 10 последних лет. Система АГРО функционировала в режимах однородного моделирования, когда -решались ЭС (столбцы №1 в таблицах и пунктирные кривые на рис. 2) и неоднородного с гибридными стратегиями обозначенными столбцами № 2-5 в таблицах, лучшая из которых использована для построения сплошных кривых на рис. 2.

В таблицы сведены ошибки (проценты от фактического урожая) однородного и неоднородного моделирования по трем вариантам почв и девяти вариантам погодных условий для пяти стратегий моделирования. Жирным шрифтом выделена минимальная ошибка, использованная для построения графиков. Сравнительный анализ результатов экспериментов показал, что для почв с хорошей окультуренностью и благоприятных погодных условиях (рис. 2 а) эксперты располагают знаниями для прогнозов с ошибкой от 2-х до 5 %, однако для неблагоприятных прогнозов погоды гибридное моделирование уже дает лучшие результаты. Точность неоднородного планирования возрастает по мере перехода к почвам со средней и низкой окультуренностью (рис. 2 б в) и плохим прогнозам погоды. В итоге можно сделать вывод, что гибриды дают ошибку в среднем по второй и третьей серии экспериментов в 3 раза меньшую автономных моделей и однородного моделирования.

1. Колесников А.В. Гибридные интеллектуальные системы для поддержки принятия решений. Труды Междун. конф. "Интеллектуальное управление: новые интеллектуальные технологии в задачах управления (ICIT'99). М.: Наука. Физматлит, 1999.
2. Колесников А.В., Клачек П.М. Интеллектуальная система поддержки принятия решений по возделыванию сельскохозяйственных культур. Сб. "Труды Междун. конференции по мягким вычислениям SCM 98", т.2, СПб.: 1998.
3. Klachek, P., Kolesnikov, A. Knowledge Integration for Simulation of the 'Prediction of Productivity Agricultural Cultures' Inhomogeneous Task. Mathematical Modeling and Analysis, Abstract of the 4^th International Conference MMA99, Vilnius, 1999.