МИВАР23

МИВАР᾽23

Под редакцией О.О. Варламова

СБОРНИК НАУЧНЫХ СТАТЕЙ

Москва
ИНФРА-М
2023

УДК 004.8
ББК 32.813
 
М57

М57
  
МИВАР’23 : сборник научных статей / под ред. О.О. Варламова. — 
Москва : ИНФРА-М, 2023. — 598 с. : ил.

ISBN 978-5-16-018974-1 (print)
ISBN 978-5-16-111779-8 (online)
В сборник включены 80 научных статей с описанием результатов развития миварных технологий логического искусственного интеллекта, полученных в период 
с сентября 2022 г. по май 2023 г. В этих исследованиях, которые проводились в рамках работ научно-исследовательской инициативы НИИ МИВАР, приняли участие 
287 человек, из них: пять докторов, 13 кандидатов наук и 245 молодых ученых — 
ассистентов, аспирантов и студентов.
Цель сборника — собрать и показать в систематизированном виде все новые 
достижения, направления развития и результаты практической реализации миварных технологий. Миварные экспертные системы можно образно сравнить с созданием «паровоза»-Разуматора, для которого теперь необходимо строить «железные дороги», т.е. миварные базы знаний по всем отраслям науки и практики. 
Достоинства миварных экспертных систем заключаются в кардинальном снижении вычислительной сложности логического вывода с N! до линейной (N) и расширении базовых продукций формата «Если, То» с обычной логики до реализации 
вычислительных процедур в едином информационно-управляющем пространстве. 
Разработкой Разума тора занимаются программисты, а созданием Больших Знаний — аналитики и когнитологи. Для создания комплексных систем искусственного интеллекта миварные технологии успешно совмещаются с нейросетевыми 
методами, например для распознавания образов и речи. Логический искусственный интеллект создан на основе миварных сетей, и теперь его надо обучать путем 
создания Больших Знаний.
Важной особенностью прикладных миварных систем являются их достаточная 
универсальность, простое обучение и легкое освоение, не требующее спе циальной 
подготовки. Опыт применения Конструктора Экспертных Систем Миварного показал, что даже школьники старших классов успешно создают миварные экспертные системы.
Для специалистов, научных работников, студентов вузов и техникумов в области искусственного интеллекта, обработки информации и управления. Может 
использоваться в качестве учебного пособия по современным информационным 
технологиям и искусственному интеллекту для аспирантов, студентов вузов, обучающихся в учреждениях среднего профессионального образования и школьников.

УДК 004.8
ББК 32.813

Р е ц е н з е н т ы:
Варламов О.О., доктор технических наук, профессор; 
Максимов Н.В., доктор технических наук, профессор; 
Максимычев О.И., доктор технических наук, профессор; 
Остроух А.В., доктор технических наук, профессор; 
Старчак С.Л., доктор технических наук, профессор; 
Теслинов А.Г., доктор технических наук, профессор; 
Чувиков Д.А., кандидат технических наук

ISBN 978-5-16-018974-1 (print)
ISBN 978-5-16-111779-8 (online)
© НИИ МИВАР, 2023
© Коллектив авторов, 2023

