Программные продукты и системы, 2021, том 34, № 3

Научно-исследовательский институт

«Центрпрограммсистем»

Программные

продукты и системы

МЕЖДУНАРОДНЫЙ НАУЧНО-ПРАКТИЧЕСКИЙ ЖУРНАЛ

2021, том 34, № 3

(год издания тридцать четвертый)

Главный редактор

Г.И. САВИН, академик РАН

Тверь

SOFTWARE & SYSTEMS

International research and practice journal

2021, vol. 34, no. 3

Editor-in-Chief 

G.I. SAVIN, Academician of the Russian Academy of Sciences

Tver

Russian Federation

Research Institute CENTERPROGRAMSYSTEM

 ПРОГРАММНЫЕ ПРОДУКТЫ И СИСТЕМЫ
Международный научно-практический журнал 

2021. Т. 34. № 3
DOI: 10.15827/0236-235X.135

Главный редактор 

Г.И. САВИН,
академик РАН (г. Москва, Россия)

Научные редакторы:

А.П. Еремеев, д.т.н., профессор 
НИУ «МЭИ» (г. Москва, Россия)

Н.А. Семенов, д.т.н., профессор ТвГТУ 
(г. Тверь, Россия)

Издатель НИИ «Центрпрограммсистем»

(г. Тверь, Россия)

Учредитель В.П. Куприянов

Журнал зарегистрирован в Федеральной службе 

по надзору в сфере связи, информационных технологий 

и массовых коммуникаций (Роскомнадзор)

3 марта 2020 г.

Регистрационное свидетельство ПИ № ФС 77-77843

Подписной индекс в каталоге

Почты России ПП879

ISSN 0236-235X (печатн.)
ISSN 2311-2735 (онлайн)

МЕЖДУНАРОДНАЯ РЕДАКЦИОННАЯ КОЛЛЕГИЯ

Семенов Н.А. – д.т.н., профессор Тверского государственного технического университета, 
заместитель главного редактора (г. Тверь, Россия)
Афанасьев А.П. – д.ф.-м.н., профессор Московского физико-технического института (технического университета), 
заведующий Центром распределенных вычислений Института проблем передачи информации РАН (г. Москва, Россия)
Баламетов А.Б. – д.т.н., профессор Азербайджанского научно-исследовательского и проектно-изыскательского института 
энергетики (г. Баку, Азербайджан)
Батыршин И.З. – д.т.н., профессор Мексиканского института нефти (г. Мехико, Мексика)
Голенков В.В. – д.т.н., профессор Белорусского государственного университета информатики и радиоэлектроники 
(г. Минск, Беларусь)
Еремеев А.П. – д.т.н., профессор Национального исследовательского университета «МЭИ» (г. Москва, Россия)
Кузнецов О.П. – д.т.н., профессор Института проблем управления РАН (г. Москва, Россия)
Курейчик В.М. – д.т.н., профессор Инженерно-технологической академии Южного федерального университета 
(г. Таганрог, Россия)
Лисецкий Ю.М. – д.т.н., генеральный директор «S&T Ukraine» (г. Киев, Украина)
Мамросенко К.А. – к.т.н., доцент Московского авиационного института (национального исследовательского университета), 
руководитель Центра визуализации и спутниковых информационных технологий НИИСИ РАН (г. Москва, Россия)
Мейер Б. – доктор наук, профессор, заведующий кафедрой Высшей политехнической школы – ETH (г. Цюрих, Швейцария)
Нгуен Тхань Нги – д.ф.-м.н., профессор, проректор Ханойского открытого университета (г. Ханой, Вьетнам)
Николов Р.В. – доктор наук, профессор Университета библиотековедения и информационных технологий Софии
(г. София, Болгария)
Палюх Б.В. – д.т.н., профессор Тверского государственного технического университета (г. Тверь, Россия)
Рахманов A.A. – д.т.н., профессор, заместитель генерального директора Концерна «РТИ Системы» (г. Москва, Россия)
Серов В.С. – д.ф.-м.н., профессор Университета прикладных наук Оулу (г. Оулу, Финляндия)
Сотников А.Н. – д.ф.-м.н., профессор, заместитель директора Межведомственного суперкомпьютерного центра РАН 
(г. Москва, Россия)
Сулейманов Д.Ш. – академик АН Республики Татарстан, д.т.н., профессор Казанского государственного технического 
университета (г. Казань, Республика Татарстан, Россия)
Тарасов В.Б. – к.т.н., доцент Московского государственного технического университета им. Н.Э. Баумана 
(г. Москва, Россия)
Татарникова Т.М. – д.т.н., доцент, профессор Санкт-Петербургского государственного электротехнического университета 
«ЛЭТИ» им. В.И. Ульянова (Ленина) (г. Санкт-Петербург, Россия)
Ульянов С.В. – д.ф.-м.н., профессор, ведущий научный сотрудник Объединенного института ядерных исследований 
(г. Дубна, Россия)
Хорошевский В.Ф. – д.т.н., профессор Московского физико-технического института (технического университета) 
(г. Москва, Россия)
Язенин А.В. – д.ф.-м.н., профессор Тверского государственного университета (г. Тверь, Россия)

