Software & Systems

Для наукоемких производств характерен проектно-технологический способ организации функционирования. Под проектом будем понимать комплекс взаимосвязанных мероприятий, направленных на достижение системой в заданный период времени и в установленном бюджете желаемых состояний (поставленных целей). Успешность проекта во многом определяется этапом целеполагания. В организационных системах цели фор- мулируются ЛПР. Конкретные варианты целей зависят от внешней обстановки, потребностей и мотивации ЛПР, его эмоционального состояния, структуры ценностей, представлений о компонентах ситуации выбора. В условиях постоянно изменяющейся внешней среды, неполной информированности, информационных атак, сложности проекта, взаимосвязанности целей в проектах нередки ситуации, когда отмеченные особенности ЛПР могут приводить к полаганию ложных целей, а в менее худших случаях к их неполной структурированности.

На практике при разработке проекта и его реализации возможности исполнителей зачастую неизвестны, результат выполнения его этапов будет зависеть от множества как случайных, так и неопределенных факторов. Большинство факторов, определяющих успешность проекта, имеют качественную природу, информацию о них можно получить только от эксперта.

Из-за сложности и неопределенности процесса целеполагания проекта при построении структуры целей необходимо сочетать этапы анализа и синтеза. Анализ направлен на обеспечение уменьшения неопределенности и сопряжен с полаганием подцелей. Целеполагание представляет собой многошаговый процесс, каждый шаг которого соответствует задаче и осуществляет анализ выполнения ограничений по времени, ресурсам, затратам и возможности достижения целей проекта, а затем по результатам анализа – корректировку целей проекта и множества возможных способов их достижения. В результате многошагового процесса анализа и полагания целей формируется иерархическая структура целей. Синтез направлен на формирование у ЛПР высокой степени убежденности в реалистичности и достижимости целей и реализуется путем имитации их осуществимости на основе способов действия для достижения намеченных подцелей. В результате многошагового процесса синтеза и мысленного достижения целей (целедостижения) формируется сетевая структура целей, или схема целедостижения.

Для описания анализа и синтеза полагания и достижения целей в теории и практике управления организационными системами и методологии системного анализа разработано большое количество моделей, методов, методик и рекомендаций: регулирование конечных целей надсистемами, требования к формулировкам целей и к структурам целей. Однако применение перечисленных средств в слабоструктурированных средах не обеспечивает обоснованность указанных процессов, приводит к ложным целям и логическим ошибкам в их структурах. Следствием формирования логически некорректных структур целей являются просчеты в проектах, нередко выявляемые в процессе их реализации и после завершения. Все это снижает эффективность и результативность проектов.

Этап целеполагания для обеспечения эффективности проекта при его реализации является основой для поиска подходов к решению проблемы логической правильности структуры целей и способов их достижения, гарантирующих высокую степень убежденности ЛПР в истинности целей и корректности их структур. Достижение подобного результата возможно при сочетании методов анализа и синтеза целей с одновременным выявлением скрытых резервов исполнителей и при по- вышении информированности ЛПР путем индуктивного обобщения индивидуального опыта всех участников процесса целеполагания. Вместе с установленными в психологии итеративным характером указанных процессов и тем, что адекватным языком интуитивного мышления является вербальный язык, это приводит к следующему заключению: для обеспечения логически правильного целеполагания, анализа и синтеза целей проекта и своевременного выявления и исправления ложных целей и некорректных структур целей необходимо дополнить указанные процессы моделированием рассуждений о целях, логическая семантика которых явным образом определяется семантикой целей и связей между ними, и выдать их результаты в виде семантических графов.

Подход состоит в системном представлении процессов целеполагания, целедостижения, анализа и синтеза целей. Это позволяет 1) обеспечить соответствие лингвистической и логической форм описания целей, 2) установить истинность или ложность утверждений о целях с их свойствами в зависимости от наличия или отсутствия в проектах соответствующих целевых ситуаций, 3) разработать семантическую модель структуры целей, 4) закрепить за логически корректными структурами целей по результатам анализа и полагания целей методологическую функцию, способствующую синтезу корректных схем целедостижения.

