Аннотация: В данной работе исследованы и предложены эффективные подходы к решению задачи обеспечения безопасности пищевой продукции на основе системного подхода, методов искусственного интеллекта и современных компьютерных систем, а также международных стандартов по безопасности пищевой продукции. Предложена методика и процедура создания интеллектуальных систем для решения задач обеспечения безопасности пищевой продукции. Рассмотрены методы и средства реализации интеллектуальной системы обеспечения безопасности пищевой продукции. Предложена структура интеллектуальной системы принятия решения для обеспечения безопасности пищевой продукции и описаны ее основные компоненты: пакет моделей; алгоритмы решения задач многокритериальной оптимизации; интерфейс пользователя; база данных и база знаний; блок объяснения выбранного, рекомендуемого решения; идентификатор моделей. Формализованы производственные ситуации в пищевой отрасли, для которых получены постановки и методы решения задач обеспечения качества и безопасности продукции.

При формализации и решении задачи обеспечения качества и безопасности продукции использованы различные идеи компромиссных схем принятия решений – принципы многокритериальной оценки альтернатив (Парето оптимальности, метод главного критерия), которые модифицированы для работы в нечеткой среде. Оригинальность и новизна формализованных постановок задач обеспечения безопасности пищевой продукции и предлагаемых методов их решения определяется тем, что за счет сохранения и полного использования исходной нечеткой информации, в виде знаний и опыта специалистов-экспертов получаются адекватные модели решаемой задачи, соотнесённо эффективно решаются проблемы многокритериальности и неопределенности.

Annotation: In this paper we study and propose effective approaches to solving the problem of food security on the basis of a systematic approach, methods of artificial intelligence and advanced computer systems, as well as international standards of safety of food products. The method and procedure for the development of intelligent systems for solving problems of ensuring food safety. The methods and means of implementing an intelligent system to ensure food safety. A system of intelligent decision-making to ensure food safety structure and describes its main components: package models; algorithms for solving multiobjective optimization; a user interface; database and knowledge base; explanation of the selected block, the recommended solution; ID models.

Formalized the production situation in the food industry, which received performances and problem-solving methods to ensure product quality and safety. When formalizing and solving the problem of ensuring product quality and safety used various ideas for compromise decision trees -principles multicriteria evaluation of alternatives (Pareto optimality, the method of main criterion), which have been modified to work in a fuzzy environment. The originality and novelty of the formal statements of problems to ensure food safety and the proposed methods to solve them by the fact that due to conservation and full utilization of the original fuzzy information, in the form of knowledge and experience of professional experts receive adequate model of the problem, The correlation effectively solved the problem of multicriteria and uncertainty.

Введение. Появление компьютерной техники высокой производительности и с большим объемом памяти, необходимость обработки значительных массивов информации, применение баз знаний, требования к облегчению работы с компьютером на языке близком к естественному, привели к созданию различных интеллектуальных систем (интеллектуальные информационно-поисковые системы, интеллектуальные пакеты прикладных программ, расчетно-логические системы, экспертные системы, интеллектуальные системы принятия решений и т.д.) [1–5].

В настоящее время одной из актуальной задачей пищевой промышленности является обеспечение безопасности продукции. В республике Казахстан, как и в других странах, принят Закон [6], который  устанавливает правовые основы обеспечения безопасности пищевой продукции для защиты жизни и здоровья человека, законных интересов потребителей и охраны окружающей среды.

В пищевой промышленности разрабатываются и вводятся специальные системы анализа опасных факторов и определения критических точек контроля для систематической идентификации, оценки и управления опасными факторами, влияющими на безопасность продукции по всей продовольственной цепочке, путем выявления и оценки потенциальных рисков, которые являются критическими для безопасности пищевых продуктов, при установлении постоянного контроля в критических точках контроля [7].

Безопасность пищевой продукции, это отсутствие недопустимого риска во всех процессах разработки, производства (изготовления), оборота, утилизации и уничтожения пищевой продукции, связанного с причинением вреда жизни и здоровью человека и нарушением законных интересов потребителей с учетом сочетания вероятности реализации опасного фактора и степени тяжести его последствий [8].

Основными целями государственного регулирования в области безопасности пищевой продукции являются: обеспечение безопасности пищевой продукции для жизни и здоровья человека и окружающей среды; защиты законных интересов потребителей, экологической и национальной безопасности [9].

Безопасность пищевой продукции обеспечивается посредством: 

- соблюдения субъектами требований, установленных законодательством о безопасности пищевой продукции;

- подтверждения соответствия пищевой продукции требованиям, установленным законодательством о техническом регулировании, проведения санитарно-эпидемиологической и ветеринарно-санитарной экспертизы; 

- разработки и применения компьютерных, интеллектуальных систем обеспечения безопасности пищевой продукции.

Обеспечение безопасности пищевой продукции является одной из важнейших стратегических задач любой страны, в т.ч. и Республики Казахстан. От безопасности пищевой продукции во многом зависит здоровье нации. Кроме того, безопасность пищевой продукции является обязательным требованием для поставщиков пищевой продукции в развитых странах мира. С ростом образовательного и материального уровня населения растет внутренний потребительский спрос на безопасную пищевую продукцию.

На то, что имеются проблемы в области безопасности пищевой продукции, указывают события, которые периодически возникают в нашей стране. Например, в марте 2007 г. в вахтовом поселке компании GATE (Атырауская область) несколько сот рабочих отравились в столовой, обслуживаемой турецкой компанией ACB Catering. Разумеется, что такие чрезвычайные события с пищевыми отравлениями невозможно скрыть, они получают широкую огласку и по ним проводятся расследования. Гораздо сложнее обстоит дело с пищевыми продуктами, которые наносят вред здоровью человека постепенно, небольшими порциями. Такой вред часто остается незамеченным, хотя последствия могут быть огромными. В таких случаях обеспечение безопасности пищевой продукции является вопросом государственной важности, который можно успешно решать только на системной основе с применением современных научных методов и средств информационных технологий. В этой связи создание и применение интеллектуальных систем обеспечения безопасности пищевой продукции является актуальной задачей безопасности любого государства.

