Содержание к диссертации
Введение
Глава 1. Анализ алгоритмов интеллектуальной поддержки управленческих решений 10
1.1 История возникновения, основные понятия, направления оказания ИПР, алгоритмы, проблема моделирования решений 10
1.2 Анализ моделей описания и оценивания решений 21
1.2.1 Общая постановка проблемы моделирования решений для ИПР, методы искусственного интеллекта и задачи управления 21
1.2.2 Обзор моделей описания и логического оценивания сложных знаний-решений 23
1.2.3 Обзор моделей численного оценивания сложных знаний-решений 29
1.3 Выводы по главе 1 42
Глава 2 Разработка алгоритмов интеллектуальной поддержки управленческих решений 45
2.1 Разработка феноменологических и семантических моделей описания знаний-решений на уровне интеллектуальных процессов ЛПР 45
2.1.1 Постановка проблемы, основные понятия и определения 45
2.1.2 Знания-решения логической структуры. Логические задачи управления 52
2.1.2.1 Знание-решение формы ПУ - перечень условий 52
2.1.2.2 Знание формы ПА - перечень альтернатив 53
2.1.2.3 Знание-решение формы А-ПУ - альтернативные перечни условий 56
2.1.3 Знания-решения комбинаторной структуры. Комбинаторные задачи 57
2.1.3.1 Знание-решение формы ПД - последовательность действий 57
2.1.3.2 Знание-решение формы А-ПВ - альтернативы, указанные в порядке, определяющимся предпочтительностью выбора 60
2.1.4 Знания-решения комбинированной структуры. Формы А-ПД, А-ПД-ПВ, А-ПУ-ПВ 62
2.1.5 Классификация решаемых задач по структуре и уровню сложности знания 64
2.1.6 Итоги феноменологического и семантического моделирования знаний решений 66
2.2 Разработка моделей логического оценивания решений 71
2.2.1 Общие подходы. Качественное и количественное оценивание 71
2.2.2 Структура моделирования ценности сложных знаний-решений 75
2.2.3 Логические модели базовых форм сложных знаний-решений 77
2.3 Численное моделирование ценности сложных знаний-решений 85
2.3.1 Философия выбора универсального численного критерия ценности сложных знаний 85
2.3.2 Вероятностный подход к определению ценности знаний-решений 91
2.3.2.1 Основания вероятностного подхода. Основные определения. Общая вероятностная модель ценности сложных знаний 91
2.3.2.2 Частные модели ценности сложного знания-решения формы ПУ. Результаты. Функция ценности знания 101
2.3.2.3 Частная модель ценности сложного знания-решения формы ПД 110
2.3.2.3.1 Моделирование ценности решения формы ПД без учёта достижения цели-понятия и без действий произвольной последовательности 110
2.3.2.3.2 Моделирование ценности решения формы ПД с учётом достижения цели-понятия и без действий произвольной последовательности 120
2.3.2.3.3 Моделирование ценности решения формы ПД с учётом достижения цели-понятия и с учётом действий произвольной последовательности 123
2.3.3 Моделирование с учётом различной вероятности выборки ЧР 130
2.3.4 Связанное знание. Приведение оценки к единой базе. Объёмная и линейная оценки. Сравнение результатов 131
2.4 Разработка алгоритмов интеллектуальной поддержки решений 142
2.5 Выводы по главе 2 151
Глава 3 Применение разработанных алгоритмов ИПР 153
3.1 Анализ деятельности и планирование решений на примере боевых действий подразделений ГПС 153
3.2 Обучение управленческой деятельности 158
3.2.1 Компьютерная система ИПР-О. Независимые тестовые задания и деловые игры 158
3.2.2. Некоторые методические указания по составлению тестовых заданий 167
3.2.3 Пример деловой игры «Тушение склада промтоваров» 183
3.3 Основные направления применения предложенных разработок в ГПС 202
3.4 Выводы по главе 3 209
Основные результаты и выводы 210
Литература 213
Приложение. Акты внедрения 223
- История возникновения, основные понятия, направления оказания ИПР, алгоритмы, проблема моделирования решений
- Логические модели базовых форм сложных знаний-решений
- Разработка алгоритмов интеллектуальной поддержки решений
- Основные направления применения предложенных разработок в ГПС
История возникновения, основные понятия, направления оказания ИПР, алгоритмы, проблема моделирования решений
В настоящее время налицо наблюдается тенденция к расширению областей приложений методов теории принятия решения. Объясняется это тем, что любая деятельность человека имеет под собой интеллектуальную основу, которую можно представить как процесс выработки и принятия решений. Поэтому вполне естественно желание творческого ядра лиц, связанных с решением сложных экономических и социальных задач, использовать универсальный научный аппарат теории управления и принятия решений для получения хотя бы прогнозируемого, а ещё лучше оптимального или даже наилучшего результата в своей деятельности.
Повышение качества управленческих решений является перманентно актуальной задачей в любых экономических и социальных системах. Одним из средств повышения качества решений управленческих задач является оказание ЛПР интеллектуальной поддержки решений (ИПР), выражающейся в различных формах интеллектуально технических мероприятий, например, экспертном анализе, совещаниях, моделировании деятельности. Термин поддержки решений (support decision) появился недавно, в 70 - ых годах прошлого века [1]. Единственного общепризнанного определения этого термина не существует. За истекшее время дано множество определений ИПР, от самых широких и не привязанных к классу решаемых задач, до более узких [2, 3, 4]. Объединяющим моментом всех этих определений является предоставлению ЛПР права окончательного принятия решения, т.е. применение ИПР предполагает активное участие в выработке и принятии решения человека - ЛПР. Наиболее широко ИПР может пониматься как комплекс организационно-технических интеллектуальных мероприятий по оказанию помощи ЛПР в принятии им решений с целью повышения их обоснованности и/или уменьшения времени на их выработку.
В ГПС, в связи с чрезвычайно сложными физико-химическими процессами горения и тушения пожаров, процессами обеспечения деятельности, в связи с практическим отсутствием возможности натурных экспериментов весьма распространено оказание ИПР путём моделирования, например, [5-19]. Объектами рассмотрения в этих и множестве других работах являются формализуемые физико-химические, информационные, ресурсные и иные материальные процессы.
В последнее время сформировалось мнение по целесообразности применения ИПР для решения слабоструктурированных и неструктурированных задач. Применение ИПР в этом качестве особо актуально в связи со значительным присутствием в решении элементов субъективизма. С появлением и увеличением возможностей ЭВМ значительно усилилась мотивация их использования в ИПР. В качестве ИПР могут применяться автоматизированные системы поддержки принятия решений, в которых гибко сочетаются возможности ЭВМ по скоростной обработке формализованной информации и лучшие качества человеческого интеллекта. Проблемам оказания ИПР слабоструктурированных и неструктурированных задач в различных областях техники посвящена многочисленная литература, см., например, [2-4, 20-25]. Слабоструктурированные и неструктурированные задачи, характеризуются тем, что большинство параметров или все параметры задач, влияющие на решение, могут быть описаны и оценены только качественно, на логическом уровне. Примером таких задач могут быть задачи, стоящие перед руководителями тушения пожара (РТП), решаемые в условиях ограниченного времени, недостаточности и недостоверности информации, нечёткости, а часто и противоречивости, целей и критериев их достижения.
Оказанию интеллектуальной поддержки принятию решений задач оперативной деятельности ГПС, в том числе и РТП в ходе пожаротушения уделяется большое внимание, например, [6, 7, 26 - 31]. Однако, описываются, как правило, решения чётко структурированных задач, либо неструктурированных задач, сводимых к структурируемым с помощью вероятностных и статистических методов. В диссертации Денисова А.Н. [31] рассматривается оптимизация процессов сосредоточения и боевого развёртывания сил и средств, но рассматриваемая задача имеет абсолютно чёткий численный критерий оценки принятых решений - время выполнения решения, параметры решений также чёткие и имеют численное выражение. Кроме этого любое принятое решение имеет успешное завершение, различие между некими решениями состоит в том, насколько успешно оно завершено. Решение же общей задачи не всегда может иметь успешное завершение, логическая оценка решений неструктурированных задач является, можно сказать, парадигмой научных исследований в этой области. Последующие шаги в сторону получения количественной оценки решений неструктурированных задач ведёт к увеличению элемента субъективизма. С научно-обоснованной оценкой решений чисто неструктурированных задач в ГПС встречаться не приходилось. Также боевые действия подразделений ГПС с позиций интеллектуальных процессов РТП ранее не рассматривались, а именно такой подход позволяет расширить рассмотрение процесса принятия решения и включить в анализ ЛПР, как необходимый элемент цепочки принятия решений.
Наличие существенного человеческого фактора в применении ИПР ставит задачу адаптации ИПР к уровню восприятия ЛПР, вплоть до создания интерфейса ИПР, использующего естественные языки человеческого общения. Сегодня недостаточная адаптированность к восприятию ЛПР известных алгоритмов ИПР является серьезным психологическим барьером для внедрения в практику методов компьютерной поддержки принятия решений. Необходимо отдавать себе отчёт в том, что и далее эта проблема будет сохранять свою значимость, т.к. меньшинство людей склонно к абстрактному математическому мышлению. Можно и нужно лишь пытаться поднять планку абстрагируемости мышления ЛПР. Поэтому является весьма актуальной задача создания таких методов интеллектуальной поддержки решений, которые будут адаптированы к уровню теоретической подготовки ЛПР, достаточно далёких от математики.
В системах управления, связанных с принятием решения с помощью вычислительной техники, распространён термин - системы поддержки принятия решения (СППР), наиболее интересными среди которых являются экспертные и моделирующие системы.
Существует множество методов оказания экспертной поддержки принятию решений, например [4, 32-35]. Если процесс выработки и принятия решений носит довольно длительный во времени характер, то вполне имеет смысл создания компьютерной ИПР экспертного типа, назначение которой является сокращение времени, необходимого на решение задачи. Такие системы могут использоваться также ЛПР, квалификация которых недостаточна для самостоятельной выработки решений данного класса задач. Но не во всех приложениях возможно применение экспертных систем.
Так как существует громадное количество практических приложений ИПР, то, соответственно, существует множество алгоритмов интеллектуальной поддержки решений, привязанных к конкретным особенностям решаемых задач (см., например, [1-4, 20, 21, 32-41]). Анализ таких ИПР затруднён и не показателен. Среди множества методов интеллектуальной поддержки имеются и такие, в которых делаются попытки универсально подойти к разрешению некоторых классов задач принятия решений, например [22]. Успех таких попыток во многом определяется возможностью формализации задачи, её структурированностью. Применение такого рода универсальных ИГТР к решению неструктурированных задач, возможно только в случае, если удастся выделить общий достоверный критерий для оценки различных качественных параметров. Если единый критерий выявлен, то, применив метод экспертного ранжирования параметров, далее можно численно сравнивать между собой различные решения. Однако далеко не всегда можно выделить такой универсальный критерий. Например, служба пожаротушения ГПС имеет своей главной целью спасение людей (в первую очередь) и имущества. Цель эта -нечёткая и противоречивая, т.к. любые боевые действия пожарных подразделений сопряжены с риском для здоровья и жизни, а численных критериев сопоставляющих ценность человеческих жизней с ценностью спасённого имущества не существует и не может существовать. Поэтому трудно с точки зрения достижения такой нечёткой цели провести ранжирование отдельных частей решения. По экономическому эффекту от тушения также практически невозможно проводить ранжирование. Такое ранжирование было бы объективным только в случае проведения нескольких натурных экспериментов, постфактум, что невозможно. Универсальной же модели пожара, способной достаточно достоверно учесть множество особенностей его протекания и такой же достоверной модели процессов тушения не существует, поэтому априорный подход к оценке экономического эффекта различных решений по ведению боевых действий мало объективен.
Таким образом, существует проблема создания более эффективных универсальных алгоритмов ИГТР для решения слабо структурированных и неструктурированных задач.
Логические модели базовых форм сложных знаний-решений
Итак, рассматривается знание сложной понятийно-психологической структуры. Элементами этого сложного знания являются понятия о предметах, их свойствах, о действиях над ними. Отдельное понятие может выражаться не только одним словом, но и целой фразой, даже несколькими фразами. Сложное знание (решение, в терминах задач управления) состоит из нескольких понятий (частей решения ЧР). Между элементами сложного знания имеются определённые связи. Рассмотрена логическая, комбинаторная (когда важна последовательность слагающих его элементов) и комбинированная (частично логическая и частично комбинаторная) связь. По типу связи между элементами различаются следующие формы сложного знания:
- перечень необходимых для решения предлагаемой задачи условий ПУ;
- перечень альтернатив ПА;
- последовательность действий ПД;
- альтернативные перечни условий А-ПУ;
- альтернативы в порядке, определяющемся предпочтительностью выбора А-ПВ;
- альтернативные последовательности действий А-ПД;
- альтернативные перечни условий в порядке предпочтительности выбора А-ПУ-ПВ;
- альтернативные последовательности действий в порядке предпочтительности выбора А-ПД-ПВ.
В задачах по принятию решений, в обучении, когда индивидуумом ЛПР синтезируется знание сложной структуры, встаёт вопрос об адекватности этого знания реальным потребностям, о его правильности. Возможны две формы оценки знания: на логическом уровне (да или нет) и на числено дифференцированном уровне. В данном разделе рассматриваются логические модели оценивания сложного знания базовых форм ПУ, ПА и ПД. Логические модели комбинированных форм знания могут быть выражены через модели базовых форм представления сложного знания.
Оценка какого-либо явления, объекта может возникнуть только при сравнении этого объекта с неким образцом. В нашем случае для оценки синтезированного знания необходимо полностью правильное знание ППЗ или полностью правильное решение ППР. Конечно, речь идёт не об абсолютном, полном и законченном знании - это абстракция. Имеется в виду наибольшая правильность знания в пределах компетенции науки и практики по решаемой проблеме на текущий момент. Именно в пределах этой компетенции получается ППЗ.
Пусть решение содержит правильные необязательные ЧР - элементы множества Smcz Sr, отсутствие которых ухудшает знание (решение), приводит к достижению цели задания не в полном объёме. Однако, отсутствие этих элементов позволяет ещё говорить об адекватности знания, о достижении цели задания, хотя и не в полном объёме.
Пусть Sruu - правильные безусловно необязательные; Smc - правильные условно необязательные; и Smu U Smc = Sru ;
Подробнее остановимся на анализе необязательных правильных ЧР. Эти ЧР несут либо самостоятельный эффект по отношению к цели, либо самостоятельную часть общего эффекта. Пусть некий v - условно необязательный элемент. Для каждого условно необязательного правильного ЧР Vjru в общем виде можно записать логическую функцию необязательности, принимающей единичное значение в случае отсутствия элемента Vjru и присутствия некоторых других условно необязательных элементов решения к Таким образом, с помощью функции условно необязательные правильные ЧР в решении Sa проверяются на их фактическую необязательность. Если в решении отсутствует некий условно необязательный элемент, а наличествующих в решении других условно необязательных элементов недостаточно для достижения цели-понятия, то этот элемент признаётся обязательным.
Таким образом, решение Sa можно представить как упорядоченное множество ЧР, и задача его нахождения в неупорядоченном множестве S заключается в выделении из S множества правильных ЧР Sr и упорядочении Sr согласно неким критериям оптимальности решения.
Пусть нам известно оптимальное решение S0, которое является ППР. Реальное решение, принимаемое ЛПР, может иметь в своём составе, как правильные, так и неправильные элементы. Последовательность элементов решения может не совпадать с ППР. Однако, несмотря на «неоптимальность» принятого решения, диапазон его допустимости может быть достаточно велик, чтобы поставить вопрос о минимально допустимом по отношению к цели задачи эффекте от решения, при котором цель достигается в минимальном объёме. Для определения ценности принятого решения на логическом уровне необходима логическая модель ценности полученного решения, которая должна дать ответ на вопрос —достигнута цель задания в допустимом диапазоне или нет.
Введём определение минимально допустимой конфигурации ответа (решения). Минимально допустимой конфигурацией ответа (решения) назовём образ решения, являющийся упорядоченным множеством элементов ответа Smin состав и последовательность расположения составляющих которого элементов обеспечивает выполнение цели задания с минимально допустимым относительно поставленной цели эффектом. Предполагается, что минимально допустимая конфигурация ответа известна на момент его оценивания. Критерий С2 достижимости минимальной конфигурации включает (аналогично форме ПУ) в себя проверку условно необязательных правильных ЧР в решении Sa на их фактическую необязательность. Если в решении отсутствует некий условно необязательный элемент, а наличествующих в решении других условно необязательных элементов недостаточно для достижения цели-понятия, то этот элемент признаётся обязательным.
Итак, разработаны модели логического оценивания решений базовых форм представления знаний ПА, ПУ и ПД. Логические модели комбинированных форм знания могут быть выражены через модели базовых форм.
Разработка алгоритмов интеллектуальной поддержки решений
Исходя из критического анализа известных алгоритмов интеллектуальной поддержки, сформулируем основные требования к разрабатываемым алгоритмам. Это:
1. Область приложений алгоритмов - анализ принятых решений, синтез новых решений, обучение принятию решений;
2. В алгоритмах решение рассматривается на уровне интеллектуальных процессов J11 IP;
3. Алгоритмы должны использовать модели описания и оценивания знаний-решений, учитывающие наиболее полно типовые формы мышления: логические, комбинаторные и логическо-комбинаторные, должны учитывать способность мышления к интуитивному оцениванию альтернативных вариантов решения, ситуаций, образов. В решении должны оцениваться не только правильные части решения, но и неправильные, элементы, придающие решению нечёткость и противоречивость;
4. Алгоритмы должны быть адаптированы к уровню восприятия их J11 IP практической направленности;
5. Алгоритмы должны обеспечивать по возможности объективную оценку решений слабоструктурированных и неструктурированных задач.
Исходя из этих требований структуру интеллектуальной поддержки можно представить следующим образом (Рис.2.7).
Поставленным требованиям к методам поддержки в части моделей описания и оценивания знаний-решений удовлетворяют разработанные в данной диссертационной работе модели. Так как эти модели обладают собственной спецификой (новизной), то алгоритмы поддержки, их использующие должны эту специфику учитывать и тем самым они приобретут собственную специфику (новизну). На Рис. 2.8 приведена блок-схема алгоритма интеллектуальной поддержки ИППР-С. Здесь и далее серым цветом выделены этапы, содержащие в себе новизну. Необходимо обратить внимание, что после оценок решений логическими моделями может появиться, а вернее будет сказать - практически наверняка появится обратная связь, которая скорректирует или/и состав интеллектуальных форм решения или/и состав перечней частей решения.
Для того, чтобы наиболее объективно оценить какое-либо сложное решение, необходимо иметь его эталонное решение (полностью правильное решение НИР). После этого, сличая оцениваемое решение с эталонным, делаются выводы о правильности или неправильности решения, как отдельных этапов задачи, так и всей задачи в целом. По отношению к ГПС можно сказать, что каждая задача, решаемая РТП, практически, всегда уникальна. Заранее известных эталонных решений таких задач не существует. Поэтому, естественна постановка вопроса о методологии нахождения эталонного решения.
Используется следующий подход к нахождению эталонного решения. Сначала решение задачи разбивается на наиболее крупные этапы общего плана, общеизвестные и (или) однозначно регламентированные какими либо руководящими материалами. Если дальнейшая общая детализация возможна, то она проводится. Если, начиная с какого-то момента, детализация сталкивается с необходимостью учёта нестандартных факторов, особенностей, неоднозначно трактуемых рекомендаций или не трактуемых вовсе, то для выработки эталонного решения необходим коллектив экспертов. Экспертное участие возможно в двух направлениях. Во-первых, при выработке неожиданных новых решений задачи, стратегического или проблемного характера. Уже на этом этапе целесообразно использовать для его описания психологические формы. Такие решения принимаются на уровне руководителей коллектива, решающего данную задачу. В приложении для ПО, например, - на уровне руководителя тушением пожара РТП или его штаба пожаротушения. Во-вторых, эксперты участвуют в выработке решений тактического характера на уровне более мелких исполнителей задания. Руководствуясь собственным опытом и соответствующими регламентациями, эксперты, либо приходят к общему мнению и вырабатывают коллективное эталонное решение, либо к нему не приходят. В последнем случае вырабатываются несколько альтернативных вариантов решения, каждый из которых считается эталонным. Необходимо напомнить, что такие психологические формы представления альтернативных знаний поддерживаются методикой психологического моделирования с помощью форм ПА, А-ПУ и А-ПД. В случае, если выработанные экспертные решения по эффекту не равноценны между собой, и это заключение о неравноценности фиксируется экспертами, то становится возможной постановка вопроса о приоритетности какого-либо отдельного альтернативного решения или же о ранжировании всех предложенных альтернатив по положительному эффекту. Выработка такого рода решений проводится также экспертным образом. Представление таких неравноценных альтернативных знаний в методике психологического моделирования поддерживается с помощью форм А-ПВ, А-ПУ-ПВ и А-ПД-ПВ. Необходимо отметить, что альтернативные решения могут быть признаны равноценными в двух случаях, различающихся между собой степенью достаточности информации для принятия того или иного решения. В первом случае, когда информация достоверна, однозначна и достаточна для принятия решения, существует такая принципиальная возможность выделения равноценных по эффекту альтернативных решений. В случае недостоверности, неоднозначности и (или) недостаточности информации, некоторые решения тоже могут быть признаны равноценными. Это может быть в случаях, когда экспертами признаётся весьма вероятным наличие таких различных, вплоть до взаимоисключающих, условий для решения, при которых возможны альтернативные, полностью равноценные по эффекту решения, или же, когда имеют место единственно возможные альтернативные решения для данных альтернативных условий. Равноценными могут быть признаны также альтернативы, не существенно отличающиеся по эффекту.
На Рис. 2.9 изображены два алгоритма интеллектуальной поддержки решения при анализе уже принятого решения. В первом алгоритме принятое решение не анализируется на оптимальность, на возможность альтернативных решений. Решение здесь анализируется только на предмет - достигнуты ли поставленные цели или нет. Решение целесообразно сначала разбить на укрупнённые этапы и представить его через интеллектуальные формы. Если после оценок логическими моделями будет признано, что общая схема решения правильная, то можно переходить на следующий этап детализации и так далее. Второй алгоритм ИППР-А более сложный, но зато и обеспечивающий более качественный анализ в сравнении с первым алгоритмом. Этот алгоритм сначала использует алгоритм ИППР-С для нахождения оптимального решения или альтернативных решений.
Затем анализируемое решение разбивается на интеллектуальные формы с составлением соответствующих перечней ЧР по алгоритму ИППР-А, но без непосредственного оценивания их логическими моделями.
После этого анализируемое решение оценивается логическими моделями относительно ПНР или ПАР. Целесообразно разбивать и сравнивать сначала этапы решения на более крупном, стратегическом уровне, постепенно детализируя анализируемое и эталонное решение.
Общая структура метода интеллектуальной поддержки обучением принятию решений представлена на Рис. 2.10.
Большинство алгоритмов обучения не рассматривают фазу формулировки задачи как часть общего алгоритма обучения. Происходит это потому что выдаваемые задания в них либо очень простые и не требуют особенного внимания, либо формулировка их проводится в общем виде, не ориентированном на применение каких либо более менее серьёзных математических моделей оценивания решения. В предлагаемой системе обучения эта фаза крайне важна. До момента получения готового тестового задания с вопросами и ответами здесь необходимо пройти несколько нестандартных операций.
Основные направления применения предложенных разработок в ГПС
Подводя итог сделанному в данной работе, следует отметить, что к улучшению показателей работы ГПС приведёт внедрение в её деятельность следующих разработок:
- алгоритма интеллектуальной поддержки решений, применяемого при анализе действий подразделений ПО на крупных пожарах ИПР-А;
- алгоритма интеллектуальной поддержки решений, применяемого при выработке (синтезе) новых решений, в частности, при разработке оперативных планов пожаротушения особо важных объектов ИПР-С;
- алгоритма интеллектуальной поддержки решений, применяемого при обучении принятию решений, например, на занятиях по повышению профессиональной подготовки сотрудников ГПС и учебном процессе в учебных центрах, Академии ГПС;
- методических рекомендаций по применению предложенных разработок для составления оперативных планов пожаротушения и разработки обучающих программ по принятию решения;
- компьютерной обучающей системы, основывающейся на алгоритме ИПР-0, в которой предусмотрены возможности независимого построения курсов с соответствующими тестовыми заданиями и деловыми играми по пожарной тактике, пожарной профилактике, правовым основам и деятельности ГПС;
- деловых игр по тактике пожаротушения, основывающихся на применении разработанного алгоритма ИПР-О, пример одной из игр приведён в диссертации;
- разработанных и внедрённых планов пожаротушения нескольких объектов, основывающихся на применении разработанных алгоритмов ИПР-А и ИПР-О.
Вся деятельность ГПС имеет конечной целью повышение уровня пожарной безопасности (ПБ) на территории России. Согласно статье 3 Федерального закона "О пожарной безопасности" (далее ФЗ) одними из основных функций системы обеспечения ПБ являются:
- разработка и осуществление мер ПБ;
- реализация прав, обязанностей и ответственности в области ПБ;
- обучение населения мерам ПБ;
- осуществление государственного пожарного надзора (ГПН) и других контрольных функций по обеспечению ПБ;
- тушение пожаров и проведение связанных с ними первоочередных аварийно-спасательных работ.
Согласно ст.5 ФЗ одной из основных функций ГПС, служащих обеспечению ПБ является подготовка, переподготовка и повышение квалификации кадров для пожарной охраны.
Особая роль в достижении ПБ принадлежит государственному пожарному надзору - специальному виду государственной надзорной деятельности, осуществляемой должностными лицами органов управления и подразделений ГПС в целях контроля за соблюдением требований ПБ и пресечения их нарушений. Деятельность ГПН носит весьма разнообразный характер. Согласно ст.6 ФЗ, в числе прочих функций ГПН, можно выделить:
- осуществление государственного пожарного надзора за соблюдением требований ПБ федеральными органами исполнительной власти, органами исполнительной власти субъектов РФ, органами местного самоуправления, предприятиями, должностными лицами и гражданами;
- проведение обследований и проверок территорий, зданий и сооружений, помещений предприятий и других объектов, в том числе в нерабочее время, в целях контроля за соблюдением требований ПБ и пресечения их нарушений;
- производство в соответствии с действующим законодательством дознание по делам о пожарах и по делам о нарушениях требований ПБ;
- вызов в органы управления и подразделения ГПС должностных лиц и граждан по находящимся в производстве делам и материалам о пожарах, получение от них необходимых объяснений, справок, документов;
- наложение в соответствии с действующим законодательством административные взыскания на граждан и юридических лиц за нарушение требований ПБ.
Как отмечено во введении к диссертации, целью данной работы является разработка более эффективных алгоритмов интеллектуальной поддержки решений в системах социального управления. Критерием эффективности алгоритмов ИПР являлось качество решений. Достижение этой цели рассматривается на примерах ГПС. Выше перечислены все направления деятельности ГПС, где применение предложенных в диссертации разработок приводит к повышению уровня ПБ за счёт более качественных управленческих решений. Рассмотрим, в чём выражается повышение качества решений в структуре ГПС при использовании предложенных разработок.
Необходимо обратить внимание на то, что хотя предложенные алгоритмы ИПР в части, касающейся моделей описания и логического оценивания решений, особенно актуальны для решения неструктурированных задач, к которым принадлежат многие задачи, стоящие перед РТП во время тушения пожаров, деятельность должностных лиц ГПС во многих других областях также носит сложный интеллектуальный характер. Поэтому здесь тоже весьма желательна интеллектуальная поддержка решений. К такого рода задачам относится, например, правовая деятельность ГПС, регламентированная Уголовным и Административным законодательством, соответствующими процессуальными кодексами. Очень широкий круг статей российского законодательства представляет собой совокупность логических форм знаний-решений, таких как ПУ и ПА. Реальное применение статей законодательства имеет временной характер, когда образуется некая последовательность процессуальных действий, описываемая формой ПД. Конечно, в идеальном случае, законодательство должно быть не противоречивым и однозначно трактующим те или иные ситуации. Это, казалось бы, создаёт предпосылку для полной автоматизации процесса принятия решений в правовой сфере. Однако, практическая юридическая деятельность накладывает серьёзные ограничения на продвижение в этом направлении. Одними из таких ограничений являются отсутствие информации и недостаточность однозначно трактуемых фактов, высокая степень их субъективности. От субъективного характера знаний в правовой сфере полностью уйти не представляется возможным, т.к. имеет место общение и обмен информацией на уровне субъектов процесса. Технические следственные средства, конечно, оказывают существенную помощь в снижении элемента субъективизма, но эти технические средства имеют существенные границы применимости. Кроме этого в ходе юридического процесса, лица принимающие решение по нему, например, дознаватели или инспектора ГПС, сталкиваются с тем, что исходные данные по нему по мере развития процесса меняются. Это приводит к необходимости пересмотра и корректировки версий и связанных с этим процессуальных действий. Поэтому разработать заранее жёсткую логику и последовательность действий под некий определённый юридический процесс вряд ли возможно. Можно только формализовать отдельные его этапы и общую схему действий. Правда, существуют методы, в том числе искусственного интеллекта, которые позволяют реализовать гибкую логику процесса, с его корректировкой в зависимости от изменения тех или иных условий. Рассмотрение этих средств выходит за рамки предлагаемой работы, поэтому мы ограничимся только упоминанием их.
