Исследование неопределенной среды принятия решений и интерпретации данных

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость

Детальная информация о работе

Выдержка из работы

Международный Научный Институт & quot-Educatio"- III (10), 2015
44
Технические науки
2. Установлена область реагирования системы «водитель — ГМ» на управляющие воздействия в виде частоты их пропускания (0,5−3,8 рад/с).
3. Установлено, что коэффициент усиления ГМ как ОУ Ky = Wy/Мд (рад/с Н-м) с увеличением скорости ГМ и сопротивления повороту Мс увеличивается.
Список литературы
1. Васильченков, В. Ф. Военная автомобильная техника. Теория эксплуатационных свойств. Учебник [Текст] / В.Ф. Васильченков/ М.: Воениздат, 2004. -479с.
ИССЛЕДОВАНИЕ НЕОПРЕДЕЛЕННОЙ СРЕДЫ ПРИНЯТИЯ РЕШЕНИЙ
И ИНТЕРПРЕТАЦИИ ДАННЫХ
Гардашова Латафат Аббас
док. фил.т. наук, доцент Азербайджанской Государственной Нефтяной Академии, г. Баку
Агаев Наил Фаик
диссертант, Азербайджанской Государственной Нефтяной Академии, г. Баку
RESEARCH OF THE UNCERTAIN DECISION-MAKING ENVIRONMENT AND DATA INTERPRETATION GARDASHOVA LATAFAT ABBAS, Phil. doct. techn. Science, associate professor of Azerbaijan State Oil Academy, Baku AGAYEV NAIL FAIK, candidate for a degree of Azerbaijan State Oil Academy, Baku
АННОТАЦИЯ
В работе представлено исследование неопределенной среды теории принятия решений в условиях вероятностной информации и интерпретации данных. Предложен подход интерпретации данных, представленных комбинацией нечеткой и вероятностной информации. Анализ результатов практического применения рассматриваемого подхода позволил получить следующие выводы: многокритериальная задача выбора оптимальной альтернативы представляет собой эффективную систему аппроксимации предпочтений лица принимающего решения- нечетко-вероятностная модель представляет собой эффективный механизм учета неопределенности данных.
Ключевые слова: нечетко-вероятностная модель, лицо принимающее решение, интерпретация данных, нечеткая мера
ABSTRACT
The research of the uncertain environment of the decision-making theory in terms ofprobabilistic information and data interpretation is presented in this work. The approach of data interpretation presented by a combination of fuzzy and probabilistic information is offered. The analysis of the results obtained through practical application of considered approach allowed to receive the following conclusions: the multicriteria problem of an optimum alternative choice represents effective system of approximation of decision makers preferences- the fuzzy and probabilistic model is the effective mechanism in respect of data uncertainty.
Keywords: fuzzy and probabilistic model, decision maker, data interpretation, fuzzy measure
Введение. Для последних десятилетий характерен возрастающий интерес к математическим моделям неясности, неопределенности, характеризующие неполноту знаний, их недостоверность и случайности, относящиеся к их содержанию [1,2]. Теория вероятностей на практике неэффективна, в тех случаях, когда стохастический характер неопределенности очевиден и принципиальные трудности, как правило, возникают при эмпирическом построении вероятности [3]. Существует множество научных работ, посвященных невероятностным методам моделирования случайности и неясности. Например: субъективная вероятность Сэведжа [4] как мера неуверенности субъекта- верхние и нижние вероятности Демпстера [5], характеризующие неполноту наблюдений и отражающие неопределенность в теории вероятностей, правдоподобие и доверие Шеффера [6]- обобщающие конструкции Демпстера в теории принятия решений- возможность Заде [7], основанная на его теории нечетких множеств [8,9].
В [10] дана структура современной теории принятия решений. В первой части рассмотрены основы технологии и процедур разработки и принятия управленческих решений. Вторая часть работы посвящена описанию вероятностно-статистических, интервальных, нечетких, а также связанных со шкалами измерения неопределенностей в теории принятия решений. Методам принятия решений, в том числе оптимизационным, вероятностно-статистическим, экспертным, посвящена третья часть. Моделирование как метод теории принятия решений и анализ ряда конкретных моделей — предмет четвертой части.
Приводятся методы принятия решений как традиционные, так и недавно разработанные, даются примеры их применения для решения практических задач.
Монография [11] посвящена моделированию и оптимизации реальных процессов с учетом неопределенностей. Проблемы формулируются на основе синтеза концепций теории нечетких множеств и прикладного и интервального анализа, значительно расширяющих возможности учета неопределенностей различной природы, неизбежно сопутствующих математическому описанию реальности. Такой подход позволяет решать задачи совершенствования функционирования производственных систем в условиях неполноты и неточности информации о протекающих процессах, недостаточности и недостоверности знаний, при наличии субъективности оценок.
В [12] впервые всесторонне рассмотрены вопросы анализа риска и принятия решений при существенной неполноте исходной информации, что вызвано в первую очередь отсутствием достаточных статистических данных и наличием субъективной информации в виде экспертных оценок, которые в ряде случаев являются ненадежными и неточными. В первой части работы анализируются модели и методы формализации неполноты исходной информации, к которым можно отнести теорию случайных множеств, теорию возможностей, теорию интервальных средних, байесовские модели, интервальные вероятности. Во второй части работы рассматривается применение этих методов и моделей для решения общих задач принятия решений и анализ риска.
Международный Научный Институт & quot-Educatio"- III (10), 2015
45
Технические науки
В результате можно прийти к выводу, что существующие подходы к принятию решения имеют существенные недостатки. В выше приведенных подходах используются нечеткие множества для описания некоторых элементов задач принятия решения. С другой стороны, многие из существующих подходов основаны на простых детерминистических моделях. Классические теории принятия решений не рассчитаны на применение в нечетковероятностной среде и, следовательно, требуют более детерминированной информации.
Традиционная теория принятия решений основывается на упрощающем допущении, что позволяет пользователю среди каждых двух альтернатив решить какой из них предпочтителен. В реальности же, когда альтернативы приближенные или неясные, пользователь либо вообще не может выбрать из них, либо выбирает одну из альтернатив только «постольку поскольку».
Исследование плохо-структурированных проблем принятия решений является одной из актуальных задач в прикладной теории управления [2]. Как известно, плохоструктурированным проблемам присущи следующие свойства:
— предпочтения (функция полезности) лица принимающего решения (ЛИР) могут быть с достаточной степенью адекватности аппроксимированы конечным числом критериев-
— все или часть параметров модели заданы не точно и могут быть описаны в рамках вероятностно-статистического подхода или концепции нечетких множеств.
Многокритериальные задачи делятся на два класса: многокритериальная оптимизация, если множество альтернатив непрерывно и многокритериальный выбор, когда множество альтернатив дискретно.
В данной работе рассматривается задача, относящаяся ко второму классу.
Иредлагаемый подход характеризуется следующими особенностями:
— вместо точных распределений вероятностей использованы нечеткие вероятности-
— вместо точной классической вероятности использованы нечеткие меры.
С этой точки зрения можно отметить, что подход характеризуется неопределенностью второго типа. Описание использованного подхода.
Задача принятия решения с неопределенной информацией [13,14] заключается в определении оптимального
— 1* е Л f'-cj
действия J, т. е. J для которого
U (Г) = |
Решение этой задачи требует выполнения следующих шагов, описанных ниже [15].
1. На первом шаге выполняется присвоения значе-
«» й (/Д))
нии лингвистической полезности J '- результату
«/, еЛ
кадцдого действия 1, предпринятого в состоянии
2. На основе известных вероятностей P (si) = PiJie?4, i={l». J-lJ+l, определяется неизвестная вероятность
лШ = /& gt-ДеДд] «
'- '-, на основе решения нижеприведенной
задачи:
При заданных
Р (§) = Рп SteF, е Дд], i = +
10,1] 5
«P^P^PjE,
наити неизвестное 4 7
Данная задача сводится к задаче построения функ-
д, (•)
ции принадлежности 1
Pj
вероятности J:
Ир (Pj) = svp rain
3 1 р
— ?}
¦ Нод]
для неизвестной нечеткой
, Op (I Ms (S)p (s)ds))
3. На основе интеграла Choquet решается задача
для каждого действия
Наконец, определяется оптимальное
/АА
т. е.
ГеА °(Г) =
¦ для каждого
Рассмотрим, как пример, постановку задачи выбора оптимального плана для нефтеперерабатывающего предприятия на основе вероятностной информации.
Имеются 3 варианта выпуска нефтепродуктов: А1 -с максимальным выпуском топлива-мазута и газа (план отопительно-ориентированного профиля)-А2 — выпуск с небольшим приоритетом в пользу автомобильного бензина (сбалансированный план)-А3 — выпуск максимального автомобильного бензина (транспортно-ориентированный план).
Выбор плана основывается на информации о спросе на продукцию предприятия в зимний период. Рассматриваются, как возможные, следствия состояния спроса1 — отопительно-ориентированный спрос- S2 -сбалансированный спрос- S3 — транспортно-ориентированный спрос.
Возникновение того или иного спроса зависит от погодных условий в зимний период. Ирогнозы показывают, что вероятность холодной зимы, вызывающей спрос S1 — высокая (около 75%), вероятность среднестатической зимы, вызывающей спрос S2 — небольшая (около 55%) вероятность теплой зимы, вызывающей спрос S3 очень низкая, Р-вероятность состояния спроса.
Экспертные оценки исходов для рассматриваемых планов в различных условиях спроса представлены ниже (таблица 1).
тах
/е. 4

Таблица 1
Экспертные оценки исходов для р ассматриваемых планов в различных условиях спроса
S1/P1 — очень высокий S2/P2 — низкий S3/P3 — очень низкий
А1 Высокий Средний Низкий
А2 Выше среднего Высокий Ниже среднего
А3 Низкий Ниже среднего Высокий
Требуется: определить лучшую альтернативу. S S S
Решение задачи на основе применения теории при- Если в спр°сах 15 2 ' 3 инф°рмация неточная, то
нятия решения с использованием нечеткой вероятности. для описания их используюгся нечеткое множество.
Международный Научный Институт & quot-Educatio"- III (10), 2015
46
Технические науки
Нечеткие значения вероятностей
Ж)=Р
pfe)=р
и
Р& amp-) = Рз
'-2/ * 2 известны, а значения вероятности ^ ъ& gt- 3
вычисляются. Графическое представление вероятностей
приведено на рисунке 1, а значения вычисленной вероят-
Рз Ms (S), i = 1,3.
ности таблице 2.
в зависимости от состояния в
Рис. 1. Описание нечетких известных вероятностей:
Р Р
1 2
и вычисленной вероятности —
Р
Таблица 2
Значение нечетких вероятностей
S (S) S, S 2 S 3
0 0 0 0
0. 05 0 0 0
0.1 0 0 0
0. 15 0 0 0
0.2 0 0 0. 25
0. 25 0 0 0. 5
0.3 0 0 0. 75
0. 35 0 0 1
0.4 0 0. 25 0. 75
0. 45 0 0.5 0. 5
0.5 0 0. 75 0. 25
0. 55 0 1 0
0.6 0. 25 0. 75 0
0. 65 0.5 0.5 0
0.7 0. 75 0. 25 0
0. 75 1 0 0
0.8 0. 75 0 0
0. 85 0.5 0 0
0.9 0. 25 0 0
0. 95 0 0 0
1 0 0 0
Таким образом, по нечеткому состоянию природы, распределение нечетких вероятностей представлены в следующем виде:
Р = Р1 S1 + Р2 S2 + Р3 S3 = высокийS1 + не очень высокий S2 + очень низкийS3
_ а j=13
Для рассматриваемых планов J, J 5, при усло-
вии спроса j
u
Si i = 1,3
экспертные оценки полезностей
J показаны в таблице 3.
На рисунке 2 показаны оценки полезностей нечетких множеств.
13, (низкая), U 23, U 32 (ниже средней), ^12
(средняя), U 21 (выше средней).
Пц U 22 U 3
(высокая).
Для альтернатив1J f2, f3 вычисляются нечеткие
значения полезностей по следующей формуле:
з
& gt-
i=1
3
еду & gt-=е (й (// й (/, & lt- «) ¦ щ, (в10)
Международный Научный Институт & quot-Educatio"- III (10), 2015 ^ Технические науки
Таблица 3
S S S
Нечеткие значения спроса 1 (спрос на топливо), 2 (сбалансированный спрос), 3 (спрос на транспортно-ориентированный бензин)
Si S 2 ~з
А1 U11 -высокая (ближе к 1. 1) U 12-средняя ближе к 0.6 U 13-низкая (ближе к 0. 2)
А2 U 21-больше среднего (ближе к 0. 8) U 22 -высокая (ближе к 1,1) U 23 -ниже среднего (ближе к 0. 4)
А3 U 31 -низкая (ближе к 0. 2) U2 -ниже среднего (ближе к 0. 4)33 -высокая (ближе к 1. 1)
Здесь индекс i показывает. что полезности
: ны по убыванию
В) =Р (1)-' S (i)}
U (f1 (S (i)) '- U (//'- (sW)) разложены по убыванию,pl —
u (S (S))= о f f f
Vj (n+i)f). Итак, для альтернатив •'-1'-'-2'-'-3 фор-
мулы вычисления нечетких значений полезностей по методу основанной на нечеткой вероятности показаны ниже:
нечеткая мера нечеткой оценки
U (JX) = (м (/(50))) -h n{fl{s (2))))fjf ({sm}) + (w (. /j (s (2))) -h йф$^)))кр ({sm, y (2)}) +
+^C/l (?(3) У) Ьр1 ({^(1) 5 ^(2) ' ^(3) }) —
= (m (/i (7)) -H m (/i (S2)))hpl ({?!}) + («(/i (s2)) -h /7(7- (s3)))hpl ({jj, s2}) +
+u (fl (s3))hpl ({sl, s2, s3}) =
— (un -fo ul2) hp, ({s)}) + (й12 ul3) hp, ({s), у2}) + ul3hpi ({^j, у2, у3}),
U (J2) = (u (f2(sm)) -h u (f2(s (2))))hpl ({s (1)}) + (u (f2(s (2))) -h u (f2(s (3))))hpl ({?(1), s (2)}) +
+"(/2 (^(3) y) hp ({^(1) ' ^(2) ' 7з) }) —
= (m (/2(7)) ~h w (72(7)))^/ № 2}) + (w (/2(A)) ~h H (f2(s3)))hpl ({?!, y2}) +
+u (f2(s3))hpl ({s1,s2,s3}) =
— (u22 -h u2l) hpl ({у2}) + (й21 -h H23) hpJ ({s2,5j}) + H23hp, ({^j, s2, s3}),
U (73) = (H (f3(sm)) -h u (f3(s (2))))hpl ({?0)}) + (u (f3(s (2))) -h u (f3(s (3))))hpl ({sm, y (2)}) +
+^(7 (^(з) У)^р ({7d ' ^(2) ' 7з)}) —
= (й (/3 (7)) -h U (J3 (s2)))hpl ({?,}) + (u (f3 (s2)) -h й (73)))hpl ({?3, y2}) +
+H (J3(sl))hpl ({sl, s2, s3}) =
— (й33 -h м32) Лр, ({?3}) + (й32 -h H3l) hpl ({s3, ?2}) + м31Лр/ ({7' s2,7)) —
Нечеткую меру ^'-pl с нечеткими значениями определим как нижний прогноз распределения нечеткой вероятно-
vl
сти г по состоянию природы. Фрагмент компьютерной симуляции приведен ниже:
Международный Научный Институт & quot-Educatio"- III (10), 2015
48
Технические науки
сл D: PrQgramsU2 Енатр1е-3Ц2 Екатр1еЗЕкатр1е3. ене___
Processing started…
р3=0 MFP3=0. 999 999 823 462 (Details: 1. 0000,0. 0004,1. 0002>-
рЗ=0. 05 MFP3=1. 0 (Details: 1. 0000,0. 0483, О. 9999>-
рЗ=0.1 MFP3ND. 874 999 926 991 (Details: 1. 0000,0. 0928,0. 9995)
рЗ=0. 15 MFP3=0. 687 282 175 483 (Details: 1. 0ООО, О. 1393, О. 9993>-
