Здесь есть два подкласса:
1 подкласс. Заключается в управлении процессом трансформации модели (под воздействием fD) посредством координирующего центра, который в определенные моменты системного времени, из меняет те или иные переходы или множества переходов, регулируя динамику моделируемой системы. Координирующий центр имеет свою функцию активации: F=f(Ti,mi), Где mi - маркировка сети в момент времени Ti.
Искусственно созданный координирующий центр появляется с некоторой задержкой, (поскольку на анализ и разработку требуется некоторое время), функция fD может распространиться за это время - по некоторым переходам случайным (недетерминированным) образом.
Координирующийцентр может быть и частью функции fS. Тогда задачей модели является идентификация этого центра, для того, что бы промоделировать дальнейшие состояния системы. Идентификация — это своего рода классификация fS по внешним признакам. Модель классификации можно сделать самообучающейся, например, сведя ее к задачам кластеризации, решаемыми, сетью ART (Adaptive Resonance theory), т.е. используя алгоритмы нейроматематики.
2 подкласс. Моделирование стохастического распространения активационной функции. В этом подходе строятся деревья достижимости для каждой возможной сети в отдельности и общего дерева достижимости маркировок вершин и переходов. Под маркировкой перехода понимается его принадлежность к той или иной пусковой функции:
п — общее количество переходов в сети;
k -- количество переходов, получивших новую пусковую функцию
Число вершин x в каждом ярусе соответствует числу возможные сетей Петри (PN1…PNx) с различными маркировками переходов.
Существенным недостатком предлагаемой модели является комбинаторный взрыв, порождаемый деревьями достижимости, связанный, в частности, с увеличением вариантов маркировок переходов. Современные ЭВМ пока не в состоянии моделировать достаточно сложные информационные процессы.
Существует так же сложность при анализе результатов моделирования поведения информационной системы. Этот анализ существенно упростится, если создать автоматизированную экспертную систему на основе CPN, которая способна структурировать информацию в виде понятий, то есть создавать знания, понятные для человека. При этом следует использовать язык исчисления предикатов первого порядка, поскольку он хорошо изучен и вполне прозрачен для математиков.
В условиях современного мира, быстро развивающихся телекоммуникационных технологий, вычислительной техники, изменений в сферах политики и юриспруденции, а так же в условиях научно-технического прогресса, теория моделирования информационных процессов на основе CPN играет одну из ключевых ролей для прогнозирования состояний систем. Т.О. возможного развития событий будущего в рамках моделируемой системы.
Методика автоматизированного прогнозирования состояний системы в условиях внешних воздействий, а так же технология оперативного реагирования на внешние события использует приведенные выше подходы как по отдельности, так и а совокупности друг с другом.
Литература
1. Дж. Питерсон Теория сетей Петри и моделирование систем М.: Мир, — 1984.
2. «ML AND СОLORED PETRI NETS FOR МОDELING AND SIMULATION» Peter D. Varhol 1991, Dr. Dobb's Journal.
3. Душин С.Е., КрасовА.В. Особенности моделирования структурно-сложных нелинейных систем управления, — 2001.
4. Петров А.Б. Открытые информационные системы принципы построения Серия — «Открытые системы в технике и технологиях Выпуск 1» при поддержке ФЦКП «Интеграция академической и вузовской науки» проект А 0086 «Центр открытых систем» Москва —2000.
5. Барцев С.И. Некоторые свойства адаптивных сетей (Программная реализация). Красноярск. Ин-т физики СО АН СССР, Препринт № 71Б. — 17 с.,— 1987.
6. Гарбань Л.Н. Обучение нейронных сетей. М.: СП ПараГраф, — 1991
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.