Постановка задачи генерации альтернатив, анализа и синтеза целей проекта в условиях неопределенности

Иерархическую структуру целей проекта как результат определения перечня целей проекта, которые должны быть достигнуты в результате выполнения проекта, и полагания структуры подцелей представим в виде графа Gпр, содержащего m уровней [1]

,                                                        (1)

где X – множество вершин, соответствующих целям всех i-х уровней, ; R – множество дуг графа, сопоставленных с множеством отношений подчинения целей верхнего уровня целям нижнего уровня и выражающих условия целедостижения.

В соответствии с (1) можно сформировать кортеж целей , где x0 – цели верхнего уровня;  – множество ji-х целей i-го уровня, подчиненных целям i–1-го уровня (); ji-1 – множество целей i–1-го уровня.

Сложный процесс построения планов проекта и его реализации можно выразить, упорядочив во времени граф Gпр, если предположить, что цели выдвигаются (становятся актуальными для реализации) в моменты времени . В результате получим граф , отражающий процесс целевого планирования проекта, который идет от вершины x0 в направлении вершин  нижнего уровня. Процесс реализации проекта будет идти в обратном направлении от достижения целей нижнего уровня к достижению целей верхнего уровня.

Обозначим через  вектор тех управлений, которые следует реализовать для достижения целей  m–1-го уровня, описываемых вектором . Очевидно, что  аналогично .

Рассмотрим процесс формирования целей k-го уровня, то есть подграф  графа . В этом подграфе xk – множество целей k-го уровня, в котором  – цели верхнего k-го уровня; , ,  – подцели , ; R – множество дуг, выражающих отношение подчиненности цели  подцелей ,  (см. рис.).

При формировании структуры целей уровня k решаются две задачи. Первая связана с обоснованием логической правильности введения целей вида  k-го уровня и полагания подцелей , . Вторая задача состоит в определении способов достижения целей k-го уровня и формировании на этой основе совокупности подцелей. Обе эти задачи направлены на выбор наиболее рациональной альтернативы структуры совокупности подцелей k+1 уровня.

Схема целедостижения в проекте. Всех участников проекта в первом приближении можно разделить на две группы – проект-менеджеры и исполнители. Участники проекта имеют собственные интересы, что выражается в форме активного поведения: субъективное восприятие окружения и потребности находит свое отражение в мотивах, определяющих цели, для достижения которых субъекты формулируют задачи, определяют содержание и формы деятельности, применяют соответствующие методы и средства.

Пусть целевая структура проекта имеет свое отражение в его организационной структуре. Тогда процесс целеполагания для k-го уровня в описанном выше смысле предполагает рассмотрение двухуровневой структуры, содержащей центр (менеджер k-го уровня управления проектом) и подчиненных ему исполнителей (в дальнейшем, по терминологии многоагентных систем, интеллектуальные агенты или просто агенты). Организация процесса целеполагания предполагает обмен информацией между центром и агентами для согласования представлений о технологических множествах подсистем и системы в целом и возможных альтернативных вариантов структуры проекта целей на этой основе.

Общая схема согласования в двухуровневой системе сводится к следующему. Центр на основе прошлого опыта формирует свое представление о возможностях агентов, формулирует проблему, определяет вариант структуры целей и способов ее реализации и ставит задачу. Агенты в соответствии со своими интересами и представлениями о возможностях разрабатывают собственные варианты и передают их в центр. Каждый вариант представляет собой векторный показатель, допустимый с точки зрения локальных ограничений. На основании получаемых вариантов центр корректирует представления о технологических множествах агентов, формирует план проекта, учитывающий локальные и глобальные ограничения, а также определяет предложения по расширению технологических множеств агентов. Этот план передается агентам, которые его детализируют и разрабатывают встречный план. Такой итерационный процесс при условии общности целей и разделяемых всеми систем ценностей и норм организации будет сходиться.

