- •1. Цели и задачи системного анализа
- •1.1. Определения системного анализа
- •1.2. Понятие сложной системы
- •1.3. Характеристика задач системного анализа
- •1.4. Особенности задач системного анализа
- •1.5. Прогнозирование и планирование
- •2. Характеристика этапов системного
- •2.1. Процедуры системного анализа
- •2.2. Анализ структуры системы
- •2.3. Сбор данных о функционировании системы
- •2.4. Построение моделей систем
- •2.5. Проверка адекватности моделей
- •2.6. Определение целей системного анализа
- •2.7. Формирование критериев
- •2.8. Генерирование альтернатив
- •2.9. Реализация выбора и принятия решений
- •3. Построение моделей систем
- •3.1. Понятие модели системы
- •3.2. Способы описания систем
- •3.3. Анализ и синтез - методы исследования систем
- •3.4. Декомпозиция и агрегирование
- •4. Эксперимент – средство построения
- •4.1. Характеристика эксперимента
- •4.3. Обработка экспериментальных данных
- •4.4. Вероятностное описание событий и процессов
- •4.5. Описание ситуаций с помощью нечетких моделей
- •4.6. Характеристика и классификация статистической
- •5. Математическое программирование
- •5.1. Математические постановки задач, приводящие
- •5.2 Задача линейного программирования
- •5.3. Решение задач линейного программирования
- •5.5. Дискретное программирование
- •6. Выбор или принятие решений
- •6.1. Характеристика задач принятия решений
- •6.2. Критериальный способ описания выбора
- •6.3. Выбор в условиях неопределенности
- •6.4. Концепция риска в задачах системного анализа
- •6.5. Принятие решений в условиях стохастической
- •6.6. Выбор при нечеткой исходной информации
- •6.8. Коллективный или групповой выбор
6.5. Принятие решений в условиях стохастической
неопределенности
При решении вопросов системных исследований, таких как проектирование автоматизированных систем, организация их эксплуатации и т.п. возникает большое количество задач, в основе которых лежат вероятностные модели объектов или процессов, описывающих исследуемые явления. Примерами таких задач являются задачи оценивания параметров эффективности и надежности технических средств, прогнозирование поведения параметров системы, задачи, связанные с контролем работоспособности и диагностикой неисправностей при функционировании систем и отдельных компонентов, задачи организации оптимального обслуживания технических средств, задачи обоснования срока службы отдельных элементов, узлов, подсистем. В большинстве случаев существуют естественные вероятностные модели, отражающие реальный ход процессов динамического поведения объектов. Эти модели строятся на основе математических, физических или технических закономерностей, отражающих функционирование отдельных объектов, воздействие объектов друг на друга. В ряде случаев для построения вероятностной модели используется объективная информация о поведении объектов в процессе эксплуатации. По результатам обработки этой информации с помощью специальных методов математической статистики производят построение зависимостей. Например, существующие методы проверки статистических гипотез позволяют обоснованно подойти к выбору закона распределения некоторой случайной величины на основании реализовавшихся значений.
И, наконец, существуют ситуации, когда построение вероятностной модели происходит субъективно, на основании интуиции и опыта системного аналитика. При построении вероятностной модели на основании субъективной информации необходимо тщательно анализировать комбинации состояний динамических объектов, возможность появления критических ситуаций, степень вероятности ситуаций. Необходимо также привлекать информацию о сходных процессах, результатах приближенных расчетов.
Следует заметить, что при построении вероятностных моделей процессов предпочтение следует отдавать моделям, учитывающим объективные данные. Субъективнее оценки необходимо применять, когда отсутствуют возможности для получения объективных данных. Однако в некоторых задачах учет субъективных вероятностей наряду с объективной информацией бывает весьма полезным. При формировании субъективных вероятностей исследователь должен постараться выразить вероятности рассматриваемых событий через вероятности более простых явлений, которые либо являются заданными, либо поддаются объективной оценке или вычислению.
Общей чертой всех подобных задач является необходимость выбора на основании косвенных или прямых, но обязательно «зашумленных» данных. Основным предположением для формализации решения задач такого типа является предположение о вероятностном характере экспериментальных данных.
Методологической основой для решения задач выбора в такой постановке является теория оптимальных статистических решений. В основе данной теории лежит понятие статистической функции риска.