АССОЦИИРОВАННЫЕ ЧЛЕНЫ РЕДАКЦИИ

Национальный исследовательский университет «МЭИ», г. Москва, Россия
Технологический институт Южного федерального университета, г. Таганрог, Россия
Тверской государственный технический университет, г. Тверь, Россия
Научно-исследовательский институт «Центрпрограммсистем», г. Тверь, Россия

АДРЕС ИЗДАТЕЛЯ И РЕДАКЦИИ 
Россия, 170024, 
г. Тверь, просп. Николая Корыткова, д. 3а
Телефон (482-2) 39-91-49
Факс (482-2) 39-91-00
E-mail: red@cps.tver.ru
Сайт: www.swsys.ru

Дата выхода в свет 16.09.2021 г.

Отпечатано ООО ИПП «Фактор и К»

Россия, 170100, г. Тверь, ул. Крылова, д. 26

Выпускается один раз в квартал
Год издания тридцать четвертый. 
Формат 6084 1/8. Объем 120 стр.

Заказ № 05. Тираж 1000 экз. Цена 330,00 руб.

Автор статьи отвечает за подбор, оригинальность и точность приводимого фактического материала.
Авторские гонорары не выплачиваются. При перепечатке материалов ссылка на журнал обязательна.

 SOFTWARE & SYSTEMS 
International research and practice journal

2021, vol. 34, no. 3
DOI: 10.15827/0236-235X.135

Editor-in-chief 

G.I. SAVIN, Academician of RAS
(Mosсow, Russian Federation)

Science editors:

A.P. Eremeev, Dr.Sc. (Engineering), Professor
NRU “MPEI” (Mosсow, Russian Federation)
N.A. Semenov, Dr.Sc. (Engineering), Professor 
TSTU (Tver, Russian Federation)

Publisher Research Institute 
CENTERPROGRAMSYSTEM 

(Tver, Russian Federation)

Founder V.P. Kupriyanov

The journal is registered with the Federal Service 

for Supervision of Communications, 

Information Technology 

and Mass Communications (Roskomnadzor)

March 3rd, 2020

Registration certificate ПИ № ФС 77-77843

ISSN 0236-235X (print)

ISSN 2311-2735 (online)

INTERNATIONAL EDITORIAL BOARD

Semenov N.A. – Dr.Sc. (Engineering), Professor of Tver State Technical University, Deputy Editor-in-Chief
(Tver, Russian Federation)
Afanasiev A.P. – Dr.Sc. (Physics and Mathematics), Professor of Moscow Institute of Physics and Technology, 
Head of Centre for Distributed Computing of Institute for Information Transmission Problems 
(Moscow, Russian Federation)
Balametov A.B. – Azerbaijan Scientific-Research & Design-Prospecting Power Engineering Institute (Baku, Azerbaijan)
Batyrshin I.Z. – Dr.Sc. (Engineering), Professor of Mexican Petroleum Institute (Mexico City, Mexico)
Golenkov V.V. – Dr.Sc. (Engineering), Professor of Belarusian State University of Informatics and Radioelectronics 
(Minsk, Republic of Belarus)
Eremeev A.P. – Dr.Sc. (Engineering), Professor of National Research University “Moscow Power Engineering Institute”
(Moscow, Russian Federation)
Kuznetsov O.P. – Dr.Sc. (Engineering), Professor of the Institute of Control Sciences of the Russian Academy 
of Sciences (Moscow, Russian Federation)
Kureichik V.M. – Dr.Sc. (Engineering), Professor of Academy of Engineering and Technology Southern Federal 
University (Taganrog, Russian Federation)
Lisetsky Yu.M. – Dr.Sc. (Engineering), CEO of S&T Ukraine (Kiev, Ukraine)
Mamrosenko K.A. – Ph.D. (Engineering), Associate Professor of Moscow Aviation Institute (National Research
University), Head of Center of Visualization and Satellite Information Technologies SRISA RAS 
(Moscow, Russian Federation)
Meyer B. – Dr.Sc., Professor, Head of Department in Swiss Federal Institute of Technology in Zurich, ETH 
(Zurich, Switzerland)
Nguyen Thanh Nghi – Dr.Sc. (Physics and Mathematics), Professor, Vice-Principal of Hanoi Open University
(Hanoi, Vietnam)
Nikolov R.V. – Full Professor of the University of Library Studies and Information Technology (Sofia, Bulgaria)
Palyukh B.V. – Dr.Sc. (Engineering), Professor of Tver State Technical University (Tver, Russian Federation)
Rakhmanov A.A. – Dr.Sc. (Engineering), Professor, Deputy of the CEO of Concern RTI Systems
(Mosсow, Russian Federation)
Serov V.S. – Dr.Sc. (Physics and Mathematics), Professor of the Oulu University of Applied Sciences (Oulu, Finland)
Sotnikov A.N. – Dr.Sc. (Physics and Mathematics), Professor, Deputy Director Joint Supercomputer Center 
of the Russian Academy of Sciences (Moscow, Russian Federation)
Suleimanov D.Sh. – Academician of TAS, Dr.Sc. (Engineering), Professor of Kazan State Technical University
(Kazan, Republic of Tatarstan, Russian Federation)
Tarassov V.B. – Ph.D. (Engineering), Associate Professor of Bauman Moscow State Technical University
(Mosсow, Russian Federation)
Tatarnikova T.M. – Dr.Sc. (Engineering), Associate Professor, Professor St. Petersburg Electrotechnical University 
"LETI" (St. Petersburg, Russian Federation)
Ulyanov S.V. – Dr.Sc. (Physics and Mathematics), Professor of Dubna International University for Nature, Society 
and Man (Dubna, Russian Federation)
Khoroshevsky V.F. – Dr.Sc. (Engineering), Professor of Moscow Institute of Physics and Technology
(Moscow, Russian Federation)
Yazenin A.V. – Dr.Sc. (Physics and Mathematics), Professor of Tver State University (Tver, Russian Federation)

ASSOCIATED EDITORIAL BOARD MEMBERS

National Research University “Moscow Power Engineering Institute”, Moscow, Russian Federation
Technology Institute at Southern Federal University, Taganrog, Russian Federation
Tver State Technical University, Tver, Russian Federation
Research Institute CENTERPROGRAMSYSTEM, Tver, Russian Federation

EDITORIAL BOARD AND PUBLISHER OFFICE ADDRESS 
Nikolay Korytkov Ave. 3а, Tver, 170024, Russian Federation
Phone: (482-2) 39-91-49  Fax: (482-2) 39-91-00
E-mail: red@cps.tver.ru
Website: www.swsys.ru

Release date 16.09.2021

Printed in printing-office “Faktor i K”

Krylova St. 26, Tver, 170100, Russian Federation

Published quarterly. 34th year of publication

Format 6084 1/8. Circulation 1000 copies

Prod. order № 05. Wordage 120 pages. Price 330,00 rub. 

Вниманию авторов

Международный журнал «Программные продукты и системы» публикует материалы научного и 

научно-практического характера по новым информационным технологиям, результаты академических 
и отраслевых исследований в области использования средств вычислительной техники. Практикуются выпуски тематических номеров по искусственному интеллекту, системам автоматизированного проектирования, по технологиям разработки программных средств и системам защиты, а также специализированные 
выпуски, посвященные научным исследованиям и разработкам отдельных вузов, НИИ, научных организаций. 

Решением Президиума Высшей аттестационной комиссии (ВАК) Министерства образования и науки 

РФ международный журнал «Программные продукты и системы» внесен в Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты 
диссертаций на соискание ученых степеней кандидата и доктора наук.

Информация об опубликованных статьях по установленной форме регулярно предоставляется в си
стему Российского индекса научного цитирования (РИНЦ), в CrossRef и в другие базы и электронные библиотеки.

