Содержание к диссертации
Введение
Глава 1. Математические модели планирования набора слушателей 11
1.1. Модель объемного планирования 11
1.2. Модель формирования плана набора в условиях возможной трансформации ресурсов 18
1.3. Модель объемно-номенклатурного планирования 21
1.4. Модели планирования с дополнительными требованиями к области допустимых значений параметров управления 23
1.5. Учет дополнительных ограничений на план набора 25
1.6. Общая структурно-технологическая схема подсистемы оптамизационного планирования 27
1.7. Информационная поддержка подсистемы формирования плана набора 31
1.8. Пример использованием математической модели в технологии автоматизированного планирования 35
1.9. Краткие выводы по главе 1 42
Глава 2. Влияние неопределенности данных в задачах планирования набора в вуз 44
2.1. Концепция абсолютной реализуемости плана 45
2.2. Вероятностная концепция реализуемости плана 46
2.2.1. Прогнозная схема планирования 46
2.2.1.1. Модель планирования 47
2.2.1.2. Численное исследование влияния неопределённости на показатели доходности плана 49
2.2.2. Директивная модель планирования 54
2.3. Задача формирования набора как задача портфельного инвестирования 57
2.3.1. Формальная постановка задачи 58
2.3.2. Выбор оптимального плана 61
2.4. Краткие выводы по главе 2 67
Глава 3. Оценка и выбор ресурсов на основе концепции полезности ресурсов 69
3.1. Проблема выбора решений по многим критериям 69
3.2. Оценка и выбор решений (аппаратных и программных средств) по многим критериям 71
3.3. Оценка и выбор рабочих станций по многоуровневой системе критериев 81
3.4. Краткие выводы по главе 3 88
Глава 4. Организационное моделирование и информационная система управления вузом 89
4.1. Проектирование организационных структур 89
4.1.1. Предпосылки создания единой информационной системы вуза 89
4.1.2. Представление о бизнес-моделировании 90
4.1.3. Использование референтных моделей 92
4.1.4. Программное обеспечение классов Groupware и Workflow 93
4.1.5. Программное обеспечение класса Orgware 94
4.2. Создание модели ВУЗа с помощью пакета "БИГ- структуризатор" 97
4.2.1. Возможности программного обеспечения фирмы БИГ 97
4.2.2. Построение матрицы ответственности 99
4.2.3. Пример создания классификаторов для модели вуза 100
4.3. Информационная система управления вузом (ИСУВ) 104
4.3.1. Требования к ИСУВ 104
4.3.2. Принципы построения ИСУВ 106
4.3.2.1. Информационная модель управления вузом 106
4.3.2.1.1. Концепция развивающегося объекта 106
4.3.2.1.2. Информационная стратегия CALS 107
4.3.2.1.3. Единый язык информационного моделирования 108
4.3.2.1.4. Жизненный цикл развивающегося объекта 109
4.3.2.2. Архитектура ИСУВ 110
4.3.2.2.1. Корпоративная информационная система 110
4.3.2.2.2. Реализация ИСУВ 112
4.3.2.2.3. Хранилище данных 113
4.3.2.2.4. Оперативные БД и другие компоненты второго уровня 114
4.3.2.2.5. Клиентские части 115
4.3.3. Ядро оперативной БД ИСУВ 115
4.3.4. Подсистемы ИСУВ 119--,
4.3.4.1. Подсистема управления процессом обучения в вузе 1Т9
4.3.4.1.1. Требования к подсистеме 119
4.3.4.1.2. Прототип подсистемы управления процессом обучения в вузе 120
4.3.4.1.3. Прототип с возможностью формирования вьшиски для диплома 124
4.3.4.1.4. Прототип с поддержкой жизненных циклов объектов 127
4.3.4.2. Подсистема управления информационной структурой вуза 129
4.3.4.2.1. Требования к подсистеме 129
4.3.4.2.2. Прототип подсистемы управления информационной структурой вуза 130
4.4. Краткие выводы по главе 4 133
Заключение 134
Список использованных источников 136
Приложения 140
- Общая структурно-технологическая схема подсистемы оптамизационного планирования
- Директивная модель планирования
- Оценка и выбор решений (аппаратных и программных средств) по многим критериям
- Программное обеспечение класса Orgware
Введение к работе
Задачами применения вычислительной техники для информатизации учебного процесса в вузах, а также задачами автоматизации управления деятельностью вуза, как частично так и комплексно, занимаются практически все вузы, начиная с 60-х годов. Постановка и разработка задач базировалась на имеющейся в распоряжении вычислительной технике, а также существующих операционных системах и языках программирования. Участки для автоматизации деятельности и формы представления выходных документов выбирались с учётом специфики работы конкретного вуза.
В условиях плановой социалистической экономики со стороны государства делались неоднократные попытки унифицировать существующие АСУ высшей школы, предложить типовые подсистемы, сделать их совместимыми, основываясь на однотипном аппаратном и программном обеспечении. Наиболее широкое распространение в 80-х годах получила система, разработанная НИИ ВШ на базе АСОД «Марс», ориентированная на работу с семейством ЕС ЭВМ. Однако бурное развитие вычислительной техники, особенно персональных ЭВМ, предоставило ряд качественно новых возможностей для информатизации учебного процесса и создания АСУ вуза.
Преобразования последних лет в общественной жизни страны затронули и сферу высшего образования. В условиях недостаточного государственного финансирования вузов и расширения рыночных отношений на сферу образования перед вузами возникла задача «выживания» и закрепления на рынке образовательных услуг.
Экономические отношения, складывающиеся как в сфере образования, так и в её взаимодействии с другими областями социально-экономической деятельности общества, поставили перед руководством вузов ряд новых проблем по обеспечению его функционирования. Сфера образования перестала быть полностью планируемой и финансируемой только государством. Она рассматривается как часть национального хозяйства, функционирующая по общим экономическим законам. Продуктом основной деятельности вузов являются образовательные услуги, обеспечивающие одно из социально значимых общественных благ. Свойства общественного блага [53] определяют необходимость и возможность взаимодействия рьшочных и нерыночных механизмов регулирования производства образовательных услуг. Рыночный механизм исключает возможность для посторонних лиц извлекать пользу и выгоду из внешнего эффекта образования, не оплачивая его. Долгосрочный же характер и огромная масштабность внешнего эффекта образования приводит к необходимости государственного вмешательства и регулирования образовательного процесса. Государственное регулирование образовательного пространства обеспечивается государственными образовательными стандартами (ГОС), а также системой лицензирования, аттестации и аккредитации вузов.
В этих условиях руководство вуза вынуждено выбирать экономическую стратегию и оптимизировать принимаемые решения с учётом имеющегося ресурсного обеспечения. Большинство решений принимается в условиях высокого уровня неопределённости, который увеличивается с удалением предполагаемого события во времени. Образовательный же процесс в вузе растянут по времени от 4-х до 6-й лет, что придаёт исключительную важность анализу неопределённости данных в процессе принятия решений. Задачу в условиях неопределённости практически невозможно решить, используя строго формализованные методы и процедуры. Для решения таких задач применяется системный подход, в котором тесно переплетены элементы науки и практики. Конкретизация целей, условий ограничения, задействованных ресурсов, выбор альтернативных решений и пр. основывается на личном опыте и интуиции. После чего строится информационно-аналитическая модель принятия решений.
Сам типовой объект управления - высшее учебное заведение - является сложной системой с большим количеством «элементов»: студентов и преподавателей с многообразными связями между собой. В вузе есть специальности и направления подготовки. Специальности подразделяются на специализации, что заставляет делить учебные группы на подгруппы. Подготовка по направлению предусматривает бакалавриат и магистратуру. Студенты и преподаватели объединяются на лекционные, лабораторные и практические занятия с учетом ограничений на пропускную способность аудиторного фонда. Кроме аудиторных занятий есть еще зачеты и экзамены, курсовые и дипломные проекты, приемные экзамены и итоговая аттестация. Есть также ряд других ресурсоёмких позиций по обеспечению учебного процесса.
Учебный процесс невозможен без учебно-вспомогательного персонала, без мебели, ремонта помещений, освещения, отопления и телефона, без обслуживающих все это хозяйственных подразделений. Координация учебного процесса, а точнее, всей деятельности учебного заведения, осуществляется администрацией, на содержание которой также требуются средства.
Успешное решение возникших задач невозможно без привлечения современных математических моделей и методов, современных информационных технологий. Актуальной становится разработка автоматизированных информационно-аналитических систем, которые удовлетворяли бы потребности учебных заведений в современных средствах как планирования и управления их деятельностью, так и формирования содержания подготовки. Эти средства должны также позволять органам управления образованием контролировать соответствие учебных планов требованиям ГОС.
При составлении учебной программы должны учитываться возможности учебного заведения по ресурсному обеспечению учебного процесса. Основными ресурсами выступают преподавательские кадры, аудиторный фонд (площади), а также стремительно развивающиеся программные и технические средства современных информационных технологий. Ресурсный потенциал учебного заведения существенно влияет не только на планируемое 'содержание учебной программы, но и на объем набора. Стесненные материальные условия большинства учебных заведений заставляют их весьма ответственно подходить к проблеме пополнения весьма дорогостоящих ресурсов, какими являются средства информационных технологий. Для учебных заведений, имеющих платные формы подготовки, появляются новые аспекты этой проблемы, а именно, возможность формировать набор и ресурсный потенциал одновременно. А так как компьютеры пронизали практически все процессы деятельности вуза, являясь сами по себе дорогостоящим оборудованием, то в условиях различных ограничений (чаще финансовых) задача информатизации деятельности вуза становится тем более актуальной.
Целью работы является исследование и разработка методов и моделей планирования учебной деятельности вуза, а также информационных систем управления и поддержки учебного процесса в условиях рынка образовательных услуг.
Для достижения этой цели решаются следующие задачи:
Разработка математических моделей планирования набора с учётом имеющихся ресурсов и возможности их трансформации.
Анализ влияния неопределённости данных на эффективность плана в задачах планирования набора в вуз.
Оценка и выбор ресурсов на основе концепции их полезности.
Организационное моделирование деятельности вуза.
Разработка информационной системы управления вузом.
Разработка подсистемы управления процессом обучения.
Разработка подсистемы управления информационной структурой вуза.
Методы исследования. В работе используется системный подход к решению задач с применением методов линейного, целочисленного и динамического программирования, а также теории вероятностей и математической статистики.
Научная новизна работы состоит в следующем: - разработана и исследована оптимизационная математическая модель объёмно-номенклатурного планирования набора в вуз с учётом имеющихся ресурсов и возможностью их трансформации; исследовано влияние неопределённости данных в задачах планирования набора в вуз; исследованы функции перевода физических критериев в относительные, а также операторы агрегирования критериев в скаляр; - предложен подход к созданию подсистем управления вузом как к совокупности функциональных бизнес-процессов; - понятие жизненного цикла развивающегося объекта адаптировано на процессы деятельности вуза;
Практическая ценность полученных в работе результатов заключается в следующем: создана и отлажена математическая модель формирования объёмно-номенклатурного плана подготовки специалистов в условиях возможной трансформации ресурсного потенциала; разработана методика и проведены расчёты по учёту неопределённости данных в задачах планирования набора в вуз; разработана методика выбора решения по многим критериям для оптимизации компьютерного обеспечения вуза на основе концепции полезности ресурсов; разработан подход к построению организационной модели вуза и * принципы создания информационной системы управления деятельностью вуза; разработаны прототипы подсистем управления процессом обучения и управления информационной структурой вуза.
Автор защищает; - оптимизационную математическую модель планирования набора в вуз с учётом имеющихся ресурсов и возможности их трансформации; - методику учёта влияния неопределённости данных в задачах планирования набора в вуз; метод оценки и выбора ресурсов на основе концепции полезности ресурсов; подход к построению организационной модели деятельности вуза и принципы построения информационной системы управления вузом; реализацию прототипов подсистем управления процессом обучения и управления информационной структурой вуза.
Реализация результатов работы. Научные и практические результаты, изложенные в диссертации, внедрены и использованы в организациях: Снежинский физико-технический институт МИФИ; Московский государственный инженерно-физический институт; Озёрский технологический институт МИФИ; Московский институт повышения квалификации, на что имеются соответствующие акты внедрения.
Апробация работы. Основные положения результатов работы доложены на: НАУЧНОЙ СЕССИИ МИФИ-99 (Москва, 1999); И-й
Межвузовской отраслевой научно-технической конференции «Автоматизация и прогрессивные технологии» (Новоуральск, 1999).
Публикации. Полученные в работе результаты опубликованы в трёх статьях и по результатам работы выпущен научно-технический отчёт.
Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения, списка литературы и приложения. Содержит 162 страницы, в том числе 30 рисунков и 32 таблицы. Список использованных источников состоит из 66 наименований.
В главе 1 описаны математические модели планирования, учитывающие имеющиеся ресурсы и различные ограничения. Представлена оптимизационная модель планирования с ^возможностью трансформации ресурсов, а также приведены численные расчёты по моделям с использованием пакета LinProg, разработанного на кафедре Системного анализа МИФИ. «В главе 2 рассмотрено влияние неопределённости данных на эффективность задач планирования. Исследуются два подхода: безрисковый и вероятностный. Задача планирования набора сравнивается с задачей портфельного инвестирования.
В главе 3 анализируется проблема выбора решения по многим критериям. Рассмотрены методы агрегирования единичных критериев в комплексные и получение обобщённого критерия выбора. Приведён пример выбора рабочих станций по критериям «качество-цена».
Общая структурно-технологическая схема подсистемы оптамизационного планирования
Реализация представленных выше моделей формирования плана набора в составе прототипа автоматизированной системы предъявляет ряд специфических требований как к составу и структуре данных, необходимых для формирования параметров модели, так и непосредственно к технологии моделирования.
Вполне очевидно, что любая модель такой сложной задачи, как задача формирования плана набора слушателей, основанная на использовании методов математического программирования, в принципе не может учитывать всего многообразия факторов, влияющих на качество формируемого решения, поскольку эта задача по своей природе многокритериальная. При этом ряд критериев практически невозможно формализовать в терминах моделей математического программирования.
В этой связи, прежде всего, необходимо обозначить место оптимизацион-ной модели в общей технологии автоматизированного формирования плана набора. Это место предопределено двумя основными требованиями, которые предъявляются к системе, реализующей оптимизационную модель планирования.
Первое требование - это возможность многовариантных расчетов - расчетов с различными значениями исходных параметров (таких, как, например, нормативы затрат и объемы используемых ресурсов, данные по доходу вуза от обучения по различным специальностям и т.д.).
Второе требование - это возможность активного влияния на результаты расчетов путем внесения в модель дополнительных ограничений, которые в базовых моделях не учитываются. Примером подобного ограничения является ограничение на минимальное и/или максимальное количество слушателей, принимаемых вузом для обучения по какой-либо специальности. Удовлетворение этим требованиям обеспечивает возможность использования подсистемы оптимизационного планирования в качестве эффективного инструмента для аналитической работы по формированию плана набора.
Исходя из этого в рамках проведенных исследований разработана (с последующей детализацией) общая структурно-технологическая схема подсистемы оптимизационного планирования (рис. 4).
Блок 1. Формируется исходная информация для построения оптимизационной математической модели планирования. Эта информация включает "глобальные" параметры (общее количество специальностей, общее количество видов ресурсов, необходимых в учебном процессе) и параметры "локальные" (информация о количестве слушателей, продолжающих обучение по различным специальностям на разных курсах, нормативы затрат ресурсов, данные о стоимости обучения по различным специальностям на разных курсах, данные о возможности трансформации ресурсов и т.д.). Эта информация записывается в базу данных.
Блок 2. Пользователь корректирует исходные данные. Необходимость корректировки может быть обусловлена разными причинами. Например, когда нужно исследовать чувствительность полученного "оптимального" плана к изменению какого-либо параметра или этот план не отвечает требованиям, которые не могут быть формализованы в виде соответствующих ограничений базовой модели.
Блок 3. Как и любой пакет, ориентированный на решение задачи математического программирования, пакет "Linprog" предъявляет вполне определенные требования к форме представления решаемой задачи. Даже поверхностный взгляд на приведенные выше модели оптимального планирования позволяет оценить трудоемкость построения соответствующих моделей в форме задачи линейного целочисленного программирования на основе исходных данных, которые задаются в терминах предметной области. Блок 3 автоматически формирует задание для пакета, выполняя такие операции, как спецификация переменных ("REAL" или "INTEGER"), вычисление коэффициентов при переменных в ограничениях и в целевой функции, вычисление свободных членов.
Блок 5. Результат решения задачи линейного целочисленного программирования, полученный в блоке 4, автоматически интерпретируется для последующего анализа. Для всестороннего анализа этого результата, помимо решения поставленной задачи (план набора и значение целевой функции), в этом блоке формируется и дополнительная информация о плане преобразования ресурсов (если такое преобразование допускается) и о фактическом использовании ресурсов в течение планового периода.
Блок 6. Пользователь анализирует полученное решение. Анализ проводится с целью возможной корректировки параметров модели, причем решающими факторами для проведения этой корректировки, являются следующие:
1. Реализуемость плана набора. При автоматическом решении соответствующей задачи линейного целочисленного программирования количество слушателей, которое должно быть набрано по отдельным специальностям может превышать реальную возможность набора такого количества (просто потенциал региона не позволяет сделать этого). В этом случае в модель вносятся дополнительные ограничения на максимальное количество слушателей,в наборе по соответствующим специальностям.
2. Соответствие директивным установкам. В том случае, если набор по некоторым специальностям не обеспечивает достаточного уровня дохода, соответствующие специальности не будут фигурировать в автоматически сформированном плане (нулевой набор). Вместе с тем, может оказаться, что набор именно по этим специальностям необходим для реализации целей подготовки, которые выходят за рамки чисто "прагматического" подхода (максимум дохода). В этом случае в модель также вносятся дополнительные ограничения на минимальное количество слушателей в наборе по соответствующим специальностям.
3. Использование ресурсов. Как отмечалось выше , блок 5 предоставляет информацию о фактическом использовании ресурсов при реализации сформированного плана набора. Здесь наибольший интерес представляют полностью используемые ("критические") ресурсы. В данном случае результатом анализа может быть принятие решения по корректировке параметров модели, направленного на достижение одной из двух целей:
Директивная модель планирования
Задача портфельного инвестирования характерна для финансового рынка и заключается в выборе наиболее привлекательных финансовых инструментов и нахождении оптимальной структуры вложений в имеющиеся на рынке ценные бумаги. При зтом инвестор должен оценить риск вложений, связанный с неопределенностью доходности операции в момент заключения сделки. При вложении всего капитала в акции только одной компании доход или потери инвестора оказываются зависящими от колебаний ее курсовой стоимости, а при инвестировании капитала в акции нескольких компаний доход зависит от колебаний не одного курса, а усредненного. Средний курс колеблется меньше, поскольку при повышении курса одного актива курс другого может уменьшаться, и колебания взаимно погасятся.
Можно провести определенные параллели между задачей формирования портфеля ценных бумаг и задачей формирования набора при платных формах обучения. Если в первой задаче речь идет о выборе наиболее привлекательных финансовых инструментах, в качестве каковых выступают ценные бумаги, то во второй в качестве инструмента выступают специальности (направления). Инвестор решает задачу выгодного размещения некоторого капитала - заранее известной суммы. Для планирующего органа капиталом является ресурсный потенциал образовательного учреждения, интегральной оценкой которого может служить суммарная величина приема. Конечно, эта величина может варьироваться в определенной степени (правда, вряд ли существенно в сторону увеличения, поскольку образовательный процесс весьма ресурсоемкий и довольно инерционный). В задаче портфельного инвестирования ищутся доли капитала, направляемые на покупку тех или иных ценных бумаг, в задаче планирования набора требуется найти структуру приема, т.е. число обучаемых либо доли от общего объема приема на ту или иную специальность. И там, и здесь имеет место неопределенность в величинах доходностей, и как следствие, риск невыполнения обязательств. Неопределенность в задаче формирования набора связана с протяженностью процесса обучения, тогда как взимание платы производится поэтапно. За 4-6 лет действия программы обучения интерес к тем или иным специальностям может оказаться весьма изменчивым, и цены за обучение вслед за спросом будут меняться. Конечно, в задаче формирования плана приема неопределенность в оценках доходностей проявится не так существенно, как в задаче портфельного инвестирования: поступая в данное образовательное учреждение, обучаемый уже не столь легко переходит в другое, к тому же сам контракт может носить долговременный характер и содержать льготы по оплате при переходе с курса на курс. Однако утверждать, что неопределенность в силу этих факторов исключается полностью, вряд ли правомерно.
Эти две задачи существенно разнятся по объему доступной информации. В портфельном инвестировании имеется представительная статистика о доходно-стях тех или иных финансовых инструментов по результатам каждодневных торгов, тогда как в задаче формирования набора приходится ориентироваться на субъективные мнения экспертов.
Пусть доходность Cj j-й специальности (направления) величина случайная, ожидаемое значение доходности обозначим rtij = M[Cj], дисперсию (вариацию) -CTj = M[(Cj - mj) ]. В момент формирования плана приема планирующий орган ориентируется на предполагаемые значения доходностей, тогда как реально полученное значение может оказаться больше или меньше ожидаемого. Если ожидаемое значение доходности не отклоняется от ожидаемого (вариация доходности равна нулю), то нет неопределенности, а следовательно, и риска. Чем больше вариация, тем больше возможное отклонение, тем выше риск от включения дан-ной специальности в план набора. Вот почему в моделях портфельного инвестирования именно дисперсия либо квадратный корень из нее - среднее квадратиче-ское отклонение - выбираются в качестве меры риска. Конечно, этот выбор достаточно дискуссионен - реализованное значение случайной величины может отклоняться не только в неблагоприятную сторону от ожидаемого значения. Более корректно определять риск плана как верхнюю оценку вероятности того, что случайная величина Ср, представляющая совокупную доходность плана, примет значение меньшее, чем некоторая заранее определенная плановым органом доходность с , т.е. (Выражения для математического ожидания тр и дисперсии а2р выводятся ниже). Легко видеть, что такая мера риска является отношением двух квадратичных функций компонентов вектора плана. Заведомая нелинейность задачи сдерживает использования подобного критерия. Вот почему именно дисперсия стала основной мерой риска в финансовом анализе. Не в последнюю очередь это связано с относительной простотой получающихся моделей. К тому же по известной дисперсии случайной величины можно получить и другие содержательные оценки, например, вероятность достижения заданной величины доходности. Примем величину дисперсии доходности в качестве меры риска и в задаче формирования плана набора.
Оценка и выбор решений (аппаратных и программных средств) по многим критериям
В процессе проектирования учебных классов, принятия решений по совершенствованию учебного процесса принимается во внимание множество факторов, параметров, условий. Такие факторы, параметры, показатели будем называть критериями. При выборе наилучшего варианта решения приходится принимать компромисс между различными критериями, например, между ценой и качеством, ожидаемым эффектом и возможным риском. Для решения таких задач используются многокритериальные методы [1,9, 13, 19, 20, 46].
Основная проблема в решении многокритериальных задач (МКЗ) заклю чается в неоднородности пространства критериев, т.к. критерии (kj, j =1,2,...,m) измеряются в разных единицах измерения. Поэтому осуществляется переход от физических единиц измерения в относительные. В методах исполь зуются разные процедуры перехода [9, 29,46, 58, 61]. Следует подчеркнуть, что проблема неоднородности пространства критериев не решается полностью только переходом к относительным единицам, т.к. сравнить объекты по крите риям без указания предпочтения между критериями невозможно. Поэтому нуж но также определить важность критериев (коэффициенты относительной важ ности) Wy (j =1,2,...,m). Коэффициенты Wj задаются лицом, принимающим решения, экспертами и отражают структуру предпочтений, В некоторых случаях при определении Wj используются информационный подход, суть которого в том, что более информативному критерию придается большее значение Wj. Например, если некоторый критерий принимает одно и тоже значение для всех вариантов, то считается, что данный критерий не информативен с точки зрения выбора решения, и важность такого критерия мала, и его даже можно исключить из множества критериев. В качестве меры информативности критерия используются средне-квадратическое отклонение, формулу энтропии [9]. Другой проблемой МКЗ является агрегирование критериев в скаляр. В большинстве методов эта проблема решается с использованием различных операторов агрегирования. При этом вопрос обоснования применения того или иного оператора является основным. Анализ разных операторов агрегирования рассмотрен в разделе 3.2.
Третьей важной проблемой МКЗ является достоверность получаемого решения. Дело в том, что при решении МКЗ используется субъективная информация (множество критериев, их веса), поэтому возникает недоверие к получаемому рекомендуемому варианту решения. В большинстве случаев для оценки достоверности предлагается использовать анализ устойчивости результатов по отношению к субъективным данным. Если при изменении весов критериев Wj наиболее предпочтительный вариант остается неизменным, т.е. результат устойчив к весам, то доверие к нему выше.
В литературе, посвященной многокритериальным методам, рассматривается большое число методов. Выделим основные группы методов.
Интерактивные (человеко-машинные) методы. В основе этих методов положены эвристические алгоритмы выбора наиболее предпочтительных вариантов. К таким методам относятся «метод смещенного идеала» [9], PROMETHEE [57], ORESTE [61]. Методы данной группы просты для понимания и использования. Они позволяют сократить исходное множество вариантов для дальнейшего более детального анализа, но количественную оценку вариантов по предпочтению получить нельзя. Основной недостаток методов в том, что все критерии рассматриваются на одном уровне, и приходится задавать веса критериев, сравнивая очень разные по содержанию критериев. Например, сравнить и задать веса критериев: «срок гарантийного обслуживания поставщика оборудования» и «объем жесткого диска».
Использование функций полезностей для оценки вариантов. Наиболее известная книга по теории функций полезности [13], в которой приведены и примеры практического использования теории для решения практических задач. Этот подход к оценке решений позволяет строго обосновать выбор лучшего, однако очень трудоемок для использования, т.к. требует изучения и описания структуры предпочтений лица, принимающего решения. Поэтому подход используется для обоснования ответственных решений, когда для проведения исследований по выбору решения выделяются значительные временные и финансовые ресурсы. Кроме того, надо сказать, что не во всех случаях удается построить функцию полезности для оценки вариантов, особенно, когда число критериев достигает пятнадцати и более.
Метод оценки вариантов по многоуровневой системе критериев [9] объединяет указанные выше подходы и их достоинства. Множество критериев группируется в виде дерева критериев, листья дерева образуют единичные критерии, ветви - комплексные критерии, корень дерева - обобщенный критерий выбора. Проблема неоднородности пространства критериев решается заданием для каждого единичного критерия процедуры перевода в относительные единицы. Для каждой ветви дерева (комплексного критерия) задается оператор агрегирования - оператор вычисления комплексного критерия на основе нижележащих по дереву критериев. Параметрами оператора агрегирования являются и веса агрегируемых критериев.
После задания всех данных в интерактивном режиме производится анализ результатов оценки вариантов. При необходимости производится коррекция-настройка параметров процедур перевода, операторов агрегирования.
Метод позволяет с помощью экспертов построить и проконтролировать логику обобщенной оценки вариантов, тем самым аргументировать выбор варианта, провести исследование устойчивости оценок вариантов по обобщенному критерию. Наиболее эффективен метод при большом числе критериев.
Этот метод выбран в данной работе для оценки и обоснования решений по выбору проектных решений. В разделе 3.2 метод изложен применительно к задаче оптимизации одного из важных ресурсов вуза - компьютерному обеспечению.
Программное обеспечение класса Orgware
Основной задачей информационной системы управления вузом является обеспечение процесса управления вузом на основе разработанной математической модели управления вузом. Эта система должна охватывать все направления деятельности вуза: от управления процессом обучения до управления хозяйственной деятельностью, от управления информационной инфраструктурой до управления кадровым составом. Другим важным моментом является совместное использование информации и обмен данными между подсистемами, отвечающими за разные направления деятельности вуза. Например, данные о загрузке компьютерных классов из подсистемы управления информационной инфраструктурой должны использоваться в подсистеме управления успеваемостью для составления расписания, а информация о преподавателях из подсистемы кадрового учета и занятости преподавателей из подсистемы управления успеваемостью должна использоваться для расчета зарплаты в подсистеме хозяйственной деятельности. В то же время, для аналитической сводки, предназначенной руководителю вуза, необходима информация из всех подсистем.
Категория пользователей ИСУВ практически не ограничена: от потенциального абитуриента, выбирающего вуз для поступления, до ректора, изучающего отчет о деятельности своей организации. Таким образом, система должна быть в состоянии удовлетворить весьма широкий спектр информационных потребностей. Исходя из наличия совершенно разных групп пользователей, система должна, с одной стороны, обеспечивать максимальную открытость и простоту доступа, а, с другой стороны, жесткий контроль конфиденциальности некоторых видов информации.
ИСУВ должна реализовывать три основные функции. Во-первых, это должна быть справочная система, основная задача которой заключается в предоставлений доступа к некоторой информации. Например, студент вуза может сделать запрос о наличии книги в библиотеке. Во-вторых, система должна поддерживать множество оперативных баз данных, автоматизирующих бизнес-процессы вуза. Например, базы данных об успеваемости студентов, хоздоговорных работах вуза и их выполнении, компьютерном парке вуза и т.д. Наконец, в третьих, система должна играть роль средства поддержки принятия решений и экспертной системы для руководителей вуза и его подразделений. Сюда необходимо включить средства многомерного анализа данных, накопленных в оперативных БД, составление аналитических сводок, а также мониторинг и, по возможности, предотвращение всевозможных исключительных ситуаций в вузе (от сбоя сервера БД до хронической неуспеваемости учебной группы или неоплаченного счета в бухгалтерии).
Существуют и некоторые другие важные требования к ИСУВ: Возможность постепенного внедрения системы. Данное требование обусловлено тем, что одновременный переход всех служб вуза к использованию новой системы управления, скорее всего, приведет к хаосу и парализации работы, нежели к повышению эффективности деятельности; Поддержка «унаследованных систем». В настоящее время во многих вузах уже существуют работающие информационные системы, охватывающие небольшую часть деятельности вуза (обычно, это бухгалтерские системы). В таком случае, ИСУВ должна интегрировать в себя эти «островки автоматизации» и осуществлять обмен данными с этими системами; Расширяемость системы. Должна существовать возможность безболезненного дополнения ИСУВ новыми функциями; Смысловой контроль данных. В связи с тем, что данные в оперативных БД будут в дальнейшем использованы для принятия жизненно важных решений, является актуальным уделение повышенного внимания вопросам смыслового контроля при вводе в систему новых данных. Для построения информационной модели управления вузом предлагается воспользоваться концепцией развивающегося объекта [42]. Развивающимся объектом является объект, объем информации о котором увеличивается в течение всего времени его рассмотрения. Развитием является появление новых данных о значениях свойств объекта, а также выявление новых свойств и реструктуризация существующих. Например, книга в библиотеке, рассматриваемая без учета ее использования читателями, не является развивающимся объектом, т.к. полная информация о ней (библиографические данные) получается за один раз - сразу после поступления книги в библиотеку. С другой стороны, студент вуза является развивающимся объектом, т.к. объем информации о нем постоянно увеличивается (например, после каждого сданного экзамена).
Данные о развивающемся объекте (структура свойств и значения свойств) находятся в его информационной модели. Информационная модель развивающегося объекта содержит всю информацию, созданную об этом объекте. По сравнению с информационной моделью неразвивающегося объекта, информационная модель развивающегося объекта включает дополнительно модель поведения объекта, описывающую, в частности, механизм изменения структуры свойств развивающегося объекта.
Первоначально, концепция развивающегося объекта применялась по отношению к наукоемкому промышленному изделию (самолет, корабль, автомобиль), рассматриваемому на протяжении его жизненного цикла: от изучения рынка, через проектирование, производство, эксплуатацию до утилизации. Развитие в первую очередь выражалось в появлении новых свойств изделия при переходе его на новый этап жизненного цикла. Однако в виде развивающегося объекта можно представить и вуз, т.к. очевидно, что объем информации о нем не является константой. В таком случае, информационная модель развивающегося объекта будет содержать полную информационную модель вуза. Применение концепции развивающегося объекта становится еще более актуальным, если учесть, что современные методологии информационного моделирования (например, IDEF1X) не позволяют рассматривать объекты в развитии, ограничиваясь лишь «моментальным снимком» объекта. Следует добавить, что развивающийся объект может не быть атомарным и обычно состоит из других развивающихся объектов. Например, каждая деталь промышленного изделия сама по себе является развивающимся объектом и имеет свой жизненный цикл. То же самое можно применить и по отношению к вузу - он может включать в себя структурные подразделения, студентов, компьютеры и т.п. на разных уровнях иерархии, которые в свою очередь будут развивающимися объектами.
