Содержание к диссертации
Введение
ГЛАВА I. Анализ состояния проблемы управления деятельностью региональной компании сотовой связи 9
1.1. Организационно-функциональная характеристика объекта исследования 9
1.2. Анализ состояния проблемы управления деятельностью региональной компании сотовой связи 13
1.2.1. Технология разработки и реализации управленческого решения 13
1.2.2. Формирование и развитие компьютерных технологий в сфере управления на основе финансово-экономического анализа. 25
1.3. Анализ состояния современного программного обеспечения финансово-экономического анализа 36
1.4. Некоторые особенности решения задач управления на основе советующих систем 47
Выводы по ПЕРВОЙ ГЛАВЕ 57
ГЛАВА II. Основные пути решения задач управления с помощью советующей системы 59
2.1. Принципы создания советующей системы управления 59
2.1.1. Особенности решения задач управления с помощью советующей системы и возможная архитектура системы 59
2.1.2. Принципы построения советующей системы управления расчетно-диагностического характера 65
2.1.3. Использование функций полезности при управлении выводом в советующей системе управления 77
2.2. Проектирование базы знаний советующей системы управления 80
2.2.1. Характеристика этапов проектирования базы знаний 80
2.2.2. Принятие решений в условиях неопределенности 84
2.2.3. Анализ существующих методик построения базы знаний советующих систем управления 92
2.2.4. Обоснование выбора продукционной модели представления знаний 100
2.3. Выбор инструментальных средств реализации советующей системы 111
2.3.1. Классификация инструментальных средств реализации советующих систем управления 2.3.2. Описание инструментального средства 116
Выводы по второй главе 120
ГЛАВА III. Постановка и решение задач управления с помощью советующих систем 122
3.1. Примеры постановки задач управления в региональной компании сотовой связи 122
3.2. Реализация и исследование советующей системы управления региональной КСС 130
3.2.1. Этап идентификации 130
3.2.2. Этап концептуализации 134
3.2.3. Этап формализации 142
3.2.4. Этап реализации 144
3.2.5. Пример работы системы 147
3.2.6. Результаты использования 150
Выводы ПО ТРЕТЬЕЙ ГЛАВЕ 154
Заключение 156
Список использованных источников
- Анализ состояния проблемы управления деятельностью региональной компании сотовой связи
- Особенности решения задач управления с помощью советующей системы и возможная архитектура системы
- Проектирование базы знаний советующей системы управления
- Реализация и исследование советующей системы управления региональной КСС
Введение к работе
По мере развития рыночных отношений в экономике России все большее значение приобретают проблемы принятия эффективных управленческих решений, что объективно обуславливает необходимость освоения управленческими работниками разнообразных методов принятия решений на основе использования современных информационных технологий, представляющих собой основу экономических информационных систем (ИС).
ИС в экономике имеют дело с организацией и эффективной обработкой больших массивов данных в компьютеризованных системах предприятий, обеспечивая информационную поддержку принятия решений менеджерами. Глобализация финансовых рынков, развитие средств электронной коммерции и формирование в Интернете доступных для анализа баз данных финансово-экономической информации, снижение стоимости программной реализации информационных систем, привели за последние два года к беспрецедентному росту их использования в экономике. ИС позволяют объективно оценить достигнутый уровень развития экономики, выявить резервы и обеспечить успех их деятельности на основе применения правильных решений.
Современная, динамично изменяющаяся бизнес-среда требует профессионалов, способных в дополнение к экономическим знаниям применять современные информационные технологии, чтобы находить инновативные способы реализации бизнес-процессов. Современный менеджер должен уметь:
- оперативно находить и обобщать необходимую информацию для принятия управленческих решений;
- анализировать имеющуюся информацию, всесторонне аргументировать принимаемые управленческие решения и прогнозировать тенденции экономического развития;
- принимать управленческие решения в условиях нехватки информации или ее недостаточной достоверности, оценивать риски и шансы их реализации;
- комбинировать различные методы финансового анализа, планирования инвестиций, маркетинга и менеджмента.
