Вашего дипломного проекта - pismo.netnado.ru o_O
Главная
Поиск по ключевым словам:
Похожие работы
Название работы Кол-во страниц Размер
Дипломного проекта 1 162.56kb.
Директор сф пгути 1 92.54kb.
Дипломного проекта связана с непосредственной разработкой программного... 5 352.87kb.
Тема: А. Ахматова «Реквием». «Я голос ваш, жар вашего дыханья, я... 1 96.12kb.
Книга «Школа выживания, или 56 способов защиты вашего ребенка от... 26 3847.81kb.
Интеграция всех участников проекта для выполнения комплекса работ... 1 374.15kb.
Ооо испо «костромагорстрой» 38 2685.15kb.
Цель проекта: Выявление экологического состояния улиц и окрестностей... 1 42.38kb.
Название проекта 1 19.01kb.
1 Соответствие идеи проекта существующей системе экономи­ческих взаимоотношений... 1 148.09kb.
«Разработка и обоснование реализации инновационного проекта по созданию... 6 959.82kb.
Целенаправленное включение обучающихся в обсуждение и самостоятельное... 1 38.29kb.
Урок литературы «Война глазами детей» 1 78.68kb.
Вашего дипломного проекта - страница №1/10

Вопросы и ответы


  1. Теоретические, методологические и прикладные задачи по теме Вашего дипломного проекта.


  1. Назначение, связь и взаимодействие компонент в триаде: “объект-эксперт-модель”.



  1. Классы задач, решаемых на основе методов моделирования.

Классификация моделей в зависимости от целей и задач.

Модели целесообразно подразделять на:

а) научные (теоретические);

б) инженерные (технические).

а)


  • проверка на модели гипотез;

  • подтверждение модели законов (физических и т.д.);

  • определение границ применимости теории;

  • перенос положения теорий из одной предметной области в другую;

  • участие в формировании непосредственно самих теорий (эвристические методы решения задач).

б)

  • построение модели как инструмента для проверки технических решений;

  • как средство для синтеза технических решений (в частности автоматизированного проектирования);

  • построение моделей для отладки реального оборудования;

  • для проведения экспериментальных исследований в случаях, когда таковые невозможны на реальном оборудовании.




  1. Анализ и описание функционирования объектов моделирования на основе концептуальной модели.

Принцип концептуализации.

Процесс создания абстрактной (идеальной) системы (объекта, модели (концепта)) в результате исследования и формализованного описания на основе единой системы принципов, взглядов, представлений (идеологии) совокупности объектов, обладающих сходственными признаками (атрибутами), посредством их выделения, обобщения, абстрагирования и формализации.

Процесс формирования концепта, в зависимости от исходных целей и задач, может состоять из последовательности фаз (этапов). При этом создается определенная иерархия: концепт, концепт концепта и т.д. При однофазной концептуализации формируется концепт, который будем называть "метаобъект" или "концептуальная модель". При многофазной концептуализации формируются концептуальные метамодели (КММ).

Анализ и синтез объекта моделирования на основе абстрактной системы.

Пусть имеет место некоторый физический объект моделирования и ставится задача построения модели объекта. Мы переходим к описанию объекта моделирования. Причем модель абстрактной системы задана (см. граф ).

Описание как абстрактная система.



Модель является абстрактной системой. Это абстрактная модель целостной системой.

1 этап: стратификация объекта по трем компонентам.



Объект моделирования отображается на 3 плоскости координат.

Систему отображаем во что-то.

Эпиморфное отображе-

ние получаем структур-

но-функциональную систему.



отобр. систему в морфолог. описание.



Отображение системы в 3-х аспектах: (морфологическом, функциональном, организационном).













Для представления описания как целостной системы гомоморфной исходный объект моделирования необходимо строить тернарные (тройственные) компоненты и т. д.

Обратная задача – синтез системы.

Описание S(o)

Семантическая

Модель: интерпретация Качественная

E={eυ} Количественная

Семантическая интерпретация на уровне абстрактной системы.

Качественная интерпретация – качественная характеристика предмета.

На уровне абстрактной модели интерпретируем описание семантического и качественного.

