Содержание к диссертации
Введение
ГЛАВА 1 Подходы к поддержке принятия решений 12
1.1 Задача принятия решения в условиях неопределенности 12
1.2 Модели представления знаний, применяемые для поддержки задач принятия решений 25
1.3 Системы поддержки принятия решений 34
1.4 Цели и задачи исследования 43
ГЛАВА 2 Построение интегрированного механизма рассуждений 46
2.1 Интеграция рассуждений по прецедентам с рассуждениями по правилам и качественными рассуждениями 46
2.2 Требования к представлению прецедента и экспертных знаний . 52
2.3 Описание прецедента задачи принятия решения 65
2.4 Подход к поддержке принятия решения с использованием рассуждений по прецедентам, рассуждений по правилам и качественных рассуждений 75
ГЛАВА 3 Алгоритмы функционирования интегрированного механизма рассуждений 84
3.1 Поиск прецедентов 84
3.1.1 Глобальные меры близости прецедентов 85
3.1.2 Локальные меры близости прецедентов 90
3.1.3 Алгоритм выборки прецедентов
3.2 Алгоритм адаптации прецедентов 115
3.3 Оценка прецедентов 124
Выводы по главе 3 128
ГЛАВА 4 Система поддержки принятия решении в области управления водохозяйственной системой 130
4.1 Разработка автоматизированной системы поддержки принятия решения 130
4.1.1 Функциональная структура 131
4.1.2 Архитектура системы
4.2 Методика управления водохозяйственной системой с использованием разработанной системы 142
4.3 Тестовый пример 144
4.4 Оценка эффективности разработанной системы 158
Выводы по главе 4 166
Заключение 167
Список литературы
- Модели представления знаний, применяемые для поддержки задач принятия решений
- Требования к представлению прецедента и экспертных знаний
- Локальные меры близости прецедентов
- Методика управления водохозяйственной системой с использованием разработанной системы
Введение к работе
Актуальность темы. Многокритериальные задачи принятия решения составляют широкий класс задач, встречающихся при планировании, управлении, инженерных разработках. Зачастую при решении данных задач необходимо учитывать интересы субъектов, преследующих разные цели, которые выдвигают противоречивые критерии для оценки альтернатив. Среди данных задач особым образом выделяются задачи, в которых в качестве альтернатив выступают составные наборы управляющих воздействий, сложным образом влияющие на значение каждого из критериев.
Особенностью данного класса задач является то, что лицо, принимающее решение, не может рассчитать значение критериев для выбранной альтернативы и оценить последствия принимаемых решений из-за необходимости учета множества качественных и количественных параметров и взаимного влияния управляющих воздействий, что влечет за собой замедление процесса принятия решения и снижение его качества и обоснованности. Данные задачи относятся к классу задач принятия решений в условиях неопределенности.
В качестве примера такой задачи была рассмотрена задача управления водохозяйственной системой реки, которая представляет собой непрерывный процесс реализации управляющих воздействий (например, увеличить высоту дамбы, произвести очистку дна) с целью как обеспечения наиболее благоприятных условий хозяйствования, так и предотвращения разрушительных последствий паводков и сохранения экологического баланса реки. При этом задача выбора управляющих воздействий осложняется наличием нескольких хозяйствующих субъектов (экологи, рыболовы, туристические компании), преследующих взаимоисключающие цели и сложностью построения модели водохозяйственной системы реки для прогнозирования отклика системы на реализацию тех или иных управляющих воздействий. Данная задача сводится к многокритериальной задаче принятия решения, в которой в качестве альтернатив выступают наборы управляющих воздействий, а в качестве критериев - оценка ситуации с точки зрения различных хозяйствующих субъектов.
Одним из способов обеспечения более качественного и быстрого принятия решения для данного класса задач является использование специальных систем поддержки принятия решений. Реализация такой системы подразумевает разработку формального представления знаний в предметной области и автоматизацию процесса принятия решения с использованием этих знаний. Существенный вклад в изучение проблем представления знаний и автоматизации
рассуждений на знаниях внесли Д.А. Поспелов, В.Н. Вагин, В.М. Курейчик, Г.С. Осипов, А.А. Зенкин, Г.Д. Волкова, И.Ю. Петрова, П. Уинстон, П. Джексон, Дж. МакКарти.
Важными особенностями рассматриваемого класса задач принятия решения являются использование экспертами как качественной, так и количественной информации, а также накопленного опыта - знаний о ранее решенных задачах, аналогичных данной. Анализ текущего процесса принятия решения показал, что основные знания, используемые экспертами для выбора управляющих воздействий, сформулированы неявно в виде опыта, в то время как явные знания, сформулированные в виде экспертных правил и качественных зависимостей используются для адаптации ранее полученного решения к текущей ситуации.
Исследование существующих средств поддержки процесса принятия решения, в том числе в сфере экологии, на примере работ Варшавского, Сараєва, Бергмана (Bergmann), Альтхоффа (Althoff), Ванга (Wang), Жанга (Zhuang), Кек-карони (Ceccaroni) показало, что существующие модели и алгоритмы не могут быть применены для поддержки рассматриваемого класса задач принятия решений, так как не учитывают их специфические свойства: наличие нескольких заинтересованных субъектов; невозможность оценить последствия принимаемых решений; описание задачи управления содержит множество качественных и количественных параметров; на разных этапах решения задачи управления эксперты используют разные типы знаний.
Поэтому актуальной задачей является разработка интеллектуальной системы поддержки принятия решений, учитывающей особенности рассматриваемого класса задач, использующей разнородные знания экспертов для поддержки лица, принимающего решение, а также разработка архитектуры и принципов функционирования данной системы.
Цель работы состоит в повышении качества и обоснованности принимаемых решений при определении управляющих воздействий за счет организации интеллектуальной поддержки процесса принятия решения на основе интеграции рассуждений по прецедентам, качественных рассуждений и рассуждений по правилам.
Для достижения данной цели были поставлены и решены следующие задачи:
1. Исследовать процесс решения многокритериальной задачи принятия решения в условиях неопределенности на примере задачи управления водохозяй-
ственной системой реки, проанализировать средства и методы интеллектуальной поддержки процесса принятия решений;
Разработать подход к поддержке задачи принятия решения с использованием рассуждений по прецедентам, рассуждений по правилам и качественных рассуждений. Сформулировать требования к способу представления экспертных знаний, используемых в процессе поддержки принятия решения;
Для предложенного подхода разработать общий алгоритм поддержки принятия решения, а также алгоритмы поиска, адаптации и оценки прецедентов;
На основе разработанных моделей и алгоритмов спроектировать и реализовать автоматизированную систему интеллектуальной поддержки принятия решений, провести тестирование и апробацию разработанных алгоритмов поддержки принятия решения.
Объектом исследования настоящей диссертации являются задачи принятия решения в условиях неопределенности. Предметом исследования являются методы рассуждения по прецедентам и качественных рассуждений в аспекте их применения в системах поддержки принятия решений. В качестве методов исследования в работе были использованы методы системного анализа, методы искусственного интеллекта, теория принятия решений, методы анализа бизнес-процессов, а также применялись положения теории объектно-ориентированного проектирования программных систем и теории проектирования баз данных.
Научная новизна результатов, выносимых на защиту, заключается в следующем:
предложен подход к поддержке принятия решений с использованием рассуждений по прецедентам, рассуждений по правилам и качественных рассуждений. Отличием данного подхода от существующих является интеграция качественных зависимостей и экспертных правил, формализованных в виде онтологии, в процессе поддержки принятия решения;
на основе предложенного подхода разработаны алгоритмы решения задачи принятия решения:
a. алгоритм поиска прецедентов, отличающийся от известных использова
нием меры близости совместно с показателем эффективности, что по
зволяет проводить поиск прецедентов с учетом приоритета различных
хозяйствующих субъектов;
b. алгоритмы адаптации прецедентов и оценки результатов адаптации, от
личающиеся от известных использованием экспертных правил и вывода
по ним на онтологии, и качественной модели поведения объекта, формализованной с помощью онтологии. Положения, выносимые на защиту:
Алгоритм решения задачи принятия решений с использованием рассуждений по прецедентам, рассуждений по правилам и качественных рассуждений;
Алгоритм поиска прецедентов с использованием критерия эффективности и модели представления прецедента в виде онтологии;
Алгоритм адаптации прецедентов с использованием экспертных правил и вывода по ним на онтологии;
Алгоритм оценки прецедентов с использованием качественной модели поведения объекта.
Практическая ценность полученных результатов.
Работа была выполнена при поддержке грантов РФФИ (проект 05-08-17930-а, 2006-2008 гг.), а также совместного гранта Министерства образования и науки РФ и DAAD «Михаил Ломоносов II» с прохождением стажировки в университете г. Ганновер, Германия в 2008-2009 гг.
Предложенные модели и алгоритмы реализованы в виде автоматизированной системы интеллектуальной поддержки принятия решений при управлении водохозяйственной системой реки Эльба в границах национального заповедника земли Саксония-Ангальт. Создана тестовая база знаний. Проверена работоспособность автоматизированной системы при управлении водохозяйственной системой; проведена оценка эффективности предлагаемых алгоритмов.
На разработанную автоматизированную систему и базу знаний были получены свидетельства о регистрации в РосПатенте № 2010620572, № 2010620562, № 2010613010, № 2010613007.
Достоверность полученных результатов подтверждается теоретическим обоснованием разработанных подходов, а также результатами тестирования программного обеспечения, разработанного с использованием предложенных алгоритмов.
Апробация работы. Основные результаты работы докладывались и обсуждались на: XXXIII международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе ГТ+8ЕЛ2006», Гурзуф, Украина, 2006, международном симпозиуме "Methods of Artificial Intelligence AI-METH 2007", Gliwice, Польша, 2007, XXXIV международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе ГГ+8ЕЛ2008», Гурзуф, Украина, 2008, практическом семинаре RAMWASS,
Ганновер, Германия, 2009, конференции «Информационные технологии в образовании, технике и медицине», Волгоград, 2009.
Публикации. По теме диссертации опубликовано 8 печатных работ, в том числе 4 публикаций в изданиях из перечня ведущих научных журналов ВАК, 1 статья в международном журнале, 3 тезиса докладов на конференциях, получено 4 свидетельства о государственной регистрации программ ЭВМ.
Модели представления знаний, применяемые для поддержки задач принятия решений
Задача принятия решения характеризуется совокупностью условий и обстоятельств (ситуацией), создающих те или иные отношения между компонентами описания ЗПР, множеством альтернатив и системой предпочтений. Наличие и качество информации, находящейся в распоряжении ЛПР напрямую влияет на стратегию и определяет методы, используемые ЛПР при принятии решений. Например, неопределенная система предпочтений заинтересованных субъектов предполагает использование специальных методов оценки важности критериев [33)], а недостаточное описание ситуации приня тия решения требует использования дополнительной экспертной информации и методов ее обработки [51)].
Наибольшее влияние на использование ЛПР тех или иных моделей и методов принятия решения оказывает степень формализации модели М, позволяющей рассчитать значение критериев для множества альтернатив. Модель М задает способ оценки каждой альтернативы и позволяет оценить ее полезность и эффективность в системе предпочтений Р. В ситуации, когда результат реализации альтернативы заранее неизвестен, говорят о неопределенности модели М.
В зависимости от наличия случайных и неопределенных факторов, влияющих на исход реализации альтернативы, выделяют три типа ситуаций принятия решения [5), 51)]: 1) принятие решений при определенности, или детерминированные ЗПР; 2) принятие решений при риске, или стохастические ЗПР; 3) принятие решений в условиях неопределенности. Детерминированные ЗПР характеризуются однозначной, детерминированной связью между принятым решением и его исходом. В этом случае для каждой альтернативы заранее, до ее реализации, известно, что она неизменно приводит к некоторому конкретному результату. Таким образом, в детерминированных ЗПР критерий оптимальности зависит только от описания начальной ситуации ОС, системы предпочтений Р и фиксированных детерминированных факторов.
В случае стохастической ЗПР реализация каждой из альтернатив может привести к одному из множества возможных исходов, причем каждый исход имеет определенную вероятность появления, такую что: 2 ,=1 (1-2) Предполагается, что ЛПР знает значение каждой вероятности заранее, до принятия решения (или же данные вероятности могут быть определены с любой требуемой для ЛПР степенью точности). Таким образом, в стохастических ЗПР критерий оптимальности зависит, кроме описания начальной ситуации ОС, системы предпочтений Р и детерминированных факторов, также от случайных факторов, законы распределения которых известны оперирующей стороне.
В ЗПР в условиях неопределенности критерий оптимальности, кроме описания начальной ситуации ОС, системы предпочтений Р и фиксированных факторов, также зависит от неопределенных факторов, не подвластных оперирующей стороне и не известных ей в момент принятия решения (или известных, но с недостаточной для принятия решения точностью). В результате влияния неопределенных факторов каждая альтернатива оказывается связанной с множеством возможных исходов, вероятности которых либо неизвестны, либо вовсе не определены и не имеют смысла. То есть, фактически из постановки ЗПР в виде (1.1) исключается модель М, т.к. степень её неопределенности не позволяет использовать её для вычисления значений критериев.
ЗПР в условиях неопределенности представляют собой широкий класс задач, встречающихся в управлении сложными системами, решении инженерных задач и творческой деятельности. В качестве примера можно привести задачи управления водохозяйственной системой [40)], управление системой очистных сооружений [71), 72)], управление лесным хозяйством [3)], инженерный анализ методом конечных элементов (КЭ) [47), 93)]. Все эти задачи объединяет тот факт, что предметная область принятия решений представляет собой сложную или междисциплинарную систему, законы функционирования которой невозможно сформулировать явным образом в силу их недостаточной изученности и сложности. Как следствие, модель М такой системы может быть описана лишь частично, что не позволяет использовать её для вычисления значений критериев для каждой альтернативы. Таким об разом, данные задачи являются задачами принятия решения в условиях неопределенности.
В качестве примера рассмотрим задачу управления водохозяйственной системой реки, описанную в [16), 17), 28), 40), 115)]. Управление водохозяйственной системой реки представляет, собой непрерывный процесс реализации управляющих воздействий с целью как обеспечения наиболее благоприятных условий хозяйствования, так и предотвращения разрушительных последствий паводков и сохранения экологического баланса реки. По отношению к объекту управления - водохозяйственной системе реки, существует несколько хозяйствующих субъектов, преследующих взаимоисключающие цели (например, экологи, рыболовы, туристические компании, фермеры). Множество хозяйствующих субъектов, заинтересованных в управленческом решении, формирует набор аспектов (каждому хозяйствующему субъекту соответствует один аспект), по которым оценивается ситуация принятия решения ОС. Описание начальной ситуации принятия решения включает как качественную, так и количественную информацию. Для оценки ситуации ОС по каждому аспекту определяется значение качественного критерия К„ множество которых формируют вектор Кос оценок начальной ситуации принятия решения ОС. Значение элементов вектора Кос задается экспертами хозяйствующих субъектов.
Для учета того факта, что при решении каждой ЗПР интересы различных хозяйствующих субъектов могут иметь разные приоритеты, используется система предпочтений Р, каждый элемент которой соответствует элементу вектора Кос и представляет собой качественную переменную Ph значение которой определяется ЛПР и выражает важность критерия Kh при принятии решения.
Требования к представлению прецедента и экспертных знаний
При решении новой задачи принятия решения согласно механизму РПП необходимо сформировать новый прецедент, который должен содержать имеющуюся информацию о новой задаче принятия решения и иметь такую же структуру что и прецеденты, хранящиеся в базе прецедентов. Из формулы (2.3) при формулировке новой ЗПР известны элементы DI и Pref, описывающие ситуацию принятия решения и предпочтения ЛПР. Пару дескрипторов DI и Pref, подаваемых на вход системы поддержки принятия решения, будем называть запросом к системе, или Р1 ill-запросом Q: Q={DI,Pref) (2.12) Таким образом, на вход системы поддержки принятия решения поступает РПП-запрос Q, а на выходе системы генерируется прецедент С. Следовательно, задачей системы является определение элементов Sol и DR по известным элементам DI и Pref
Подход к поддержке принятия решения с использованием рассуждений по прецедентам, рассуждений по правилам и качественных рассуждений
По результатам исследования, проведенного в главе 1.2, рассуждения по прецедентам были выбраны как основной способ представления и вывода на знаниях для поддержки рассматриваемых задач принятия решения. В главе 2.1 были описаны основные этапы РПП, а также определены задачи РПП, для решения которых могут применяться рассуждения по правилам и качественные рассуждения. Общий алгоритм рассуждений по прецедентам состоит из следующих этапов: - этап формирования РПП-запроса Q к системе; - этап поиска прецедентов; - этап адаптации прецедентов; - этап оценки результатов адаптации и сохранения нового прецедента в базе прецедентов.
На этапе формирования РПП-запроса Q происходит формальное описание ЗПР в соответствии выбранной моделью представления прецедента. В главе 2.1 для представления прецедента была выбрана структурная модель на основе онтологии с возможностями задания правил описательной логики. Использование механизмов инстанцирования и наследования классов, а также объектных отношений позволяет создавать прецеденты различной структуры. Однако, в связи с особенностью онтологии как модели представления знаний и гибкостью используемых механизмов описания прецедента, на этапе формирования прецедента могут возникать следующие ошибки описания:
Для устранения неопределенности, возникающий при формировании РГШ-запроса О и нового прецедента С, могут быть использованы экспертные правила специального вида, связывающие в левой и правой части концепты и экземпляры описания прецедента DI. Данные правила могут быть формализованы в виде правил описательной логики в онтологии. Например, правило «Если значение свойства «Дамба» равно «ДамбаОтсутствует» и значение свойства «НаличиеДомов» равно «ДомаУБереговойЛинии», то значение аспекта «ЗагцитаОтНаеоднения» должно быть равно «Неудовлетворительно»», что может быть записано как следующее правило описательной логики: \/di є DI: ( Зрі: pi є op(di) n pi є" ДамбаОтсутствует") n ( Зр2 : p2 є op(di) n p2 є" ДомаУБереговойЛинии") (2.12) — Asl є {"ЗащитаОтНаводнения","Неудовлетворительно"} где op(di)— множество экземпляров, связанных объектным отношением с di.
Ошибки некорректного описания прецедента также могут быть определены с помощью правил описательной логики, аналогичным (2.12) и содержащим в правой части условие принадлежности экземпляра di специальному классу «ОшибкаОписания».
Для применения правил описательной логики необходимо осуществить операции вывода экземпляров и классификации таксономии над онтологией. Данные операции данные операции должны быть выполнены после формирования РПП-запроса Q и перед этапом поиска прецедентов. В зависимости от результата применения правил определения некорректного описания прецедента, РПП-запрос Q должен либо поступить на вход этапа поиска прецедентов, либо вернуться на этап формирования прецедента для устранения ошибок описания.
Поиск прецедентов — этап, следующий за этапом формирования прецедента. На данном этапе выполняется вычисление меры близости всех прецедентов, хранящихся в базе прецедентов относительно РПП-запроса О и выбор прецедентов, имеющих наибольшее значение меры близости. Данный этап выполняется согласно разработанному алгоритму поиска прецедентов
Локальные меры близости прецедентов
Предлагаемая методика управления водохозяйственной системой с использованием разработанной автоматизированной системы интеллектуальной поддержки принятия решения основана на предложенном подходе к поддержке ЗПР, представленном в главе 2.4. Данная методика включает следующие основные шаги:
Шаг 1. Формализовать новую задачу принятия решения в виде Р1Ш запроса Q к СППРУВС; Шаг 1.1. Определить количественные и качественные параметры ситуации принятия решения; 142 Шаг 1.1.1. Извлечь количественные параметры участка реки из базы данных геодезической информации; Шаг 1.2. Определить описательные параметры РПП-запроса (участок реки, лицо, принимающее решение, текстовый комментарий к ситуации принятия решения); Шаг 1.3. Выделить аспекты принятия решения, значимые для текущей ЗПР и их приоритеты; Шаг 1.4. Произвести качественную оценку ситуации принятия решения с точки зрения аспектов принятия решения; Шаг 2. Выполнить поиск прецедентов; Шаг 2.1. Определить параметры алгоритма поиска прецедентов (весовые коэффициенты, приведенные в таблице 3.2); Шаг 2.2. Выполнить процедуру поиска прецедентов в соответствии с алгоритмом, описанным в главе 3.1.3, получить множество прецедентов SC, выбранных для адаптации; Шаг 2.3. Просмотреть трассировку результатов сравнения прецедентов из множества SC с РПП-запросом Q, при необходимости откорректировать множество SC, добавив или удалив из него прецеденты; Шаг 3. Произвести адаптацию прецедентов, выбранных на шаге 2.3; Шаг 3.1. Выполнить процедуру адаптации прецедентов в соответствии с алгоритмом, описанным в главе 3.2, получить решение Sol для РПП-запроса Q; Шаг 3.2. Просмотреть трассировку процесса адаптации, при необходимости откорректировать решение, добавив или удалив из него управляющие воздействия; Шаг 4. Произвести проверку решения, полученного на шаге 3 Шаг 4.1. Выполнить процедуру проверки допустимости решения; 143 Шаг 4.2. Если решение недопустимо, то перейти к шагу 2 и сформировать новое множество SC, либо перейти к шагу 3 и откорректировать решение Sol, либо закончить работу с системой; Шаг 4.3. Выполнить процедуру оценки состояния ситуации принятия решения после реализации решения Sol, вычислить показатель эффективности решения Sol; Шаг 4.4. Если значение показателя эффективности меньше нуля, или по одному из важных аспектов значение оценки ухудшается, то перейти к шагу 2 и сформировать новое множество SC, либо перейти к шагу 3 и откорректировать решение Sol, либо закончить работу с системой; Шаг 4.5. Сформировать прецедент С из описания РГШ-запроса Q и решения Sol; Шаг 5. Если новый прецедент С , полученный на шаге 4.6, рекомендо ван системой к сохранению в БД прецедентов, то добавит его к базе прецедентов; Шаг 6. Реализовать решение, полученное на шаге 3 на ситуации принятия решения; Шаг 6.1. Определить значения качественных оценок по аспектам для конечной ситуации, т.е. ситуации, сложившейся после реализации решения; Шаг 7. Отредактировать прецедент С , дополнив его значениями оценок конечной ситуации. 4.3 Тестовый пример Рассмотрим процесс поддержки принятия решения с использованием предложенной методики на примере управления водохозяйственной системой реки Эльба федеральной земли Саксония-Ангальт в Германии. Для оценки адекватности результатов возьмем в качестве тестового примера ранее созданный, хорошо изученный и документированный прецедент управления и сравним решение, принятое ЛПРв результате консультации с экспертами без использования системы, с решением; полученным ЛПР при использовании разработанной СППРУВС.
Рассматриваемый прецедент представляет собой участок береговой линии» и прилегающие территории общей площадью528 гектар, располагаю-щиесяна протяжении 527-м и 528-м километрах реки Эльба (считая, от истока) на правом берегу возле деревни Рассау (Rassau). Целью решения ЗПР"яв-лялась защита прилегающих к берегу деревенских построек от возможных наводнений и минимизация-влияния перепадов уровня реки на хозяйственные постройки при условии сохранения экологического баланса на прилегающей территории и доступности берега для организации туристических туров. Принимаемое решение должно иметь стратегическое значение и определять политику речного управления на данном участке на протяжении длительного периода, сроком от 5 до 10 лет.
Методика управления водохозяйственной системой с использованием разработанной системы
Для сравнения предлагаемых алгоритмов с «базовым» алгоритмом предлагается подавать на вход предлагаемого и «базового» алгоритма запросы, сформированные из прецедентов тестовой коллекции, а затем сравнивать полученные значения с известным решением прецедента, заданным экспертами. Для этого определим два численных показателя — 5 и КА.
Значение показателя KS отображает степень совпадения решения Sol(Q) РГШ-запроса Q, сформированного на основе прецедента С и полученного с помощью тестируемой системы с существующим в тестовой коллекции решением Sol (С). Согласно (2.8) Sol(Q) представляет собой вектор управляющих воздействий, каждое из которых, согласно модели представления прецедента, является экземпляром одного из классов онтологии. Согласно алгоритму адаптации (смотри главу 3.2) при адаптации каждому из управляющих воздействий Ас, из Sol присваивается коэффициент уверенности va, принимающий значение в интервале [0,1].
Показатель. KS позволяет оценить насколько решение РПП-запроса О идентично экспертному. Однако, вследствие того, что водохозяйственная система реки Эльба представляет собой комплексную нелинейную систему, реализация различных наборов управляющих воздействий может привести к одинаковому результату. Поэтому анализ одной величины KS не позволяет полностью оценить достоверность результатов работы предлагаемых алгоритмов. Введем показатель КА, значение которого отражает то, насколько решение Sol(Q) эффективнее экспертного решения Sol(C) для одинаковой начальной ситуации, описанной в прецеденте С и РПП-запросе Q.
В (3.20) дано определение показателя эффективности Е, который позволяет оценить, насколько решение прецедента удовлетворяет предпочтениям ЛПР. Принимая во внимание, что РПП-запрос О формируется из прецедента С и, следовательно их оценки начальных ситуаций и предпочтения ЛПР совпадают (САЫ = QASl и Cpref = Oprcf), то величина КА(0) = E(QAS[ ,ОІЬК, Qprtf ) / E(CASI, С ra, Сpnf ) 100% = E(Q) I E(C) 100% (4.4) позволяет оценить насколько решение РПП-запроса Q, полученное с помощью предлагаемых алгоритмов лучше удовлетворяет предпочтения ЛПР, чем экспертное решение прецедента с такими же начальными данными.
Значение величины КА, близкое к 100%, говорит о том, что решение, полученное с помощью предлагаемых алгоритмов, идентично экспертному решению с точки зрения результирующего эффекта. Значение величины КА меньше 100%, говорит о том, что решение, полученное с помощью предлагаемых алгоритмов, менее эффективно, чем экспертное решение.
Таким образом, если на основе прецедента из тестовой коллекции сформировать два РПП-запроса О; и Q2, которые подать на вход предлагае 162 мого и «базового» алгоритмов соответственно, то значения KS(Qi), KS(Qj)-KS(Q2), KA(Qi) и KA(Qi)-KA(Q2) позволяют оценить достоверность предлагаемых алгоритмов в сравнении с экспертным решением, а также эффективность, по сравнению с «базовым» алгоритмом ППР, на одних и тех же начальных данных.
На основе обучающей выборки были настроены параметры алгоритма поиска прецедентов для данной предметной области. Результаты настройки весовых коэффициентов свойств прецедента приведены в таблице В.1 приложения В. Общие настройки реализованной системы СППРУВС jRAM-WASS приведены на таблице В.2 приложения В.
На таблицах В.З - В.58 приложения В, для каждого прецедента из тестовой выборки приведено экспертное решение, решения, полученные с помощью предложенного и «базового» алгоритма, а также оценка конечной ситуации прецедента при реализации как экспертного решения, так и решений, полученных с помощью предлагаемого и «базового» решений.
В результате тестирования, решения, полученные с помощью предложенных в исследовании алгоритмов, совпадали с экспертными решениями в среднем на 86%, в то время как решения, полученные с помощью «базового» алгоритма, совпадали с экспертными решениями в среднем на 67% (см. рисунок 4.12).