Условия публикации

К рассмотрению принимаются оригинальные материалы, отвечающие редакционным требованиям и 

соответствующие тематике журнала (специализация – информатика, вычислительная техника и управление, отрасли науки – 05.13.01; .06; .11; .12; .15; .17; .18).

Работа представляется в электронном виде в формате Word. При обилии сложных формул обязательно 

наличие статьи и в формате PDF. Формулы должны быть набраны в редакторе формул Word (Microsoft 
Equation или MathType). Объем статьи вместе с иллюстрациями – не менее 10 000 знаков. Диаграммы, 
схемы, графики должны быть доступными для редактирования (Word, Visio, Excel). Все иллюстрации для 
полиграфического воспроизведения представляются в черно-белом варианте. Цветные, тонированные, отсканированные, не подлежащие редактированию средствами Word рисунки и экранные формы следует 
присылать в хорошем качестве для их дополнительного размещения на сайте журнала в макете статьи с 
доступом по ссылке. Заголовок должен быть информативным; сокращения, а также терминологию узкой 
тематики желательно в нем не использовать. Количество авторов на одну статью – не более 4, количество 
статей одного автора в номере, включая соавторство, – не более 2. Список литературы, наличие которого 
обязательно, должен включать не менее 10 пунктов.

Необходимы также содержательная структурированная аннотация (не менее 250 слов), ключевые слова 

(7–10) и индекс УДК. Название статьи, аннотация и ключевые слова должны быть переведены на английский язык (машинный перевод недопустим), а фамилии авторов, названия и юридические адреса организаций (если нет официального перевода) – транслитерированы по стандарту BGN/PCGN. 

Вместе со статьей следует прислать экспертное заключение, лицензионное соглашение, а также сведе
ния об авторах: фамилия, имя, отчество, название и юридический адрес организации, структурное подразделение, должность, ученые степень и звание (если есть), контактный телефон, электронный адрес, почтовый адрес для отправки бесплатного авторского экземпляра журнала. 

Порядок рецензирования

Все статьи, поступающие в редакцию (соответствующие тематике и оформленные согласно требова
ниям к публикации), подлежат обязательному рецензированию в течение месяца с момента поступления. 

В редакции есть устоявшийся коллектив рецензентов, среди которых члены международной редколле
гии журнала, эксперты из числа крупных специалистов в области информатики и вычислительной техники 
ведущих вузов страны, а также ученые и специалисты НИИ «Центрпрограммсистем» (г. Тверь).

Рецензирование проводится конфиденциально. Автору статьи предоставляется возможность ознако
миться с текстом рецензии. При необходимости статья отправляется на доработку.

Рецензии обсуждаются на заседаниях рабочей группы, состоящей из членов научного совета журнала. 

Заседания проводятся раз в месяц в НИИ «Центрпрограммсистем» (г. Тверь), где принимается решение о 
целесообразности публикации статьи.

Статьи, одобренные редакционным советом, публикуются бесплатно в течение года с момента одобре
ния, а отправленные на доработку – с момента поступления после устранения замечаний.

Редакция международного журнала «Программные продукты и системы» в своей работе руководству
ется сводом правил Кодекса этики научных публикаций, разработанным и утвержденным Комитетом по 
этике научных публикаций (Committee on Publication Ethics – COPE).

Программные продукты и системы / Software & Systems
3 (34) 2021

381

УДК 004.89
Дата подачи статьи: 03.06.21

DOI: 10.15827/0236-235X.135.381-389
2021. Т. 34. № 3. С. 381–389

Программная реализация модуля анализа данных 

на основе прецедентов для распределенных 

интеллектуальных систем

А.П. Еремеев 1, д.т.н., профессор, eremeev@appmat.ru
П.Р. Варшавский 1, к.т.н., доцент, зав. кафедрой, VarshavskyPR@mpei.ru
С.А. Поляков 1, аспирант, PoliakovSerA@mpei.ru

1 Национальный исследовательский университет «МЭИ», г. Москва, 111250, Россия

В статье рассматриваются вопросы реализации модуля анализа данных на основе прецедентов 

(CBR, Case-Based Reasoning), позволяющего выполнять все этапы цикла обучения на основе прецедентов (CBR-цикла) для распределенных интеллектуальных систем. В настоящее время прослеживается 
устойчивая тенденция к широкому применению методов и средств интеллектуального анализа данных 
для решения различных прикладных задач. Все больше крупных компаний используют интеллектуальные системы и средства интеллектуального анализа данных для повышения эффективности своего бизнеса и сокращения расходов. В связи с развитием интернет-технологий и доступности облачных вычислений перспективным направлением в области искусственного интеллекта является создание распределенных интеллектуальных систем. 

Распределенные интеллектуальные системы характеризуются распределением вычислительных и 

информационных ресурсов, что ведет к повышению адаптируемости, надежности, а также общего 
быстродействия системы ввиду возможности одновременно обрабатывать большие наборы данных. 
Распределенные интеллектуальные системы состоят из автономных узлов (агентов), которые могут 
действовать независимо друг от друга и асинхронно обмениваться информацией. Наличие в системе 
агентов, способных реализовать определенные интеллектуальные функции, характеризует тесную 
связь между распределенными интеллектуальными и многоагентными системами.

Главное внимание уделяется методу интеллектуального анализа данных, основанному на использо
вании накопленного ранее опыта в виде прецедентов. Указанный прецедентный метод (CBR-метод) 
позволяет решать новую задачу, используя (адаптируя) решение схожей уже известной задачи. Для 
решения задач интеллектуального анализа данных на основе прецедентов была разработана модульная 
прецедентная система (CBR-модуль), реализующая основные этапы CBR-цикла. Система позволяет работать с прецедентами, представленными в параметрическом и структурированном (на основе онтологий) видах. CBR-модуль представляет собой веб-приложение, реализованное на языке программирования Python 3.7.5 с использованием веб-фреймворка Flask и библиотеки Owlready2 для работы с онтологиями. CBR-модуль ориентирован на интеграцию в состав распределенных интеллектуальных 
систем для выполнения анализа данных на основе прецедентов.

Функционирование реализованного CBR-модуля было протестировано на примере задачи класси
фикации на наборах данных, взятых из открытого репозитория Калифорнийского университета (UCI
Machine Learning Repository).

Ключевые слова: интеллектуальный анализ данных, прецедент, многоагентные системы, класси
фикация данных.

В области искусственного интеллекта

(ИИ) актуальна проблема создания распределенных интеллектуальных систем (РИС), которые могут объединять (интегрировать) в себе 
различные методы ИИ, в частности, интеллектуального анализа данных (ИАД). РИС определяются тремя основными характеристиками –
способами распределения задач между агентами, распределения полномочий и коммуникаций между агентами [1]. 

На сегодняшний день одним из перспектив
ных подходов к ИАД является применение ме
тодов машинного обучения – класса методов, 
характерная черта которых – не прямое решение задачи, а обучение в процессе его поиска. 
В задачах машинного обучения широко используется поиск решений на основе прецедентов (Case-Based Reasoning – CBR). 

В данной работе рассматриваются различ
ные аспекты, касающиеся анализа современных подходов к созданию РИС, а также вопросы, связанные с разработкой программных 
средств для ИАД с использованием прецедентного подхода, ориентированных на их интегра

Программные продукты и системы / Software & Systems
3 (34) 2021

382

цию в состав РИС в качестве одного из ее базовых компонентов.

Распределенные интеллектуальные 

системы

Распределенный ИИ является разделом ИИ, 

в основе которого лежат вопросы взаимодействия интеллектуальных агентов [2]. Распределенный ИИ тесно связан с теорией многоагентных систем (МАС) [1], поэтому будем 
рассматривать МАС как одну из разновидностей РИС.

Базовая концепция, лежащая в основе тео
рии МАС, – понятие интеллектуального агента. 
В общем смысле агентом может быть любая 
сущность (чаще всего под агентом понимается 
некая компьютерная программа), способная 
воспринимать информацию и выполнять определенные действия. Интеллектуальным агентам присущи целеустремленность, обучаемость, социальность, независимость.

МАС определяется как сеть агентов, суще
ствующих в общей среде и взаимодействующих между собой для достижения тех или 
иных целей системы. Взаимодействие может 
осуществляться агентами либо прямым образом – путем обмена сообщениями, либо некоторым косвенным, когда одни агенты воспринимают присутствие других агентов через изменения во внешней среде, с которой они 
взаимодействуют. В МАС агенты имеют несколько важных характеристик [3]:

−
автономность (агенты хотя бы частично 

независимы);

−
ограниченность представления (ни у од
ного из агентов нет представления обо всей системе или система слишком сложна, чтобы знание о ней имело практическое применение для 
агента);

−
децентрализация (нет агентов, управля
ющих всей системой).