Уровни представления модели:



  1. системно-теоретический (А. М. абстрактные модели);

  2. конкретно-теоретический (МПО модели предметных областей);

  3. конкретно-объектный (МКО модели конкретных объектов);




  1. Системно-комплексный принцип и моделирование.

Создание и использование концептуальных метамоделей (КММ) осуществляется на основе совокупности фундаментальных принципов. Как известно, под принципом принято понимать "основное, исходное положение; первоначало, исходный пункт, предпосылку какой-либо теории или концепции; руководящую идею, основное правило деятельности" [СИС]. КММ должна удовлетворять базовой парадигме принципов, каждый из которых, в зависимости от решаемых задач, имеет соответствующую интерпретацию. Под парадигмой будем понимать идеологию, теорию или модель постановки проблем, положенную в основу методологии и технологии решения модельных задач.С учетом приведенных определений понятий "принцип" и "парадигма", рассмотрим совокупность базовых принципов концептуального метамоделирования. Отметим, что, в зависимости от решаемых задач, определенные принципы могут иметь различные интерпретации и характер использования, в частности: теоретический, практический, методологический, технологический, прикладной, аналитический, синтетический, управления, организации и т.п.В определяемую совокупность включим следующие базовые принципы: системности, комплексности, системно-комплексности, целенаправленности, целостности, концептуализации, интерпретируемости, максимального упрощения (аппроксимации), модульности, инвариантности, развития (эволюционируемости), управляемости, информационной прозрачности, ведущей компоненты, информативности, когерентности, соответствия, редукции сложности, интроспективности, экстроспективности, аутокаталичности, адекватности, технологичности, минимальности конструкции, концептуальной структурности.

  1. Принцип системности.

Принцип системности — один из исходных (первичных) принципов, имеющих важное теоретическое, методологическое и прикладное значение при концептуальном метамоделировании. Формулировка принципа системности гласит: рассмотрение (исследование) объекта-оригинала и создание модели этого объекта должно осуществляться исходя из представлений о способности составляющих такой объект компонент (подсистем и элементов), а как следствие, и моделей этих компонент, вступать в такого рода отношения (взаимосвязи и взаимодействия), в результате которых порождаются целостные свойства системы (модели), в том числе и интегративные (эмерджентные), т.е. такие, которые не присущи ни одному из отдельно взятых компонентов или их локальных совокупностей.

Принцип системности при решении задач КММ имеет двоякое назначение. С одной стороны он связан с исследуемой системой (объектом-оригиналом) и создаваемой моделью, отражая их фундаментальное свойство — целостность. С другой стороны принцип системности непосредственно связан с экспертом (исследователем), формируя "системное мышление" и выполняя методологическую функцию как познания (анализа), так и созидания (синтеза).



2. Принцип комплексности.

Предполагает всестороннее, многоаспектное, многофакторное рассмотрение (ис­следова­ние) системы (объекта-оригинала), как неоднородной взаимосвязанной и взаимодействующей совокупности компонент, избирательно вовлеченных в единое целое в соответствии с определенными исходными концепциями, согласованное функционирование которых направлено на достижение единой глобальной цели.

Принцип комплексности, как и принцип системности, имеет двойственное назначение. С одной стороны он связан с объектом моделирования, с другой — с экспертом (исследователем), выполняя при этом методологическую функцию для адекватного отражения реальной действительности (или представления концептуального мира) — гетерогенной совокупности компонент — с целью познания и созидания сложных систем: объектов-оригиналов и моделей.
Системно-комплексный (СК) принцип — один из универсальных фундаментальных принципов системологии. СК-принцип формулируется следующим образом.

Рассмотрение системы (объекта, процесса, явления), а как следствие и соответствующей модели, с единых системологических и методологических позиций посредством категорий системности и комплексности на основе отражения и учета свойств целостности и сложности через поведение (функцию), строение (структуру) и организацию (управление) как единую, взаимосвязанную и взаимодействующую совокупность инвариантных аспектов этой системы.

СК-принцип, подобно рассмотренным ранее принципам системности и комплексности, изначально имеет двоякое назначение. С точки зрения рассматриваемой системы (объекта, процесса) СК-принцип связан с целостностью и сложностью этой системы, а с точки зрения эксперта (исследователя) — его "методологического взгляда" — с системностью и комплексностью, как методологическими категориями системологии.

