Содержание к диссертации
Введение
1 Анализ задач ситуационного центра. классификация методов и существующих систем принятия решений 10
1.1 Анализ задач, выполняемых в ситуационном центре 10
1.2 Анализ правил, приемов и методов поддержки принятия решений
1.2.1 Общая схема процесса поддержки принятия решений 18
1.2.2 Классификация методов поддержки принятия решений. Методы принятия решений в условиях определенности 22
1.2.3 Принятие решений в условиях неопределенности 25
1.2.4 Правила принятия решений в условиях риска 29
1.2.5 Анализ методов принятия решений 30
1.3 Классификация существующих информационных систем поддержки принятия решений 34
1.3.1 Системы поддержки принятий решений. Выбор решающего правила 34
1.3.1.1 Система поддержки принятия решений DSS-UTES 34
1.3.1.2 Система поддержки принятия решений «Прототип» 35
1.3.1.3 Система поддержки принятия решений Decision Lab 2000 36
1.3.1.4 Система поддержки принятия решений «МАИ» (версия 2.0)... 37
1.3.1.5 Интеллектуальная система поддержки принятия решений ЭС
FuzzyClips 6.04 39
1.3.2 Системы принятия решений 40
1.3.2.1 Система поддержки принятия решений CBOSSdss 40
1.3.2.2 Система принятия решений Meta Cube от INFORMIX 41
1.3.2.4 Платформа для построения интеллектуальных систем поддержки принятия решений Gensym G2 42
1.4 Выводы 45
2 Теоретические основы и алгоритмизация процесса поддержки принятия решений при управлении сложными системами 48
2.1 Алгоритм поддержки принятия решений для управления сложными системами 48
2.1.1 Формулирование и анализ проблемы 49
2.1.2 Определение целей 50
2.1.3 Формирование системы критериев эффективности 52
2.1.4 Генерация решений 54
2.1.5 Анализ альтернатив 55
2.1.6 Формирование управляющего воздействия 56
2.2 Разработка классификации задач ситуационного центра и методов принятия решений 58
2.3 Математическая модель принятия решений функционирования системы поддержки принятия решений 64
2.3.1 Математическая постановка проблемы 64
2.3.2 Формирование списка целей 65
2.3.3 Математическая модель формирования системы критериев эффективности 68
2.3.4 Формирование исходного и конечного множества альтернативных вариантов 70
2.3.5 Математическая модель формирования решающей функции 71
2.4 Выводы 74
3 Алгоритмизация адаптивной системы поддержки принятия решений для анализа задач как основа функционирования и организации ситуационного центра 76
3.1 Описание алгоритма функционирования системы поддержки принятия решений 76
3.1.1 Подсистема «Мониторинг и формулирования проблемы» 79
3.1.2 Подсистема «Формирования целей и критериев эффективности». 81
3.1.3 Подсистема «Генерации решений» 83
3.1.4 Подсистема «Формирование решающего правила и анализ альтернативных вариантов» 84
3.1.5 Экспертная подсистема 3.2 Разработка алгоритма выбора методов принятия решений для задач ситуационного центра на основе адаптивной СППР 89
3.3 Создание алгоритма адаптации АСППР на основе экспертной информации 93
3.4 Выводы 96
4 Разработка подходов к синтезу структуры адаптивной системы поддержки принятия решений 98
4.1 Формулирование требований к синтезу структуры адаптивной системы поддержки принятия решений 98
4.2 Разработка алгоритма синтеза структуры АСППР на основе экспертной информации 101
4.3 Адаптивный метод синтеза структуры адаптивной системы поддержки принятия решений 105
4.4 Обоснование выбора программной платформы, экспертной системы и системы управления базами данных 109
4.4.1 Язык разработки Web-приложений РНР 109
4.4.2 Система управления базами данных Microsoft SQL Server Ill
4.4.3 Платформа для построения экспертной системы Exsys Corvid 112
4.5 Выводы 115
Реализация системы поддержки принятия решений и анализ ее функционирования при решении задач в ситуационном центре органов государственной власти 117
5.1 Описание применения системы поддержки принятия решений при решении задач в ситуационном центре 117
5.2 Интерфейс функционирования системы поддержки принятия решений при решении задач в ситуационном центре 123
5.3 Методика оценка эффективности применения адаптивных алгоритмов и программного комплекса для принятия решений в различных проблемных областях 129
5.4 Выводы 135
Заключение 137
Список литературы 140
- Классификация методов поддержки принятия решений. Методы принятия решений в условиях определенности
- Определение целей
- Подсистема «Мониторинг и формулирования проблемы»
- Интерфейс функционирования системы поддержки принятия решений при решении задач в ситуационном центре
Введение к работе
Актуальность темы.
Актуальной задачей в области информационного обеспечения различных видов деятельности является своевременная и эффективная поддержка принятия управленческих решений. Недостаточная эффективность существующих методов и подходов к организации информационно-аналитического обеспечения и существенное усложнение процесса принятия решений в условиях нечеткости и неопределенности исходной информации обеспечили необходимость создания и развития ситуационных центров на основе современных систем и методов поддержки принятия решений. Однако, большинство функционирующих в настоящее время систем поддержки принятия решений не позволяют в полной мере обеспечить эффективное функционирование в условиях возрастающей сложности и многозадачности различных аспектов деятельности.
Вопросы создания систем, адаптирующихся к динамично изменяющимся задачам, особенно актуальны для лиц принимающих решение. Важной чертой современных систем поддержки принятия решений должна стать их способность выбирать наилучшие методы и алгоритмы, которые определяют эффективность решения задачи.
В этой ситуации необходимо создание адаптивных систем, обеспечивающих полнофункциональный процесс поддержки принятия решений для задач управления различного класса и сложности. Ядро для функционирования таких систем составляют алгоритмы синтеза ее модулей на основе экспертных процедур и предпочтений лица принимающего решение при учете различных типов исходной информации. Решение описанных задач требует применения системного подхода и его реализации на базе современных информационных технологий.
Особый интерес представляет круг вопросов, связанный с разработкой и формализацией математического и алгоритмического обеспечения адаптивных систем поддержки принятия решений при решении задач различного класса в ситуационных центрах.
Объектом исследования является адаптивная система поддержки принятия решений для задач различного класса в ситуационных центрах.
Предметом исследования являются методы и алгоритмы поддержки принятия решений для различного класса задач в ситуационных центрах.
Целью исследования является разработка математического и алгоритмического аппарата адаптивных систем поддержки принятия решений на основе экспертных процедур для различного класса задач ситуационного центра.
Задачи исследования:
-
Анализ существующих систем поддержки принятия решений для оценки их адаптивности к задачам ситуационного центра на основе системного подхода.
-
Разработка классификации задач ситуационного центра на соответствие этапам и методам поддержки принятия решений при анализе неструктурированных и слабо структурированных проблем.
-
Создание математической модели функционирования адаптивных систем поддержки принятия решений на основе процедур многоцелевой оптимизации, учитывающих различные типы исходной информации.
-
Разработка алгоритма адаптации системы поддержки принятия решений для задач ситуационного центра на основе экспертной системы и мнений экспертов для структурированных и неструктурированных проблем.
-
Разработка алгоритма и формирование требований к синтезу структуры адаптивной системы поддержки принятия решений на основе функции полезности (ценности) и мнений экспертной группы.
-
Разработка структуры адаптивной системы поддержки принятия решений.
-
Разработка программного обеспечения адаптивной СППР и верификации теоретических положений и алгоритмов.
-
Оценка эффективности разработанных моделей, алгоритмов и программной системы поддержки принятия решений.
Методы исследования.
В работе использованы методы и принципы концептуального анализа и синтеза систем, методы интеллектуального анализа данных, методы математического моделирования, методы адаптивного управления, методы оптимизации, экспертные методы принятия решений, методы разработки программного обеспечения и баз данных.
Научная новизна работы. В результате проведенного в работе системного исследования достигнуты следующие новые научные результаты:
1. Разработана классификация задач ситуационного центра и методика их анализа на основе этапов и методов поддержки принятия решений для выбора математического и алгоритмического обеспечения при рассмотрении неструктурированных и слабоструктурированных проблем.
2. Усовершенствована математическая модель поддержки принятия решений для синтеза структуры адаптивной системы поддержки принятия решений на основе экспертных процедур и с учетом мнений ЛПР.
3. Построены алгоритмы адаптивного управления задачами ситуационного центра с целью оперативного конфигурирования подсистем АСППР на основе экспертной системы и мнений группы экспертов.
4. Разработана архитектура адаптивной системы поддержки принятия решений, методика ее интеграции в состав ситуационного центра с целью увеличения эффективности управленческих решений.
Практическая значимость
Реализация и внедрение работы.
Результаты работы обсуждались на 5 международных научно - практических конференциях. Адаптивная система поддержки принятия решений основа для построения программного комплекса для ситуационного центра муниципального образования, главы субъекта РФ и ситуационного центра ректора ВУЗа.
Апробация работы.
Основные положения диссертации докладывались и обсуждались на конференциях:
«Ситуационные центры 2010» г. Москва,
IV Всероссийской научной конференции молодых ученых г. Майкоп,
II Всероссийской научной конференция молодых ученых и студентов: Современное состояние и приоритеты развития фундаментальной науки в регионах г. Краснодар,
Конференция получателей грантов регионального конкурса «ЮГ» Российского фонда фундаментальных исследований.
Публикации. По теме диссертации опубликовано 10 печатных работ, в том числе 4 в изданиях, рекомендованных ВАК РФ для публикации основных результатов диссертационных исследований общим объемом 5 печатных листов.
Структура и объем диссертации. Диссертационная работа состоит из введения, пяти глав, выводов по каждой главе, основных результатов, списка используемой литературе. Диссертация изложена на 152 листах основного текста, содержит 28 рисунков. Список используемой литературы содержит 115 наименований.
Классификация методов поддержки принятия решений. Методы принятия решений в условиях определенности
Критерий Лапласа. Гипотеза равновозможности исходов. В качестве оценки і - ой альтернативы выступает среднеарифметическое выигрышей, стоящих в і - ой строке матрицы. Оценка выиграша по критерию Лапал аса имеет вид: L(i)= =1a{. (1.5) При оценки на основе критерии Лапласа лучшей будет считаться та альтернатива, которая имеет большее значение. Недостатком метода считается, то что при нахождении «среднего выигрыша» может происходить эффект компенсации маленьких выигрышей большими [56]. Критерий Вальда. Гипотеза антогонизма. При принятии решений по оценки і - ой альтернативы служит число W(і) = minccj и сравнения двух альтернатив производится по величине критерия W. Оптимальной считается альтернатива: W(i ) = maxW(i) = maxmin aj (1.6) Главный недостаток этого правила - ориентированность его на «наихудший вариант» [56]. Критерий Гурвица. Показатель пессимизма. Для данного критерия характерно, что наихудший вариант рассматривается с вероятностью а, а наилучший - с вероятностью 1-а. Тогда, оценкой альтернативы і является взвешенная сумма: Hla = a minaj + (1 — a)maxcCj (1.7) Основным недостатком является то, что при данном критерии учитывается только наилучший и наихудший вариант[56]. Критерий Сэвиджа. Критерий Сэвиджа основан на преобразовании матрицы выигрышей в матрицу рисков (г;1) . Риском при выборе альтернативы і в состоянии j называется число [43] rf = pi - а[, Pj = max а) (1.8) Построение функции полезности Функция и(х) = и(х1, ...,хп) определенная на множестве допустимых решений называется функцией полезности, соответствующей отношению предпочтения, если и(рс) и(у) , тогда и только тогда, когда х у , причем если и(х) — и(у), и обратно, если х у, то и{рс) = и(у).
Функция полезности и(х) отражает систему предпочтений лица принимающего решение. Основное свойство функции полезности в том, что ЛПР выбирает одну альтернативу, а не другую, упорядочивая тем самым их по собственному предпочтению. Отсюда следует, что ЛПР старается максимизировать свою функцию полезности относительно принимаемого решения. При решении задач принятия решений различают следующие функции полезности: аддитивная, мультипликативная, полилинейная, квадратичная и логарифмическая [29, 35, 43].
При использовании функции полезности основным недостатком является субъективность мнения и оценки предпочтительности лица принимающего решение. Метод анализа иерархий. Матрица парных сравнений На первом этапе функционирования метода формируется иерархия, включающая цель, расположенную в ее вершине, промежуточные уровни (например, критерии) и альтернативы, формирующие самый нижний иерархический уровень.
Далее определяется относительная важность элементов иерархии на основе шкалы отношений. Данная шкала позволяет ЛПР ставить в соответствие степеням предпочтения одного сравниваемого объекта перед другим некоторые числа.
После построения иерархии устанавливается метод сравнения ее элементов на основе матрицы парных сравнений. Заполнение квадратных матриц парных сравнений осуществляется по следующему правилу.
При проведении попарного сравнения критериев обычно спрашивают, какой из критериев более важен; при сравнении альтернатив по отношению к критерию - какая из альтернатив более предпочтительна или более вероятна [1,66].
Основным достоинством этого метода является наглядность, результативность и конечность при принятии решений. К недостаткам стоит отнести ограниченность и субъективность при принятии решений. Экспертные методы выбора Для решения нетривиальных задач в условиях полной неопределенности , когда выбор невозможно сделать и математические методы не применимы, а эффективными в данном случае становятся экспертные методы выбора.
Основой экспертных методов является обработка мнений экспертов и определение результата выбора. Пусть qj(x{) - оценка і-ой альтернативы j-ым экспертом. Оценки Ц\(х[),..,qn(x[) рассматриваются как измерения q(x{). В качестве оценки рассматривается следующее отношение: q(xi)= ]=1qj(xi). (1.9)
В настоящее время существует достаточно большое количество методов обработки мнений экспертов, одним из самых применимых является метод Делфи, суть которого заключается в благотворной критике суждений эксперты и является наиболее эффективным при проведении процедур обработки мнений экспертов при принятии решений [5, 6, 36, 40, 41]. Преимуществом использования экспертных методов является их применимость во всех областях деятельности человека. К недостаткам необходимо отнести субъективность мнений экспертов при принятии решений.
В тех случаях, когда возможные исходы можно описать с помощью некоторого вероятностного распределения, получаем задачи принятия решений в условиях риска. Для построения распределения вероятностей необходимо либо иметь в распоряжении статистические данные, либо привлекать знания экспертов. Обычно для решения задач этого типа применяются методы теории одномерной или многомерной полезности. Эти задачи занимают место на границе между задачами принятия решений в условиях определенности и неопределенности. Для решения этих задач привлекается вся доступная информация (количественная и качественная) [27]. Выбор в условии статистической неопределенности Смысл статистической неопределенности состоит в связи искомой альтернативы с наблюдаемыми данными У\,—,уп на основе распределения вероятностей (чаще всего функцией распределения {ух,..., уп); X)).
Самое полное описание случайного объекта состоит в задании распределения вероятностей на множестве возможных состояний этого объекта, поэтому считаются известными: распределение Р(Х) , условное распределение выборочных значений F(y\X) , функция потерь Це,Х), выражающая отношение к расхождению между е и действительным состоянием
Определение целей
Подсистема «Формирование решающего правила и анализ альтернативных вариантов» представляет следующую последовательность функционирования: - формирование решающего правила для выбора решения по условиям задачи. Формирование решающего правила проводится в автоматизированном режиме или с привлечением группы экспертов, формирующих решающую функция в зависимости от решаемой задачи и сформированной системой критериев. Основой формирования решающего правила представляется многокритериальная функция предпочтения для иерархических структур критериев, математические и эвристические правила поддержки принятия решений, обеспечивающие наиболее эффективный подбор управленческих решений в социальной, экономической, технической и технологической сферах; - выбор наиболее эффективного решения (решений) на основе сформированной решающей функции. Анализ и выбор альтернативных вариантов осуществляется на основе сформированного решающего правила. В случае отсутствия решения в подсистеме должна предусмотрена возможность проведения экспертной оценки вариантов решений на основе мнений экспертов из проблемно-ориентированной экспертной группы [25, 55].
Алгоритм функционирования подсистемы «Формирование решающего правила и анализ альтернативных вариантов» Формирование решающего правила совместно с экспертной системой на основе сформированной базы знаний правил, приемов и методов принятия решений по различным ситуациям. Параллельно функционируют два направления автоматизированное формирование решающего правила принятия и выбор решений на основе экспертных мнений
Автоматизированное формирование решающего правила в соответствии с исходной системой критериев происходит на основе человеко-машинного взаимодействия с системным аналитиком, формирующий целевую функцию на основе предложенных методов. Сформированные ранее альтернативные варианты анализируются и если решения удовлетворяют ЛПР, то система прекращает работу [60, 100].
Экспертное формирование целевой функции определяется при взаимодействии экспертов на основе их мнений с экспертной системой. Решение отбирается на основе выбора экспертами наилучшего решения с учетом их весомости [64].
Подсистема позволяет провести построение решающей функции параллельно как в автоматизированном режиме, так и на основе экспертного мнения. Независимое применение правил позволяет провести сопоставление исходных решений, полученных в результате их функционирования подсистемы.
Экспертные системы являются одним из основных приложений искусственного интеллекта и предназначены для решения задач, принадлежащих конкретной предметной области, знания о которой хранятся в памяти (базе знаний) системы.
Основное назначения экспертной подсистемы, как основы АСППР, ориентация на решение большого класса задач, к которым относятся так называемые частично структурированные или неструктурированные задачи (слабо формализуемые или неформализуемые задачи).
Экспертная подсистема обеспечивает выработку и оценку возможных альтернатив пользователем за счет знаний, полученных от специалистов -экспертов. Экспертная подсистема состоит из: - базы знаний (в составе рабочей памяти и базы правил), предназначенной для хранения исходных и промежуточных фактов в рабочей памяти (ее еще называют базой данных) и хранения моделей и правил манипулирования моделями в базе правил; - решателя задач (интерпретатора), который обеспечивает реализацию последовательности правил для решения конкретной задачи на основе китериев и правил, хранящейся в базах данных и базах знаний; - подсистемы пояснения, позволяет пользователю получить ответы на вопрос: «Почему система приняла такое решение?» - модуль формирования правил, предназначенный для добавления в базу знаний новых правил и их модификацию; - модуль визуализации, реализующий диалог пользователя с подсистемой [15,30].
Ядром экспертной подсистемы является база знаний, в которой аккумулируются знания экспертов в конкретной отрасли в форме эвристических правил. Обучаемость и накопление базы знаний происходит по следующему принципу: при рассмотрении конкретной задачи, формируется правило, обеспечивающее его решение; разработанные правила в зависимости от специфики конкретной проблемной области помещаются в базу правил. Поиск необходимого правила в базе правил производится на основе семантической модели [103].
Алгоритм функционирования экспертной подсистемы приведен на рисунке 3.6. Информация о задаче
Последовательность функционирования алгоритма состоит в следующем. При получении информации о задаче происходит поиск решения в существующей базе знаний. Если аналогичная ситуация ранее существовала и определены правила принятия решений, то однозначно определяется решение по данной проблеме. Если решение по представленной задаче не находилось, то формируется проблемно-ориентированная экспертная группа на основе лингвосемантического анализа [76]. Далее происходит рассылка экспертам вопросов для формирования решающего правила на основе классификации методов и подсистем принятия решений. Эксперты формируют решающее правило для выбора наилучшего альтернативного варианта и подсистемы АСППР, участвующие в поиске решения.
Подсистема «Мониторинг и формулирования проблемы»
Эффективность функционирования СППР в основном зависит от возможности: оперативно получать обоснованное решение для различных состояний функционирования и режимов работы; реализации управляющего воздействия в реальном режиме времени; принятия решения о выборе подсистем для получения достоверных результатов; удобства эксплуатации системы в целом.
Повышение эффективности достигается решением следующих задач: проведение более подробного анализа задач для обеспечения максимальной эффективности работы АО 11 IP; разработка базы знаний, содержащей теоретические знания экспертов об анализе и синтезе оптимального управления; разработка процедур выработки решений в автоматизированном режиме с учетом достоверности используемой информации в условиях неопределенности и многомерного пространства [13, 65].
Изменение требований в условиях задачи приведет к трансформации адаптивной системы поддержки принятия решений. Любую перестройку структуры АСППР необходимо оценивать, прежде всего, с точки зрения достижения поставленных перед ней целей [14].
С формальной точки зрения задача синтеза структуры адаптивной системы поддержки принятия решений предполагает одновременно проведение многокритериального выбора объектов и оптимизацию процесса функционирования АСППР. Дополнительная особенность рассматриваемой задачи, состоит в том, что её решение должно проводиться оперативно в условиях жёстких временных ограничений, связанных с процессом применения АСППР по целевому назначению.
Основной задачей при выборе структуры адаптивной системы поддержки принятия является построение решающего правила или функции, позволяющей сформировать интегрированную структуру из множества подсистем [80, 102]. Исходя из результатов анализа главы 1 наиболее эффективный способ построения решающей функции представляется на основе функции полезности, которая отражает наиболее полно предпочтения лица принимающего решение для конкретной проблемы или задачи.
Построение функций полезности является основной и наиболее трудоемкой процедурой методов теории полезности, после этого с помощью такой функции можно оценить любое количество альтернатив.
Процедура построения функции полезности включает пять шагов.
Шаг 1. Подготовительный. Главная задача здесь — подбор экспертов и разъяснение им того, как следует выражать свои предпочтения.
Шаг 2. Определение вида функции. Функция полезности должна отражать представления J11 IP и экспертов об ожидаемой полезности возможных исходов. Поэтому множество исходов упорядочивается по их предпочтительности, после чего в соответствие каждому возможному исходу необходимо поставить предполагаемое значение ожидаемой полезности. На этом шаге выясняют, является ли функция полезности монотонной, убывающей или возрастающей, отражает ли она склонность, несклонность или безразличие к риску и т. п.
Шаг 3. Установление количественных ограничений. Здесь определяется интервал изменения аргумента функции полезности и устанавливаются значения функции полезности для нескольких контрольных точек.
Шаг 4. Подбор функции полезности. Необходимо выяснить, являются ли согласованными количественные и качественные характеристики, выявленные к данному моменту. Положительный ответ на этот вопрос равнозначен существованию некоторой функции, которая обладает всеми требуемыми свойствами. Если последует отрицательный ответ, то возникает проблема согласования свойств, что предполагает возврат на более ранние шаги.
Шаг 5. Проверка адекватности. Необходимо убедиться в том, что построенная функция полезности действительно полностью соответствует истинным предпочтениям ЛПР. Для этого применяются традиционные методы сравнения расчетных значений с экспериментальными [1,61].
Каждая из задач N характеризуется определенным набором информации, которую описывает система критериев К . На основе полученной системы критериев определяются необходимые этапы ППР с помощью экспертов или экспертной системы. Каждый из этапов соответствует конкретному программному модулю, который обеспечен необходимым математическим аппаратом. Набор программных модулей определяет последовательность функционирования системы поддержки принятия решений. Адаптивность СППР дает возможность получения адаптивного решения любой задачи на основе предложенного алгоритма.
Для анализа и построения эффективной структуры АСППР разработана и обоснована система критериев синтеза структуры системы поддержки принятия решений: - критерий «неопределенности информации» / , отражающий степень неопределенности информации для задачи в рамках ситуационного центра; - «время принятия решений» t, отражающий период принятия решений по анализируемой задаче; -критерий «структура и полноты информации» п , отражающий структурированность информации и ее необходимое наличие для последующей обработки.
Базис критериев должен быть адаптирован экспертом с учетом особенностей конкретного процесса. Каждый из предложенных выше критериев оценивается с помощью относительной шкалы от 0 до 1 на основе мнений отобранной экспертной группы в рамках рассматриваемой проблемной области.
Процедура подбора экспертов носит объективный характер и основывается как на качественной, так и на количественной информации. Основой процедуры отбора представляется процедура основанная на лингвосемантическом анализе на основе прежней деятельности специалистов в роли экспертов и т.п [76].
Эксперты оценивают в рамках задачи неопределенность информации о задаче, время принятия решений и структурированность данных с целью принятия эффективного решения и синтеза структуры АСППР.
Получаемые от экспертов мнения выражены в порядковой шкале. На основе мнений экспертов ранжируются все варианты оценки задачи по критериям, т.е. располагают в порядке возрастания.
Интерфейс функционирования системы поддержки принятия решений при решении задач в ситуационном центре
В современных условиях, при необходимости использования больших объемов информации в классической схеме поддержки принятия решений, необходимо использовать базы данных и базы знаний, а оптимальное применение методов и правил формирования системы критериев, генерации альтернатив, выбора и анализа альтернатив позволит интеллектуализировать процесс принятия решений.
Анализ классической схемы теории принятия решений для реализации СППР в рамках одной предметной области, решение различного класса управленческих задач показал, что необходима структуризация, оптимизация и актуализация существующих алгоритмов, методов и предназначенных для решения классов задач для реализации процесса поддержки принятия решения в управленческой деятельности.
Современные технологии СППР должны акцентировать внимание на обработку неструктурированных и слабоструктурованых задач, которые предопределяют некоторые специфические требования к этим элементам компьютерной системы.
На основе приведенных этапов разработана общая функциональная схема «унифицированной» современной подсистемы поддержки принятия решений, представленная на рисунке 5.1.
Рассмотрим составляющие СППР более подробно: - интерфейс представляет собой совокупность средств для представления данных эксперту и ЛПР; - подсистема идентификации (мониторинга) по сути дела решает задачу измерения, т.е. по определенным внешним признакам, на основе модели, она принимает решения о принадлежности текущих состояний среды и объекта управления к определенным классификационным категориям, т.е. к тем или иным градациям измерительных шкал; - на этапе выработки управляющих воздействий происходит анализ влияние среды на объект управления и выработка таких управляющие воздействий, которые, действуя с учетом прогнозируемого влияния среды, позволяют в определенном смысле "наилучшим образом" достичь цели управления. - система поддержки принятия решений для управления сложными системами создается с целью повышения качества сбора, анализа данных, мониторинга и моделирования ситуаций, связанных с объектом управления, а также повышение степени информированности ЛПР о состоянии данного объекта управления; - база данных критериев содержит информацию о различных социально-экономических, технологических, экологических, антропогенных и других критериях, которые классифицированы по различным экономическим, управленческим и организационным проблемам. База данных критериев постоянно пополняется новой информацией. - база знаний иерархий критериев и функций принадлежности накапливает и хранит знания о наиболее типовых иерархиях и функциях из различных отраслей экономики. Она строится на основе знаний высококвалифицированных специалистов предметных областей и может быть использована при решении типовых задач без существенной корректировки значений функций принадлежности и иерархических структур критериев. - база знаний решенных задач хранит и накапливает информацию о компонентах решенных практических задач по принятию решений. К таким компонентам причислены функции принадлежности по различным критериям; иерархические структуры критериев, экспертные оценки степени предпочтительности исследуемых альтернатив и относительной важности критериев, векторы приоритетов альтернатив по всем рассматриваемым в задаче критериям и для каждого эксперта, участвовавшего в решении задач принятия и обоснования рациональных решений; - база знаний о методах поддержки принятия решений хранит информацию о методах, которые могут использоваться при анализе данной ситуации; математические обоснования «решающего правила» для выбора оптимального решения; - база данных набора альтернатив с критериями, определенными в подобных ситуациях и классификатор математических методов, использованных при решении аналогичной проблемы; - поддержка принятия решений должна предусматривать анализ и обработку большого объема данных, работать с объектами по многим критериям, генерацию отчетов[59].
Функциональная схема многозадачной системы поддержки принятия решений построена таким образом, что при рассмотрении задач, относящихся к различным предметным областям, система перенастраивается на конкретную проблемную ситуацию. Возможность организации БД и БЗ больших объемов позволяет использовать накопленную информацию при решении различных задач, с учетом методов генерации решений, формирования системы критериев и выбора решений, в зависимости от предметной области проблемы.
Реализация СППР, в рамках приведенной схемы, дает возможность расширять количество и круг задач, при условии программной модернизации подсистемы, и наполнения баз данных и баз знаний.
