ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2018

Системы компьютерной поддержки процессов анализа, синтеза и планирования решений в условиях неопределенности

Статья опубликована в выпуске журнала № 3 за 1999 год.[ 24.09.1999 ]
Аннотация:
Abstract:
Авторы: Андрейчикова О.Н. () - , ,
Ключевое слово:
Ключевое слово:
Количество просмотров: 9301
Версия для печати
Выпуск в формате PDF (1.07Мб)

Размер шрифта:       Шрифт:

Задачи анализа, синтеза, прогнозирования и планирования решений при неполной и неточной информации имеют место во многих сложных и плохо формализованных областях человеческой деятельности. К таким задачам можно отнести концептуальное проектирование технических объектов, выработку политики социально-экономического управления, разработку антикризисных программ и т.д. Компьютерная поддержка процессов решения подобных задач обеспечивает выработку наиболее перспективных и рациональных решений в условиях быстро изменяющегося окружения, что характерно для переходного периода развития России. Для обеспечения такой поддержки разрабатывается комплекс интеллектуальных программных систем на базе формальных методов анализа и синтеза решений.

Традиционная задача анализа или принятия решения заключается в выборе лучшего варианта из заданного набора альтернативных вариантов с использованием некоторого набора критериев качества. При этом право выбора и оценки вариантов полностью принадлежит лицу, принимающему решение (ЛПР). На практике достаточно часто встречаются задачи с двухсторонними требованиями, когда выбираемые объекты предъявляют определенные требования к ЛПР. В этом случае, кроме оценивания альтернатив по критериям, возникает задача бинарного синтеза, то есть подбора пары, для которой требования обеих сторон удовлетворяются в наибольшей степени. Примерами таких задач являются подбор производственных партнеров, выбор антикризисных мер, многие маркетинговые задачи и т.п. Задача синтеза является частью процесса принятия решений в том случае, если альтернативные варианты представляют собой сложные многоэлементные структуры, при этом существует возможность объединения в единый вариант различных подмножеств элементов. Например, формирование наиболее приемлемого инвестиционного проекта или программы развития региона будет включать процедуры синтеза различных мероприятий.

Существует множество признаков, по которым можно классифицировать задачи принятия решений. Одним из важнейших является вид отображения множества допустимых альтернатив в множество критериальных оценок. Детерминированный вид такого отображения соответствует задачам в условиях определенности, вероятностный – задачам в условиях риска, если вид отображения неизвестен, то имеем задачу в условиях неопределенности.

В данной работе рассматриваются методы решения задач анализа и синтеза в условиях неопределенности. Решение таких задач невозможно без привлечения знаний экспертов, а это вызывает необходимость использования методов искусственного интеллекта и создания интеллектуального программного обеспечения. Существующие в настоящее время подходы к разработке программного обеспечения для поддержки процессов принятия решений можно разделить на две группы: подходы на базе математических методов теории принятия решений и подходы с позиций искусственного интеллекта. В системах, построенных на математических методах, экспертная информация, как правило, представлена структурами данных, которые являются наиболее удобными для обработки. Такие системы обычно предназначены для пользователя-эксперта, а хранение и использование полученных в процессе решения задач знаний в них часто бывает не предусмотрено. В интеллектуальных системах информация, полученная от экспертов, хранится в базе знаний, основанной на той или иной модели представления, поэтому пользователем такой системы может быть не эксперт. И те, и другие системы обычно настроены на решение задач строго определенного класса. Создание интеллектуальных систем для поддержки процессов принятия решений основано на сочетании упомянутых подходов, а именно: в системе предусматривается хранение и накопление знаний экспертов, а в качестве инструмента обработки знаний используются математические методы.

Для анализа решений в условиях неопределенности исследовались методы анализа иерархий (МАИ), методы теории нечетких множеств и методы моделирования рассуждений. При использовании МАИ информация, полученная от экспертов, представляет собой иерархию целей, критериев и альтернатив. Оценка предпочтительности альтернатив по критериям и оценка важности критериев выполняется путем парных сравнений. МАИ дает результаты, которые хорошо согласуются с интуитивными представлениями экспертов. Недостатками метода являются ограничение на число одновременно сравниваемых объектов, длительная по времени процедура парных сравнений и допущение о взаимной независимости критериев. В разработанном программном обеспечении предусмотрены альтернативные методы оценивания, такие как нормирование количественных оценок и метод лингвистических стандартов.

На базе теории нечетких множеств разработаны разнообразные методы принятия решений. Проблемой сегодняшнего дня является выбор метода из широкого спектра, и решить ее может только хороший специалист. Разработанное нами программное обеспечение для поддержки процессов принятия решений на базе нечеткого подхода включает 5 методов: методы максиминной и аддитивной свертки, метод на основе нечетких отношений предпочтения, метод с использованием лингвистических векторных оценок и метод на правилах нечеткого вывода [1,2].

