Исследование ИИ привело к появлению многих технологий искусственного интеллекта (ТИИ), которые мы сейчас принимаем как должное. В 1960-е годы разработки в области миниатюризации при создании космической системы «Аполлон» способствовали изобретению и внедрению интегрированных схем, которые играют такую важную роль в современных технологиях. Системы распознавания голоса и письма также обязаны своим возникновением ТИИ. Уже к середине 1970-х годов появились первые прикладные интеллектуальные системы, использующие различные способы представления знаний для решения задач – экспертные системы. Одной из первых была экспертная система DENDRAL, разработанная в Стэндфордском университете и предназначенная для порождения формул химических соединений на основе спектрального анализа. В настоящее время DENDRAL поставляется покупателям вместе со спектрометром. Система MYCIN предназначена для диагностики и лечения инфекционных заболеваний крови. Система PROSPECTOR прогнозирует залежи полезных ископаемых. Имеются сведения о том, что с ее помощью были открыты залежи молибдена, ценность которых превосходит 100 миллионов долларов. Система оценки качества воды, реализованная на основе российской технологии SIMER + MIR, несколько лет назад раскрыла причины превышения предельно допустимых концентраций загрязняющих веществ в Москве-реке в районе Серебряного Бора. Система CASNET предназначена для диагностики и выбора стратегии лечения глаукомы и т. д.
В настоящее время многие коммерческие продукты включают ТИИ. Видеокамеры используют нечеткую логику, которая позволяет зафиксировать изображение при перемещении камеры. Нечеткая логика также нашла применение в посудомоечных машинах и других устройствах. Суть этих технологий не интересует массового потребителя, потому что люди желают получать устройства, которые работают, но не хотят знать, как именно они работают.
Наиболее яркой и впечатляющей частью ИИС, олицетворяющей квинтэссенцию ТИИ, являются кибернетика и робототехника. Советский Союз первым добился положительных результатов в этом направлении еще в 1970 году, когда аппарат «Луноход-1» съехал с посадочной ступени на лунный грунт. Он сделал и передал на Землю 20000 снимков поверхности Луны, определил физико-механические и химические свойства лунного поверхности, пройдя расстояние более 10 км. С тех пор современная космонавтика сделала значительные шаги в совершенствовании таких устройств. Американские марсоходы Spirit и Opportunity провели в 2004 году научную миссию по исследованию Красной планеты. Оба аппарата исследовали метеоритные кратеры, вели поиск интересных объектов для подробного изучения, обнаружили свидетельства наличия воды на Марсе.
Широкое внедрение роботов в производственной сфере началось еще в 1970-е годы. В сфере производства применялись промышленные роботы, управляемые автоматически от систем числового программного управления. Выполнение транспортных операций при штамповке, точечная и дуговая сварка выполнялись с помощью роботов с позиционной и контурной системами управления. Уже на операциях дуговой сварки нашли применение датчики слежения за свариваемым стыком. Применение элементов адаптации позволило расширить возможности промышленных роботов. Особое место занимают промышленные роботы на сборочных операциях, особенно при сборке элементов электронной промышленности. Оптические датчики контроля позволили выполнять сортировку изделий по этикеткам либо особым меткам. В настоящее время существует множество работающих промышленных роботов. Фирмы ABB, STAUBLI, REIS, MOTOMAN, ADEPT и другие производят промышленных роботов для манипулирования, сварки, покраски, упаковки, шлифовки, полировки и т. д. с большим спектром применения и по точности, и по характеру выполняемых операций [12]. Создание роботов в общепринятом понимании как машин с антропоморфным (человекоподобным) поведением, которые частично или полностью выполняют функции человека при взаимодействии с окружающим миром, дало мощный толчок развитию таких направлений, как машинное зрение и распознавание изображений, построение методов моделирования состояний мира, построение планов для последовательности действий и управление выполнением этих планов, управление работой роботов в трехмерном пространстве. Интеллект роботов постоянно повышается с созданием более совершенных человеко-машинных интерфейсов. Существенно расширяется диапазон их применения. Так, корпорация Sony объявила в 2000 году о создании нового поколения роботов-собак, которые понимают на слух около 50 команд и даже могут фотографировать то, что видят своими глазами-камерами. Новый робот получил то же ласковое имя «Айбо», что и первое поколение умных электронных собачек, появившихся на рынке годом раньше. К умению прыгать, бегать, вилять хвостикоми и катать мячик четвероногий робот нового поколения добавил способность реагировать на кличку, которую присваивает ему хозяин, подавать лапу, садиться и бежать вперед. По особому указанию он фотографирует глазами-камерами, и полученную картинку потом можно посмотреть на экране компьютера. В Японии, в городе Иокогама, проходит апрельская ежегодная выставка роботов «Robodex», где выставляются коммерческие продукты: роботы-домохозяйки, роботы-клоуны и роботы-охранники.
Международные соревнования мобильных роботов, в том числе по футболу, и Научно-технический Фестиваль молодежи «Мобильные роботы» имени профессора Е.А. Девянина проводятся в Москве на базе Института механики Московского государственного университета им. М.В. Ломоносова, начиная с 1998 года. Молодежная команда МГУ участвует в международных соревнованиях робототехнических систем с 1995 года.
Значительным толчком к развитию данных технологий был интерес к сфере робототехники со стороны военных. За последние несколько лет Пентагон значительно увеличил финансирование проектов по созданию боевых роботов. Деньги выделяются как крупным оборонным корпорациям, так и небольшим исследовательским группам в американских университетах. Причиной такой активности военного ведомства США является негативная реакция американского общества на большое количество жертв среди солдат во время военных операций Пентагона за рубежом. В настоящее время в Ираке и Афганистане находятся от 50 до 100 роботов-саперов. Их используют для рекогносцировки, ликвидации минных полей, уничтожения боеприпасов противника. Эта модель роботов приспособлена к действиям в условиях сложного ландшафта.
Сфера применения роботов в настоящее время стремительно расширяется за счет существенных успехов науки и технологий [2, 6].
4.2 Основные направления исследований в технологиях искусственного интеллекта
Представление знаний и моделирование рассуждений. Представление знаний (knowledge representation) – одно из наиболее сформировавшихся направлений искусственного интеллекта. Традиционно к нему относилась разработка формальных языков и программных средств для отображения и описания так называемых когнитивных структур. Сегодня к представлению знаний причисляют также исследования по дескриптивной логике, логикам пространства и времени, онтологиям.
Пространственные логики позволяют описывать конфигурацию пространственных областей, объектов в пространстве; изучаются также семейства пространственных отношений. В последнее время эта область, из-за тесной связи с прикладными задачами, становится доминирующей в исследованиях по представлению знаний. Например, для задач робототехники важно уметь по изображению некоторой сцены восстановить ее вербальное (формальное) описание, чтобы далее это описание использовать, например, для планирования действий робота. Объектами дескриптивной логики являются так называемые концепты (базовые структуры для описания объектов в экспертных системах) и связанные в единое целое множества концептов (агрегированные объекты). Дескриптивная логика вырабатывает методы работы с такими сложными концептами, рассуждений об их свойствах и выводимости на них. Дескриптивная логика может быть использована, кроме того, для построения объяснительной компоненты базы знаний. Наконец, онтологические исследования посвящены способам концептуализации знаний и методологическим соображениям о разработке инструментальных средств для анализа знаний.
Различные способы представления знаний лежат в основе моделирования рассуждений, куда входят: моделирование рассуждений на основе прецедентов (case-based reasoning, CBR), аргументации или ограничений; моделирование рассуждений с неопределенностью; рассуждения о действиях и изменениях; немонотонные модели рассуждений и др. Здесь главные проблемы – поиск алгоритмов адаптации, «фокусировка поиска» на использовании прошлого опыта, вывод, основанный на оценке сходства и технологии визуализации.
Важной проблемой CBR является проблема выбора подходящего прецедента. Естественно искать подходящий прецедент в той области пространства поиска, где находятся решения сходных проблем. Но как определить, какие именно решения надо считать сходными?
Существуют гипотезы, что сходство проблем налагает ограничения на сходство соответствующих гипотез в форме слабой связи между ними. Это обстоятельство и используется для ограничения области поиска решений. Пусть, например, речь идет о некотором человеке, который (с супругой) желает две недели провести в Сочи и хочет заплатить за это не более десяти тысяч рублей.
Первый вариант диалога с системой, не обладающей способностями к рассуждениям, выглядит так.
Клиент: Здравствуйте, я бы хотел слетать в отпуск на две недели в июле в Сочи. Я бы хотел поехать со своей женой, но не могу заплатить более десяти тысяч рублей.
Система: Извините, но такой возможности у нас нет.
Клиент: Хорошо, но может быть у вас найдется что-нибудь похожее в близком регионе.
Система: Не могли бы Вы уточнить, что Вы имеете в виду, говоря о близком регионе.
Клиент: Я имею в виду побережье Черного моря.
Система: Извините, но это не близкий регион. Это тысячи километров от Сочи.
Клиент: Но климат там похожий.
Система: Извините, что Вы имеете в виду, говоря о климате?
Скорее всего, клиент обратится в другое турагентство.
Второй вариант диалога.
Клиент: Здравствуйте, я бы хотел слетать в отпуск на две недели в июле в Сочи. Я бы хотел поехать со своей женой, но не могу заплатить более десяти тысяч рублей.
Система: извините, такой возможности сейчас нет. Но может быть, Вас устроит Сухуми?
Клиент: А как насчет климата, он такой же?
Система: Да и, кроме того, билеты дешевле!
Клиент: Отлично, забронируйте, пожалуйста.
Из этого, может быть, не очень серьезного примера видно, что:
- во втором случае клиент имеет дело с системой, которая понимает, что хоть регион и не близок к Сочи, но более близок клиенту, во всяком случае, билет дешевле;
- так как клиент хочет поехать в июле, видимо, его интересуют морские купания и пляжи, а это есть как в Сочи, так и в Сухуми; из этого система делает вывод о сходстве ситуаций (описанной клиентом и имеющейся вакансии в ее базе) и на основании этого полагает, что решение «отдых в Сочи» является близким решению «отдых в Сухуми».
Методы CBR уже применяются в множестве прикладных задач – в медицине, управлении проектами, для анализа и реорганизации среды, для разработки товаров массового спроса с учетом предпочтений разных групп потребителей и т. д. Следует ожидать приложений методов CBR для задач интеллектуального поиска информации, электронной коммерции (предложение товаров, создание виртуальных торговых агентств), планирования поведения в динамических средах, компоновки, конструирования, синтеза программ.
Моделирование рассуждений на основе ограничений. Наиболее интересны здесь задачи моделирования рассуждений, основанных на процедурных динамических ограничениях. Они мотивированы сложными актуальными задачами – например, планированием в реальной обстановке. Под задачей удовлетворения ограничений понимается четверка множеств: множество переменных, множество соответствующих областей переменных, множество ограничений на переменные и множество отношений над областями. Решением проблемы удовлетворения ограничений называется набор значений переменных, удовлетворяющих ограничениям на переменные, такой, что при этом области, которым принадлежат эти значения, удовлетворяют отношениям над областями. Задача удовлетворения динамических ограничений есть последовательность задач удовлетворения ограничений, в которой каждая последующая задача есть ограничение предыдущей. Эти задачи по смыслу близки задачам динамического программирования. Они связаны также с интервальной алгеброй.
Немонотонные модели рассуждений. Сюда относятся исследования по логике умолчаний (default logic), по логике «отменяемых» (defeasible) рассуждений, логике программ, теоретико-аргументационной характеризации логик с отменами, характеризации логик с отношениями предпочтения, построению эквивалентных множеств формул для логик с очерчиванием и некоторые другие. Такого рода модели возникают при реализации индуктивных рассуждений, например, по примерам; связаны они также с задачами машинного обучения и некоторыми иными задачами. В частности, в задачах моделирования рассуждений на основе индукции источником первоначальных гипотез служат примеры. Если некоторая гипотеза Н возникла на основе N положительных примеров (например, экспериментального характера), то никто не может дать гарантии, что в базе данных или в поле зрения алгоритма не окажется N+1-й пример, опровергающий гипотезу (или меняющий степень ее истинности). Это означает, что ревизии должны быть подвержены и все следствия гипотезы H.
Рассуждения о действиях и изменениях. Большая часть работ в этой области посвящена применениям ситуационного исчисления – формализма, предложенного Джоном Маккарти в 1968 году для описания действий, рассуждений о них и эффектов действий[13]. Для преобразования плана поведения робота в исполняемую программу, достигающую с некоторой вероятностью фиксированной цели, вводится специальное логическое исчисление, основанное на ситуационной логике.
Рассуждения с неопределенностью. Сюда относится использование байесовского формализма в системах правил и сетевых моделях. Байесовские сети – это статистический метод обнаружения закономерностей в данных. Иногда рассматриваются так называемые гибридные байесовские сети, с вершинами которых связаны как дискретные, так и непрерывные переменные. Байесовские сети часто применяются для моделирования технических систем.
Приобретение знаний, машинное обучение и автоматическое порождение гипотез. Работы в области приобретения знаний интеллектуальными системами были и остаются важнейшим направлением теории и практики искусственного интеллекта. Целью этих работ является создание методологий, технологий и программных средств переноса знаний (или, как иногда говорят, компетентности), в базу знаний системы. При этом в качестве источников знаний выступают эксперты (т.е. высококвалифицированные специалисты предметных областей), тексты и данные, например, хранимые в базах данных.
Соответственно, развиваются различные методы приобретения знаний. Машинному обучению в мире уделяется большое внимание. Существует множество алгоритмов машинного обучения, активно исследуются методы обучения причинам действий. Иногда говорят о так называемой теории действий, имея в виду ситуационное исчисление. В этой теории причины действий и сами действия описываются в виде клаузальных структур (один из видов таких структур представляет собой импликацию, левая часть которой есть конъюнкция атомарных формул, а правая состоит из одной атомарной формулы).
Методы индуктивного логического программирования модифицируются таким образом, чтобы быть применимыми к поиску таких структур. Когда такие структуры найдены, их можно использовать в языках логического программирования для рассуждений о действиях и их причинах.
Многие работы этого направления посвящены «нейронной парадигме». Нейросетевой подход используется в огромном количестве задач – для кластеризации информации из Интернета, автоматической генерации локальных каталогов, представления образов (в рекурсивных нейронных сетях). Среди тем, активно изучаемых в последнее время, – неоднородные нейронные модели с отношениями сходства (Heterogeneous Neural Networks with similarity relation). Это отношение сходства определяется на множестве входов и множестве состояний сети, а мерой сходства является скалярное произведение векторов либо эвклидово расстояние (где один вектор – вектор входов, а другой – распределение весов нейронов, описывающих текущую ситуацию).
Работы по автоматическому порождению гипотез связаны, главным образом, с формализацией правдоподобных рассуждений, поиском зависимостей причинно-следственного типа между некоторыми сущностями. В качестве примеров можно привести порождение гипотез о свойствах химических соединений (прогноз биологических активностей), о возможных причинах дефектов (диагностика) и т. п.
Интеллектуальный анализ данных и обработка образной информации. Это сравнительно новое направление, основу которого составляют две процедуры: обнаружение закономерностей в исходной информации и использование обнаруженных закономерностей для предсказания (прогнозирования). Сюда относят задачи выбора информативных данных из большой их совокупности, выбора информативных характеристик некоторого объекта из более широкого множества его характеристик, задачи построения модели, позволяющие вычислять значения выбранных информативных характеристик по значениям других характеристик, и т. п. Значительную часть этого направления составляют исследования по различным аспектам распознавания изображений, в частности, с помощью нейросетей (включая псевдооптические нейросети). Изучаются методы распознавания последовательностей видеообразов на основе декларативного подхода и извлечения семантически значимой информации. К этому же направлению принадлежат исследования по графической технологии программирования в интернете.
Многоагентные системы, динамические интеллектуальные системы и планирование. Это направление, изучающее интеллектуальные программные агенты и их коллективы. Интеллектуальный агент – это программная система, обладающая автономностью: агенты действуют без непосредственного участия человека и могут в некоторых пределах сами управлять своими действиями:
- социальными чертами – агенты взаимодействуют с другими агентами (и, возможно, человеком) посредством некоторого языка коммуникации;
- реактивностью – агенты воспринимают окружающую среду, которая может быть физическим миром, множеством других агентов, сетью интернет или комбинацией всего этого, и реагируют на ее изменения;
- активностью – агенты могут демонстрировать целенаправленное поведение, проявляя при этом инициативу.
Основные задачи в этой области таковы: реализация переговоров интеллектуальных агентов и разработка языков для этой цели, координация поведения агентов, разработка архитектуры языка программирования агентов. Следует подчеркнуть, что агентские технологии появились примерно десятилетие назад. За это время интерес к этим технологиям переместился из сферы академических исследований в сферу коммерческих и промышленных приложений, а идеи и методы агентских технологий весьма быстро мигрировали из искусственного интеллекта в практику разработки программного обеспечения и другие вычислительные дисциплины. Планирование поведения, или ИИ-планирование – это способность интеллектуальной системы синтезировать последовательность действий для достижения желаемого целевого состояния. Планирование является основой интеллектуального управления, т.е. автоматического управления автономным целенаправленным поведением программно-технических систем. Среди методов ИИ-планирования сегодня выделяют классическое планирование, т.е. планирование в условиях статической среды; динамическое планирование, т.е. планирование в условиях изменения среды и, главное, учета такого изменения; иерархическое планирование, когда действия абстрактного плана высокого уровня конкретизируются более детальными планами нижнего уровня; частично-упорядоченное (или монотонное) планирование, когда план строится на основе частично упорядоченного множества подпланов. При этом общий план (элементами которого являются подпланы) обязан быть монотонным, а каждый из подпланов может быть немонотонным. Добавим, что монотонность – это такое свойство плана, когда каждое его действие уменьшает различия между текущим состоянием и целью поведения. Например, если план движения робота к цели таков, что каждый его шаг приближает к цели, то план монотонен, но если робот натолкнулся при этом на препятствие, которое требуется обойти, то монотонность плана нарушится. Однако, если план обхода препятствия выделить в отдельный подплан и рассматривать его как элемент исходного плана, то монотонность последнего восстановится. Активно ведутся работы и в области распознавания планов, построения планировщиков и расширения их возможностей, эвристического планирования с ресурсными ограничениями, управления планированием посредством временной логики, планирования с использованием графов.
Рассматриваются подходы к планированию, при которых построение текущих планов выполняется непрерывно для каждого состояния системы в реальном времени. Для этого предусмотрен непрерывный мониторинг объекта управления. Задачи планирования относятся в наше время к наиболее важным и перспективным направлениям в ИИС.
Динамические интеллектуальные системы – это результат интеграции экспертных систем с системами имитационного моделирования. Это двухкомпонентные динамические модели, где один из компонентов – база знаний, а другой компонент имеет континуальный характер. Разрабатываются методы выбора логик для описания временных зависимостей при построении динамических интеллектуальных систем. Работы в области систем поддержки принятия решений посвящены моделированию сложных технологических и технических систем, поиску решений в условиях чрезвычайных ситуаций, задачам проектирования систем управления техническими объектами, использованию вероятностных подходов и сценариев при принятии решений, ряду других проблем.
Обработка естественного языка, пользовательский интерфейс и модели пользователя. Это направление связано с разработкой систем поддержки речевого общения, c решением проблем уточнения запроса в информационных системах, с задачами сегментации текстов по тематическим топикам, с задачами управления диалогом, с задачами анализа естественного языка с использованием различных эвристик. Сюда же включаются проблемы дискурса (иногда под дискурсом понимают совокупность речевых актов вместе с их результатами).
По прежнему актуальны задачи обучения контекстному анализу текста, задачи приобретения знаний интеллектуальными системами и извлечения информации из текстов. Важнейшей задачей в процессе извлечения информации, как, впрочем, и в процессе приобретения знаний, является минимизация роли эксперта – участника процесса. Причина тому – возрастание потоков текстовой информации, существующий социальный заказ на поиск релевантной информации в Интернете, на анализ текстовой информации, на извлечение данных из текстов. Таким образом, значение методов автоматического анализа текстов будет в дальнейшем возрастать.
Предметом исследований является также динамическое моделирование пользователя, в частности, в системах электронной коммерции, развитие фреймового подхода для представления запросов пользователя, адаптивный интерфейс, мониторинг и анализ покупательского поведения в Интернете.
Нечеткие модели и мягкие вычисления. Это направление представлено нечеткими схемами «вывода по аналогии», взглядом на теорию нечетких мер с вероятностных позиций, нечетким представлением аналитическими моделями для описания геометрических объектов, алгоритмами эволюционного моделирования с динамическими параметрами, такими, как время жизни и размер популяции, методами решения оптимизационных задач с использованием технологий генетического поиска, гомеостатических и синергетических принципов и элементов самоорганизации.
Разработка инструментальных средств. Это обширная сфера деятельности внутри ИИ, ставящая перед собой задачи:
- создания программных средств приобретения знаний для автоматизированного переноса компетентности в базы знаний; при этом в качестве источников такой компетентности могут выступать не только «прямые» её носители – эксперты различных областей, но и текстовые материалы – от учебников до протоколов, а также, разумеется, базы данных (имплицитные источники знаний); вербализация, т. е. перевод таких источников в эксплицитную форму, составляет содержание методов обнаружения знаний в данных, в том числе различных методов обучения по примерам (включая предобработку больших массивов данных для дальнейшего анализа);
- реализации программных средств поддержки баз знаний;
- реализации программных средств поддержки проектирования интеллектуальных систем; набор таких средств обычно содержит редактор текстов, редактор понятий, редактор концептуальных моделей, библиотеку моделей, систему приобретения знаний от экспертов, средства обучения по примерам и ряд других модулей.
Перспективные направления искусственного интеллекта. Сегодня можно выделить ряд направлений в искусственном интеллекте, которые во вполне обозримом будущем могут привести к качественным изменениям в технике и технологиях.
Рассуждения о пространстве – не очень новая, но бурно развивающаяся сейчас область искусственного интеллекта, имеет все возрастающее прикладное значение в связи с работами по созданию автономных мобильных устройств, анализу изображений (в частности, аэрофотоснимков), задачами синтеза текстовых описаний по изображениям.
Подходы, основанные на технологии интеллектуальных агентов, следует признать одними из наиболее перспективных при разработке больших программных продуктов, в том числе средств управления крупными и сложными системами (к таковым относятся телекоммуникационные системы, распределенные производства, системы управления войсками, транспортом, сетями, распределенный поиск информации). Не исключено также, что это направление исчезнет как отдельная научная дисциплина, растворившись в смежных областях, но оказав при этом на них решающее технологическое влияние.
Следует ожидать всё большего влияния идей и методов ИИ на машинный анализ текстов на естественном языке. Это влияние, скорее всего, коснется семантического анализа и связанных с ним методов синтаксического анализа – в этой области оно проявится в учете модели мира на заключительных стадиях семантического анализа и использовании знаний о предметной области и ситуативной информации для уменьшения переборов на более ранних стадиях (например, при построении деревьев синтаксического разбора).
К одному из наиболее важных и перспективных направлений в искусственном интеллекте следует сегодня отнести задачи автоматического планирования поведения. Область применения методов автоматического планирования – самые различные устройства с высокой степенью автономности и целенаправленным поведением, от бытовой техники до беспилотных космических кораблей для исследования глубокого космоса.
5. Геоинформационные системы
В настоящее время в соответствии с требованиями времени создаются и функционируют многие системы управления, связанные с необходимостью отображения информации на электронной карте: геоинформационные системы (ГИС); системы федерального и муниципального управления; системы проектирования; системы военного назначения и т.д. Они регулируют деятельность технических и социальных систем, функционирующих в некотором операционном пространстве (географическом, экономическом и т.п.) с явно выраженной пространственной природой.
ГИС является информационно-коммуникационной системой (information and communication system; ICS). Под этим термином понимается совокупность инженерного оборудования, предназначенного для комплексного управления технологическими процессами с применением средств вычислительной техники и телекоммуникаций.
При решении задач социального и технического регулирования в системах управления используется масса пространственной информации: топография, гидрография, инфраструктура, коммуникации, размещение объектов. Графическое представление какой-либо ситуации на экране компьютера подразумевает отображение различных графических образов. Сформированный на экране графический образ состоит из двух частей, различных с точки зрения среды хранения – графической «подложки» или графического фона и других графических объектов. По отношению к последним «образ-подложка» является «площадным» или пространственным двухмерным изображением. Основной проблемой при реализации геоинформационных приложений является трудность формализованного описания конкретной предметной области и ее отображения на электронной карте.
Таким образом, геоинформационные технологии предназначены для широкого внедрения в практику методов и средств работы с пространственно-временными данными, представляемыми в видеосистемы электронных карт, и предметно-ориентированных сред обработки разнородной информации для различных категорий пользователей.
Основным классом названных ГИС являются координатные данные, содержащие геометрическую информацию и отражающие пространственный аспект. Основные типы координатных данных: точка (узлы, вершины), линия (незамкнутая), контур (замкнутая линия), полигон (ареал, район). На практике для построения реальных объектов используют большее число данных (например, висячий узел, псевдоузел, нормальный узел, покрытие, слой и др.). Рассмотренные типы данных имеют большое число разнообразных связей, которые можно условно разделить на три группы: взаимосвязи для построения сложных объектов из простых элементов; взаимосвязи, вычисляемые по координатам объектов; взаимосвязи, определяемые с помощью специального описания и семантики при вводе данных.
Основой визуального представления данных при использовании ГИС-технологий является графическая среда, основу которой составляют векторные и растровые (ячеистые) модели. Цифровая карта может быть организована в виде множества слоев (покрытий или карт подложек). Слои в ГИС представляют набор цифровых картографических моделей, построенных на основе объединения (типизации) пространственных объектов, имеющих общие функциональные признаки. Совокупность слоев образует интегрированную основу графической части ГИС.
Важным моментом при проектировании ГИС является размерность модели. Применяют двухмерные (2D) и трехмерные (3D) модели координат. Большинство современных ГИС осуществляет комплексную обработку информации: сбор первичных данных; накопление и хранение информации; различные виды моделирования (семантическое, имитационное, геометрическое, эвристическое); автоматизированное проектирование; документационное обеспечение. Основные области использования ГИС: электронные карты; городское хозяйство; государственный земельный кадастр; экология; дистанционное зондирование; экономика; специальные системы военного назначения.
ГИС интегрированы в свою очередь в системы глобального позиционирования, такие, как ГЛОНАСС, GPS.
Вкладка 1. ГЛОНАСС и NAVSTAR GPS
ГЛОНАСС– Глобальная навигационная спутниковая система – Российская спутниковая система навигации. Первый спутник ГЛОНАСС был выведен Советским Союзом на орбиту 12 октября 1982 года; 24 сентября 1993 года система была официально принята в эксплуатацию. В 1995 году спутниковая группировка составила 24 аппарата. В феврале 2009 года введён в эксплуатацию 101-й спутник. Информационной основой являются цифровые карты, реализованные в спутниковых навигаторах. Система ГЛОНАСС может быть использована для определения координат, но пока не на всей территории планеты из-за недостатка спутников. Система ГЛОНАСС уже несколько лет используется в приёмниках, которые принимают и обрабатывают сигналы нескольких спутниковых навигационных систем.
NAVSTAR GPS – система спутниковой навигации (глобальная система позиционирования), разработанная и поддерживаемая министерством обороны США, позволяющая определять текущее местоположение и скорость объектов. Для наиболее точного определения координат объекта требуется «видимость» четырех спутников. Местоположение определяется путем измерения расстояний от спутников с известными координатами до объекта с учетом временной задержки распространения сигнала.
6. CASE-технологии
Термин CASE (Computer Aided Software Engineering) используется в настоящее время в весьма широком смысле. Первоначальное значение термина CASE, ограниченное вопросами автоматизации разработки только лишь программного обеспечения, в настоящее время приобрело новый смысл, охватывающий процесс разработки сложных информационно-коммуникационных систем в целом. Теперь под термином CASE-средства понимают программные средства, поддерживающие процессы создания и сопровождения ИКС, включая анализ и формулировку требований, проектирование прикладного ПО и баз данных, генерацию кода, тестирование, документирование, обеспечение качества, конфигурационное управление и управление проектом, а также другие процессы. CASE-средства вместе с системным ПО и техническими средствами образуют полную среду разработки ИКС.
Появлению CASE-технологии и CASE-средств предшествовали исследования в области методологии программирования. Программирование обрело черты системного подхода с разработкой и внедрением языков высокого уровня, методов структурного и модульного программирования, языков проектирования и средств их поддержки, формальных и неформальных языков описаний системных требований и спецификаций и т. д. Кроме того, появлению CASE-технологии способствовали и такие факторы, как: подготовка аналитиков и программистов, восприимчивых к концепциям модульного и структурного программирования; широкое внедрение и постоянный рост производительности компьютеров, позволившие использовать эффективные графические средства и автоматизировать большинство этапов проектирования; внедрение сетевой технологии, предоставившей возможность объединения усилий отдельных исполнителей в единый процесс проектирования путем использования разделяемой базы данных, содержащей необходимую информацию о проекте.
CASE-технология представляет собой методологию проектирования ИС, а также набор инструментальных средств, позволяющих в наглядной форме моделировать предметную область, анализировать эту модель на всех этапах разработки и сопровождения ИС и разрабатывать приложения в соответствии с информационными потребностями пользователей. Большинство существующих CASE-средств основано на методологиях структурного (в основном) или объектно-ориентированного анализа и проектирования, использующих спецификации в виде диаграмм или текстов для описания внешних требований, связей между моделями системы, динамики поведения системы и архитектуры программных средств.
Несмотря на все потенциальные возможности CASE-средств, существует множество примеров их неудачного внедрения, в результате которых CASE-средства становятся неэффективными. В связи с этим необходимо отметить следующее:
- CASE-средства не обязательно дают немедленный эффект; он может быть получен только спустя какое-то время;