Содержание 

МИВАРНЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ .... 7Анцифров Н.С., Муханов Е., Фёдоров И.Н., Большаков С.А., Елисеева Е.А., Мышенков К.С. 
МЭС для подбора техники для коммунальных служб ................................................................... 7Бахман А.А., Уралова Е.А., Яковлев М.А., Озеров, П.В., Гапанюк Ю.Е., Варламов О.О. 
МЭС по подбору персонажа и типа личности пользователя из мультфильма «Шрек» ........... 15Бондаренко И.Г., Гришин С.В., Стрихар П.А., Лосева С.С., Виноградова М.В., Антонов А.И. 
МЭС подбора оптимального персонажа в игровом проекте DOTA 2 ........................................ 27Васюнин М.А., Дьячков М.Ю., Плотников Ф.С., Удодова К.И., Бурмистрова М.В.  
МЭС по подбору блюд для ресторана ........................................................................................... 33Ветошкин А.А., Сергеев М.Ю., Миронова А.Р., Бахрамов Н.А., Маслеников К.Ю. МЭС для  
составления рекомендаций компьютерных  игр по данным о пользователе в 2023 году ........ 39Волгина А.Д., Кузнецов Г.И., Кучумов В.О., Уристимбек Г., Воронцов Н.А., Лосева С.С.  
МЭС для оптимизации маршрутов в закрытых помещениях ...................................................... 46Волков А.С., Королев С.В., Сальников В.В., Варламов О.О., Галкин В.А., Горячкин Б.С. 
МЭС для выбора средств технической защиты информации ..................................................... 51Воронцова А.В., Веревкина Д.В., Ванина П.В., Аладин Д.В., Виноградова М.В.,         
Ковалева Н.А. МЭС для распределения рабочих задач между сотрудниками .......................... 63Гуриков Д.О., Бирюков М.В., Елчуева С.И., Торосян Н.О., Герасин В.Ю., Пасатюк А.Д.,  

Семкин А.П. МЭС для подбора книги ........................................................................................... 74Дьяконова С.С., Кудрявцев С.Д., Федюкин Д.А., Щипицина К.В., Ковалева Н.А.,        
Аксенов Н.В., Семкин А.П. МЭС для выбора стратегии оптимизации бизнес-процессов ...... 79Дятленко Е.А., Евдокимов А.А., Никольский Д.Р., Морозенков О.Н., Терехов В.И. 
МЭС для распознавания объектов интерьера ............................................................................... 87Ерохин И.А., Правдина А.Д. МЭС для преобразования графовой модели к метаграфовой .... 96Жилина А.А., Дианов Ю.Л. , Гараев Р.Р. , Федоров А.А. , Базанова А.Г., Адамова Л.Е.,  
Балдин А.В. МЭС для рекомендаций по повышению квалификации специалистов 
информационной безопасности .................................................................................................... 104Загаштоков Н.К., Донцов А.А., Репенков С.А., Рогов В.А., Андреев А.В., Нестеров Ю.Г. 
МЭС для подбора комплектующих для ПК ................................................................................ 111Звонарев А.Е., Лычагин Д.A., Гудилин Д.С., Кротов Ю.Н., Маслеников К.Ю.  
МЭС для выбора СУБД ................................................................................................................. 117Лисин А.А., Микаилов Р.Р., Трункин Е.П., Аксенов Д.А., Капитанов Д.С., Черненький М.В. 
МЭС для оценки отрядов персонажей в бою против боссов в игровом проекте GENSHIN 
IMPACT 3.0..................................................................................................................................... 123Можаев Д.В., Саклаков И.К., Андрианов А.А., Варламов О.О. 
МЭС для выбора блокчейн сетей ................................................................................................. 130Муравьев Н.С., Панков О.И., Захаренко Е.А., Ташин А.Э., Гаврилов Л.Я., Лосева С.С.    МЭС 
по подбору команды персонажей в  многопользовательской игре DOTA 2 ............................ 138Перова А.Е., Чиварзин А.Е., Карпов Д.К., Агличеев М.С., Черненький М.В.  
МЭС подбора заданий в системе-тренажёре  для слабослышащих студентов ........................ 148Перфильева К.А., Алферов В.В., Воропаев Н.М., Титова М.Г., Халимонов А.М., 
Селиверстова А.В. МЭС для определения профильного специалиста по собранному  
анамнезу .......................................................................................................................................... 155Пинская Н.М., Фонканц Р.В., Сафин Р.Р., Семкин П.С., Шкуратова Л.П. 
МЭС для классификации речевых дефектов ............................................................................... 163Савочкин А.Д., Найдёнова А.А., Чаченков К.Д., Чувардинский Д.В., Перова А.Е.,  
Базанова А.Г., Варламов О.О. МЭС поведенческого анализа и обнаружения аномалий для 
системы управления задачами и проектами «Турбо Трекинг» ................................................. 174