Отметим, что СК-принцип допускает многовариантность реализации в зависимости от преследуемых целей и решаемых задач. Он ориентирован прежде всего на рассмотрение многоцелевых, полифункциональных, многоаспектных, гетерогенных систем при решении задач анализа, синтеза, управления, моделирования. Особо важное значение СК-принцип имеет при создании и использовании концептуальных метамоделей (КММ).




  1. Традиционная технология моделирования сложных систем.

Традиционный подход к проектированию систем обычно заключается в создании прототипа, за которым следует всестороннее тестирование и внесение соответствующих изменений. Этот подход требует больших временных и финансовых затрат.

Традиционная схема:

  • процесс конструирования (с учетом свойств прикладной задачи) математической постановки; процесс решения постановки на основе аппарата теории;

  • вычисление необходимых результатов, используя в качестве исходных данных имеющиеся апостериорные (т.е. полученные в конце деятельности) измерения.


Эффективной и общепринятой альтернативой является имитационное моделирование.

Имитационная модель рассматривается как специальная форма математической модели, в которой:

  • декомпозиция системы на компоненты производится с учетом структуры проектируемого или изучаемого объекта;

  • в качестве законов поведения, могут использоваться экспериментальные данные, полученные в результате натурных экспериментов;

  • а поведение системы во времени иллюстрируется заданными динамическими образами.

Имитационное моделирование на цифровых вычислительных машинах является одним из наиболее мощных средств исследования, в частности, сложных динамических систем. Как и любое компьютерное моделирование, оно дает возможность проводить вычислительные эксперименты с еще только проектируемыми системами и изучать системы, натурные эксперименты с которыми, из-за соображений безопасности или дороговизны, не целесообразны. В тоже время, благодаря своей близости по форме к физическому моделированию, это метод исследования доступен более широкому кругу пользователей.

В богатой литературе по проблемам философии науки теория рассматривается с разных точек зрения. В данном случае, теория будет рассматриваться как система и одна из форм организации наличного достоверного, гипотетического и конвенционального по природе знания. Законы, гипотезы и принципы, другие утверждения теории — все это другие формы организации такого знания, субординированные с предыдущими, когда теория в основном построена. Должны учитываться и разные подходы к цели, смыслу и назначению организованного в теорию знания :



  1. По предмету и назначению системы знания (научно- проблемная, учебная, фундаментально - теоретическая, прикладная и др.).

  2. По формально - логической связности и структуре связи элементов входящего в нее знания (феноменологическая, теоретико - модельная и др.).

  3. По специфике целей и решаемых задач, вытекающих из предмета теории (т.н. “задачный подход”).

  4. По системе категорий и понятий (по выделению базовых и вспомогательных категорий и понятий, их аспектам и назначению последних).

  5. По функциям самой теории и ее компонентов в разных аспектах (т.н. “функциональный подход”).

  6. По отношению теории к определяющей ее концепции, парадигме (т.н. “концептуальный подход” - вроде “классической”, “квантовой” или “релятивистской” теории в физике и др. дисциплинах, “эволюционной”, “прогрессистской” и др. в биологии и социологии и т.п.).

  7. По отношению к характеру принимаемой за основу картины мира и др.

Подчеркнем, что ни один из перечисленных подходов к пониманию теории не является всеобъемлющим, все они лишь частичны, одноаспектны и ограничены. В научной практике оформление характера теории происходит двояко :

      • по причине приверженности автора (ов) к какой-либо парадигме мировоззренческого, методологического, праксеологического или другого характера;

      • стихийно, неосознанно, без понимания вообще существа научной теории, знания ее форм, ее назначения и т.п.

