Вестник Кольского научного центра РАН. 2018, №2.

А. Я. Фридман Известная НМТ определяет расстояние между двумя объектами a и b так: S (a , b ) = f(A П B) / [f(A П B) + af(A - B) + Pf(B - A)], (2) где A и B — множества свойств этих объектов; / — символ деления чисел, символ обозначает разность множеств; f — некоторая функция; неотрицательные а и в — веса для общих и различных свойств объектов. В большинстве методов в качестве функции f используется мощность множества-аргумента. Для ССМ в работе [27] разработана модификация (2) — иерархическая модель Тверски (ИМТ), соответствующая Определениям 1-3 из п. 2: S = ^ £ 1 $ , (3) N i =i г где i = 1, 2, ... N — номер уровня иерархии, а каждая Si вычисляется по формуле (2) для подмножеств свойств, входящих в описание этого уровня. При сравнении иерархических структур множества Ai и Bi включают имена объектов уровня i . Сделано естественное предположение (3), что различия в свойствах на нижних уровнях иерархии должны влиять на результаты классификации меньше, чем на более высоких уровнях. На основе такой классификации строится отображение, переводящее текущую ситуацию в наиболее близкую (семантически) ситуацию из желаемого класса и при этом обеспечивающее минимум структурных различий между целевой и текущей ситуациями, то есть минимизирующее распространение возмущений в процессе перевода. Вводя веса слагаемых в выражение (3), можно учесть экспертные мнения о важности уровней. Концепция ситуационной осведомленности в ССМ Описанная выше ИМТ (3) дает хорошую основу для работы с ситуациями в ССМ, однако дополнительные исследования показали, что до классификации требуется выполнить формирование и тщательную предварительную обработку архива хранимых в памяти ССМ ситуаций. Далее представлены принципы их компоновки и селекции в архиве ССМ. Естественно, архив должен содержать все реальные сценарии работы ССМ в данном приложении, но основной массив информации создается по результатам имитационных экспериментов с МПО. После имитации в архиве должны быть наборы предпочтительных ситуаций всех классов, заданных критерием (1) для всех ОПР, входящих в МПО, для чего решаются следующие задачи. Исследование устойчивости сценариев к ошибкам в исходных данных на основе методов теории чувствительности, которая применяется в автоматическом управлении (например, [29]) с целью повышения точности прогноза при небольших изменениях исходных данных. Приемлемой считается модель, в которой удельная величина изменения критерия (1) сопоставима с вызвавшими ее относительными вариациями исходных данных. Обобщение ситуаций. В работе [1] отмечается необходимость обобщения описаний ситуации на основе их классификации по существенным признакам, множество которых требуется синтезировать. Для этого предлагается следующая процедура применения ИМТ (3). После классификации ситуаций по критериям (1) генерируется значительное количество классов ситуаций, полученных для различных ОПР и различных листьевых объектов этих ситуаций, что однозначно определяет данную ситуацию ввиду древовидности декомпозиции объектов в МПО ССМ. После отбраковки ситуаций, не удовлетворяющих требованию устойчивости, согласно ИМТ формируются классы предпочтительных ситуаций для каждого ОПР, внутри класса достаточным ситуациям присваиваются уникальный тип и порядковый номер по степени предпочтительности по критерию (1) в пределах этого класса. Порядковый номер класса определяется индексом ресурса, который доминирует в этом классе, в критерии (1) для данного ОПР. ВЕСТНИК Кольского научного центра РАН 2/2018(10) 105