 

Методы и результаты исследования. Законодательная основа для обеспечения безопасности пищевой продукции в нашей стране создана.  С 1 января 2008 года введен  в действие Закон Республики Казахстан «О безопасности пищевой продукции», который возлагает основную ответственность на производителей пищевой продукции [6]. При внедрении этого закона стратегической ошибкой будет рассчитывать только на «карательные» действия исполнительных органов. Такие действия необходимы только для недобросовестных поставщиков пищевой продукции, но для большинства предприятий нужен другой подход, основанный на внедрении международных стандартов, разработки и  применении интеллектуальных систем обеспечения безопасности пищевой продукции.

Международные стандарты по безопасности пищевой продукции требуют внедрения системного подхода, различных информационных систем, предполагающих, что производители пищевой продукции будут на добровольной основе анализировать риски и внедрять соответствующие программы и системы по предупреждению возникновения опасностей в критических контрольных точках, которые также называют планом HACCP (Hazard Analysis and Critical Control Points - Анализ рисков и критические контрольные точки).

С 2005 года действует новый международный стандарт ИСО 22000 «Системы менеджмента безопасности пищевой продукции. Требования к любым организациям в продуктовой цепи», который был создан для гармонизации требований международного стандарта CODEX ALIMENTARIUS и национальных требований, например, в области санитарии и гигиены. Этот стандарт вместе с другим международным стандартом ИСО 22004 «Системы менеджмента безопасности пищевых продуктов. Руководящие указания по применению ИСО 22000:2005 содержат требования и рекомендации касательно внедрения системы менеджмента безопасности пищевой продукции.

При проектировании и создании интеллектуальных систем обеспечения безопасности пищевой продукции используются различные общенаучные и статистические методы: методы искусственного интеллекта, методы теории нечетких множеств, методы математического моделирования и идентификации, теория и методы многокритериальной оптимизации и принятия решений, методы кластерного анализа, методы многофакторного корреляционно-регрессионного анализа, методы системного анализа, модели и методы представления знании [10–15]. Для обработки практических и экспериментальных данных использовались современные персональные компьютеры и пакеты прикладных программ Statistica 5.5 [16], Regress и MatLab.

В формализации и решении решаемой задачи в нечеткой среде приходится использовать знания и суждения лица, принимающего решения (ЛПР), специалистов-экспертов, имеющие качественный характер. Для решения таких нечетких задач принятия решений необходимо включить в состав создаваемой системы элементы интеллектуализации, позволяющие общаться с ней на естественном или профессионально-ориентированном языках. Эти возможности достигаются на основе методов искусственного интеллекта, включением в состав информационных систем следующих компонентов: базы знаний; блок логического вывода и объяснения результатов выбора; алгоритмов многокритериальной нечеткой оптимизации; интеллектуального интерфейса.

Такие системы, основанные на знания специалистов-экспертов и созданных с применением методов искусственного интеллекта и теорий нечетких множеств называются интеллектуальными системами принятия решений (ИСПР).

По результатам проведенных исследований нами выделены следующие основные этапы создания интеллектуальных систем для решения задач обеспечения безопасности  пищевой продукции [4]:

1.     Идентификация проблемной области и решаемых задач, содержательная постановка задач оптимизации, принятия эффективного решения;

2.  Формализация знаний ЛПР, специалистов-экспертов о решаемой задаче;

3.  Создание базы знаний и данных;

4.  Разработка пакета моделей исследуемого объекта, процесса;

5. Алгоритмизация решаемых задач, например, обеспечения безопасности пищевой продукции;

6.  Разработка «интеллектуального» интерфейса пользователя;

7.  Программная реализация разработанных моделей и алгоритмов.

Дадим пояснения к некоторым из приведенных пунктов методики синтеза интеллектуальной системы для решения задачи обеспечения качества и безопасности пищевой продукции.

В первом пункте локализуется объект исследования, определяются основные свойства и описания производства, формализуется содержательная постановка решаемой проблемы.

Во втором пункте организуются процедуры экспертной оценки [17–21], по результатам которых формализуется задача оптимального выбора решения по заданным критериям. При этом используются методы экспертных оценок, модифицированные на случай нечеткости исходной информации.

На основе формализованных знаний в третьем пункте определяется структура и создается база знаний. Заполнение базы данных осуществляется на основе статистических данных о функционирования объекта.

В четвертом пункте разрабатываются модели элементов и подсистем производственной системы, которые объединяются затем в единый пакет. Часть или все модели могут быть нечеткими. Для построения таких моделей можно использовать специальные алгоритмы синтеза математических моделей на основе исходной нечеткой информации [6].

В качестве алгоритмов решения формализованных задач (пятый пункт), можно использовать комплекс алгоритмов, в состав которых входят алгоритмы оптимизации в нечеткой среде, алгоритмы решения многокритериальных задачи нечеткого математического программирования.

Для составления удобного и «интеллектуального» интерфейса (пункт 6) и программной реализации моделей и алгоритмов (пункт 7) используются современные средства визуального программирования. Структура и содержание меню должно быть согласовано с пользователем (заказчиком).

Предлагаемая архитектура интеллектуальной системы принятия решения для обеспечения безопасности пищевой продукции представлена на рисунке 1.

                                                          

Рисунок 1 – Архитектура интеллектуальной системы обеспечения безопасности пищевой продукции.

 

Эффективность ИСПР разработанных для решения задачи обеспечения безопасности пищевой продукции, определяется качеством формализации и представления знаний, разработанных моделей и алгоритмов решения поставленных задач, а также удобством интерфейса пользователя.