МАС используются для решения проблем, 

которые сложно или невозможно решить с помощью одного агента или монолитной (полностью централизованной) системы.

Агенты могут обмениваться имеющейся ин
формацией (полученными данными и знаниями), используя некоторый специальный язык 
(например, KQML и FIPA–ACL) и подчиняясь 
установленным правилам общения (протоколам) в системе [4]. 

Обычно МАС состоит из программных 

агентов и агентной платформы, которая под
держивает взаимодействие агентов. Широкое 
применение получили агентные платформы, 
построенные в соответствии с абстрактной архитектурой FIPA [5]. Примерами таких платформ, полностью поддерживающих архитектуру FIPA, являются JADE, JACK, Jadex и 
EMERALD, написанные на языке Java. Также 
существуют платформы на других языках программирования, поддерживающие стандарты 
FIPA. Примером такой платформы может служить написанная на Python агентная платформа PADE.

Агентная платформа является средой, насе
ленной агентами; предоставляет агентам базовые сервисы, необходимые для их существования; реализует всю низкоуровневую инфраструктуру (не нужно писать весь код заново 
при создании очередной МАС); реализует 
определенные стандарты для обеспечения взаимодействия с другими платформами. 

Однако возникают ситуации, когда исполь
зование существующих агентных платформ 
может быть неэффективным из-за достаточно 
сложного встраивания имеющейся платформы 
в архитектуру разрабатываемой МАС.

Пример архитектуры МАС для ИАД на ос
нове прецедентов приведен в работе [6]. Блок 
управления в данной архитектуре представляет 
вариант агентной платформы, объединяющий 
компоненты, предназначенные для координации и поддержки работы основных компонентов МАС. Также имеется блок ИАД, который 
может включать в себя различные модули, в 
частности, CBR-модуль.

Рассуждения на основе прецедентов

Прецедент определяется как случай, имев
ший место ранее и служащий примером или 
оправданием для последующих случаев подобного рода [7]. Рассуждения на основе прецедентов (CBR, Case-Based Reasoning) – подход, 
позволяющий решить новую, неизвестную задачу, используя или адаптируя решение уже 
известной задачи, то есть ранее накопленный 
опыт решения подобных задач. 

Для эффективного применения CBR-систем 

не требуется глубокий анализ предметной области, достаточно указать проблему и ее решение путем предоставления нескольких примеров аналогичных случаев и ссылок на некоторое сходство. Методы рассуждений на основе 
прецедентов активно применяются в таких областях, как юриспруденция, медицинская диа

Программные продукты и системы / Software & Systems
3 (34) 2021

383

гностика, мониторинг и диагностика технических систем, банковское дело, бизнес, а также 
поиск решения в проблемных ситуациях и многих других. Моделирование рассуждений на 
основе прецедентов в ИС поддержки принятия 
решений реального времени для мониторинга 
и управления сложными объектами и процессами рассмотрено в работе [7].

Несмотря на множество различных реализа
ций CBR-систем, подход на основе прецедентов включает в себя базовый компонент – CBRцикл, который обеспечивает:

−
извлечение наиболее похожего преце
дента (или прецедентов) для сложившейся ситуации из базы прецедентов (БП);

−
повторное использование извлеченного 

прецедента для попытки решения текущей проблемы; 

−
пересмотр и адаптацию в случае необхо
димости полученного решения в соответствии 
с текущей проблемой; 

−
сохранение вновь принятого решения 

как части нового прецедента [7].

Способы представления прецедентов

Основные способы представления преце
дентов 
можно 
разделить 
на 
следующие 

группы: параметрические, объектно-ориентированные, специальные (деревья, графы, логические формулы, онтологии и т.д.).

Для программной реализации CBR-модуля 

в качестве базовой используется параметрическая модель представления прецедентов, которая расширяется возможностью структурированного представления модели прецедентов с 
помощью онтологий.

Выбор параметрической модели в качестве 

базовой обусловлен тем, что большинство 
наборов данных из открытых репозиториев 
полностью или частично представлены в параметрическом виде, также параметрические БП 
характеризуются меньшими затратами на поддержание и сопровождение в отличие от БП на 
основе других методов представления прецедентов.

При использовании параметрической мо
дели БП представляется в виде двух таблиц в 
БД. Первая таблица хранит прецеденты (набор 
параметров и решение), вторая содержит информацию обо всех параметрах прецедентов в 
БП, а именно: имя параметра, тип, область 
определения значений параметра, описание, 
единицы измерения, весовой коэффициент. 
Сведения о параметрах прецедентов позволяют 

получить более наглядное представление о значении параметров БП, задать степень важности 
параметра с помощью весовых коэффициентов, а также задать или получить области определения параметров (диапазоны). Области 
определения и веса в дальнейшем могут быть 
использованы в алгоритмах извлечения прецедентов и повышении эффективности и быстродействия БП.

Онтологическая модель БП определяется 

тройкой: O = (X, R, Ф), где Х – конечное множество концептов предметной области, которую представляет онтология; R – конечное 
множество отношений между концептами; Ф –
конечное множество функций интерпретации, 
заданных на концептах и (или) отношениях.

Выбор онтологии для представления преце
дентов обусловлен рядом важных достоинств, 
отличающих ее от других моделей представления знаний. Использование онтологии для 
представления прецедентов позволяет задать 
сложную структуру прецедента, включающую 
данные разных типов, и обеспечить естественность представления структурированных знаний и достаточно простое обновление их в относительно однородной среде.

В реализованном CBR-модуле модель БП 

представлена в виде иерархии концептов онтологии, а БП вместе с таблицей, описывающей 
параметры прецедентов из БП, хранятся в соответствующих таблицах БД.

Каждая онтология, представляющая модель 

БП, должна содержать концепт Case, описывающий прецедент и содержащий в себе концепты Situation и Solution. Situation содержит
концепты, описывающие параметры прецедента. Данный концепт также должен содержаться в онтологии текущей ситуации при извлечении из БП. Solution соответствует классу, 
к которому относится прецедент из БП.

На рисунке 1 представлен пример модели 

структурированной БП в виде онтологии, построенной средствами Protégé (https://protege.
stanford.edu/). В данном примере каждый прецедент в БП состоит из четырех параметров: A, 
B, C, D, причем параметр D является подклассом параметра B.

Способы извлечения прецедентов 

и повышения эффективности работы 

CBR-модуля

Для успешной реализации рассуждений на 

основе прецедентов необходимо обеспечить 
корректное извлечение прецедентов из БП, 

Программные продукты и системы / Software & Systems
3 (34) 2021

384

то есть извлечение прецедентов, наиболее соответствующих сложившейся ситуации [8]. 
Выбор метода извлечения прецедентов напрямую связан со способом представления прецедентов и, соответственно, со способом организации БП.

В CBR-цикле перед сохранением при нали
чии тестовой выборки должна выполняться 
проверка корректности решения. Если решение прошло проверку и принято пользователем, оно сохраняется в БП как новый прецедент. Если проверка корректности решения на 
тестовых наборах завершается неудачно, прецедент сохраняется в базе неудачных прецедентов (БНП). Удачным называется прецедент, не 
ухудшающий качество работы CBR-модуля 
после его добавления в БП, а неудачным – прецедент, ухудшающий качество работы CBRмодуля после его добавления в БП. Таким образом, предлагается использовать тестовую 
(экспертную) выборку на этапе сохранения 
CBR-цикла для формирования БП и БНП.

Для параметрического представления пре
цедентов в CBR-модуле, как правило, используются метод k-ближайших соседей, а также 
его модификация при наличии библиотеки 
удачных и неудачных прецедентов [9].

Для 
структурированного 
представления 

прецедентов используется метод извлечения 
прецедентов на основе онтологии предметной 
области, базирующийся на теории структурного отображения SMT и методе k-ближайших 
соседей [9].

Основная идея метода k-ближайших сосе
дей (k-NN) заключается в определении заданного числа k-ближайших соседей (прецедентов) в новой сложившейся ситуации в пространстве признаков (параметров). Число 

соседей может быть определено экспериментальным путем или же по критерию скользящего контроля (кросс-валидации). В случае решения задачи классификации определяется, к 
какому классу принадлежат большинство ближайших соседей и текущая проблемная ситуация.

Для определения ближайшего прецедента 

для текущей ситуации в CBR-модуле могут 
применяться различные метрики. Например, в 
качестве основных метрик могут выступать Евклидова метрика (расстояние), манхэттенское 
расстояние, расстояние Чебышева.

В процессе работы СBR-модуль накапли
вает прецеденты в БП, что способствует повышению качества решаемых задач, но при этом 
ведет к значительному увеличению временных 
затрат. В этом случае целесообразно оптимизировать работу с БП для повышения быстродействия CBR-модуля. Оптимизация БП может 
быть выполнена путем ее сокращения или 
обобщения накопленной информации (прецедентов). Возможно сокращение БП путем применения методов классификации и кластеризации прецедентов. 

В разрабатываемом CBR-модуле реализо
ваны методы оптимизации БП на основе кластеризации 
с 
использованием 
алгоритма 

k-средних и классификации с использованием 
алгоритма k-NN [10].

Реализация CBR-модуля для ИАД

Архитектура CBR-модуля состоит из следу
ющих основных компонентов (рис. 2) [10]:

−
пользовательский интерфейс для взаи
модействия с экспертом или пользователем и 
отображения результатов работы;

−
блок авторизации, содержащий ряд ме
тодов для регистрации новых пользователей в 
системе, аутентификации пользователей с помощью логина и пароля, а также методы для 
разграничения прав пользователей;

−
блок извлечения прецедентов, содержа
щий ряд методов для извлечения прецедентов 
из параметрической и структурированной БП, 
а также извлечения из параметрической БП с 
использованием удачных (прецедент с положительным результатом применения) и неудачных (прецедент с отрицательным результатом 
применения) прецедентов;

−
блок представления прецедентов, содер
жащий методы для создания, редактирования и 

owl:Thing

Case

solution
situation

A
B
C

D

Рис. 1. Пример онтологической модели БП

Fig. 1. An example of a case base ontological 

model

Программные продукты и системы / Software & Systems
3 (34) 2021

385

просмотра БП, создания модели БП с использованием онтологии для реализации структурированного представления, а также информации о параметрах прецедентов из БП (веса, диапазоны и т.д.);

−
блок оптимизации БП, предназначенный 

для сокращения количества прецедентов в БП 
с использованием различных классификационных (k-NN) и кластерных алгоритмов (k-средних), а также повышения быстродействия работы системы с помощью индексации БП.

Разработанный CBR-модуль представляет 

собой 
веб-приложение, 
реализованное 
на 

языке Python 3.7.5 с использованием вебфреймворка Flask [11]. Для реализации клиентской части приложения были использованы 
HTML, CSS, JavaScript, Jquery и фреймворк 
Bootstrap, а также библиотека vis.js для работы 
с онтологиями. Для хранения БП и администрирования 
пользователей 
используется 

СУБД MySQL.

Реализация CBR-модуля (прецедентной си
стемы) в виде веб-приложения, состоящего из 
блоков отдельных подключаемых модулей, 
обеспечивает легкость в расширяемости CBRмодуля (добавления новых компонентов), а 
также возможность использования облачных 
технологий для увеличения производительности системы. Для работы с системой с помощью сети Интернет веб-приложение размещено на облачной платформе PythonAnywhere
(https://www.pythonanywhere.com/), использующей облачные технологии Amazon.

Реализация CBR-модуля в виде веб-прило
жения дает возможность использования компонентов модуля как интеллектуального агента, 
реализующего ИАД на основе прецедентов при 
проектировании МАС.

Для работы приложения необходимо нали
чие БП. Для этого нужно создать структуру будущей БП и внести в нее прецеденты, а также 
загрузить данные из внешнего файла формата 

Сохранение

Выдача результатов

Пользователь или эксперт

Регистрация нового пользователя

Аутентификация пользователя 

в системе

Авторизация пользователя 

или эксперта в системе

Блок авторизации

Пользователь
Эксперт

Пользовательский интерфейс

База знаний

БП

Модель 

БП

БП с тестовой 

выборкой

БП 

с положительным 

результатом 
применения

БП 

с отрицательным 

результатом 
применения

БП 

с обучающей 

выборкой

Параметрическое извлечение

Извлечение с использованием 

БП удачных и неудачных 

прецедентов

Структурированное извлечение

Блок извлечения прецедентов

Классификация
(алгоритм k-NN)

Кластеризация 

(алгоритм k-средних)

Индексация БП

Блок оптимизации БП

Классификация 
(алгоритм k-NN)

Кластеризация 

(алгоритм k-средних)

Индексация БП

Блок представления 

прецедентов

Создание БП и ее 
модели из файлов

Рис. 2. Архитектура CBR-модуля для ИАД на основе прецедентного подхода

Fig. 2. The CBR-module architecture for data intelligent analysis based on the precedent approach