Смирнов Д.И., Климов А.Е., Осипов А.В., Аксенов Д.А., Герасин В.Ю., Андреев А.В.,   
Черненький С.В. МЭС подбора квартиры для покупки ............................................................. 185Солохов И.Р., Молчанов А.В., Грунин Н.С., Силантьева Е.Ю., Черненький М.В. 
МЭС в логистических системах ................................................................................................... 192Чжан С., Варламов О.О. МЭС и генетические алгоритмы для планирования  ресурсов             
в цеховом производстве ................................................................................................................ 201Чжао Л., Шань C., Чжан А., Ван Ч., Тимофеев В.Б.                                                                 
МЭС рекомендаций фильмов для Китая ..................................................................................... 207Ян Цзиньцзы, Тимофеев В.Б., Варламов О.О. 
МЭС прогнозирования риска развития диабета II типа ............................................................. 213БАЗЫ ЗНАНИЙ ДЛЯ МЭС ............................ 220Акопян К.Л., Полегенько М.А., Аксенов Д.А., Желтова А., Аксенова М.В.  
БЗ МЭС по подбору автомобилей в 2023 году............................................................................ 220Алёшин А.Д., Ларионова А.П., Коноваликова С.А., Балабас А.Г., Семкин А.П. 
БЗ МЭС для выбора систем по работе с озёрами данных и нейросетями ................................ 227Бабин А.С., Барышников М.И., Балдин А.В., Булатова И.Г., Аксенова М.В.  
БЗ МЭС по подбору забегов ......................................................................................................... 235Баркалова И.В., Борисов А.М., Дудник М.В., Рыбина А.Д., Правдина А.Д.  
БЗ МЭС для подбора видеоигр 2023 ............................................................................................ 242Бессонова К.С., Ноздрова В.С., Попов А.Н., Галкин В.А., Горячкин Б.С. 
БЗ МЭС по подбору творческих хобби ........................................................................................ 249Бритвин Н.С., Козлов К.А., Аксенов Д.А., Гаврилов Л.Я., Галкин В.А. 

БЗ МЭС оценки риска приобретения финансового актива ........................................................ 255Воронина М.Ю., Балакшин Ф.А., Минуллина Е.М., Осипов А.В., Пасатюк А.Д.,  
Большаков С.А. БЗ МЭС для подбора авиабилетов в 2023 году............................................... 263Грызин А.Н., Черников А.Д., Ходосов М.А., Калистратов А.П., Кучеренко М.А. 
БЗ МЭС для определения типа личности пользователя ............................................................. 270Кириллов Д.С., Очеретная С.В., Петров И.А., Финк Д.Д., Ковалева Н.А. 
БЗ МЭС для генерации полей и форм ввода данных ................................................................. 276Лосева С.С., Жидков Е.И., Рудзинский В.В. 
БЗ МЭС подбора варианта защиты для игрового аккаунта ....................................................... 283Милушкина А.А., Донской М.Д., Осипов А.В., Аксенов Д.А., Канцерев П.Н., Пасатюк А.Д., 
Силантьева Е.Ю. БЗ МЭС для подбора кредита в 2023 году .................................................... 290Мирсонов В.А., Стадник Е.Р., Столярова О.Д., Семенов Д.В., Черненький С.В. 
БЗ МЭС по подбору элементов соединения металлических пролетных строений ................. 296Никитина К.В., Винников С.П., Тохсыров К.А., Черненький С.В., Шкуратова Л.П. 
БЗ МЭС по подбору ресторанов ................................................................................................... 304Погребенко С.Ю., Сирбай И.С., Крупин Г.С., Варламов О.О., Мацнев А.А. БЗ МЭС для 
оценки и уменьшения вероятности утечки информации в корпоративных сетях .................. 313Садовская А.В., Широков П.Ю., Аксенов Н.В., Горячкин Б.С. 
БЗ МЭС подбора досуга ................................................................................................................ 319Сорокин А.Э., Прус Е.Е., Слободчикова Ю.А., Семенов Д.В., Фурасов В.Д. 
БЗ МЭС подбора деревьев для ландшафтного дизайна ............................................................. 328Тарновский Д.Р., Кащеев М.С., Наказной Н.А., Воронова О.А., Воронцова А.В., Али Диб А.,  
Елисеева Е.А. БЗ МЭС подбора телефонов ................................................................................. 334Честнова Е.А., Федосеева Е.Ю., Ваганов Д.Д., Корчевский А.С., Кротов Ю.Н.,   
Дьяконова К.С. БЗ МЭС по подбору лекарственных форм для антибиотиков                             
и антимикотиков ............................................................................................................................ 339  

 
 

КОМПЛЕКСНЫЕ ПРОЕКТЫ ИИ ............... 349Анисимов Е.С., Осипов А.В., Канцерев П.Н., Стриженок О.А., Воронцов Н.А., 
Калистратов А.П. Подход к разработке системы мониторинга повышенной волатильности на 
бирже с использованием миварных технологий ......................................................................... 349Арепин А.В., Иванова А.Д., Полева В.В., Аксенов Д.А., Гаврилов Л.Я., Правдина А.Д. 

Комплексные системы искусственного интеллекта для  диагностирования COVID-19 ........ 356Белоусов Е.А., Громоздов Д.Р., Попов И.А., Большаков С.А. Модель комплексного 
искусственного интеллекта с интеграцией миварных экспертных систем .............................. 363Бондарь Д.Е., Михайличенко М.П., Сердюк М.С., Стриженок О.А., Желтова А.  

Комплексный ИИ: применение GPT-3 для  анализа программного кода ................................ 371Брюханков А.Д., Яшина Ю.И., Мацнев А.А., Адамова Л.Е., Горячкин Б.С., 
Бурмистрова М.В. Применение ИИ и виртуальной реальности при подготовке специалистов 
по работе с опасными грузами...................................................................................................... 378Васильченко Д.Д., Мартынова П.В., Балашов А.М., Антонов А.И., Булатова И.Г.   
МЭС для принятия решений в видеоаналитике .......................................................................... 384Егшатян А.К., Апрелов В.А., Волков А.А., Кшукин Р.А., Варламов О.О., Поташников М.Д., 
Булатова И.Г. Идентификация голоса с помощью нейронных сетей и МЭС .......................... 390Елизаров О.О., Вивчарук Р.В., Нестеров Ю.Г., Варламов О.О.  
Применение логики для системы технического зрения лесного ландшафта для БПЛА ........ 402Желтова А.А., Варламов О.О.  
Комплексный ИИ: анализ распознавания знаков на фотографиях ........................................... 412Зотов А.С., Дедух А.К., Коваленко И.А., Осипов А.В., Капитанов Д.С., Адамова Л.Е., 
Монахова А.А. О разработке скоринговой миварной системы для рекрутинга ..................... 418Ким Р.И., Варламов О.О. Об анализе возможностей языковых моделей BERT и CHATGPT    
в задачах понимания естественного языка для машиностроения ............................................. 424Киселев Д.Д., Попков А.А., Малгатаев В.И., Стриженок О.А., Халимонов А.М., 
Шкуратова Л.П. Необходимость создания комплексной системы искусственного интеллекта 
для обеспечения безопасности обращения цифрового рубля ................................................... 432Костина Д.О., Владимиров Д.Т., Коновалов В.В., Удалов А.А., Герасин В.Ю.,  
Поташников М.Д., Семкин П.С. О применении искусственного интеллекта                               
в кибербезопасности ...................................................................................................................... 439Магомедов А.М., Пиляк А.Д., Канцерев П.Н., Поташников М.Д., Маслеников К.Ю. 
Применение миварных технологий для предотвращения утечек конфиденциальной 
информации в DLP-системах ........................................................................................................ 445Матиенко А.П., Молева А.А., Селиверстова А.В., Якубов А.Р.   
Применение БЗ МЭС и нейронных сетей для извлечения информации из документов ........ 451Подпаскова Е.В., Сибгатуллина А.А., Курамшина Д.Р., Капитанов Д.С., Елисеева Е.А.          
О применении продуктов искуственного интеллекта для генерации цифровых     
изображений ................................................................................................................................... 456Пытайло Н.Е., Салахитдинов А.А., Ручкин Д.С., Стокроцкий К.В., Халимонов А.М., 
Балашов А.М. Применение миварных технологий логического  искусственного интеллекта   
в кредитно-финансовой сфере ...................................................................................................... 464Сысоев А.Н., Робертс Д.А., Сафиуллин А.П., Веденеева Е.И., Семенов Д.В. 
Решение задачи распознавания дефектов речи на основе МЭС ............................................... 470Тэт Вей Ян Со, Зо Хтет Аунг, Тимофеев В.Б., Варламов О.О. Комплексный ИИ: алгоритм 
системы обнаружения и отслеживания объектов в реальном времени и МЭС ....................... 476Фролов И.А., Яшина Ю.И., Мацнев А.А., Адамова Л.Е., Кротов Ю.Н., Али Диб А.     
Развитие технологии отбора заказа на складе «Pick By Vision» и логический искусственный 
интеллект ........................................................................................................................................ 483Черкашин С.Н., Буковец Д.А., Емелин А.О., Стриженок О.А., Базанова А.Г., Адамова Л.Е., 
Кучеренко М.А. О разработке МЭС и чат-ботов для повышения квалификации специалистов 
по разработке программного обеспечения .................................................................................. 489

МИВАРНЫЕ СПР РОБОТОВ ....................... 495Андреев А.В., Коценко А.А., Воронцов Н.А., Максаков А.А., Машкин К.В., Михеев В.А., 
Силантьева Е.Ю. Миварная система принятия решений роботов для поиска маршрута 
автономного транспорта маркетплейса ....................................................................................... 495Бушуев В.М., Алиев Т.М., Васянин Н.Н., Евсеев Г.А., Машкин К.В.,  Михеев В.А.,    
Монахова А.А. Автоматизированный процесс сборки изделий с использованием роботов       
с миварной системой принятия решений .................................................................................... 502Коценко А.А. Миварная система принятия решений для планирования трехмерных 
маршрутов роботов с учетом препятствий .................................................................................. 509Тищенков А.Д., Пономарёв В.С., Ростовский Д.Е., Шитов С.А., Стриженок О.А., Желтова А., 
Якубов А.Р. Миварная система принятия решений для электромобилей с рекомендациями по 
оптимальной скорости ................................................................................................................... 515Хуан Я., Чжан Ч., Ма Л., Ся Б., Тимофеев В.Б., Варламов О.О.   
Миварная СПР для управления автомобилями........................................................................... 522РАЗВИТИЕ МИВАРНОЙ ТЕОРИИ ............. 527Аладин Д.В. Подход автоматического построения миварных баз знаний для решения 
управленческих задач в технических системах .......................................................................... 527Аладин Д.В. Необходимость использования параллельной активации логических правил при 
решении управленческих задач в технических системах .......................................................... 533Борисочкин М.И., Незаметдинов Т.И., Пакало А.С., Плешаков В.И., Бурмистрова М.В. 
Проект системы подбора подпрограмм из открытых репозиториев с                 
использованием МЭС .................................................................................................................... 539Варламов О.О. Подготовка исходных данных для миварных БЗ СПР роботов ...................... 545Варламов О.О., Старчак С.Л., Смирнов А.А., Мельник Д.И., Григоренко В.М., Денисов Р.А., 
Смирнов Н.А. Проблемные вопросы использования миварных технологий логического 
искусственного интеллекта в задачах мониторинга жизненного цикла изделия и пути их 
решения ........................................................................................................................................... 552Зонова А.В., Лялин А.И., Носова Э.Ю., Тахтамышева А.А., Селиверстова А.В. 
Преобразование метаграфовой модели в миварную модель ..................................................... 566Коценко А.А. Автоматическая генерация миварных баз знаний для обеспечения трехмерного 
движения роботов .......................................................................................................................... 573Максимов Н.В., Варламов О.О. Большие знания: модели и средства представления, поиска   
и обработки знаний в задачах интеллектуальной деятельности ............................................... 579Варламов О.О. Большие знания: расширение областей применения миварных технологий 
логического ИИ .............................................................................................................................. 591
 
 
 
 

МИВАРНЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ 
 
УДК 004.891 

МЭС ДЛЯ ПОДБОРА ТЕХНИКИ ДЛЯ КОММУНАЛЬНЫХ СЛУЖБ 
 
Анцифров Н.С., Муханов Е., Фёдоров И.Н., Большаков С.А., Елисеева Е.А., Мышенков К.С. 
ФГБОУ ВО МГТУ им. Н.Э. Баумана, г. Москва, Россия 
 
Аннотация. Рассматривается создание миварной экспертной системы (МЭС) для 
подбора техники для коммунальных служб. В качестве основного инструмента для 
разработки используется программный комплекс КЭСМИ Разуматор. В данном 
программном комплексе реализуется миварная сеть знаний, построенная на базе отношений, 
правил, взаимосвязей и параметров, ограниченных предметной областью. Созданная 
миварная экспертная система 
осуществляет интеллектуальную систему выбора 
транспорта на основании его характеристик. Система позволяет выбирать одну из единиц 
техники из набора транспортных средств, ориентируясь на параметры запроса 
пользователя, которые в свою очередь представляют собой набор атрибутов конкретного 
транспортного средства. Выбор техники обусловлен специфическими особенностями 
каждой выполняемой работы. Миварная экспертная система по подбору коммунальной 
техники поможет работникам коммунальных служб в выборе наиболее подходящего 
транспортного средства из заданного множества. 
Ключевые слова: мивар, миварные экспертные системы, КЭСМИ, Разуматор, 
искусственный интеллект, подбор, техника, транспорт, коммунальная служба. 
 
MES FOR THE SELECTION OF TRANSPORT FOR PUBLIC UTILITIES 
 
Antsifrov N.S., Mukhanov E., Fedorov I.N., Bolshakov S.A., Eliseeva E.A., Myshenkov K.S. 
BMSTU, Moscow, Russia 
 
Abstract. The creation of a mivar expert system (MES) for the selection of transport for public 
utilities is being considered. As the main tool for development, the software package Wi!Mi 
Razumator is used. This software package creates a mivar knowledge network built on the basis of 
relationships, rules, associations and parameters limited by the subject field. The created mivar 
expert system realizes an intelligent transport selection system based on its characteristics. The 
system allows to select one of the units of transport from a set of vehicles, focusing on the parameters 
of the user's request, which in turn represent a set of attributes of a specific vehicle. The choice of 
vehicles is determined by the specific features of each work performed. The mivar expert system for 
the selection of municipal transport will help employees of public utilities in choosing the most 
suitable vehicle from a given set. 
Keywords: mivar, mivar expert systems, Wi!Mi, Razumator, artificial intelligence, selection, 
transport, vehicles, public service. 
 
Введение. Мегаполисы в настоящее время стремительно растут и развиваются. В связи 
с этим растёт и запрос на их обслуживание. Большим городам требуется всё больше средств, 
инструментов и транспорта для ухода за территорией: уборки улиц и снега, ремонта дорожных 
покрытий, обеспечению полива дорог и перевозки отходов. И чем обширнее городская 
территория, тем, как правило, больше применяется различного транспорта. Для 
коммунальных 
служб 
возникает 
проблема 
выбора 
подходящего 
транспорта 
для 
определенного вида работ. Решением этой проблемы может стать создание системы по 
подбору такого специализированного транспорта. Актуальность создания системы подбора 
техники для коммунальных служб заключается в её возможности целесообразного выбора 

определённой единицы техники и сокращении временных затрат коммунальных служб на 
поиск такого транспорта, подходящего под установленные задачи. 
Для решения этой задачи на логическом уровне целесообразно использовать миварные 
[1] технологии [2] логического искусственного интеллекта (ЛИИ) [3], которые позволяют 
находить решение с линейной [4] вычислительной сложностью [5] для задач в форматах 
продукционных [6] сетей «если – то» [7] или описания бизнес-процессов [8] в формате «вход; 
выход; действие» [9]. В настоящее время, миварные технологии ЛИИ применяют в различных 
областях, включая: гетерогенные [10] мультиагентные систем и группы роботов [11], для 
создания автоматизированных систем управления технологическими процессами [12], для 
автоматического тегирования изображений [13] и интеллектуального [14] распознавания [15] 
образов [16], для поиска [17] траекторий [18] роботов [19] и их комплексов [20] на основе 
миварного инфопространства [21], для обучения людей [22], управления образовательными 
[23] программами в вузе [24], смысловой [25] обработки потоков текстов [26], а также в 
медицине для диагностики сахарного диабета [27], автоматизации психодиагностики [28], 
определения безопасности применения компонентов крови [29] и для других областей [30].  
Отметим, что наиболее близкими аналогами, с математической точки зрения, для 
решения нашей задачи являются публикации по применению МЭС для подбора комбинации 
персонажей в игровом проекте GENSHIN IMPACT [31]; для подбора оправы для очков [32] и 
МЭС по подбору настольных игр [33]. Следовательно, использование МЭС необходимо для 
решения задачи подбора техники для коммунальных служб, выбор которой обусловлен 
специфическими особенностями каждой выполняемой работы коммунальных служб.  
Таким образом, тема работы актуальна и имеет важное значение для решения нашей 
проблемы. 
Цель и задачи проекта. Для достижения поставленной цели должны быть решены 
следующие задачи:  
анализ предметной области,  
разработка базы знаний для решения задач подбора техники,  
разработка самой миварной экспертной системы, 
проверка её работоспособности и адекватности получаемых результатов. 
Формализованное описание предметной области. Предметная область в данной 
системе – единицы транспорта коммунальных служб. Создадим математическую модель этой 
предметной области в формате миварных сетей [21].  
Весь транспорт принадлежит определенным классам («Мусоровоз», «Подметальная 
машина», «Вакуумная машина» и пр.), но в решении данной задачи подразумевается выбор 
единиц техники в рамках одного класса (например, выбор лучшего мусоровоза из заданных 
параметров).  
Каждое транспортное средство характеризуется следующим набором свойств: 
«Марка» – производитель техники; 
«Модель» – название модели у производителя; 
«Тип основного ТС» – принимает значения: «Грузовик», «Трактор» или 
«Самоходные»; 
«Область применения» – на каких работах применяется ТС («Уборка территории», 
«Уборка снега», «Функции полива», «Ремонт дорожного полотна», «Функции откачки», 
«Перевозка»); 
«Период использования» – когда можно использовать это транспортное средство 
(«Круглогодично», «Зимний сезон», «Летний сезон»); 
«Зона применения» – где может использоваться эта техника («Город», «Трасса»); 
«Тип кузова» – может принимать значения: «Кузов», «Контейнер», «Цистерна», «Без»; 
«Объём кузова» – число в м3, характеризующее объём кузова; 
«Способ загрузки» – может принимать значения: «Задняя загрузка», «Боковая 
загрузка», «Фронтальная загрузка», «Нет»; 

«Тип перевозки» – определяет возможность использования техники на маленьких или 
больших расстояниях («Локальный», «Транспортный»); 
«Наличие щёток» – присутствуют или отсутствуют щётки; 
«Количество щёток» – число щёток; 
«Вид щётки» – «Коническая», «Цилиндрическая», «Ленточная», «Нет»; 
«Вид устройства забора пыли» – «Транспортёр», «Труба с вакуумным захватом», 
«Нет»; 
«Обязательно 
наличие 
самосвала» 
– 
определяет 
возможность/невозможность 
использования техники с/без самосвала; 
«Оптимальный объём самосвала» – при использовании с самосвалом определяет объём 
кузова самосвала; 
«Наличие отвалов» – присутствуют или отсутствуют отвалы; 
«Тип отвала» – «Подъёмный», «Поворотный», «Нет»; 
«Объём отвала» – число в м3, характеризующее объём отвала; 
«Наличие пескоразбрызгивающего оборудования» – присутствует или отсутствует 
оборудования для разбрызгивания песка; 
«Наличие ёмкости для реагентов» – присутствует или отсутствует ёмкость для 
реагентов; 
«Наличие шнекоротора» – присутствует или отсутствует шнекоротор; 
«Наличие насосной установки» – присутствует или отсутствует насосная установка; 
«Тип насосной установки» – «Высокого давления», «Низкого давления», «Нет»; 
«Тип рабочего оборудования полива» – «Поливочные насадки», «Моечные насадки», 
«Водяная рампа», «Нет»; 
«Наличие ковша» – присутствует или отсутствует ковш; 
«Объём ковша» – число в м3, характеризующее объём ковша; 
«Наличие катка» – присутствуют или отсутствуют катки; 
«Количество катков» – количество катков; 
«Тип шасси» – определяет вид передвижения техники – на колёсах или на гусеницах. 
Каждое свойство, обозначенное в запросе пользователя, влияет на выбор техники. 
Практическая реализация модели в МЭС. В КЭСМИ создаются классы для решения 
задачи подбора транспорта (Рис. 1) 
Класс «Подбор транспорта для коммунальных служб» характеризует модель в общем. 
Класс «Запрос» нужен для ввода параметров пользователя, относительно которых будет 
выполнен подбор. «Класс для расчётов» содержит сервисные параметры, которые нужны для 
осуществления операции подбора. Класс «Предложение системы» необходим для вывода 
результата операции подбора транспорта. Классы «Транспорт1» 
– 
«Транспорт5» 
подразумевают хранение данных об определенных ТС. Из этих транспортных средств система 
будет определять наилучший вариант относительно параметров класса «Запрос». 

 
Рис. 1  Классы для решения задачи подбора транспорта. 

Наименования параметров в классах повторяются в виду определения предметной 
области (Рис. 2). 

 
Рис. 2 Параметры классов «Транспорт1» – «Транспорт5» на примере «Транспорт1». 

Описание алгоритма принятия решения с использованием МЭС. Предполагается, 
что сначала заполняются классы «Транспорт1» – «Транспорт5», которые хранят конкретные 
данные о транспорте. Эти классы представляют своего рода базу данных модели.  
Пользователем системы заполняется класс «Запрос». На параметры этого класса 
наложены ограничения для ввода. Модель МЭС основана на правилах, которые формируются 
на основе отношений сравнения параметров класса «Запрос» с параметрами класса 
«Транспорт». По результатам сравнения каждому параметру начисляется балл в «Классе для 
расчётов».  
После всех сравнений баллы по каждому классу «Транспорт1» – «Транспорт5» 
суммируются и транспорт с наибольшим количеством баллов выводится системой в класс 
«Предложения системы» в качестве наилучшего. 
В системе реализованы следующие отношения: «Совпадают текстовые поля?», 
«Числовые поля?», «Вывод» и «Подсчёт баллов». Отношение «Совпадают текстовые поля?» 
представляет собой условное отношение и даёт 1 балл параметру, если значения классов 
«Запрос» и «Транспорт» совпадают и 0 баллов – если не совпадают. К отношению привязаны 
правила, которые обеспечивают операции сравнения каждого текстового параметра каждого 
класса «Транспорт». Отношение «Числовые поля?» работает аналогичным образом – если 
параметр запроса больше или равен параметру класса – то система даёт 1 балл, если меньше – 
то 0. Отношение «Подсчёт баллов» обеспечивает вычисление суммы баллов по каждому из 
классов «Транспорт». Правило, привязанное к отношению, связывает параметры «Класса для 
расчётов» и сохраняет в выходной параметр баллы по «Транспорту». Отношение «Вывод» 
(Рис. 3), выбирает максимальный балл и выводит данные в класс «Предложение системы».