В результате анализа современного состояния дел по проблеме мониторинга и предотвращения пищевых рисков в Республике Казахстан и в мире свидетельствует о необходимости перехода в отечественной практике к новым эффективным стратегиям управления рисками. Интенсивное обсуждение специалистами и широкой общественностью проблем, связанных с появлением новых или ранее не рассматривавшихся факторов риска пищевой продукции определили необходимость создания новой концепции безопасности пищевых продуктов на всех уровнях – от поля до потребителя, которая должна реализовываться и контролироваться с применением современных интеллектуальных систем.

Оценка пищевых рисков в целом выиграет в результате прозрачности процесса принятия решений на базе интеллектуальных систем и совершенствования документации, касающейся обоснования принимаемых решений. Процесс идентификации опасностей, определения их параметров должен рассматриваться как итеративный и требующий значительной совершенствования поисков данных и составления баз данных и знаний, т.е. интеллектуальных систем.

Средства реализации интеллектуальной системы обеспечения безопасности пищевой продукции. ИСПР представляет собой программно-аппаратный комплекс. Каждый из рассмотренных функциональных блоков системы может быть реализован в виде специальных программ, а аппаратурной частью является компьютер, удовлетворяющий некоторым требованиям (быстродействию, объему памяти, типу графического адаптера и др.).

Программную часть ИСПР составляют программные реализации решения задач моделирования и многокритериального выбора решений в условиях неопределенности, формализации знаний в виде продукций, программа объяснения хода решения задачи пользователю и справки по эксплуатации системы, сопровождаемые различными таблицами, графиками и таксовыми сообщениями, программа по проверке адекватности и настройке модели (идентификатор) и дружественный интерфейс. Интерфейс должен обеспечивать интерактивный режим работы пользователя и системы, например, на основе различных меню, справок, подсказки и др. В перспективе предусматривается звуковые сопровождения или даже общения на профессиональном языке, близком к естественному.

Для решения производственных задач в базе знаний хранится большой объем различных сведений и для работы с этой информацией (поиск, обработка, выдача, обновление и др.) необходимо создать специальную программу, например, систему управления базами знаний и данных (СУБЗД).

Для эффективного составления программ можно использовать методы структурного программирования и специальные средства программирования, содержащие в комплексе редактор, компилятор, компоновщик, отладчик и др., например среду С, Delphi и другие, а также специализированные пакеты.

Известны подходы к разработке интеллектуальной памяти для обработки нечеткой информации на базе ортокоординатных ассоциаций запоминающих интеллектуальных систем с нечеткой  логикой [22], который может быть использован в качестве сопроцессора в компьютерах для решения трудноформализуемых нечетких задач.

Приведем результаты проведенных нами исследований, по формализации производственных ситуаций в пищевой отрасли, возникающие при формализации и решении задач обеспечения качества и безопасности продукции:

1) ПС 1 - управление производством пищевых продукций описывается одним критерием (целевой функцией) и несколькими ограничениями, причем нечеткими могут быть как критерий, так и любой из ограничений. Сюда относятся и многокритериальные задачи, когда удается выбрать один из критериев как целевую функцию (или произвести свертку локальных критериев), а остальные рассматривать как ограничения;

2) ПС 2 - ситуация, когда приходится ставить задачу принятия решений при наличии нескольких критериев. Здесь из-за различной физической природы критериев, их противоречивости, из-за нечеткости их описаний и др. причины сразу привести задачу к однокритериальной задаче не удается;

3) ПС 3 - более общий случай, когда результаты работы производственного объекта оценивается несколькими критериями и ограничениями, каждые из которых могут быть нечеткими. Управление производством в этом случае сводится к комбинированному использованию подходов, разрабатываемых для предыдущих ситуаций.

Для рассмотренных ПС приведем постановки задач обеспечения качества и безопасности пищевой продукции и предложим методы их решения.

Вначале уделим внимание ситуации, когда задача нечеткого математического программирования (НМП) ставится для одного критерия и нескольких ограничений, т.е. соответствует производственной ситуации 1 (ПС 1).

Задача НМП 1. Пусть имеется один нормализованный критерий вида -  и L ограничений с нечеткими инструкциями . Предположим, что функции принадлежности выполнения ограничений  для каждого ограничения построены в результате диалога с ЛПР, специалистами-экспертами. Пусть известен либо ряд приоритета I={1,…,L}, либо весовой вектор  для ограничений, отражающий взаимную важность ограничений на момент постановки задачи оптимизации.

Тогда в общем виде задачу НМП:

при условиях 

можно записать:

,

Данная постановка задачи НМП при четкой целевой функции и нечетких ограничениях с нечеткой инструкцией отражает стремление максимизировать целевую функцию, полностью удовлетворив требованиям ограничений. Если допустить, что все функции принадлежности нормальные, то постановка задачи НМП примет вид:

,

Получили четкую задачу математического программирования с максимизацией целевой функции на четком множестве Х. Далее будем предполагать вогнутость целевой функции , ограничений  и выпуклость допустимого множества Х. Данная задача решается обычными методами математического программирования.

На практике возможна ситуация, когда множество Х является пустым из-за отсутствия альтернативы х, удовлетворяющей одновременно всем ограничениям и, следовательно, задача не имеет решения. В этом случае следует отказаться от четкого решения исходной нечеткой задачи и, воспользовавшись нечеткостью ограничений, поставить задачи МП, учитывающие эти нечеткости.

В таких случаях из-за невозможности удовлетворить всем критериальным ограничениям одновременно приходится использовать компромиссные схемы учета требований различных критериальных ограничений. Воспользуемся идеями и схемами компромиссов, заложенными в прямые методы многокритериальной оценки альтернатив, для постановки задач НМП и определения решений этих задач.

Вначале сведем исходную задачу к максимизации целевой функции на точках паретовского множества, образованного ограничениями:

,

Решение данной задачи зависит от весового вектора β и состоит из вектора управлений (независимых переменных), значений целевой функции и набора значений ограничений: 

  

Предлагается следующий алгоритм поиска решений для задачи П.1.

А л г о р  и т м   F1.

1.   Задать  - число шагов по каждой q–ой координате.

2.   Определить  - величины шагов для изменения координат весового вектора β.

3.   Построить набор весовых векторов ,  варьированием координат на отрезках 0,1 с шагом h_q.

4.   На основе информации, получаемой от ЛПР, специалистов-экспертов определить терм-множество нечетких параметров и для каждого ограничения построить функций принадлежности выполнения ограничений.

5.   Решить  задач П.1 при  и определить решения: 

6.   Решения предъявить ЛПР для выбора лучших.

Задача НМП 2. Рассмотрим ситуацию, когда приходится ставить задачу НМП при наличии нескольких целевых функций (критериев) – ПС2: , известном ряде приоритета I={1,2,…,m} или известном весовом векторе взаимной важности целевых функций (локальных критериев) , . Тогда можно привести следующую постановку многокритериальной задачи НМП:

Задача в такой постановке редко имеет решение, так как требует, чтобы  m целевых функций достигали максимума в одной точке. Универсальным выходом в этом случае является построение паретовского множества и выбор ЛПР из этого множества наилучшего решения:

П2.:  

Для решения многокритериальной нечеткой задачи П.2 предлагается следующий алгоритм. 

 А л г о р и т м  F2.

1.     На основе экспертной оценки определить значения весового вектора, оценивающие взаимную важность локальных критериев , 

2.     Если  и/или γ - определено нечетко, для них построить терм-множество и функции принадлежности.

3.     Решить задачу П.2:

и для различных значений весового вектора определить набор решения 

4.     Полученный набор решений предъявить ЛПР для выбора лучших.

Более общий случай постановок задач НМП при нескольких критериях и нескольких ограничениях использованием приведенных приемов и принципов сводится к уже рассмотренным постановкам задач. При этом можно выделить два подхода.

Первый – состоит в использовании для ограничений приемов построения допустимого множества с разными принципами оптимальности (П.1 и др.) и проблема постановки задач НМП при нескольких целевых функциях решается с использованием принципов оптимальности П.2 и др., максимизацией целевых функций на полученном допустимом множестве. В случае нечеткости критериев, максимизируется их функции принадлежности.

Второй подход состоит в рассмотрении части целевых функций как ограничений и затем в применении для этого варианта первого подхода к постановкам задач НМП.

В качестве примера постановки и решении многокритериальных задач НМП с несколькими ограничениями (ПС 3) рассмотрим следующую задачу (П.3).

Задача НМП 3. Пусть  - нормализованный вектор критериев, оценивающий качество работы производственного объекта. Допустим, что на основе экспертных процедур для каждого ограничения  построена функция принадлежности выполнения ограничений - . Пусть известны либо ряд приоритетов для локальных критериев I_k= {1,…,m}и ограничений I_r={1,…,L}, либо весовой вектор, отражающий взаимную важность критериев , и ограничений . Тогда на основе компромиссных схем принятия решений можно формализовать различные задачи многокритериального НМП с несколькими ограничениями и предложить алгоритмы их решения.

Например, на основе идеи метода главного критерия общую задачу НМП с несколькими критериями и ограничениями: можно привести следующую постановку многокритериальной задачи НМП:

  

можно записать в следующей постановке:

  П.3.  

Решение данной задачи зависит от граничных значений - .

Приведем структуру алгоритма решения многокритериальной задачи НМП с несколькими ограничениями при постановке П.3.

А л г о р и т м  F3.

1.     Задать ряд приоритетов для ограничений  и локальных критериев  (главный критерий должен иметь приоритет 1).

2.     ЛПР назначить граничные значения ограничений  и 

3.     На основе экспертной информации определить терм-множество нечетких параметров и построить функции принадлежности выполнения ограничений  и .

4.     Решить задачу П.4. (максимизировать главный критерий  на множестве Х, учитывающем наложенные ограничения) и определить решения: 

5.     Предъявить ЛПР полученные решения. Если текущие результаты не удовлетворяют ЛПР, то им назначаются новые значения  и вернуться к пункту 3, иначе процедуру поиска решения прекратить и вывести окончательные результаты.

В этом алгоритме для большей обоснованности в назначении ЛПР граничных значений  и  нужно построить диалоговые процедуры для назначения разных граничных значений, анализа полученных результатов ЛПР и выбора новых значений .

Обсуждение результатов. Рассмотрим результатов исследования по разработке и создания интеллектуальных систем принятия решений при решении задач обеспечения безопасности продукции на базе математических моделей и алгоритмов многокритериальной оптимизации. При формализации и решении указанных задач часто возникает ситуация, когда для решения поставленной задачи, для принятия эффективного решения необходимо будет переработать большие объемы информации, рассмотреть множество альтернатив, учесть влияние различных факторов, оценить последствия того или иного решения в условиях неопределенности. Для решения таких задач весьма полезными оказываются системы различного назначения на базе современных компьютеров. Такие системы объединяют математические методы (моделирования, оптимизации, принятия решений) и возможности современной компьютерной техники, что позволяет значительно улучшить и ускорить процедуру решения задачи оптимизации, принятия эффективного решения поставленной задачи.

К основным компонентам таких интеллектуальных систем, предназначенных для эффективного решения производственных задач, в том числе, интеллектуальной системы для обеспечения безопасности пищевой продукции, можно отнести следующие блоки: пакет моделей процесса; комплекс диалоговых алгоритмов решения поставленной задачи с учетом  неопределенности, нечеткости исходной информации; базы знаний и данных, блок логического вывода и объяснения решений; идентификатор параметров моделей; интерфейс пользователя, которые взаимосвязаны между собой информационными потоками (см. рисунок 1). Каждый из этих блоков выполняет определенную функцию, а их совместное функционирование позволяет принимать пользователю (лицо, принимающее решение – ЛПР) эффективное решения поставленной задачи  [4].

В условиях неопределенности и нечеткости исходной информации приходится формализовать знания и суждения ЛПР, специалистов-экспертов, имеющие нечеткий характер. Для решения таких нечетких задач принятия решений необходимо включить в состав компьютерных систем элементы интеллектуализации, позволяющие общаться с ней на естественном или профессионально-ориентированном языках. Эти возможности достигаются на основе методов искусственного интеллекта, включением в состав информационных систем следующих компонентов: базы знаний; блок логического вывода и объяснения результатов выбора; алгоритмов многокритериальной нечеткой оптимизации; интеллектуального интерфейса.

Интеллектуальные системы с перечисленными компонентами является многофункциональной. К основным функциям таких систем относятся:

- системное моделирование различных режимов работы исследуемой системы (по производству пищевой продукции) в диалоге с пользователем, где в  наглядном  и удобном виде  представляются результаты моделирования;

- поддержка задач принятия решений при управлении объектами пищевой отрасли;

- выработка рекомендаций по корректировке режимных параметров объекта с целью обеспечения желаемых значений критериев обеспечения безопасности продукции и качества продукции;

- обработка, эффективное представление и хранение необходимой информации (режимные листы, отчеты, и  др.) в базе данных и знаний;

- прогнозирование и оценка не измеряемых величин и показателей обеспечения качества работы системы и обеспечения безопасности продукции;

- оперативный просмотр текущих значений режимных параметров объекта по производству пищевой продукции;

- выявление и предупреждение аварийных ситуаций, выдача подробных рекомендаций по их устранению, обучение производственного персонала.

Рассмотрим описание основных функциональных блоков, созданной интеллектуальной системы обеспечения безопасности пищевой продукции.

Блок пакет моделей содержит различные модели, в том случае и нечеткие, отдельных элементов производственной системы по выпуску пищевой продукции, объединенных в единый пакет, позволяющий проводить системное моделирование работы системы в целом. Эти модели предназначены для определения (расчета) значений локальных критериев (показателей качества работы производства) в зависимости от значения входных воздействий (управления, режимные параметры процесса, показатели производственной ситуации). Разработку процесса моделей производственной системы можно осуществлять на основе различных подходов. Например, на основе принципа декомпозиции сначала строятся модели отдельных подсистем (агрегатов, установки, участка и т.д.) производственной системы. При этом в зависимости от собранной информации (теоретические сведения, статистические данные, качественная (нечеткая) информация) могут быть построены различные модели (детерминированные, стохастические, нечеткие), которые необходимо объединить в систему (пакет) в соответствии с имеющимися материальными, энергетическими, информационными и другими потоками.

Комплекс диалоговых алгоритмов: алгоритмы нечеткого математического программирования и многокритериальной нечеткой оптимизации предназначены для решения задач обеспечения безопасности пищевой продукции с учетом нечеткости исходной информации. Эти алгоритмы на основе пакета моделей, базы знаний и блока логического вывода осуществляют поиск рациональных режимов работы объекта по выбранным критериям и определяют рекомендуемые значения управляющих воздействий, обеспечивающие эти режимы. Выбор окончательного решения, как правило, остается за ЛПР.

Блок логического вывода и объяснения осуществляется реализацию стратегии вывода, подсказки и объяснений полученных результатов. Этот блок на основе алгоритмов решения поставленных задач, базы знаний и данных выдает рекомендации ЛПР (производственному персоналу, оператору) в процессе оперативного управления производством и формирует управляющие воздействия. Эти процедуры осуществляются путем синтеза нечетких множеств и проведением операции над нами на основе логических (композиционных) правил вывода.

Рекомендации, выдаваемые ЛПР, могут, по его желанию, сопровождаться объяснениями, основанными на трассировке логического вывода. Пользователи системы часто хотят убедиться в обоснованности выводов, рекомендаций, выдаваемых им системой. Объяснение полученных конечных результатов в сжатой и удобной для анализа человеком форме осуществляется путем фиксирования всех соображений, принятых при альтернативных выборах. Для формирования объяснения описываемый блок связан с алгоритмами многокритериального выбора и базой знаний.

База знаний и данных предназначена для хранения формализованных знаний специалистов-экспертов, исследователей предметной области, и статистических данных о производстве. Информация из этого блока используется в процессе анализа и выбора решения, для объяснения результатов выбора, для составления производственных отчетов и адаптации моделей к новым условиям.

На практике известно несколько способов представления знаний в интеллектуальных системах [1, 23]: логическое (исчисление предикатов): логико-лингвистическое (исчисление предикатов на основе теории нечетких множеств); реляционные (табличные); сетевое структурно-лингвистическое; фреймовое (структурированные фреймы) и продукционное. Наиболее удобным видом формализации и представлений знаний в ИСПР для управления производством в условиях неопределенности, являются нечеткие продукции, имеющие конструкцию [2, 24]:

ЕСЛИ , ТО ,

где  - соответственно, входные и выходные лингвистические переменные объекта;  - нечеткие подмножества, характеризующие соответственно входные и выходные параметры объекта.

Каждое такое правило характеризует одно или несколько эквивалентных состояний объекта, зафиксированных специалистами-экспертами, в которых управление с учетом реальных условий будет достаточно близким к оптимальному. В такой форме в базе знаний содержатся сведения о конкретных производственных ситуациях объекта при выборе различных значений входных лингвистических переменных, различные правила функционирования объекта и др.

Продукционные правила представляет собой структурно-лингвистическую модель представления процедурных знаний о производственном объекте, которые формально записываются в виде [23]:

ЕСЛИ (ситуация) ТО (действие);

ЕСЛИ (причина), ТО (следствие) и др.

Применение продукционных правил позволяет создавать системы, основанные на правилах, имеющие следующие достоинства:

- обеспечивается быстрый отклик на изменяющиеся в широких пределах и во многом непредсказуемые ситуации внешней среды;

- отдельные продукционные правила могут быть независимо добавлены в базу знаний, исключены или изменены;

- достигается единообразие представления знаний в базе знаний, что облегчает их понимание человеком или интерпретацию другой подсистемой.

К недостатком использования продукционного способа представления знаний как стиля программирования относится то, что затрудняются понимание и верификация программ, несколько увеличивается расход вычислительных ресурсов. Для преодоления этих проблем необходимо использовать широкую систему подсказки и комментариев в программных продуктах и использовать возможности параллельных вычислений.

Для обеспечения взаимопонимания между пользователем и системой блок базы знаний и данных должен иметь два сорта знаний: знания о профессиональном языке пользователя и знания о той проблемной области, для решения которых создана ИСПР.

Идентификатор параметров собой программу, осуществляющую проверку адекватности моделей данным условиям и режиму работы объекта и, при необходимости, производящую перерасчет (идентификацию) параметров моделей. Для этого идентификатор использует информацию о текущем значении режимных параметров, а также информацию из базы знаний и данных. При изменении состояния объекта и условий протекания процесса блок адаптирует модели реальному объекту и сложившейся ситуации на производстве можно использовать значения разности между расчетными (по модели) и экспериментальными данными (по основным показателям производства), например:

где  - соответственно, модельные и экспериментальные значения показателей; R_доп - допустимое отклонение (точность модели).

Отметим, что экспериментальные данные могут быть получены на основе экспертной оценки и иметь качественный характер. В этом случае  имеет нечеткий характер и для ее вычисления используется методология теории нечетких множеств. Управление должно быть выбранным таким образом, чтобы минимизировать значение критерия R.

Интерфейс пользователя предназначен для обеспечения удобного диалогового режима работы пользователя с системой при решении поставленной задачи, а также для реализации ряда других функций ИСПР. В ходе работы с системой при необходимости реализуется: вывод на дисплей схемы объектов производства (технологической, принципиальной схемы) и информации о состоянии этих объектов; отображение на экране значений управляющих параметров и полученных результатов расчета в форме удобной для пользователя (таблицы, графики, диаграммы, текста); визуальное наблюдение за процессом оптимизации режимов работы объекта и обеспечение безопасности пищевой продукции; ввод и корректировка необходимых параметров для управления производством и т.д.

Диалог должен осуществляться на профессиональном языке пользователя. Профессиональный язык составляет не слишком большое подмножество обычного естественного языка и обладает рядом свойств, облегчающих взаимное понимание специалистами сути обсуждаемых проблем по исследуемому объекту. В таком языке синонимы должны отсутствовать, т.е. каждое слово должно иметь однозначный смысл. Фразы и тексты в профессиональных языках строятся по более жестким правилам, чем фразы и тексты естественного языка. Но этот «облегченный» язык все-таки более удобен и понятен для пользователя ИСПР - ЛПР, производственного персонала.

Для того, чтобы система могла понимать профессиональный язык, формулировку той задачи, которую хочет ей сообщить пользователь, она должна иметь соответствующие блоки - диалоговые алгоритмы управления, пакет моделей объекта и базу знаний, которые рассмотрены нами выше. Интеллектуальный уровень интерфейса зависит от простаты и удобства общения пользователя с системой  и от объема и содержания хранимых в базе знаний сведениях о языке и проблемной области.

Эффективность интеллектуальной системы разработанной для решения задач обеспечения безопасности пищевой продукции определяется качеством формализации и представления знаний, разработанных моделей и алгоритмов решения задач, а также удобством интерфейса пользователя.

В ближайшие годы системы общения между пользователем и компьютером должны перейти на качественно новый уровень. На смену текстовому общению, требующему работы за клавиатурой, в перспективе могут прийти речевое общение, когда пользователь будет вводить нужную ему информацию с голоса и получать от системы сообщения  в такой же форме. Привычная для человека речевая форма еще более увеличит комфортность его общения с интеллектуальной системой и  намного повысит эффективность таких систем.

В отличие от других известных методов, в предлагаемых в данной работе методах формализации и решения задач НМП сохраняется нечеткость исходной информации, получаемой при описании критериев и ограничений, и на основе различных компромиссных схем принятия решений, в удобном для ЛПР виде, разрешаются проблема многокритериальности. Это позволяет более адекватно описывать производственные ситуации в нечеткой среде и получать эффективные решения возникающих задач управления сложными количественно трудноописываемыми производственными объектами.

Заключение: Предложен подход к созданию интеллектуальных систем, которые применяются для решения задач обеспечения безопасности пищевой продукции. Проанализированы  законодательная основа и международные стандарты для обеспечения безопасности пищевой продукции. Рассмотрены методы и средства создания интеллектуальных систем  обеспечения безопасности пищевой продукции. Предложены и описаны основные этапы создания интеллектуальных систем для решения задач обеспечения безопасности  пищевой продукции Построена архитектура интеллектуальной системы принятия решения для обеспечения безопасности пищевой продукции и дано описание основных функциональных блоков. Рассмотрены средства реализации интеллектуальной системы обеспечения безопасности пищевой продукции.