В последнее время в науке возник синергетический бум. Важны идеи эволюционизма, таже органичные для синергетики. Специально идеи эволюции развивает в своей эволюционике Ю.А. Урманцев. Подобные идеи инспирированы Ч. Дарвиным в биологии и развитые далее Г. Спенсером. Идею единой теории генетической эволюции, эволюционной экологии, социологии и экономики как основы для изучения т.н. “длинных волн” (в рамках концепции “обучающегося общества”) предложил в 80-х гг. К. Маркетти . В свою очередь, ведущий европейский специалист по проблемам междисциплинарного синтеза Э. Ласло пишет, что “наиболее плодотворный к трансцисциплинарной унификации наук путь может заключаться в принятии эволюции в качестве основного понятия”. Вырисовывается радикальная по значению концепция, согласно которой фундаментальное значение для синтеза знаний должна играть динамическая теория сложных систем — ДТСС, по-английски, - DTCS (Dynamical Theory of Complex Systems).


  1. Бионическая технология моделирования сложных систем.

БИОНИЧЕСКИЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ - использование опыта живой природы как эвристического приема дает возможность облегчить решение проблемы оптимизации проектирования конструктивных систем. Успех в этом направлении может быть достигнут на основе бионических информационных технологий (БИТ), включающих три основных вида научно-технической информации.

Первый вид информации (биологический) получают в результате изучения конструктивных аналогов живой природы: выявляются принципы, закономерности, лежащие в основе строения конструкций, архитектоники форм, организации структур, биологических материалов и т.д.

Второй вид информации (теоретический) складывается в процессе физического и математического моделирования бионических принципов, установленных в результате исследований аналогов живой природы.

Третий вид информации (технический) образуется в процессе разработки и изготовления новых материалов, эффективных конструктивных систем, а также механизмов приспособления их к изменениям внешней среды и других технических устройств или совершенствования старых решений на основе бионических принципов. Сочетание принципов бионики и математических методов оптимизации создают надежную бионическую технологию получения новой полезной информации для разработки достаточно общих и высокоэффективных средств создания конструктивных систем (пространственных форм, рамных каркасов, вантовостержневых и мембранных покрытий, жестких и мягких оболочек и т.д.).

Использование в системах автоматизированного проектирования зданий и сооружений БИТ позволяет не только значительно поднять научно-технический уровень разработок, но и ускорить цикл проектирования эффективных и рациональных архитектурно-конструктивных систем.

Применение БИТ особенно целесообразно на стадии концептуального проектирования, когда затрагивается комплекс таких проблем, как социальные, экономические, политические, технологические и биологические. Бионический подход к решению таких комплексных проблем обеспечивает не только моделирование объектов строительства на основе прототипов живой природы, но и решение архитектурно-строительных задач с позиции биотехнических систем. Это дает возможность рассматривать создаваемые конструкции зданий и сооружений не в отрыве от человека и живой природы, а как единые сложные системы. В этих системах живые и неживые элементы, объединенные общей целью, находятся в постоянном взаимодействии. В результате чего возможно принятие технических решений совместимых с природной средой. Это не только обеспечивает сохранение окружающей среды, но и ресурсоспособности при строительстве, реконструкции и капитальном ремонте зданий и сооружений.
Методы принятия решений в АСУ

Ниже считается известным общий вид решающей функции и задан функционал ее качества. На основании этого функционала по обучающей последовательности ищется наилучшее приближение решающей функции. Самыми распространенными являются представления решающих функций в виде линейных и обобщенных нелинейных полиномов. Функционал качества решающего правила обычно связывают с ошибкой классификации.



Эволюционное моделирование является бионическим методом, заимствованным у природы. Оно основано на использовании известных механизмов эволюции с целью замены процесса содержательного моделирования сложного объекта феноменологическим моделированием его эволюции.

Известным представителем эволюционного моделирования в распознавании образов является метод группового учета аргументов (МГУА) [46]. В основу МГУА положен принцип самоорганизации, и алгоритмы МГУА воспроизводят схему массовой селекции. В алгоритмах МГУА особым образом синтезируются и отбираются члены обобщенного полинома, который часто называют полиномом Колмогорова-Габора. Этот синтез и отбор производится с нарастающим усложнением, и заранее нельзя предугадать, какой окончательный вид будет иметь обобщенный полином. Сначала обычно рассматривают простые попарные комбинации исходных признаков, из которых составляются уравнения решающих функций, как правило, не выше второго порядка. Каждое уравнение анализируется как самостоятельная решающая функция, и по обучающей выборке тем или иным способом находятся значения параметров составленных уравнений. Затем из полученного набора решающих функций отбирается часть в некотором смысле лучших. Проверка качества отдельных решающих функций осуществляется на контрольной (проверочной) выборке, что иногда называют принципом внешнего дополнения. Отобранные частные решающие функции рассматриваются далее как промежуточные переменные, служащие исходными аргументами для аналогичного синтеза новых решающих функций и т. д. Процесс такого иерархического синтеза продолжается до тех пор, пока не будет достигнут экстремум критерия качества решающей функции, что на практике проявляется в ухудшении этого качества при попытках дальнейшего увеличения порядка членов полинома относительно исходных признаков.