Для его реализации требуется выполнить анализ графа Gпр в процессе мысленного достижения целей k-го уровня с помощью средств, определенных в виде подцелей, начиная с m–1-го уровня. Логическая задача в этом случае заключается в обосновании логической правильности синтезированной структуры целей на каждом k-м уровне и требует привлечения знаний и опыта субъектов проекта и экспертов. Математическая задача состоит в предварительной оценке ресурсов, необходимых для достижения каждой цели рассматриваемого уровня проекта. За счет информации, получаемой от ЛПР и исполнителей, меняются число и содержание целей, а значит, граф Gпр преобразуется в граф GIпр, который назовем исполнительным планом проекта. Решение этих задач будем рассматривать как принятие решения в нечеткой обстановке.

Модель выбора интеллектуального агента

Поведение человека является результатом его когнитивной деятельности, которая придает ему целенаправленность. В психологии когнитивная деятельность рассматривается как процесс формирования мысленного образа (результата восприятия) и модели познаваемых и анализируемых объектов, процессов, явлений. В соответствии со сформированной моделью, исходя из фиксированных в сознании установок, правил, обычаев, прошлого жизненного опыта, знаний, вырабатывается отношение к наблюдаемому и анализируемому. Затем в зависимости от этого отношения и оценок степени адекватности объекта результату мысленного отображения и анализа субъект формирует свое поведение, вырабатывая программу действий своего участия (или различной степени участия вплоть до полного неучастия) в событиях, процессах, явлениях, которые он считает важными для себя. Процесс мысленного достижения целей k-го уровня агент рассматривает как выбор средств для перевода наблюдаемой им ситуации целеустремленного состояния в некоторое желаемое состояние. Модель выбора для этого случая, учитывающая субъективное поведение агента, рассмотрена в [2] и имеет вид

                             (2)

где  – оценка агента максимального выигрыша, который он мог бы получить, выполняя другую работу; S – окружение выбора, под которым понимается множество элементов и их существенных свойств, изменение в любом из них может стать причиной изменения ситуации целеустремленного состояния (или продуцировать это изменение); Cj,  – доступные способы действий агента, которыми он владеет и которые может использовать для достижения i-го результата (их еще называют альтернативами); Oi, – возможные при окружении S результаты (существенные для агента); EV – ценность целеустремленного состояния по результату для агента; EE – ценность целеустремленного состояния для агента по эффективности.

Модель принятия решений агентом в виде (2) дает возможность большей свободы в использовании субъективных представлений и суждений и содержит лингвистические переменные, что предполагает рассматривать ее как задачу нечеткого математического программирования.

Кроме того, формой выражения представлений на каждом уровне является модель, как правило, в некотором формализованном виде, позволяющем просчитывать возможные исходы в различных вариантах способов действия. Однако при моделировании сложных, слабоструктурированных предметных областей невозможно учесть достаточно большое число реальных факторов, поскольку это привело бы к чрезмерному усложнению модели. К тому же для модели характерны неопределенность и неполнота знаний. Поэтому в нее приходится вводить лишь ограниченное число таких факторов, которые по тем или иным соображениям считаются наиболее существенными. При этом возможны два подхода. Неучтенные в описании модели факторы можно считать абсолютно несущественными и полностью их игнорировать при принятии решений с использованием этой модели (четкие представления) или учитывать их влияние, допуская, что отклик модели на то или иное воздействие (выбор альтернативы) может быть известен лишь приближенно или нечетко (нечеткие представления).