рЗ=0.2 MFP3=0. 336 479 018 943 (Details: i. 0O0O, O. 1975, O. 9998>-
рЗ=0. 25 MFP3=0. 0 (Details: 1. 0000, О. 2516,1. 0001>-
рЗ =0.3 MFP3=0. 0 (Details: 1. 0000,0. 3048,1. 0002 & gt-
р3=0. 35 MFP3=0. 0 (Details: 1. 0000,0. 3507,1. 0001>-
рЗ =0.4 MFP3=0. 0 (Details: 1. 0000,0. 3993,1. 0001)
рЗ=0. 45 MFP3=0. 0 (Details: 1. 0000,0. 4483, О. 9999>-
рЗ =0.5 MFP3=0. 0 (Details: 1. 0000,0. 5025,1. 0000)
рЗ=0. 55 MFP3=0. 0 (Details: 1. 0000,0. 5501,1. 0000)
рЗ =0.6 MFP3=0. 0 (Details: 1. 0000,0. 5952,0. 9997)
рЗ=0. 65 MFP3=0. 0 (Details: 1. 0000,0. 6446,0. 9998)
рЗ =0.7 MFP3=0. 0 (Details: 1. 0000,0. 7000,1. 0000)
рЗ=0. 75 MFP3=0. 0 (Details: 1. 0000,0. 7402,0. 9994)
рЗ =0.8 MFP3=0. 0 (Details: 1. 0000,0. 7945,0. 9996)
рЗ=0. 85 MFP3=0. 0 (Details: 1. 0000,0. 8235,0. 9991)
рЗ =0.9 MFP3=0. 0 (Details: 1. 0000,0. 8615,0. 9993)
рЗ=0. 95 MFP3=0. 0 (Details: 1. 0000,0. 8948,0. 9990)
рЗ =1 MFP3=0. 0 (Details: 1. 0000,0. 9327,0. 9994)
Processing completed…
State & lt- XI & gt-_____________________________________________________
Processing started…
p3=0 MFP3=0. 999 999 823 462 (Details: 1. 0000,0. 0004,1. 0002) p3=0. 05 MFP3=1. 0 (Details: 1. 0000,0. 0483,0. 9999) p3=0.1 MFP3=0. 874 999 926 991 (Details: 1. 0000,0. 0928,0. 9995) p3=0. 15 MFP3=0. 687 282 175 483 (Details: 1. 0000,0. 1393,0. 9993) p3=0.2 MFP3=0. 336 479 018 943 (Details: 1. 0000,0. 1975,0. 9998) p3=0. 25 MFP3=0. 0 (Details: 1. 0000,0. 2516,1. 0001) p3=0.3 MFP3=0. 0 (Details: 1. 0000,0. 3048,1. 0002) p3=0. 35 MFP3=0. 0 (Details: 1. 0000,0. 3507,1. 0001) p3=0.4 MFP3=0. 0 (Details: 1. 0000,0. 3993,1. 0001) p3=0. 45 MFP3=0. 0 (Details: 1. 0000,0. 4483,0. 9999) p3=0.5 MFP3=0. 0 (Details: 1. 0000,0. 5025,1. 0000) p3=0. 55 MFP3=0. 0 (Details: 1. 0000,0. 5501,1. 0000) p3=0.6 MFP3=0. 0 (Details: 1. 0000,0. 5952,0. 9997) p3=0. 65 MFP3=0. 0 (Details: 1. 0000,0. 6446,0. 9998) p3=0.7 MFP3=0. 0 (Details: 1. 0000,0. 7000,1. 0000) p3=0. 75 MFP3=0. 0 (Details: 1. 0000,0. 7402,0. 9994) p3=0.8 MFP3=0. 0 (Details: 1. 0000,0. 7945,0. 9996) p3=0. 85 MFP3=0. 0 (Details: 1. 0000,0. 8235,0. 9991) p3=0.9 MFP3=0. 0 (Details: 1. 0000,0. 8615,0. 9993) p3=0. 95 MFP3=0. 0 (Details: 1. 0000,0. 8948,0. 9990) p3=1 MFP3=0. 0 (Details: 1. 0000,0. 9327,0. 9994) Processing completed…
ТТ О 7 ~l S,
На рисунке 3 показаны вычисленные значения р для 1
(спрос на топливо), (спрос на транспортный бензин):
S2 (сбалансированный спрос), S3
На рисунке 4 показаны вычисленные значения 7& gt-1 для события Для определения высокой полезности, используя сравнения нечетких чисел получим нижеследующие резуль-
в-} и в'~2 }
таты.
Международный Научный Институт & quot-Educatio"- III (10), 2015
49
Технические науки
На рисунке 5 показаны нечеткие значения полезности для альтернатив
f2, f3
f7(~)= (0. 302 0. 727 1. 216) u (j2)= (0. 202 0. 73 1. 07) uf)= (0.1 0. 314 0. 47)
Получаемое решение зависит от уровня детальности. Мы принимаем решение в ситуации, когда нам неизвестны точные значения полезностей, и когда нам неизвестны точные величины соответствующих вероятностей.
Таким образом, оптимальное решение-это выбор f1 альтернативы (спрос на топливо).
Заключение. В данной работе описан подход интерпретации данных, представленный комбинацией нечеткой и вероятностной информации. В предлагаемом подходе вместо точных распределений вероятностей использованы нечеткие вероятности, вместо точной классической вероятности использованы нечеткие меры. Анализ результатов практического применения рассматриваемого подхода позволил получить следующие выводы: многокритериальная задача выбора оптимальной альтернативы представляет собой эффективную систему аппроксимации предпочтений лица принимающего решения- нечетко-вероятностная модель представляет собой эффективный механизм учета неопределенности данных.
Литература
1. Пытьев Ю. П. Возможность как альтернатива вероятности. Математические и эмпирические основы, применение. М: Физматлит, 2007.
2. Jie Lu, Guangquan Zhang Da Ruan, Fendjie Wu. Multi-objective group decision Making. London: Imperial College Press, 2007.
3. Пытьев Ю. П. Стохастические и нечеткие модели. Эмпирическое построение и интерпретация // Сборник трудов 1-й международной научно-практической конференции «Современные информационные технологии и ИТ-образование», 2005. с. 482 492.
4. Savage L. J. Foundations of Statistics. New York: Dover Publ., 1972.
5. Dempster A. P. Upper and lower probabilities induced by a multivalued mapping // The Annals of Mathematical Statistics. 1967. V. 38. No 2. P. 325−339.
6. Shafer G. A mathematical theory of evidence. Princeton: Princeton University Press, 1976.
7. L. A. Zadeh. Fuzzy Sets as a basis for a theory of possibility // Fuzzy Sets and Systems. 1978. No 1. P. 328.
8. L. A. Zadeh. Fuzzy Sets // Information and Control. 1965. V.8. P. 338−353.
9. Lotfi A. Zadeh, A note on a Z-number // Information Sciences. 2011. V. 181. P. 2923−2932.
10. Орлов А. И. Теория принятия решений. М.: Издательство «Март», 2004.
11. Дилигенский Н. В., Дымова Л. Г., Севастьянов П. В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях неопределенности: технология, экономика, экология М.: «Издательство Машиностроение — 1», 2004.
12. Уткин Л. В. Анализ риска и принятие решений при неполной информации. СПб.: Наука, 2007.
Международный Научный Институт & quot-Educatio"- III (10), 2015
50
Технические науки
13. L.A. Gardashova. Economic agents behavior modeling under second-order Uncertainty // Ninth International Conference on Application of Fuzzy Systems and Soft Computing. Prague. Czech Republic. 2010. P. 359−364
14. L.A. Gardashova «Application of operational
approaches to solving decision making problem using Z-numbers». // journal, Applied Mathematics, USA, 2014, Vol. 5, No 9, pp. 1323−1334
ТЕСТИРОВАНИЕ В КУРСАХ «КОМПЬЮТЕРНАЯ ГРАФИКА» И «ОСНОВЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ»
Абросимов Сергей Николаевич
канд. технических наук, профессор Балтийского Государственного Технического Университета «ВОЕНМЕХ»,
Санкт-Петербург Глазунов Константин Олегович
канд. фил. наук, доцент Балтийского Государственного Технического Университета «ВОЕНМЕХ», Санкт-Петербург
TESTING AS PART OF TRAINING COURSES & quot-COMPUTER GRAPHICS& quot- AND & quot-BASICS OF COMPUTER-AIDED DESIGN& quot-
Abrosimov Sergey, Candidate of Science, professor of Baltic State Technical University «VOENMEH», St. Petersburg Glazunov Konstantin, Candidate of Science, associate professor of Baltic State Technical University «VOENMEH», St. Petersburg
АННОТАЦИЯ
Показана целесообразность использования в учебном процессе контрольных мероприятий практически на каждом занятии, в виде короткого теста, более продолжительного тестирования при рубежном контроле знаний и навыков, и окончательном контроле (уже более протяжённом) на этапе проведения зачёта или экзамена.
ABSTRACT
Feasibility of using measures of control within the framework of the training process practically at each class as a short test, more durable testing at midterm knowledge and skills rating, and ultimate control (by now more durable) during a test or an exam, is demonstrated.
Ключевые слова: тестирование- компьютерная графика- автоматизированное проектирование- геометрическое моделирование.
Key words: testing- computer graphics- computer-aided design- geometrical simulation.
Тестирование является одним из важных компонентов учебного процесса, нацеленное на развитие ответственности, самооценки и создающее условия для самостоятельной подготовки к практическим занятиям и контрольным мероприятиям.
Существующие тесты можно условно разделить на две группы: обучающие и контролирующие.
Обучающие, как правило, встроены в электронные учебники и электронные учебные пособия и служат для самооценки уровня знаний и, в зависимости от уровня совершенства программного обеспечения, получения правильного ответа или решения, а также, получения информации о путях повышения уровня знаний и навыков.
Контролирующие тесты можно разделить на три группы:
• тесты текущего контроля (минимального уровня знаний и навыков на данном этапе обучения) —
• «рубежные» тесты, показывающие уровень знаний через некоторое время, после завершения обучения определенной темы-
• тесты итогового контроля, заменяющие экзаменационные испытания.
Главными компонентами системы тестирования являются базы знаний и базы учебных программ в рамках изучаемых дисциплин или ее разделов, в данном случае «Компьютерной графики» и «Основ автоматизированного проектирования».
Компьютерная графика является логическим продолжением графических дисциплин: «Начертательная геометрия» и «Инженерная и компьютерная графика» и представляющая собой современный инструмент реализации творческих идей конструктора.
Базовая часть указанных дисциплин, как правило, входит в более развитые и самостоятельные курсы, такие как: «Основы автоматизированного проектирования», «Автоматизированное проектирование», «Компьютерный дизайн» и ряд других.
Особое место компьютерная графика занимает среди других приложений поддержки инженерной деятельности.
В соответствие с рабочими программами в дисциплинах «Компьютерная графика» и «Основы автоматизированного проектирования» рассматриваются методы формирования 3-D моделей, программные и аппаратные средства, используемые при компьютерной поддержке инженерного труда.
Практическая часть курса (лаб. занятия) направлена на получение и развитие навыков работы в среде графических редакторов с последующей разработкой и выпуском чертежной конструкторской документации.
В результате изучения дисциплин «Компьютерная графика» и «Основы автоматизированного проектирования» студент должен:
• знать основы геометрического моделирования, стандарты ЕСКД и принципы их использования-
• владеть методами формирования и редактирования 3-D моделей-
• уметь строить 3 -D модели и на их базе формировать чертежные конструкторские документы-
• ориентироваться в аппаратных средствах, знать их характеристики-
• ориентироваться в программных средствах, знать их функциональные возможности, уметь осуществить подбор программных продуктов для определенных видов конструкторской деятельности-

ПоказатьСвернуть
Заполнить форму текущей работой