Принцип самоорганизации, положенный в основу МГУА, называют эвристической самоорганизацией, так как весь процесс основывается на введении внешних дополнений, выбираемых эвристически. Результат решения может существенно зависеть от этих эвристик. От того, как разделены объекты на обучающую и проверочную выборки, как определяется критерий качества распознавания, какое количество переменных пропускается в следующий ряд селекции и т. д., зависит результирующая диагностическая модель.

Указанные особенности алгоритмов МГУА свойственны и другим подходам к эволюционному моделированию.



Структура исследований в области искусственного интеллекта

Научное направление "Искусственный интеллект" зародилось в общем комплексе кибернетических исследований. Развитие средств вычислительной техники, связанное с ним интенсивное совершенствование программирования, расширение областей использования ЭВМ, а также наличие весьма поверхностной аналогии между структурой ЭВМ и структурой мозга человека привели к зарождению двух направлений в исследованиях по искусственному интеллекту.



Первое - назовем его программно-прагматическим - занималось созданием программ, с помощью которых можно было решать те задачи, решение которых до этого считалось исключительно прерогативой человека (распознающие программы, простейшие игровые программы, программы для решения логических задач, поиска, классификации и т. п.).Второе, которое можно назвать бионическим, интересовалось проблемами искусственного воспроизведения тех структур и процессов, которые характерны для живого человеческого мозга и которые лежат в основе процесса решения задач человеком. Это направление имеет четко выраженный фундаментальный характер, и его интенсивное развитие невозможно без одновременного глубокого изучения мозга нейрофизиологическими, морфологическими и психологическими методами.Общую структуру исследований в искусственном интеллекте можно представить схемой, изображенной на рис. 1. В бионическом направлении выделяются три различных подхода. Первый - нейробионический. В его основе лежат системы нейроподобных элементов, из которых создаются системы, способные воспроизводить некоторые интеллектуальные функции. К числу задач, которые, по-видимому, могут быть решены в рамках этого подхода, относится многоканальное (параллельное) распознавание сложных зрительных образов, обучение условным рефлексам и др.Второй подход - структурно-эвристический. В его основе лежат знания о наблюдаемом поведении объекта, рассматриваемого как "черный" (скорее, "серый") ящик, и соображения о тех структурах (и их свойствах) мозга, которые могли бы обеспечить реализацию наблюдаемых форм поведения. Наконец, третий подход, интенсивно развивающийся в последнее время, - гомеостатический. В этом случае мозг рассматривается как гомеостатическая система, представляющая собой совокупность противоборствующих (и сотрудничающих) подсистем, в результате функционирования которых обеспечивается нужное равновесие (устойчивость) всей системы в условиях постоянно изменяющихся воздействий среды. Гомеостатические модели подтверждают перспективность этого подхода. Однако в настоящее время еще не существует гомеостатических модулей, которые могли бы рассматриваться как универсальные элементы для создания интеллектуальных систем.

В силу сложностей целей и задач бионического направления в настоящее время доминирующим в искусственном интеллекте является программно-прагматическое направление. При этом подходе не ставится вопрос об адекватности используемых структур и методов тем, которыми пользуется в аналогичных случаях человек, а рассматривается лишь конечный результат решения конкретных задач. Заметим, что в ряде случаев при решении интеллектуальных задач применяются и некоторые бионические соображения, но при этом не они, а конечный результат играет определяющую роль.



В программно-прагматическом направлении также можно выделить три подхода.

Первый подход - локальный или "задачный" - основан на точке зрения, что для каждой задачи, присущей творческой деятельности человека, можно найти способ ее решения на ЭВМ, который, будучи реализован в виде программы, даст результат, либо подобный результату, полученному человеком, либо даже лучший. Разработано много искусных программ такого рода. Типичным примером являются шахматные программы, которые играют в шахматы лучше большинства людей, но в основе их лежат идеи, далекие от тех, которыми пользуются люди при игре.

Второй подход - системный или основанный на знаниях связан с представлением о том, что решение отдельных творческих задач не исчерпывает всей проблематики искусственного интеллекта. Естественный интеллект человека способен не только решать творческие задачи, но при необходимости обучаться тому или иному виду творческой деятельности. Поэтому и программы искусственного интеллекта должны быть ориентированы не только или не столько на решение конкретных  интеллектуальных задач, сколько на создание средств, позволяющих автоматически строить программы решения интеллектуальных задач, когда в таких программах возникает необходимость. Этот подход в настоящее время является центральным в программно-прагматическом направлении.

Третий подход рассматривает проблемы создания интеллектуальных систем как часть общей теории программирования (как некоторый новый виток в этой теории). При этом подходе для составления интеллектуальных программ используются обычные программные средства, позволяющие писать нужные программы по описаниям задач на профессиональном естественном языке. Все метасредства, возникающие при этом на базе частичного анализа естественного интеллекта, рассматриваются здесь лишь с точки зрения создания интеллектуального программного обеспечения, т. е. комплекса средств, автоматизирующих деятельность самого программиста.
Задачная технология - человеческая деятельность в рамках процесса создания (автоматической) системы, направленная на построение адекватной математической задачи. Задачная это поисково-исследовательская технология.


  1. Задачная технология моделирования сложных систем.

В силу сложностей целей и задач бионического направления в настоящее время доминирующим в искусственном интеллекте является программно-прагматическое направление. При этом подходе не ставится вопрос об адекватности используемых структур и методов тем, которыми пользуется в аналогичных случаях человек, а рассматривается лишь конечный результат решения конкретных задач. Заметим, что в ряде случаев при решении интеллектуальных задач применяются и некоторые бионические соображения, но при этом не они, а конечный результат играет определяющую роль. См.рис.2 вопрос 8

В программно-прагматическом направлении также можно выделить три подхода.

Первый подход - локальный или "задачный" - основан на точке зрения, что для каждой задачи, присущей творческой деятельности человека, можно найти способ ее решения на ЭВМ, который, будучи реализован в виде программы, даст результат, либо подобный результату, полученному человеком, либо даже лучший. Разработано много искусных программ такого рода. Типичным примером являются шахматные программы, которые играют в шахматы лучше большинства людей, но в основе их лежат идеи, далекие от тех, которыми пользуются люди при игре.

Второй подход - системный или основанный на знаниях связан с представлением о том, что решение отдельных творческих задач не исчерпывает всей проблематики искусственного интеллекта. Естественный интеллект человека способен не только решать творческие задачи, но при необходимости обучаться тому или иному виду творческой деятельности. Поэтому и программы искусственного интеллекта должны быть ориентированы не только или не столько на решение конкретных  интеллектуальных задач, сколько на создание средств, позволяющих автоматически строить программы решения интеллектуальных задач, когда в таких программах возникает необходимость. Этот подход в настоящее время является центральным в программно-прагматическом направлении.

Третий подход рассматривает проблемы создания интеллектуальных систем как часть общей теории программирования (как некоторый новый виток в этой теории). При этом подходе для составления интеллектуальных программ используются обычные программные средства, позволяющие писать нужные программы по описаниям задач на профессиональном естественном языке. Все метасредства, возникающие при этом на базе частичного анализа естественного интеллекта, рассматриваются здесь лишь с точки зрения создания интеллектуального программного обеспечения, т. е. комплекса средств, автоматизирующих деятельность самого программиста. Задачная технология - человеческая деятельность в рамках процесса создания (автоматической) системы, направленная на построение адекватной математической задачи. Задачная это поисково-исследовательская технология.

  1. Архитектура СУБД. Взаимодействие СУБД с операционной системой ЭВМ.

База данных – совокупность данных, отражающая состояние объектов и их отношений в рассматриваемой предметной области.

Банк данных – система специальным образом организованных баз данных, программных средств, технических средств, языковых средств, предназначенных для централизованного накопления и коллективного, многоцелевого использования

Система управления базами данных – это совокупность языковых и программных средств предназначенных для создания, ведения и совместного использования баз данных со многими пользователями.

Архитектура систем баз данных.

В настоящее время принята 3-х уровневая архитектура баз данных:



  • Уровень1: Логический или концептуальный уровень баз данных

  • Уровень2: Внешнее представление данных и представление для пользователей.

  • Уровень3: Внутренний уровень.

Концептуальный уровень архитектуры – это концептуальная модель данных

Внешний уровень – он выводится из концептуальной модели и строится для конкретного пользователя (это то что называется представлением).

Внутренний уровень, обеспечивает физический взгляд на базу данных, в этом случае рассматриваются дисководы, физические адреса памяти, указатели. Это системный уровень и пользователи к этому уровню отношения не имеют. Между каждым из 3-х уровней происходит преобразование данных, т.е. производится перевод из 1-го уровня на другой.

Этим переводом занимается СУБД. Современные СУБД имеют объем в несколько сот мегабайтов.

Результатом этой 3-х уровневой архитектуры является независимость логического и физического представления данных.



Физическая независимость данных – это независимость опер. Обработки и хранения данных от технических средств, которые используются для работы СУБД.

Логическая независимость данных – это независимость программных средств, используемых информационной системой от данных, которые используются в информационной системе.
Функции СУБД, взаимодействия СУБД со средой окружения.

СУБД – это совокупность языковых и программных средств, предназначенных для создания, ведения, использования баз данных.

СУБД используют во время своей работы концептуальную модель данных, схемы или подсхемы ОС и конкретное программное средство или процедуры. Все названные элементы взаимодействуют между собой.

Рассмотрим основные элементы и их взаимодействие:




Жесткий диск

Пояснения


  1. Канал – пользовательское представление А, выдает запрос на чтение записи к СУБД;

  2. Канал – СУБД обращаясь к описанию представления А производит в ней поиск описания данных, на который выдан запрос.

  3. Канал - СУБД обращаясь к КМД определяет типы записей к которым относятся данные на которые выдан запрос.

  4. Канал – СУБД просматривает описание физической организации баз данных и определяет какую физическую запись требуется считать.

  5. Канал – СУБД выдает ОС команду чтения требуемой записи.

  6. Канал – ОС взаимодействует с физической памятью, в которой хранятся данные.

  7. Канал запрошенные данные передаются из внешней памяти в системный буфер.

  8. Канал – СУБД выделяет ту логическую запись, которую запросила прикладная программа.

  9. Канал – логическая запись из системного буфера передается в представление А.




  1. Локальные и распределенные базы данных: определение, назначение, характеристики, принципы построения.

1. Распределенные базы данных

Под распределенной (Distributed DataBase - DDB) обычно подразумевают базу данных, включающую фрагменты из нескольких баз данных, которые располагаются на различных узлах сети компьютеров, и, возможно управляются различными СУБД. Распределенная база данных выглядит с точки зрения пользователей и прикладных программ как обычная локальная база данных. В этом смысле слово "распределенная" отражает способ организации базы данных, но не внешнюю ее характеристику. ("распределенность" базы данных невидима извне).



Определение Дэйта. Лучшее, определение распределенных баз данных (DDB) предложил Дэйт (C.J. Date). Он установил 12 свойств или качеств идеальной DDB:

Локальная автономия (local autonomy)

Независимость узлов (no reliance on central site)

Непрерывные операции (continuous operation)

Прозрачность расположения (location independence)

Прозрачная фрагментация (fragmentation independence)

Прозрачное тиражирование (replication independence)

Обработка распределенных запросов (distributed query processing)

Обработка распределенных транзакций (distributed transaction processing)

Независимость от оборудования (hardware independence)

Независимость от операционных систем (operationg system independence)

Прозрачность сети (network independence)

Независимость от баз данных (database independence)


следующая страница >>