Современный этап функционирования региональных компаний сотовой связи (КСС) характеризуется повышенной сложностью и динамичностью. Деятельность КСС протекает в условиях постоянно усиливающейся жесткой конкуренции, бурно изменяющейся бизнес-среды, снижения величины среднего счета и характеризуется комплексом разнообразных требований:
- расчетно-диагностического характера (повышение оперативности управления; увеличение уровня качества связи; обеспечение роуминга; мониторинг текущего состояния; анализ динамики проникновения, рыночной доли и структуры трафика; контроль удовлетворенности абонентов);
- экспертао-аналитического характера (совершенствование билинговых технологий; формирования маркетинговой политики с учетом сложившихся потребительских стереотипов; тарификация услуг; необходимость обеспечения своевременности, достоверности и адекватности принимаемых решений); - структурно-функционального характера (повышение телефонной плотности и объемов предоставляемых услуг; необходимость создания современной интегрированной сети связи и передачи данных для административной, финансово-экономической, производственной и социальной инфраструктур; структурная наращиваемость узлов связи; их функциональная избыточность; ограниченность ресурсов КСС, в первую очередь уровня интеллектуализации).
Выполнение комплекса данных противоречивых требований в условиях рыночных отношений в экономике России может быть достигнуто путем разработки интеллектуализи-рованных систем поддержки принятия управленческих решений, использующих разнообразные методы принятия решений и современные информационные технологии на их основе.
За последние годы область, обычно называемая поддержкой принятия управленческих решений в экономической сфере, в результате быстрого развития теоретических и прикладных аспектов стала приобретать новые очертания, причем круг практических сфер внедрения, а также набор инструментальных средств значительно расширился. Сюда стали включать системы, ранее имевшие к проблемам принятия решений весьма приблизительное отношение. Это прежде всего нейросетевые технологии, мониторинговые системы и генетические алгоритмы. Отсюда и новое название, объединяющее в себе как традиционные экспертные системы, базирующиеся на "мягких" вычислениях, так и новейшие технологии оценочного и диагностического характера. Объединив их под общим названием, можно выделить те, что касаются сферы управления: советующие системы управления (ССУ) [101].
Преимущества ССУ по сравнению с использованием опытных специалистов состоят в следующем: достигнутая компетентность не утрачивается, она может документироваться, передаваться, воспроизводиться и наращиваться; имеют место более устойчивые результаты, отсутствуют эмоциональные и другие факторы человеческой ненадежности; высокая стоимость разработки уравновешивается низкой стоимостью эксплуатации, возможностью копирования, что в совокупности дешевле оплаты труда высококвалифицированных специалистов; в системе эксперта с более низкой квалификацией наличие технологии экспертной системы будет служить средством расширения профессиональных знаний и возможностей.
ССУ используются для информационного сопровождения лиц, принимающих решения (ЛПР). Процессы планирования, анализа и принятия решений могут бьпь эффективными лишь в том случае, если они базируются на точной и оперативной информации. Принятие своевременных и правильных решений может быть только тогда, когда ЛПР хорошо информировано. Доступ руководителей к информации о различных процессах, имеющих место в КСС и вне ее, имеет первостепенное значение не только для принятия продуманных решений, но и для обеспечения конкурентоспособности и эффективности операций на рынке. Применение ССУ позволяет повысить эффективность управления КСС за счет обеспечения своевременности, точности, сокращения доли факторов человеческой ненадежности и достоверности принимаемых решений на основе накопленных экспертных знаний.
Теоретическим и практическим вопросам проектирования интеллектуальных систем посвящены работы зарубежных ученых; Левина Р., Дрангга Д., Таусенда К., Нейлора К., Форсайта Р. и др., а также отечественных авторов: Гавриловой Т.А., Хорошевского В.Ф., Романова В.П., Романова А.П., Одинцова Б.Е., Попова Э.В., Тсльнова Ю.Ф. и др. Вместе с тем разработка ССУ как самостоятельная задача применительно к телекоммуникационным компаниям с распределенной и наращиваемой структурой не рассматривалась.
Кроме того, актуальность исследования ССУ и технологии ее разработки связана с тем, что в настоящее время отсутствуют единые методики и технологии на их основе проектирования ССУ, несовершенны методы проектирования базы знаний как центральной компоненты ССУ, учитывающей обработку неопределенности данных и знаний.
Таким образом, возникает актуальная научно-техническая задача разработки технологии проектирования ССУ расчетно-диапюстического характера и ее исследования.
Цель и задачи исследования.
Целью диссертационного исследования является повышение эффективности управления компанией сотовой связи (КСС) путем разработки и внедрения технологий проектирования ССУ расчетно-диагностического характера.
Для достижения поставленной цели решены следующие задачи:
- анализ особенностей функционирования существующей системы управления КСС и комплекса первоочередных задач, подлежащих автоматизации, а также анализ существующих автоматизированных систем финансово-экономического анализа и тенденций их развития;
- разработка технологии построения ССУ расчетно-диагностического характера для телекоммуникационных предприятий;
- синтез модифицированной модели представления знаний для ССУ расчетно-диагностического характера;
- разработка технологии проектирования базы знаний (БЗ) и создание БЗ, учитывающей специфику функционирования КСС;
- разработка программного обеспечения ССУ предприятиями данного класса, обеспечивающего поддержку принятия решений, внедрение и апробация результатов исследования в КСС.
Объект исследования. Процессы и технологии управления в региональной компании сотовой связи.
Предмет исследования. Технологии построения ССУ расчетно-диагностического характера для региональных КСС.
Методика исследования.
Методологической и теоретической основой исследования в диссертационной работе являются: теория управлення экономическими объектами; теория проектирования информационных систем; теория построения моделей сложных систем; теория нечеткой логики; теория экономических информационных систем; теория вероятностей; методы инженерии знаний; методы РОЦ-технологии; теория и методы разработки программного обеспечения. Научная новизна.
Научная новизна диссертации заключается в решении актуальной задачи повышения эффективности управления КСС путем разработки технологии проектирования ССУ расчет-но-диагностического характера. При этом:
- разработана технология проектирования ССУ, особенностью которой является взаимосвязь РОЦ-технологии с традиционными этапами создания экспертных систем;
- разработана технология проектирования БЗ реальной ССУ, позволяющая формализовать процесс создания БЗ;
- синтезирована модифицированная модель представления знаний для ССУ расчетно-диагностического характера на основе комбинации продукционной системы и семантической сети, позволяющая использовать адекватные стороны этих типов моделей.
Практическая ценность.
В ходе исследования были достигнуты следующие результаты:
- разработана советующая система для управления хозяйственной деятельностью региональной КСС;
- разработаны компоненты ССУ предприятием, предоставляющие руководству необходимый объем информации о состоянии управляемого объекта для принятия решений.
Результаты проведенного исследования и предложенных разработок позволяют:
- на основе применения ССУ предприятия повысить оперативность аналитической обработки информации, ее достоверность, сократить трудоемкость обработки, высвободив персонал экономического отдела;
- использовать ССУ для расширения профессиональных знаний персонала КСС за счет возможности тиражирования накопленных экспертных знаний;
- выявлять причинно-следственные связи между различными факторами и находить источники возникающих проблем;
- усовершенствовать структуру потоков информации и системы документооборота в компании путем внедрения ССУ.
Внедрение разработанной ССУ позволило повысить степень автоматизации функций финансово-экономического отдела с 40 % до 60 %, а оперативность принятия управленческих решений на 23 - 26 %. Данные получены на основании экспериментальной проверки действия системы.
Основные положения, выносимые на защиту.
На защиту выносятся:
- модифицированная модель представления знаний для ССУ расчетно-диагностического характера;
- подход к проектированию ССУ расчетно-диагностического характера, основанный на РОЦ-технологии;
- технология проектирования базы знаний ССУ, позволяющая формализовать процесс создания БЗ.
Личный вклад автора
- Разработка технологии проектирования базы знаний (70%).
- Разработка БЗ, учитывающей специфику функционирования КСС (90%).
- Разработка технологии построения ССУ расчетпо-диагностического характера для телекоммуникационных предприятий (80%).
- Разработка программного макета ССУ расчетно-диапюстического характера, обеспечивающего поддержку принятия решений (100%).
- Модифицированная модель представления знаний для ССУ расчетно-д и агностического характера (60%).
Реализация и апробация.
Основные результаты работы неоднократно докладывались на следующих конференциях:
- VIII Российская научная конференция профессорско-преподавательского состава, г. Самара, 2001 г.;
- X Российская научно-методическая конференция "Пути и методы совершенствования учебного процесса", Самара, 2001 г.;
- IX Российская научная конференция профессорско-преподавательского состава, г. Самара, 2002 г.;
- I Международная научно-техническая конференция студентов, аспирантов и молодых ученых "Средства и технологии инфокоммуникаций", Одесса, Украина, 2002 г.;
- X Российская научная конференция профессорско-преподавательского состава, г. Самара, 2003 г.;
- XI Российская научная конференция профессорско-преподавательского состава, г. Самара, 2003 г.
Диссертационная работа выполнена в рамках НИР 6/97 "Экономические аспекты математического и компьютерного моделирования функционирования и развития сложных систем".
Результаты работы использованы в учебном процессе в курсах "Проектирование информационных систем", "Интеллектуальные информационные системы", "Информационные системы" па кафедре "Экономические и информационные системы" Поволжской государственной академии телекоммуникаций и информатики.
Методика разработки советующей системы управления внедрена в региональной компании сотовой связи - ОАО "Билайн-Самара". Внедрение подтверждено актами.
Публикации.
По теме диссертации опубликовано 14 печатных работ, в том числе 5 статей, общим объемом 3,4 п.л.
Структура и объем работы.
Диссертация состоит из введения, трех глав, заключения, списка использованных источников (148 наименований) и 3 приложений. Общее количество машинописных страниц-184, рисунков- 36, таблиц -17.
Анализ состояния проблемы управления деятельностью региональной компании сотовой связи
Управление предприятием или учреждением представляет собой способ организации совместного действия коллектива людей, обладающего некоторыми ресурсами для достижения определенных целей [56, 85].
Управление предназначено для сохранения основного качества предприятия, т.е. совокупности таких его свойств, потеря которых влечет за собой разрушение предприятия в процессе взаимодействия с внешней средой.
Используя кибернетический подход, в самом общем виде процесс управления предприятием может быть проиллюстрирован с помощью схемы на рис. 1.1. Здесь / - время, Хиг»(0 вектор измеряемых параметров, характеризующих состояние управляемого объекта (измеряемая часть вектора фазовых координат), 2иы(0 - вектор измеряемых параметров, характеризующих состояние окружающей среды, V - управляющее воздействие, V - воздейст вне окружающей среды, W - информационные возмущения. В общем случае U, V, W могут зависеть от Л" и Л
Процесс управления Применительно к промышленному предприятию кибернетический подход предполагает, что при управлении предприятием должны использоваться следующие принципы: - управление предприятием рассматривается в рамках системы, включающей в себя помимо предприятия и внешнюю среду; - цель управления формулируется в количественных терминах; - действующие в системе механизмы связи и управления анализируются с учетом как детерминированности, так и стохастических изменений.
Управление предприятием всегда подчинено некоторой цели, поэтому всегда можно говорить об управлении, оптимальном в известном смысле, например, цель: максимизация прибыли за заданный период времени, снижение издержек производства и т.д. Казалось бы, что наиболее простой ответ на вопрос, как построить управление предприятием, может быть получен с помощью теории оптимального управления. Однако на практике ряд факторов не позволяет использовать этот подход в чистом виде. Применение теории оптимального управления подразумевает наличие следующих элементов: - динамическая модель предприятия; - модель систем управления; - критерий оптимальности; - модель внешних воздействий на предприятие и информационных возмущений (внешних возмущений и шумов).
К сожалению, создать математические модели, охватывающие все эти компоненты, на практике невозможно. Даже упрощенные модели оказываются такой размерности, что ни один из известных методов построения оптимального управления не может быть реализован для определения управляющих воздействий.
Для получения предсказуемых результатов управления сложными объектами и накопления полезных, полученных опытным путем знаний применяется ряд упрощений, которые могут быть формализованы в рамках теории управления. Эти упрощения касаются как процесса выработки управляющих воздействий, так и моделей предприятия, внешних воздействий и информационных возмущений.
Управление представляют две составляющие: - программные управляющие воздействия, зависящие только от времени; - корректирующие управляющие воздействия, формируемые но принципу обратной связи, т.е. зависящие от рассогласований между текущими значениями контролируемых параметров и прогнозируемыми программными.
Поведение контролируемых параметров деятельности изображено на рис. 1.2. Здесь t-время; Хп1(і) - программное, планируемое значение параметра; Хф(1) - фактическое значение параметра.
Классическая схема управления включает следующие этапы (рис.1.3): - планирование (П) - это определение поведения управляемого процесса в будущем в детерминированном виде, необходимо для формулирования знаний предприятию в целом и отдельным его структурным подразделениям; - учет (У) - определение фактического состояния управляемого процесса в дискретные моменты времени сбор и анализ данных о происходящих процессах, необходим для получения объективной информации о положении дел; - анализ (А) - это подведение итогов осуществления управляемого процесса за период управления, выявление факторов, повлиявших на степень достижения запланированных результатов; - регулирование (Р) - обеспечение функционирования управляемых процессов в рамках заданных параметров;
Особенности решения задач управления с помощью советующей системы и возможная архитектура системы
Анализируя схемы типичных ЭС, приведенные в [5, 55, 58, 65, 85, 91, 101, 109, 114, 117], можно выделить в них следующие основные части: 1. База знаний. 2. Рабочая память (база данных, доска объявлений). 3. Решатель (механизм получения решений, интерпретатор, машина вывода, механизм вывода, блок логических выводов). 4. Интерфейс (диалоговый компонент). 5. Объяснительный компонент. 6. Компонент приобретения знаний. В [65] этот компонент делится па собственно приобретение знаний и на совершенствование вывода и "очищение" знаний.
Каждая из этих частей может быть устроена по-разному в различных системах, причем отличия могут быть как в деталях, так и принципах. Следует также отметить, что между этими частями нет абсолютной границы, их размежевание довольно условно, они могут "пересекаться".
Рассмотрим подробнее эти компоненты (рис. 2.1). Стрелками на схеме показаны направления информационных потоков. В дальнейшем будет использоваться терминология из [114].
Центральным компонентом ЭС является "база знаний, которая выступает по отношению к другим компонентам как содержательная подсистема, составляющая основную ценность [117. С. 17]. Там же можно встретить следующее определение БЗ: "БЗ - это совокупность единиц, которые представляют собой формализованное с помощью некоторого метода представления знаний отражение объектов проблемной области и их взаимосвязей, с которыми эти действия осуществляются". [117. С. 17-18].
Термин БЗ не имеет однозначного толкования, "что такое база знаний - никто не знает. Это понятие широкое и размытое, существует два основных разночтения: 1) БЗ как пакет знаний, который погружен в систему; 2) БЗ как интегрированная система" [109. С. 277]. По мнению автора причиной таких разногласий является неразрывная близость терминов "дан 61
Данные - это отдельные факты, характеризующие объекты, процессы и явления и предметной области, а также их свойства [55].
Знания - это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.
Синтаксически структуры знаний и данных не отличаются друг от друга. Более того, все программы неявно содержат знания, которые заложены в алгоритм самой программы [S, 40,59,75,102].
Но поскольку система понятий для представления знаний существенно отличается от понятий для выявления данных, то поэтому отображение знаний производится в базу знаний, и вместе с тем БЗ способна хранить данные как простую разновидность знаний.
Во многих ЭС содержимое БЗ разделяют на "факты" и "правила", причем факты играют роль элементарных "единиц знания" (простых утверждений о характеристиках объектов), а правила служат для выражения связей, зависимостей между фактами и их комбинациями. В системах БД этому делению соответствует деление на объекты и связи, принятое во многих концептуальных моделях данных. БД содержит не только "факты" (записи объектов с их атрибутами), но и связи, т.е. она не ограничивается фактуальными знаниями. Следовательно, традиционную БД можно рассматривать как своеобразную базу нсалгоритмических знаний (о текущей ситуации в той реальной обстановке, которую эта БД моделирует). Развитие так называемых семантических моделей данных и языков запросов к БД увеличивает сходство с системы баз данных и ЭС.
Таким образом, в реальных ЭС используются следующие виды знаний: 1) понятия (математические и нематематические); 2) факты; 3) правила, зависимости, законы, связи; 4) алгоритмы, процедуры. БЗ должна быть организована таким образом, чтобы она могла в нужный момент предоставить пользователю нужные данные. Доступность знаний в машинной форме и возможность прямого их использования для решения конкретных задач является характерной чертой БЗ в ЭС. Рабочая память. Компонент рабочая память предназначен для хранения исходных и промежуточных данных решаемой в текущий момент задачи.
Может быть организована в виде доски объявлений, на которую записываются текущие гипотезы и управляющая информация: - план - какая стратегия выбрана для решения проблемы; - повестка - потенциальные действия, ожидающие выполнения; - решение - гипотезы и альтернативные способы действий, сгенерированные системой. Решатель.
Решатель по значимости является вторым, после БЗ, компонентом ЭС. Другие, часто встречающиеся названия: механизм, или машина вывода (первый термин - из логики, второй - буквальный перевод inference engine), механизм получения решения, интерпретатор, процедура поиска, планирования и т.д. Этот компонент представляет собой компьютерную программу, поддерживающую методологию обработки информации из БЗ, получение и представление рекомендаций. Решатель посредством формирования и организации последовательности шагов, предпринимаемых для решения проблемы (так называемой "повестки" -agenda), управляет использованием системных знаний.
В некоторых ЭС (например, на основе G2) решатель организован в виде двух подсистем: - интерпретатор (или интерпретатор правил), который выполняет выбранную повестку, применяя соответствующие правила из БЗ; - планировщик, который управляет процессов повестки, оценивая эффект применения различных правил с точки зрения приоритетов или других критериев.
Принципы работы решателя тесно связаны со способами представления знаний в БЗ. Например, для знаний, представленных в БЗ уравнениями, решатель является процедурой решения уравнения; для знаний, представленных логическими формулами или правилами специального вида, это некоторый механизм вывода и т.п. В любом случае решатель содержит механизм получения решения, т.е. специальное алгоритмическое знание. Так как в решателе содержится по крайней мере часть семантики БЗ, определяемая в процедурной форме, это подтверждает относительность границы между решателем и БЗ.
Интерфейс.
ЭС содержит языковой процессор для дружественного, проблемно-ориентированного общения между пользователем и компьютером. Это общение может быть организовано с помощью естественного языка, сопровождаться графикой или многооконным меню. Важнейшим требованием к организации диалога пользователя с ЭС является естественность языка, которая не означает буквально формулирование потребностей пользователя предложениями естественного языка, хотя это и не исключается в ряде случаев. Важно, чтобы последовательность решения задачи была гибкой, соответствовала представлениям пользователя и велась в профессиональных терминах.
Проектирование базы знаний советующей системы управления
Теория предметной области (т.е. наши знания об этой области) может быть неясной или неполной: в ней могут использоваться недостаточно четко сформулированные концепции или недостаточно изученные явления. Неопределенность знаний приводит к тому, что правила влияния даже в простых случаях не всегда дают корректные результаты. Располагая неполным знанием, мы не можем уверенно предсказать, какой эффект даст то или иное действие. И, наконец, даже когда мы располагаем достаточно полной теорией предметной области, эксперт может решить, что эффективнее использовать не точные, а эвристические методы.
Но помимо неточных знаний, неопределенность может быть внесена и неточными или ненадежными данными о конкретной ситуации. Например, любой сенсор имеет ограниченную разрешающую способность и отнюдь не стопроцентную надежность; при составлении отчетов могут быть допущены ошибки или в них могут попасть недостоверные сведения. Помимо всего прочего, существует еще и фактор времени. Не всегда есть возможность быстро получить необходимые данные, когда ситуация требует принятия срочного решения.
Таким образом, можно отметить, что эксперты пользуются неточными методами по двум главным причинам: 1. точных методов не существует; 2. точные методы существуют, но не могут быть применены на практике из-за отсутствия необходимого объема данных или невозможности их накопления по соображениям стоимости, технических или программных возможностей, риска или из-за отсутствия времени на сбор необходимой информации.
Будем называть высказывание неточным, если его истинность (или ложность) не может быть установлена с определенностью. Теоретической основой обработки неточной информации является нечеткая логика Заде и теория вероятностей (теорема Байеса). Основополагающим понятием при построении моделей неточного вывода является понятие вероятности, поэтому все рассматриваемые далее методы связаны с вероятностной концепцией.
Подход на основе теоремы Байеса
Одним из вычислений неопределенностей, имеющим сравнительно прочные теоретические основы, является теория вероятностей. Во многих ЭС [62, 67, 79, 93, 146] теорема
Байеса используется в качестве нити, помогающей связать вместе информацию, поступающую из различных источников.
Теории Байеса опираются на предположение, что практически для любого положения имеется, какая бы малая она не была, априорная вероятность того, что данное положение истинно.
Байесовский подход предполагает начальное априорное задание предполагаемых гипотез (значений достигаемых целей), которые последовательно уточняются с учетом вероятностей свидетельств в пользу или против гипотез, в результате чего формируются апостериорные (условные) вероятности.
Байесовский подход имеет несколько критических замечаний [79, 146]. Первое касается вычисления Р(Е). Представленное вычисление является точным и довольно простым, если известна Р(Е:неН). Как правило, эксперт знает очень точное значение для Р(Е:Н), но значение Р(Е\неН) не всегда может быть точно известно.
Одна из возможностей обойти это формулы для вероятности некоторого свидетельства с учетом того, что использованная выше формула является частным случаем этого выражения. Р() = р(Я:Я,).Р(Я,) 4-1затруднение заключается в использовании обшей
Формула гласит, что вероятность свидетельства Е есть вероятность Е при учете каждой ситуации, которая может повлечь за собой появление Е, умноженная на вероятность такого события.
Если Р(Н) постоянно уточняется в ходе работы, то Р(Е) теоретически также может уточняться с течением времени. Трудность и основная опасность состоит в неполноте базы знаний (точнее, в отсутствии в базе знаний абсолютно всех данных, касающихся какой-либо ситуации), поскольку отсутствие какого-либо "симптома" приводит к соответствующей ошибке при вычислении Р(Е), точно так же как и при формировании окончательного результата.
С практической точки зрения использование грубых оценок для Р(Е:Н) и для Р(Е:пеН) вполне допустимо, т.к., используя более простой метод можно экономить объем необходимых вычислений и быстрее получить ответ.
Второе практическое замечание касается того, что в этом методе используется предположение о независимости переменных. С точки зрения теории это замечание очень серьезно. Предположим, в базе знаний содержатся два симптома одного и того же состояния, которые полностью коррелируют друг с другом. Таким образом, эксперт включил одно свидетельство дважды и, следовательно, увеличил или уменьшил вероятность какой-либо гипотезы по сравнению с тем, что должно было быть, так что апостериорные вероятности будут ошибочными.
В каком-то небольшом масштабе подобная трудность не может не возникнуть, поскольку большинство симптомов всегда в какой-то степени коррелируют друг с другом. И из этого положения ист никакого теоретически приемлемого способа [146]. Эта проблема встает особенно остро, если пользователю необходимо иметь точные вероятности для каждой из рассматриваемых гипотез. Если же пользователю достаточно знать порядок отношения вероятностей, то проблема исчезает. До тех пор пока информация в базе знаний одинаково ошибочна в отношении каждого ее элемента и числа свидетельств, имеющихся для каждой гипотезы, примерно одно и то же, то и относительный порядок ошибок в целом примерно одинаков.
Нейлор [79, 80] выражает формулу Байеса в вероятностных терминах. С вычислительной точки зрения часто удобнее работать с шансами. Шансы и вероятности связаны следующими формулами: перейти к логарифмам величин, а в базе знаний хранить логарифм отношения , то Р(Е:неН) все вычисления сведутся просто к суммированию. Ней лор приводит главное из возражений к использованию шансов: крайние значения шансов равны +оти -со, тогда как для вероятностей это 0 и 1. Поскольку бесконечности находятся за пределами возможностей большинства вычислительных машин, то вместе с этими крайними точками теряется и очень ценная информация, поскольку события, происходящие с вероятностью 0 и 1, могут содействовать быстрому решению той задачи, которая анализируется в данный момент.
Еще один вопрос, который необходимо рассмотреть, связан с определением критерия, используемым системой при выработке решения. Обычно эксперт устанавливает два порога для вероятности гипотезы - верхний и нижний. Если вероятность превосходит верхний порог, то гипотеза принимается как основа для возможного заключения. Если она оказывается ниже нижнего порога, то гипотеза отвергается как неправдоподобная. В качестве верхнего порога гипотезы используют максимально достижимую для этой гипотезы апостериорную вероятность, которая соответствует случаю, когда каждый элемент данных, имеющийся в базе знаний в данный момент, говорит в пользу гипотезы. В качестве нижнего порога вычисляют минимально возможную вероятность для такой гипотезы, предполагая, что все свидетельства, имеющиеся в базе знаний, говорят против гипотезы. Естественно, что для разных гипотез такие значения будут разными.
Предположим, что для некой гипотезы максимально возможна вероятность равна 0,5. Если эксперт установит жесткие верхний и нижний пороги равными 0,6 и 0,8, то эта гипотеза всегда будет отбрасываться как маловероятная. Для выхода из подобной ситуации Нейлор предлагает верхний и нижний пороги каждой гипотезы умножать на некоторые коэффициенты, в результате пороги становятся специфическим для каждой конкретной гипотезы. Проблема может заключаться в вычислении данных весовых коэффициентов.
Реализация и исследование советующей системы управления региональной КСС
Если в памяти системы хранится некоторый набор продукций, то они образуют систему продукций. В системе продукций должны быть заданы специальные процедуры управления продукциями, с помощью которых происходит актуализация продукций и выбор для выполнения той или иной продукции из числа актуализированных.
Таким образом, в продукционной модели основной единицей знаний служит правило в виде: "если посылка , то заключение ", с помощью которого могут быть выражены пространственно-временные, причинно-следственные, функционально-поведенческие (ситуация - действие) отношения объектов. Правилами могут быть описаны и сами объекты: "объект -свойство" или "набор свойств - объект", хотя чаще описания объектов фигурируют только в качестве переменных ("атрибут - значение") внутри правил. В основном продукционная модель предназначена для описания последовательности различных ситуаций или действий и в меньшей степени для структурированного описания объектов.
Продукционная модель предполагает более гибкую организацию работы механизма вывода по сравнению с логической моделью. Отличительной особенностью продукционной модели является также способность осуществлять выбор правил из множества возможных на данный момент времени (из конфликтного набора) в зависимости от определенных критериев, например, важности, трудоемкости, достоверности получаемого результата и других характеристик проблемной области. Для обработки неопределенностей знаний продукционная модель использует, как правило, либо методы обработки условных вероятностей Байеса, либо методы нечеткой логики Заде.
Продукционная модель чаще всего применяется в промышленных экспертных системах. Популярность продукционных моделей определяется несколькими факторами.
1. Подавляющая часть человеческих знаний может быть записана в виде продукций. Психологические исследования процессов принятия решений человеком показали, что, рассуждая, человек использует правила, аналогичные продукциям, т.е. правила вида "условие -»действие" [103].
2. Системы продукций являются модульными. Это элементарные единицы знаний, которые сравнительно легко могут быть добавлены в базу знаний или исключены из нее. В каждой из продукций можно производить изменения, не затрагивая при этом содержимого других продукций. Нет необходимости задавать в явной форме способ взаимодействия одного правила с другим.
3. При необходимости системы продукций могут реализовывать любые алгоритмы и, следовательно, способны отражать любое процедурное знание, доступное ЭВМ.
4. Наличие в продукциях указателей на сферу применения продукций позволяет эффективно организовывать память, сократив время поиска в ней необходимой информации. Клас сификация сфер может быть многоуровневой, что еще более повышает эффективность поиска знаний, так как позволяет наследовать информацию в базе знаний. 5. При объединении систем продукций и сетевых представлений получаются средства, обладающие большой вычислительной мощностью.
Продукционные системы имеют по крайней мере два недостатка.
1. При большом числе продукций становится сложной проверка непротиворечивости системы продукций. Это заставляет при добавлении новых продукций тратить много времени на проверку непротиворечивости новой системы. Кроме того, затруднительна оценка целостного образа знаний, содержащихся в системе. Из-за присущей системе недетерми-нировашюсти (неоднозначного выбора выполняемой продукции из фронта активизированных продукций) возникают принципиальные трудности при проверке корректности работы системы. Считается, что если в информационной системе число продукций достигается тысячи, то мало шансов, что система продукций во всех случаях будет правильно функционировать, Именно поэтому число продукций, с которыми, как правило, работают современные информационные системы, не превышает тысячи. Для компенсации указанных недостатков вводятся наряду с продукциями и другие представления, вводящие структуру на множестве правил. Это может быть иерархия продукций, задание списков свойств для параметров, фреймовые представления и т. п.
2. Другая проблема практического применения продукционных моделей - переход от статических систем к динамическим, меняющем состав продукций в системе или перестраивающих алгоритм управления выбором продукций из фронта готовых продукций в зависимости от текущих ситуаций.
Сетевые модели. В основе моделей этого типа лежит конструкция, названная семантической сетью. Сетевые модели можно формально задать в виде Я= /,С,С2,...,Ся,Г ,где /-множествоинформационных единиц. С], Q, ...,С» - множество типов связей между информационными единицами. Г - задает между информационными единицами, входящими в /, связи из заданного набора типов связей.
Модель семантической сети - это модель, основой нотации которой является формализация знаний в виде ориентированного графа с размеченными вершинами и дугами. Вершинам соответствуют объекты или ситуации, а дугам - отношения между ними. Вершины могут соответствовать общим понятиям, константам, типовым переменным, событийным фреймам, фреймам-характеристикам, логическим функциям и предикатам. Дуги представляют теоретико-множественные, логические, квалифицированные и лингвистические отно шения(рис. 2.15).
Понятиями обычно выступают абстрактные или конкретные объекты, а отношения -это связи типа: "это" ("is"), "имеет частью" ("has part"), "принадлежит", "любит". Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:
