Миварный подход [46-126, 303, 354-355, 503-504] развивается с 1985 года и включает две основные технологии:

1) эволюционные базы данных и правил (знаний) с изменяемой структурой на основе миварного информационного пространства унифицированного представления данных и правил, базирующегося на "тройке" "вещь, свойство, отношение", предназначенные для хранения любой информации с изменением структуры и без ограничения по объему и формам представления;

2) систему логического вывода или конструирования алгоритмов на основе активной обучаемой миварной сети правил с линейной вычислительной сложностью, предназначенную для обработки информации, включая не только логический вывод, но и вычислительные процедуры и сервисы.

В отличие от традиционных подходов, разделяющих хранение в базах данных, логический вывод и вычислительную обработку [226, 244-245, 264, 273, 328], миварный подход позволяет создавать многомерные и эволюционные системы, обрабатывающие информацию в реальном масштабе времени с совмещением логических выводов и вычислительной обработки [46-126, 303, 354-355, 503-504]. Основой многомерного эволюционного миварного подхода является то, что реальный мир существует сам по себе, а при изучении и познании некоторой предметной области человек представляет себе описание этого мира в виде начального трехмерного пространства, осями которого являются понятия: вещь, свойство и отношение. Эти три понятия – абстракции, удобные для описания реального мира. Отметим, что миварный подход – это современный подход для разработки интеллектуальных систем и, в перспективе, создания систем искусственного интеллекта [72].

Практика общения с коллегами на научных конференциях и дискуссиях показала, что необходимо сразу и четко формулировать, для каких систем был создан миварный подход. Дело в том, что, по признанию многих авторитетных ученых, их работы направлены на решение "игрушечных задач" с очень ограничивающими требованиями, например: замкнутость описания предметной области, не более 20-30 логических правил и т.п. На ранних этапах исследований такие постановки имели право на жизнь. Но миварный подход создавался для принципиально других систем, которые можно кратко называть глобальными познающе-диагностическими системами реального времени. По указанным выше примерам, для миварного подхода сразу было поставлено условие работы с открытыми и достаточно большими предметными областями, где счет логическим правилам идет на десятки тысяч. При этом стоит отметить, что были практически сняты ограничения на вычислительные ресурсы и прочие материальные ограничения, т.к. стояла задача оценки определения предельных возможностей таких систем.

Глобальные познающе-диагностические системы (ГПДС) должны решать задачу мониторинга и прогнозирования сложной предметной области. Обобщенная схема таких систем показана на рисунке 1.

Рисунок 1 – Схема познающе-диагностических систем реального времени

Отметим, что основой работы глобальных познающе-диагностические систем является информация – глобальная же модель предметной области, включающая и все данные, и все правила, и все отношения и т.д. В терминологии миваров это и есть эволюционная база данных и правил. Именно на ее основе можно по кратким фрагментам получаемых сообщений делать обоснованные выводы и прогнозы. Эти краткие сообщения представляют собой лишь горные вершины или вершины айсбергов, за которыми скрываются огромные описания, хранящиеся в базах данных.

Для решения задачи мониторинга и прогнозирования сложной предметной области (ПО) необходимо создать автоматизированную систему информационного моделирования и прогнозирования. Прежде всего, необходимо создать информационную модель предметной области и решить задачи сбора требуемых данных, обработки информации и прогнозирования развития объекта наблюдения. Эта классическая задача имеет большое множество возможных решений, зависящих от особенностей предметной области, имеющихся ресурсов, заданных требований по достоверности, своевременности, надежности, точности прогнозирования и т.п. В любом случае, необходимо выделение и создание трех подсистем:

· сбора данных;

· накопления и обработки информации;

· прогнозирования и имитационного моделирования.

Создание информационной модели сложной предметной области является творческой задачей с применением информационных технологий баз данных, экспертных систем, систем поддержки принятия решений, интеллектуальных систем и др. Успех решения задачи зависит от концептуального моделирования предметной области (выделяют концептуальный, логический и физический уровни моделирования ПО). Отметим, что анализ разработки существующих аналогов показывает необходимость изначального применения эволюционных (развивающихся, обучаемых) систем. В настоящее время существуют современные и перспективные методы моделирования самых сложных предметных областей в предельно жестких ограничениях и внешних условиях. К таким информационным технологиям относится отечественная технология создания самоорганизующихся программно-аппаратных комплексов оперативной диагностики (СПАКОД) на основе эволюционного многомерного информационного пространства универсального представления данных и правил [72, 46-126, 303, 354-355, 503-504].

При решении задач моделирования и прогнозирования сложных предметных областей невозможно изначально определить требуемые ресурсы и возможные проблемы. Такая задача относится к классу познавательных задач и не имеет однозначных, тем более, простых решений. Кроме того, задача мониторинга относится к классу диагностических задач, требующих обработки данных в реальном масштабе времени. Когда задачи познания и диагностики решаются одновременно, возникает наиболее сложный класс познающе-диагностических задач. В настоящее время для одновременного решения задач мониторинга и прогноза сложных реальных предметных областей не существует готовых информационных систем.

Однако, комбинируя существующие технические и программные решения, представляется возможным решить требуемую задачу мониторинга и прогноза сложных реальных предметных областей.

Например, технология самоорганизующихся программно-аппаратных комплексов оперативной диагностики позволяет постепенно по мере изучения (познания) предметной области эволюционно наращивать требуемые ресурсы как на программном, так и на аппаратном уровне.

Информационная модель создается с самого простого и минимального количества данных, а затем, по мере поступления новых данных из подсистемы сбора данных, происходит эволюционное наращивание информационной модели в подсистеме накопления и обработки данных. Далее появляется возможность выполнения прогнозирования на различные интервалы времени.