Модель нечеткого описания целеустремленного поведения агента

Будем считать, что целью поведения агента является достижение им некоторого желаемого состояния – идеала. Цель реализуется через задачи, а задачи через итоги [2], что и определяет варианты структуры целей и задач. Итог определяет желаемый для агента результат за небольшой период времени  в определенном окружении выбора s: I(t, s)=

Задача представляет последний желаемый результат агента в последовательности итогов  Причем I1(t1, s1)

Цель представляет недостижимый результат W. Но к нему можно неограниченно приблизиться в последовательности решения задач Zv(tv, Sv) на интервале времени t1≤t≤tvIk-1(tk-1, sk-1) Zv(tv, Sv)

В процессе продвижения к цели и к задаче множество доступных агенту способов действия и множество возможных результатов могут быть фиксированными. В том случае, когда необходимо формировать в процессе продвижения дополнительно к старым новые способы действия и новые результаты, организуется их интерактивный поиск. Тогда

Нечеткие цели и ограничения проекта

Пусть задано  множество альтернатив проекта. Тогда нечеткая цель будет отождествляться с нечетким множеством G в X={x} с функцией принадлежности µG(x). Значение функции принадлежности является экспертной оценкой степени соответствия (или правдоподобности) четкого значения x нечеткому значению «достигнута». Функция принадлежности выполняет ту же задачу, что и функция предпочтительности, которая используется в многокритериальной задаче принятия решений.

Таким же способом определяем и нечеткое ограничение C в X={x} с функцией принадлежности µC(x). Значение функции принадлежности является экспертной оценкой степени соответствия (или правдоподобности) четкого значения x терму «выполнено».

Если имеется n целей и m ограничений, то нечеткое решение следует определить как нечеткое множество в пространстве альтернатив, получающееся в результате пересечения всех заданных целей и ограничений [3], то есть

Значение функции принадлежности µD(x) является экспертной оценкой степени соответствия (или правдоподобности) четкого значения x нечеткому значению «все цели достигнуты и все ограничения выполнены».

Рассмотрим множество точек в Х, в которых функция принадлежности µD(x) достигает максимума (если он существует). Тогда нечеткое подмножество DM из D будет называться оптимальным решением, если  для xÎK и 0 для остальных x.

Каждое решение из носителя множества DM будет являться максимизирующим решением. Это любая альтернатива из множества Х, которая максимизирует функцию µD(x). Если некоторые цели и ограничения имеют разную значимость, то решение D задается выпуклой линейной комбинацией целей и ограничений с весовыми коэффициентами, характеризующими относительную важность составляющих целей и ограничений  где ai, βj являются функциями принадлежности, такими, что  Значения ai, βj – это экспертные оценки степени соответствия (или правдоподобности) четких значений x нечетким значениям «самая важная цель» и «самое важное ограничение».

Рассмотрим теперь случай, когда цели и ограничения являются нечеткими множествами в различных пространствах. Пусть f представляет отображение из X={x} в Y={y} , где x – причина, y – следствие. Цели заданы как нечеткие множества G1, G2, …, Gn в Y, а ограничения как нечеткие множества C1, C2, …, Cm в Х. Тогда функция принадлежности задается выражением

Многошаговый процесс анализа и корректировки проекта в нечетких условиях

На шаге реализации проекта осуществляется адаптирующее воздействие (анализ, решение об изменении, корректировка). Эволюция проекта в этом процессе описывается следующими логическими соотношениями, представляющими логические законы (тавтологии):

Здесь xv, uv, zv и rv представляют состояние проекта: xv – план проекта; uv – план, откорректированный на шаге v=1, 2, …, N; zv – его задачи; rv – временные, финансовые, материальные и трудовые ресурсы, необходимые на шаге v=1, 2, …, N.

Отсюда можно получить

Считаем, что заданы начальное состояние x0 и фиксированное время окончания процесса N. Тогда задача управления проектом заключается в нахождении максимизирующего решения

Для ее решения можно применить принцип динамического программирования. Рассматривая последний шаг и повторяя процесс обратных итераций, получаем систему рекуррентных уравнений

Максимизирующее решение – это результат последовательной максимизации uN-v с помощью полученного выражения. Причем на шаге (N–v) осуществляется прогноз состояния проекта по откорректированному плану проекта uN-v на шаге (N–v+1).

В этом случае последовательность максимизирующих решений {u1, u2, …, uN-v, …, uN} обеспечивает одновременно максимальное значение степени соответствия состояния проекта его цели на последнем шаге N и всем видам ограничений на шагах процесса v=1, 2, …, N.

Алгоритм решения задачи по управлению проектом

В основе метода лежит схема последовательного анализа вариантов [4]:

–      разбиение множества вариантов решений задачи на несколько подмножеств, каждое из которых обладает дополнительными специфическими свойствами;

–      использование этих свойств для поиска логических противоречий в описании отдельных подмножеств;

–      исключение из поиска тех вариантов решений, в описании которых имеются логические противоречия.

Нечеткое множество решений разбивается на подмножества, соответствующие каждой цели проекта. Из них выбирается подмножество, соответствующее наименее достижимой цели. Далее из этого подмножества выделяется нечеткое подмножество решений, для которых степень убежденности в достижении выделенной цели соответствует порогу, принятому ЛПР.

В этом случае метод будет заключаться в реализации следующей интерактивной схемы.

1.     Осуществляем ранжирование на шаге (N–v) всех целей по степени их достижимости. Выбираем наименее достижимую цель, то есть Gmin.

2.     Корректируем на шаге (N–v) проект путем проектирования дополнительного подпроекта, состоящего из совокупности новых задач

3.     Определяем на шаге (N–v–1) значение функции принадлежности нечетких ограничений проекта:

4.     Если все оставляем без изменений, то все Æ. Тогда прогнозируемое значение функции принадлежности нечеткой наименее достижимой цели проекта будет равно

5.     Проверяем

6.     Если условие п. 5 не выполняется, исключаем этот вариант и проводим корректировку путем решения на шаге (N–v) задачи поиска максимизирующего решения.

7.     Определяем на шаге (N–v) значение функции принадлежности нечетких ограничений проекта:

Если при проведении корректировки некоторые  Æ, тогда прогнозируемое значение функции принадлежности нечеткой наименее достижимой цели проекта будет равно

так как m(uN-v-1)=1, и

Проверяем

8.     Если условие п. 7 не выполняется, исключаем этот вариант и проводим следующую корректировку путем решения на шаге (N–v) задачи поиска максимизирующего решения и т.д.

Математическая формализация максимизации плана проекта uN-v на шаге v=1, 2, …, N

Расчет степени достижения цели проекта и выполнения его ограничений на шаге (N–v+1), прогнозируемых на шаге (N–v), осуществляется в следующем порядке.

1.     Ранжирование всех целей по значимости. Выбор наиболее значимой цели.

2.     Просмотр всех представлений проекта.

3.     Определение подпроектов или задач проекта, обеспечивающих достижение этой цели.

4.     Оценка степени выполнения ограничений по ресурсам для этого подпроекта или задачи .

5.     Оценка степени правдоподобности импликации вида .

6.     Оценка степени правдоподобности импликации вида

7.     Расчет степени выполнения ограничений подпроекта или задачи

= =.

8.     Оценка степени правдоподобности выбора uN-v в состоянии проекта xN-v, то есть .

9.     Оценка степени правдоподобности импликации вида

.

10. Расчет степени достижения цели проекта и выполнения его ограничений на шаге (N–v+1), прогнозируемых на шаге (N–v), то есть

11. Проверка выполнения условия в убежденности в достижении цели проекта и выполнения его ограничений на шаге (N–v+1), то есть , переход к следующей по убыванию значимости цели и т.д.

Построение плана проекта осуществляется с помощью анализа его слабых и сильных сторон. Для этого специалисты в области создания проекта последовательно анализируют его цели в порядке убывания их значимости. При анализе сначала определяются задачи проекта, ресурсы и затраты. Если их недостаточно, вводятся дополнительные и проводится корректировка проекта. Перераспределяются затраты и ресурсы:

.

Нечеткие множества целей, ограничений, решений и импликаций для управления проектом

Описанная методика применялась при разработке проекта Тверского областного IT-бизнес-инкубатора.

Проект имеет следующие нечеткие цели.

G1 – проект является одним из мероприятий Тверской областной целевой программы поддержки малого предпринимательства в части создания инфраструктуры поддержки субъектов малого предпринимательства, а также первым шагом к созданию в Тверской области IT-технопарка (IT-кластера). Продукт, производимый инкубируемыми фирмами, высокотехнологичный, наукоемкий, инновационный. Это ПО, оборудование, услуги по обучению, внедрению и сопровождению, являющиеся коммерческими проектами, способными принести в будущем доход или повышение технологичности производства.

G2 – привлекательность IT-бизнес-инкубатора для талантливой молодежи, молодых перспективных специалистов в области IT-технологий, для молодых высокотехнологичных и инновационных субъектов малого предпринимательства, действующих в области программирования, удовлетворяющих критериям отбора.

G3 – за 10 лет работы бизнес-инкубатора будет выращено более 90 малых предприятий и создано более 900 рабочих мест (по состоянию на момент выпуска из бизнес-инкубатора).

G4 – выращенный не более чем за три года субъект малого предпринимательства должен иметь удовлетворительное финансово-хозяйствен­ное состояние.

G5 – бизнес-инкубатор является структурой для взращивания начинающих предпринимателей. Бизнес-инкубатор будет предоставлять помещения, оборудование, программные средства, средства коммуникации, а также оказывать информационные и консультационные услуги, содействие в получении финансовых ресурсов и в установлении деловых контактов, осуществлять организацию и проведение коллективных консультаций и семинаров, городских и региональных мероприятий, акций, конкурсов, издавать справочную литературу для предпринимателей.

G6 – управление бизнес-инкубатором будет осуществляться выбранной на конкурсной основе управляющей компанией, которая проведет все организационные работы, связанные с созданием и деятельностью бизнес-инкуба­тора.

G7 – экономическая эффективность. За первые десять лет функционирования IT-бизнес-инкуба­тора доходы страны почти в 5 раз превысят первоначальные инвестиции. Текущие расходы государства по содержанию бизнес-инкубатора равны нулю.

Каждой расплывчатой цели соответствует нечеткое множество. Для его построения рассмотрим множество базовых значений Х, содержащих множество состояний проекта х, соответствующих множеству альтернатив решений по корректировке, и множество нечетких значений цели, согласованное с множеством ее базовых значений.

F={«цель не достигнута», «цель достигнута на 25 %», «достижение цели 50 на 50 %», цель достигнута на 75 %», «цель достигнута»}.

Для каждого нечеткого значения можно построить нечеткое множество. Представляет интерес только следующее:

Значения функции принадлежности µ(x)=µ(x, «цель достигнута») оценивают степень соответствия (или правдоподобности) базового значения состояния проекта нечеткому значению его цели «цель достигнута». Для определения этих значений используется метод фокус-групп. Значения можно вычислять по соотношениям метода экспертных оценок. При этом могут применяться балльные оценки, оценки ранжирования и оценки парных сравнений. Например, при применении наименее трудоемких балльных оценок сначала перечисляются пары (x, «цель не достигнута»), (х, «цель достигнута на 25 %»), (х, «достижение цели 50 на 50 %»), (х, «цель достигнута на 75 %»), (х, «цель достигнута»). Наиболее правдоподобной паре присваивают максимальное значение балла 1, или 10, или 100. Значение балла следующей паре по убыванию степени соответствия эксперты определяют как долю балла первой оценки, используя ряд значений от 0 до 1 (соответственно 10 или 100) баллов с интервалом в 1:20 этого максимального значения, то есть с интерва- лом 0,05 (0,5 или 5) балла. Далее оценки нормируются.

Достоверность оценок достигается не проверкой статистических гипотез, а применением качественных методов, применяемых в практической социальной психологии с использованием дискуссий. В процессе проведения дискуссии экспертов (членов фокус-групп) о значениях функции соответствия определяются осредненные и позиционные значения, то есть несколько значений, соответствующих каждой оппозиции экспертов.

Нечеткие ограничения проекта представляют ограничения С1 по материальным ресурсам, С2 – по трудовым и С3 – по финансовым. Таким образом, С=С1ÇС2ÇС3.

Для построения нечетких множеств ограничений рассмотрим множество базовых значений U, содержащее множество планов проекта u, соответствующих множеству альтернатив решений по корректировке, и множество нечетких значений планов проекта, согласованное с множеством ее базовых значений.

F={«ограничение не выполнено», «ограничение выполнено на 25 %», «ограничение выполнено 50 на 50 %», «ограничение выполнено на 75 %», «ограничение выполнено»}.

Для каждого нечеткого значения можно построить нечеткое множество. Представляет интерес только такое:

Значения µ(x)=µ(x, «ограничение выполнено») оценивают степень соответствия (или правдоподобности) базового значения плана проекта нечеткому значению его ограничения «ограничение выполнено». Для определения этих значений используется метод фокус-групп. Значения могут вычисляться по соотношениям метода экспертных оценок.

Логическая переменная (xN-v, uN-v) соответствует событию, которое заключается в том, что на шаге (N–v) проект переходит из состояния xN-v путем проведения его корректировки uN-v.

Для построения нечетких множеств ограничений рассмотрим множество базовых значений (х, u)ÎX´U, содержащее множество X´U, соответствующих множеству пар альтернатив решений по корректировке и состояний, и множество нечетких значений пар состояний и планов проекта, согласованное с множеством ее базовых значений.

F={«неправдоподобно», «правдоподобно на 25 %», «правдоподобно 50 на 50 %», «правдоподобно на 75 %», «правдоподобно»}.

Логические переменные , (rN-v® ®(uN-v, xN-v+1)) и  соответствуют событиям-импликациям, которые заключаются в том, что на шаге (N–v) событие-причина, например (xN-v, uN-v), приводит к следствию, например xN-v+1.

Для построения нечетких множеств событий-импликаций рассмотрим множества их базовых и нечетких значений.

F={«неправдоподобно», «правдоподобно на 25 %», «правдоподобно 50 на 50 %», «правдоподобно на 75 %», «правдоподобно»}.

Для нечетких значений можно построить нечеткое множество:

Значения µ(событие)=µ(событие, «правдоподобно») оценивают степень соответствия (или правдоподобности) базового значения нечеткому. Для определения этих значений используется ме-

тод фокус-групп. Значения могут вычисляться по соотношениям метода экспертных оценок.

В заключение отметим следующее. В работе показано, что надежность целеполагания проекта для слабо структурированных сред можно существенно повысить путем включения этапа целедостижения. Моделирование процесса целедостижения позволяет сформировать у всех участников проекта общее знание о предметной области. Достигается это решением задачи нечеткой согласованной оптимизации со встречным способом сообщения агентами информации о своих возможностях. Задача центра состоит в стимулировании участников проекта в росте своего потенциала путем поиска внешних и внутренних ресурсов и резервов.

Литература

1.     Лукьянова Л.М. Целеполагание, анализ и синтез целей в сложных системах: модели и методы исследования // Изв. РАН; ТиСУ. 2007. № 7. С. 100–113.

2.     Виноградов Г.П., Кузнецов В.Н. Моделирование поведения агента с учетом субъективных представлений о ситуации выбора // Искусственный интеллект и принятие решений. 2011. № 3. С. 58–72.

3.     Беллман Р., Заде Л. Принятие решений в расплывчатых условиях / Вопросы анализа и процедуры принятия решений; [под ред. И.Ф. Шахнова]. М.: Мир, 1976. С. 172–215.

4.     Михалевич В.С., Волкович В.Л. Вычислительные методы исследования и проектирования сложных систем. М.: Наука, Глав. ред. Физматлит, 1982. 287 с.