Принятие решений в экологической геоинформационной системе на основе нечеткой модели классификации (стр. 1 из 2)

А.Н. Целых, Р.П. Тимошенко

Моделирование процессов принятия решений становится центральным направлением автоматизации деятельности лица, принимающего решения (ЛПР). К задачам ЛПР относится принятие решений в геоинформационной системе. Современную геоинформационную систему можно определить как совокупность аппаратно-программных средств, географических и семантических данных, предназначенную для получения, хранения, обработки, анализа и визуализации пространственно-распределенной информации.

Экологические геоинформационные системы позволяют работать с картами различных экологических слоев и автоматически строить аномальную зону по заданному химическому элементу. Это достаточно удобно, так как эксперту-экологу не нужно в ручную рассчитывать аномальные зоны и производить их построение. Однако, для полного анализа экологической обстановки эксперту-экологу требуется распечатывать карты всех экологических слоев и карты аномальных зон для каждого химического элемента. В геоинформационной системе [1] построение аномальных зон производилось для тридцати четырех химических элементов. Сначала он должен получить сводную карту загрязнения почвы химическими элементами. Для этого путем последовательного копирования на кальку со всех карт, строится карта загрязнения почвы химическими элементами [2]. Затем полученную карту таким же образом сопоставляют с картами гидрологии, геологии, геохимических ландшафтов, глин. На основании сопоставления строится карта качественной оценки опасности окружающей среды для человека. Таким образом осуществляется мониторинг окружающей среды.

Этот процесс требует много времени и высокой квалификации эксперта, для того, чтобы точно и объективно оценить обстановку. При таком большом объеме информации, одновременно, обрушивающейся на эксперта могут возникать ошибки. Поэтому возникла необходимость в автоматизации процесса принятия решений. Для этого существующая геоинформационная система была дополнена подсистемой принятия решений.

Особенностью разработанной подсистемы является то, что одна часть данных с которыми работает программа, представлена в виде карт. Другая часть данных обрабатывается и на их основе строится карта, которая затем также подлежит обработке. Для реализации системы принятия решений был избран аппарат теории нечетких множеств. Это вызвано тем, что с помощью нечетких множеств можно создавать методы и алгоритмы способные моделировать приемы принятия решений человеком в ходе решения различных задач. В качестве математической модели слабоформализованных задач выступают нечеткие алгоритмы управления, позволяющие получать решение хотя приближенные, но не худшие, чем при использовании точных методов.

Под нечетким алгоритмом управлению будем понимать упорядоченную последовательность нечетких инструкций (могут иметь место и отдельные четкие инструкции), обеспечивающую функционирование некоторого объекта или процесса.

Методы теории нечетких множеств позволяют, во-первых, учитывать различного рода неопределенности и неточности, вносимые субъектом и процессами управления, и формализовать словесную информацию человека о задаче; во-вторых, существенно уменьшить число исходных элементов модели процесса управления и извлечь полезную информацию для построения алгоритма управления.

Сформулируем основные принципы построения нечетких алгоритмов. Нечеткие инструкции, используемые в нечетких алгоритмах, формируются или на основе обобщения опыта специалиста при решении рассматриваемой задачи, или на основе тщательного изучения и содержательного ее анализа.

Для построения нечетких алгоритмов учитываются все ограничения и критерии, вытекающие из содержательного рассмотрения задачи, однако полученные нечеткие инструкции используются не все: выделяются наиболее существенные из них, исключаются возможные противоречия и устанавливается порядок их выполнения, приводящий к решению задачи.

С учетом слабоформализованных задач существуют два способа получения исходных нечетких данных - непосредственный и как результат обработки четких данных. В основе обоих способов лежит необходимость субъективной оценки функций принадлежности нечетких множеств.

Рассмотрим модель классификации на основе которой строится система принятия решений [3]. Модель описывает разбиение многомерного пространства признаков факторов, наиболее существенно влияющих на выбор управляющих решений, на нечеткие области, соответствующие этим решениям. Модель представляется в виде тройки (W, Q, H), в которой W=

- множество признаков факторов, Q={L₁,...,L_i,...,L_k} - разбиение W на нечеткие эталонные классы L_i ,H={ h₁,...,h_i,...,h_k } - множество управляющих решений h_i , соответствующих классам L_i .

Путем экспертного опроса или исходя из содержательного анализа задачи выделяются признаки-факторы X, Y, Z (для простоты рассматриваем только три) и формируется пространство W=

. Эта процедура является неформальной и существенно зависит от предметной области, квалификации специалистов экспертов. С каждым из выделенных признаков связывается своя лингвистическая переменная со своими значениями. Лингвистические переменные, соответствующие признакам X, Y, Z, обозначим соответственно через A, B, C, а их значения – через

{

}, { }, { }.

Для всех выделенных значений

, , путем экспертного опроса строятся функции принадлежности , , на соответствующих базовых шкалах X, Y, Z. Строится качественная структура модели в виде решающей таблицы, имеющей nmp строк и 4 столбца. Строки таблицы соответствуют всевозможным наборам ( , , ), первые три столбца обозначены символами лингвистических переменных A, B, C, четвертый столбец обозначен символом Н. В столбцах A, B, C проставляются всевозможные наборы ( , , ), то в столбце H для каждого такого набора специалист-эксперт проставляет одно из возможных управляющих решений h_i, которое он принял бы в ситуации, словесно описанной соответствующим набором. В итоге формируется модель (W, Q, H), в которой каждый класс L_i характеризуется функцией принадлежности , задаваемой следующей нечеткой логической формулой:

,

где L_i - множество наборов (

, , ), которым в решающей таблице соответствует решение h_i , .

В основе программной реализации лежит вышеописанный алгоритм. При программной реализации используется 5 лингвистических переменных и число строк решающей таблицы составляет 162.

Нечеткие модель в силу относительной простоты требуют меньше времени и объема памяти для своей реализации по сравнению с известными методами математического программирования.

Необходимо также отметить, что программа реализована в операционной среде Windows 3.1, что позволяет использовать дополнительные возможности этой ОС. Программа написана на языке Borland C++, который является языком объектно-ориентированного программирования (ООП) [4].

Работу программы можно разделить на две части. Первая часть это логическая обработка данных проб почвы и построение сводной карты загрязнения почвы химическими элементами. Вторая часть обработка карт, характеризующих различные экологические слои и построение карты, качественной оценки состояния окружающей среды.

Логическая обработка данных проб почвы и построение сводной карты загрязнения почвы химическими элементами.

Программа являлась развитием уже существующей версии программы “ТагЭко”, дополняет существующую программу новыми функциями. Для работы новых функций необходимы данные содержащиеся в предыдущей версии программы. Этим обусловлено использование методов доступа к данным разработанных в предыдущей версии программы. Используется функция для получения информации, хранящейся в базе данных. Это необходимо для получения координат каждой точки пробы, хранящейся в базе данных. Также используется функция для расчета величины аномального содержания химического элемента в ландшафте. Таким образом через эти данные и эти функции происходит взаимодействие предыдущей программы с подсистемой принятия решений. В случае изменения в базе данных значения пробы или координат пробы это будет автоматически учитываться в подсистеме принятия решений.