Установлено, что разные методы дают различные результаты. Это объясняется, с одной стороны, разными способами представления экспертной информации и, с другой стороны, различием подходов к принятию решений. Так, в основу МАИ и метода отношений предпочтения заложен рациональный подход, основанный на парных сравнениях и нормированных весовых коэффициентах. Максиминная свертка и лингвистическая векторная оценка являются реализациями пессимистического подхода, игнорирующего хорошие стороны альтернатив, когда лучшей считается альтернатива, имеющая минимальные недостатки по всем критериям. Аддитивная свертка предполагает оптимистический подход, когда низкие оценки по критериям имеют одинаковый статус по сравнению с высокими. Нечеткий вывод на правилах реализует эвристический подход, который дает наиболее широкие возможности для представления экспертной информации.

Проведенный анализ нечетких методов принятия решений позволяет сформулировать требования к дальнейшим разработкам в этой области. Это – развитие теоретических подходов к описанию сложных взаимоотношений между критериями, более широкое применение интеллектуальных методов на основе нечеткой логики, а также развитие комбинированных методов принятия решений с использованием нечетких представлений.

Для поддержки процессов двух- и многостороннего выбора разработано интеллектуальное программное обеспечение, в котором знания о каждом объекте выбора представлены описаниями свойств и требований, предъявляемых данным объектом к другим объектам. Оценки качества и требований могут быть лингвистическими или числовыми, формирующимися на основе некоторой шкалы. Для обработки знаний в системе предусмотрены различные подходы. Лингвистические суждения обрабатываются методами теории нечетких множеств. Для ранжирования числовых оценок применяется аддитивная модель выбора и метод с использованием лингвистических стандартов. Выбор объектов, удовлетворяющих некоторому набору требований, производится на основе различных мер сходства. Важность критериев выбора задается с помощью весовых коэффициентов, вычисляемых на базе парных сравнений. Представления о наилучшем подбираемом варианте можно также выразить с помощью правил. Программная система для решения задач двухстороннего выбора содержит базу знаний, блок обработки знаний, включающий реализации перечисленных выше методов, интерфейсные компоненты для заполнения базы знаний и решения задач. Разработанная система применялась для решения маркетинговой задачи при выборе технологии производства труб на Волжском трубном заводе, а также для подбора производственных партнеров Волгоградскому тракторному заводу.

Для решения задач синтеза многоэлементных систем с середины этого века применяется метод морфологического синтеза [1]. Главным недостатком морфологического подхода является игнорирование связей различного рода, которые существуют между элементами, и, как следствие, порождение слишком большого количества вариантов синтезируемой системы. Большую часть порожденных вариантов составляют нежизнеспособные системы. Множество сгенерированных вариантов системы на следующем этапе анализируется экспертами, задачей которых является выделение реализуемых альтернатив. Предлагаемый интеллектуальный подход к разработке программного обеспечения для морфологического синтеза основан на идее использования знаний экспертов в процессе синтеза. При этом морфологическая таблица описывается правилами порождающих грамматик, которые позволяют учитывать совместимость элементов и строить оценки эффективности синтезируемых вариантов. Такой подход позволяет существенно сократить число порождаемых вариантов и повысить их качество.

Рассмотренные подходы и методы анализа и синтеза решений могут использоваться для прогнозирования. Трудно переоценить значение прогнозирования последствий принимаемых решений. Для получения прогнозов не всегда можно использовать статистические подходы, так как статистика часто отсутствует. Разработка долгосрочных и стратегических прогнозов невозможна на основе статистического подхода, особенно в условиях быстро изменяющегося окружения. Поэтому применение экспертных методов для решения задач прогнозирования является весьма актуальным. Возможность прогнозирования приоритетов альтернативных вариантов решений предоставляет МАИ с динамическими суждениями, когда оценка предпочтительности задается не константой, а функцией, выбираемой экспертом либо из некоторого заданного набора, либо получаемой путем аппроксимации.

Методы интеллектуального синтеза использовались в системе интеллектуального планирования, в которой осуществляется синтез возможных сценариев развития ситуаций, оценка получаемых исходов и выработка политики, приводящей к наиболее желательным исходам.

Список литературы

1.   Андрейчиков А.В., Андрейчикова О.Н. Компьютерная поддержка изобретательства (методы, системы, примеры применения). – М.: Машиностроение, 1998. – 476 с.

2.   Андрейчикова О.Н. Разработка и исследование интеллектуальной системы принятия решений  на нечетких множествах. // Информационные технологии. – 1999. - № 7.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=952
Версия для печати
Выпуск в формате PDF (1.07Мб)
Статья опубликована в выпуске журнала № 3 за 1999 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: