Software & Systems

Для принятия эффективных решений по управлению инновационными проектами в условиях нестабильной внешней и внутренней среды целесообразно использовать моделирование проблемных ситуаций. Задача разработки таких моделей особенно актуальна для высокотехнологичных отраслей промышленности. Инновационная деятельность этих рыночных субъектов характеризуется большим многообразием, высокими темпами роста продаж новых продуктов и услуг, зависимостью финансово-экономических показателей предприятия от результатов реализации инновационных проектов, высокой долей затрат на НИОКР в бюджете предприятия, необходимостью постоянного увеличения интеллектуального потенциала. Таким образом, управление инновационными проектами в высокотехнологичных организациях должно строиться с учетом перечисленных специфических факторов на основе использования принципов математического и имитационного моделирования, что позволит определить роль всех субъектов проекта, систему интеграционных связей между ними и повысить эффективность управления в целом в условиях сложности и многогранности протекающих инновационных процессов. Принятие решений по управлению инновационными проектами осуществляется в условиях нестационарной внешней и внутренней среды и должно учитывать взаимовлияние интересов всех субъектов рынка, так как это дает возможность не только скоординировать действия отдельных участников, но и повысить эффективность функционирования всей организационной системы в целом. Использование формализованных математических и инструментальных методов на различных этапах управления инновационными проектами позволяет обоснованно намечать цели и составлять планы инновационной деятельности, эффективно управлять рисками, оптимально использовать ресурсы и избегать конфликтов, увеличивать эффективность контроля, анализировать отклонения фактических и плановых показателей и вносить своевременные коррективы.

Известные способы моделирования охватывают аналитическое моделирование, аналитическое моделирование с элементами дискретно-событий­ного моделирования, дискретно-событийное моделирование с элементами аналитического моделирования, дискретно-событийное моделирование с элементами аналитического и/или агентного моделирования.

Одним из наиболее перспективных направлений являются мультиагентные системы (МАС). Мультиагентная технология – новая программная технология, которая для решения сложной задачи или проблемы использует системы, состоящие из множества взаимодействующих агентов [1]. Зарождение основ концепции связывается с появлением формулировки термина «агент» как некоторого интеллектуального посредника, необходимость возникновения которого объясняется желанием упростить стиль общения пользователя с программой через интерфейс. Другими словами, появление агента послужило попыткой увеличить интеллектуальность пользовательского интерфейса. С его помощью осуществляется замещение взаимодействия, задаваемого пользователем в виде команд и прямых манипуляций, на вовлечение его в процесс решения.

В настоящее время МАС является некоторой совокупностью интеллектуальных агентов, локализованных в отдельных звеньях в сети, перетекающих по ней в процессе поиска актуальной информации, знаний и процедур и координирующих свои действия в процессе выработки решений.

При разработке МАС предполагается, что каждый агент обладает ограниченным представлением о задаче и может решить только некоторую ее часть. В связи с этим решение комплексной проблемы требует организации взаимодействия агентов. В МАС задачи распределены между агентами – членами группы или организации. Разделение задач предполагает назначение ролей каждому из агентов, определение меры его ответственности и требований к опыту.

В общем случае мультиагентная модель управления инновационными проектами телекоммуникационного предприятия может быть представлена кортежем следующего вида: MS=, где A – множество агентов системы A={Ацентр_управ, Aфилиал}; Е – множество внешних сред, в которых функционируют агенты, не имеющие отношения к рассматриваемой системе E={Eконкур_р, Eконкур_н, Епотреб, Еорганы_управлен}; O – множество взаимодействий между агентами системы; D – множество коммуникативных актов взаимодействия между агентами, которые формируют протокол коммуникации D={D1, D2, D3, D4}: D1 – множество коммуни- кативных актов, имитирующих передачу информации, D2 – множество актов, имитирующих управление одних агентов другими, D3 – множество актов, имитирующих поиск потенциальных поставщиков услуг, D4 – множество актов, имитирующих запрос на подключение к предприятию-поставщику; Gi={G1, G2, …} – цели агентов системы: G1 – максимизация прибыли от продаж в регионе, G2 – минимизация расходов на формирование инфраструктуры в регионе; G0={G01, G02…} – цели агентов внешней среды: G01 – максимизация прибыли от продаж, G02 – минимизация расходов на формирование инфраструктуры в регионе.

На рисунке 1 представлена общая структура мультиагентной модели управления телекоммуникационным предприятием.

Одной из основополагающих проблем в построении мультиагентных систем является организация взаимодействия агентов. Как правило, коммуникации в мультиагентных системах основаны на теории переговоров, которые представляют собой прагматичные теории языка. Они отображают процесс использования людьми языка для достижения определенных целей.

Существуют два главных подхода к разработке языка коммуникации агентов – процедурный и декларативный [2].

В процедурном подходе коммуникации базируются на выполняемом содержимом, которое представляет собой исполняемый код на каком-либо языке программирования, например Java.

В декларативном – на утверждениях, таких как определения, допущения и им подобные. Большая часть реализаций декларативного подхода опирается на действия, такие как отправка сообщений.

Для организации общения между агентами необходимо иметь согласованный набор терминов. Их формальная спецификация называется онтологией. Практическая роль онтологий – определение совокупности понятий, в терминах которых будет осуществляться процесс проектирования. На рисунке 2 представлена диаграмма онтологии предметной области взаимодействия агентов на рынке телекоммуникационных услуг в нотации IDEF5.

Главными пользователями онтологий являются естественные и искусственные когнитивные агенты, а основной целью их построения – обеспечение взаимопонимания и совместной работы таких агентов. Здесь онтология используется и как метод представления информации, и как способ интеграции различных моделей знаний и управления знаниями в сети, и как формальный инструмент семантического анализа предметной области, и как средство поддержки коммуникации между агентами, в частности, реализации диалога между человеком и искусственным агентом. Как видно из рисунка 2, телекоммуникационное предприятие осуществляет поиск новых рынков сбыта, разрабатывает стратегии для проникновения на них. При этом предприятие для привлечения или переманивания новых клиентов посылает запрос на подключение. Для моделирования данного запроса как обособленного коммуникативного акта использован аппарат цветных сетей Петри [3]. Данная модель представлена на рисунке 3.

В соответствии с моделью на рисунке 3 коммуникативный акт «запрос» представляется следующим образом. Агент получает запрос и анализирует принятое сообщение на понимание. Если сообщение понято, агентом оцениваются собственные возможности для выполнения запроса. В случае, когда реализация запроса невозможна, агент посылает отправителю отказ. В противном случае запрос выполняется, отправителю посылается либо результат исполнения, либо подтверждение выполнения, либо сообщение о сбое в процессе реализации. Для облегчения моделирования и исследования пространства состояний был использован специализированный пакет для моделирования цветных сетей Петри – CPN Tools.

Таким образом, для реализации на практике взаимодействия между агентами мультиагентной системы необходимо построить аналогичным образом модели всех коммуникативных актов в нотации цветных сетей Петри в соответствии с онтологической моделью предметной области. Это значительно упростит их дальнейшую програм- мную реализацию и позволит проанализировать всевозможные коммуникационные операции, возникающие в процессе функционирования агентов.

Поведение всех агентов (последовательность принимаемых решений) должно носить адаптивный характер, то есть изменяться в зависимости от условий внешней и внутренней среды. В целом можно выделить следующие основные стратегии поведения агентов:

–      агрессивная: решения, принимаемые агентами, недостаточно проверяются и оцениваются; они оказываются недостаточно обоснованными и надежными, принимаются «с наскока»;

–      активная: при принятии решений агенты идут на сознательный риск;

–      осторожная: любое решение агента им проверяется и критически оценивается;

–      пассивная: решения агента становятся результатом осторожного поиска, в них преобладают контрольные и уточняющие действия;

–      инертная: решения характеризуются тщательностью оценки менеджером всех вариантов, сверхкритичным подходом к делу, что зачастую приводит к снижению эффективности деятельности агента.

На рисунке 4 показана процедура классификации моделей поведения агентов на основе прогнозирования показателей внешней и внутренней среды с использованием нейронных сетей [4, 5].

Таким образом, с точки зрения моделирования поведения агентов данные стратегии отличаются степенью обоснованности принимаемого решения.

Суть представленной классификационной модели заключается в следующем. На основании анализа статистической информации о состоянии факторов внешней и внутренней среды осуществляется прогноз их значений (нейронная сеть Хопфилда и Хэмминга, обобщенная регрессионная нейронная сеть). Далее полученные прогнозные значения являются входными параметрами для классификации (нейронная сеть Кохонена, нейро-нечеткая система, сеть векторного квантования). Использование нейронных сетей различного типа обусловлено отличиями в количестве и качестве исходных данных для обучения и анализа исходной ситуации.

Таким образом, предложенная структура МАС, совокупность коммуникативных актов для описания взаимодействия между агентами, а также методика выбора стратегии поведения отдельных агентов позволяют повысить эффективность процессов моделирования за счет улучшения адаптационных свойств модели и более естественного отображения окружающей среды.

Литература

1.     Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002. 352 с.

2.     Gmytrasiewicz P.J., and Durfee E.H. Rational communication in multi-agent systems. Autonomous Agents and Multi-Agent Systems Journ., 2001, no. 4 (3), pp. 233–272.

3.     Питерсон Дж. Теория сетей Петри и моделирование систем. М.: Мир, 1984. 264 с.

4.     Бояринов Ю.Г., Борисов В.В., Дли М.И. Методы построения и использования нечетких полумарковских моделей для анализа сложных систем // Информационные технологии моделирования и управления. 2011. № 1 (66). С. 43–55.

5.     Борисов В.В., Бояринов Ю.Г., Дли М.И., Мищен- ко В.И. Методы анализа сложных систем на основе нечетких полумарковских моделей // Нейрокомпьютеры: разработка, применение. 2011. № 8. С. 33–41.

References

1.     Tarassov V.B. Ot mnogoagentnykh sistem k intellektual­nym organizatsiyam: filosofiya, psikhologiya informatika [From multi-agent systems to intelligent organizations: philosophy, phy­chology, informatics]. Moscow, Editorial URSS Publ., 2002, 352 p.

2.     Gmytrasiewicz P.J., Durfee E.H. Rational communication in multi-agent systems. Autonomous agents and multi-agent sys­tems journ. 2001, no. 4 (3), pp. 233–272.

3.     Piterson Dzh. Teoriya setey Petri i modelirovanie system [The theory of Petri nets and systems’ modeling]. Moscow, Mir Publ., 1984, 264 p.

4.     Boyarinov Yu.G., Borisov V.V., Dli M.I. Design and using method of fuzzy semi-Markov models to analyse comlex systems. Informatsionnye tekhnologii modelirovaniya i upravleniya [IT for modeling and management]. 2011, no. 1 (66), pp. 43–55.

5.     Borisov V.V., Boyarinov Yu.G., Dli M.I., Mishchen- ko V.I. Analysing methods for comlex systems based on fuzzy semi-Markov models. Neyrokompyutery: razrabotka, primenenie [Neurocomputers: design and applications]. 2011, no. 8, pp. 33–41 (in Russ.).