Выделены некоторые основные производственные ситуации в пищевой отрасли, для которых формализованы решаемые задачи при нечеткости исходной информации в виде задачи нечеткого математического программирования и разработаны эвристические алгоритмы к их решению. Новизна работы заключается в том, что в отличие от других известных методов, в предлагаемых методах формализации и решения задач НМП сохраняется нечеткость исходной информации, получаемой при описании критериев и ограничений, и на основе различных компромиссных схем принятия решений, в удобном для ЛПР виде, разрешаются проблема многокритериальности. Это позволяет более адекватно описывать производственные ситуации в нечеткой среде и получать эффективные решения сформулированной задачи обеспечения безопасности пищевой продукции в условиях многокритериальности и нечеткости исходной информации.

Подход к интеллектуальной информационной поддержке принятия решений при решении задач обеспечения безопасности пищевой продукции, предложенный впервые для данной предметной области, основан на системном подходе, разработке модели решаемой задачи, с использованием технологий экспертных систем и методов теорий нечетких множеств.

По результатам проведенных исследований можно сделать следующие рекомендации, направленные на повышение безопасности пищевых продуктов:

- Стратегии безопасности пищевых продуктов должны быть основаны на оценке риска, придавая приоритет мерам, которые могут дать результат в виде наибольшего сокращения распространенности болезней пищевого происхождения;

- Следует принять комплексный многодисциплинарный подход к безопасности пищевых продуктов, охватывающий всю цепь производства, обработки и распределения пищевых продуктов.  Это подразумевает повышение контроля над кормом для животных и другие аспекты первичного производства;

- Лица, занимающиеся производством, обработкой и распределением пищевых продуктов, должны иметь внутренние системы контроля, основанные на подходе НАССР;

- Для эффективного и научно-обоснованного решения задачи обеспечения безопасности пищевой продукции необходимо создать и применить интеллектуальные системы на основе методов искусственного интеллекта, теорий нечетких множеств и современных компьютерных технологий.

Библиографический список

Поспелов Г.С., Поспелов Д.А. Искусственный интеллект – прикладные системы. –М.: Знание, –1985.
2. Оразбаев Б.Б. Интеллектуальные системы для поддержки принятия решений при управлении сложными объектами в условиях неопределенности // Материалы I международного симпозиума «Интеллектуальные системы 94», –М.: –1994, МГТУ им. Н.Э. Баумана. –С. 8-11.
3. Пупков К.А. Проблемы теории и практики интеллектуальных систем // Материалы I международного симпозиума «Интеллектуальные системы 94», –М.: –1994, МГТУ им. Н.Э. Баумана. –С. А1-А6.
4. Оразбаев Б.Б. Интеллектуальные системы принятия решений для управления технологическими объектами при дефиците информации // НТЖ Автоматизация, телемех. и связь в нефт. пром. –М.: –1994. №6,7. –С.12-13.
5. Беляева М.А. Интеллектуальные системы моделирования и оптимизации тепловых процессов// Труды III Международной научно-технической конференции АIS’07 CAD-2007, том 3, Физматлит, –2007, С. 9–20.
6. О безопасности пищевой продукции. Закон Республики Казахстан от 21 июля 2007 года N 301.
7. Агаев В.А. Управленческий механизм обеспечения продовольственной безопасности. -M: Изд-во МСХА, –1999. –С. 177.
8. Risk management and food safety. Report of a Joint FAO/WHO Expert Consultation, Rome, Italy, 27-31 January 1997. FAO Food and Nutrition Paper 65, FAO, –Rome, –1997.
9. Баканач О.В. Теоретико-методологические основы статистического анализа уровня и факторов продовольственной безопасности региона. Вестник Самарск. гос. экон. акад. Вып. 2. –2000. –С.7–15.
10. Dubois D. The role of fuzzy sets indecision sciences: Old techniques and new directions // Fuzzy Sets and Systems. V. l. No 184. – 2008. –C. 3–28.
11. Оразбаев Б.Б. Теория и практика методов нечетких множеств. Учебник. –Алматы: –Бастау. 2014. –448 с.
12. Brockley D., Pilsworth В., Baldwin J. Structural safety as inferred from a fuzzy relational knowledge base//Univ. of Bristol, Dept. of Civil Eng. Res. Rep. –2007.
13. Оразбаев Б.Б. Математические методы оптимального планирования и управления производством. -Алматы: «Fылым»–2001. –200 с.
14. Pedrycz W. Identification in Fuzzy Stems // IFEE Trans. On Systems, Man and Cybernetics. –1984. –V. 14, –N 7, –P.361–366.
15. Bandler W., Kohout L. Fuzzy power sets and fuzzy implication operators // Fuzy Sets and Systems. –1990. N 1. –P. 13–17.
16. Боровиков В.П., Боровиков И.П. STATISTICA Статистический анализ и обработка данных в среде Windows. –М.: Инф.-изд. дом «Филинъ», –1997. –608 с.
17. Беляева М.А. Экспертная система моделирования и оптимизации тепловых процессов ИК-обработки мясопродуктов// Вестник Академии «Информатика, экология, экономика». – М.: –2007. часть II, –С.39–49.
18. Tapio, P. Using cluster analysis as a tool for systematic scenario formation, Technological Forecasting and Social Change. Expert systems. –2005. V. 10. –P.25–33.
19. Оразбаева К.Н. Применение методов экспертных оценок при разработке математического обеспечения АСУ комплексом производства бензола // Автоматизация, телемех. и связь в нефт. пром. –М.: –2009. № 9. –С.41– 45.
20. Прасолов А.В., Хованов Н.В. О прогнозировании с использованием статистических и экспертных методов// АиТ. 2008. –№ 6. –С.29–142.
21. Jackson Р. Introduction to Expert Systems. –N-York, –2007. –P. 624.
22. Огнев И.В., Борисов В.В., Трефимов С.А., Иванов В.В. Ассоциативный процессор интеллектуальных систем с нечеткой логикой // Материалы I международного симпозиума «Интеллектуальные системы 94», –М.: –1994, МГТУ им. Н.Э. Баумана. –С. 156–159.
23. Оразбаев Б.Б. Экспертные системы для медицинской диагностики с применением методов теории нечетких множеств // ИТпортал, 2016. №4 (12). URL: http://itportal.ru/science/tech/ekspertnye-sistemy-dlya-meditsinsko/
24. Алиев Р.А., Церковный А.Э., Мамедова Г.А. Управление производством при нечеткой исходной информации. -М.: Энергоатомиздат, –1991.


References

1. Pospelov G.S., Pospelov D.A. Iskusstvennyi intellekt – prikladnye systemy. –М.: Znanie, –1985.
2. Orazbayev B.B. Intellektualnye systemy dlia podderzhki ptiniatia rechenii pri upravlenii slozhnymi obektami v usloviakh для neoprelennosti // Materialy I mezhdunarodnogo simpoziuma «Intellektualnye systemy 94», –М.: –1994, МGTU im. N.E. Baumana. –S. 8-11.
3. Pupkov К.А. Problemy theorii I praktiki intellektualnykh system // Sb.dokladov I mezhdunarodnogo simpoziuma «Intellektualnye systemy 94», –М.: –1994, МGTU im. N.E. Baumana. –S. А1-А6.
4. Orazbayev B.B. Intellektualnye systemy dlia upravlenia techlogocheskimi obektami pri defistite insormastii // NTZH Avtomatizastia, telemekh. i sviaz v neft, prom. –М.: –1994. №6,7. –S.12-13.
5. Beliyeva М.А. Intellektualnye systemy modelirovania I optimizastii teplovykh prostessov// Тrudy III Mezhdunarodnoq nauchno-tekhicheskoi konf. АIS’07 CAD-2007, tom 3, Fizmatlit, –2007, S. 9–20.
6. О bezopasnosti pichevoi produkstii. Zakon Respubliki Kazakhstan ot 21/07/2007 N 301.
7. Аgaev V.А. Upravlencheskii mechanism obespechenia prodovolstvennoi bezopasnosti. -M: Izd-vo МSHA, –1999. –S. 177.
8. Risk management and food safety. Report of a Joint FAO/WHO Expert Consultation, Rome, Italy, 27-31 January 1997. FAO Food and Nutrition Paper 65, FAO, –Rome, –1997.
9. Bakanach О.V. Teoretiko-metodol;ogicheskie osnovy statisticheskogo analiza urovnia I faktorov prodovolstvennoi bezopasnosti regiona. Vestnik Samarsk/ gos/ econ/ akad. Vyp. 2. –2000. –S.7–15.
10. Dubois D. The role of fuzzy sets indecision sciences: Old techniques and new directions // Fuzzy Sets and Systems. V. l. No 184. – 2008. –S. 3–28.
11. Orazbayev B.B. Theoria I praktika metodov nechetkikh mnozhe\stv. Uchebnik. –Almaty: –Bastau. 2014. –448 s.
12. Brockley D., Pilsworth В., Baldwin J. Structural safety as inferred from a fuzzy relational knowledge base//Univ. of Bristol, Dept. of Civil Eng. Res. Rep. –2007.
13. Orazbayev B.B. Matematicheskie metody optimalnogo planirovania I upravlenia proizvodstvom. Almaty: «Gylym»–2001. –200 s.
14. Pedrycz W. Identification in Fuzzy Stems // IFEE Trans. On Systems, Man and Cybernetics. –1984. –V. 14, –N 7, –P.361–366.
15. Bandler W., Kohout L. Fuzzy power sets and fuzzy implication operators // Fuzy Sets and Systems. –1990. N 1. –P. 13–17.
16. Borovikov V.P., Borovikov I.P. STATISTICA Statisticheskii analiz I obrabotka dannykh v srede Windows. –М.: Inf.-izd. dom «Filin», –1997. –608 s.
17. Beliaeva М.А. Expertnaia systema modelirovania I optimizastii teplovykh prostessov IK-obrabotki miasoproduktov// Vestnik Akademii «Informatika, ecologia, economika». – М.: –2007. Chast II, –С.39–49.
18. Tapio, P. Using cluster analysis as a tool for systematic scenario formation, Technological Forecasting and Social Change. Expert systems. –2005. V. 10. –P.25–33.
19. Orazbayeva K.N. Primenenie metodov expertnykh ostenok p-ri razrabotke matematicheskogo obespechenia ASU komplexsom proizvodstva benzola// Avtomatizastia, telemekh. i sviaz v neft, prom.–М.: –2009. № 9. –S.41– 45.
20. Prasolov А.V., Khovanov N.V. О prognozirovanii c ispolzoovaniem statisticheskikh i expertnych metodov// АiТ. 2008. –№ 6. –С.29–142.
21. Jackson Р. Introduction to Expert Systems. –N-York, –2007. –P. 624.
22. Ognev I.V., Borisov V.V., Trefimov S.A.> Ivanov V.V. Assostiativnyi prostessor intellektualnykh system s nechetkoi logikoi // Materialy I mezhdunarodnogo simpoziuma «Intellektualnye systemy 94», –М.:–1994, МGTU im. N.E. Baumana –S. 156–159.
23. Orazbayev B.B Expertnye systemy dlia medistinskoi diagnostiki s primeneniem metodov theorii nechetkikh mnozhestv// IOTportal, 2016. №4 (12). URL: http://itportal.ru/science/tech/ekspertnye-sistemy-dlya-meditsinsko/
24. Aliev, A.E. Cerkovnyj, G.A. Mamedova. Upravlenie proizvodstvom pri nechetkoi iskhodnoi informacii. –M.: Energoatomizdat, 1991, 350 s.

Tweet

Яндекс.ВиджетINNOV