Рассмотрим постановку задачи. Будем считать заданным вероятностное распределение Р на множестве возможных исходов Y, причем значение Р(y) определено для каждого исхода у. Предположим, что системный аналитик, не зная результата развития системы, должен принять решение, последствия которого зависят от этого результата (исхода). Пусть X множество всех возможных решений, которые может принять исследователь. Положим, что в результате выбора решения х и реализации исхода y исследователь получает доход r, принадлежащий пространству всех возможных доходов R. Понятие «доход» обычно определяют через полезность, которая служит для численного выражения предпочтений лица, принимающего решения.
Элементы множества R, которые названы доходами, могут быть весьма сложными объектами. Приведем примеры: множество билетов на различные концерты; множество возможных экономических состояний фирмы в определенный момент времени в будущем, измеряемых разностью ее денежных доходов в будущем и в настоящий момент; множество экономических состояний государства и т.д.
Рассмотрим пример, иллюстрирующий понятие дохода в задачах системных исследований. Пусть решается задача выбора варианта реализации структуры сложной системы. Группа проектировщиков должна принять решение о выборе одного варианта реализации системы управления из нескольких рассматриваемых. В качестве множества доходов, получаемых от реализации того или иного варианта, могут служить денежные доходы, получаемые в результате внедрения системы выработки и принятия управляющих воздействий с использованием конкретного варианта структуры системы по сравнению с традиционным способом управления. Под доходом может также пониматься длительность обработки запросов пользователей; длительность обработки результатов функционирования отдельных подразделений, например цехов; точность и достоверность выводов, полученных в результате реализации управляющих воздействий и т.д. Совокупность всех этих составляющих образует вектор дохода конкретного варианта реализации структуры системы.
Для любого множества R у системного аналитика будут предпочтения к тем или иным доходам. В некоторых ситуациях эти предпочтения очевидны. Например, в случае денежных доходов, чем больше доход, тем он предпочтительнее.
Сложнее сформулировать предпочтение в случае, когда доход -векторная величина. При сравнении двух векторных доходов, если каждая компонента первого вектора представляется более желательной, нежели соответствующая компонента второго вектора, то предпочтение отдается первому вектору. Если первый выгоднее только в отношении некоторых своих компонент, в то время как второй вектор предпочтительнее по другим компонентам, то какому из этих векторов отдать предпочтение, не очевидно. Для окончательного решения вопроса следовало бы приписать соответствующие веса отдельным компонентам.
При сравнении двух доходов и пишут , если предпочтительнее , и , если эквивалентен , т.е. имеет место одинаковая выгодность. Если не является более предпочтительным, чем , то пишут г] .
Предполагается, что на основе своих предпочтений среди доходов системный аналитик может задать полное упорядочение множества R. Другими словами налагаются следующие условия.
1. Если и - произвольные доходы из множества R, то верно одно и только одно из следующих соотношений
2. Если и - доходы изR, причем и , то
Наконец, будем предполагать, что не все доходы в R эквивалентны между собой, т.е. исключается тривиальная ситуация, а именно, предполагается, что хотя бы для одной пары .
В большинстве задач аналитик не вполне свободен в выборе дохода. Обычно он может лишь выбрать из некоторого класса возможных распределений вероятностное распределение на R, согласно которому будет определен его доход.
Например, ставится вопрос о выборе определенного технологического процесса из двух или более возможных таких процессов. Хотя доходы и можно точно выразить через производительность и издержки, производственные характеристики различных процессов могут быть описаны лишь вероятностью.
Другой пример. Системный аналитик хочет получить информацию о значении некоторого параметра. Его доход — это количество информации об этом значении, получаемое после эксперимента. Пусть он выбирает эксперимент из некоторого класса доступных ему, но информация, которую он получит в каждом из экспериментов, носит случайный характер. В любой задаче такого рода аналитик производит выбор не непосредственно среди доходов из множества R, а среди вероятностных распределений на R.
Вероятностное распределение на множестве доходов задают в том случае, когда величина, определяющая доход, имеет характер непрерывной случайной величины. Так, в задаче выбора определенного технологического процесса из нескольких возможных вариантов для каждого процесса могут быть известны средние характеристики. Однако в реальной эксплуатации характеристики технологического процесса могут изменяться в широких пределах. На них оказывает влияние ряд факторов, таких как наличие ресурсов для стабильной работы предприятия, психологический климат в коллективе, состояние здоровья работников, занятых в данном производстве и т.п. Таким образом, доход, получаемый от реализации конкретного варианта технологического процесса, будет величиной случайной, зависящей от большого количества факторов.
То же можно сказать и в случае решения задачи выбора варианта структуры системы управления. Допустим, что проектные документы гарантируют некоторые характеристики качества функционирования системы, такие как быстродействие системы, объем информации, передаваемой по каналам связи, объемы памяти и т.д. Но необходимо отдавать отчет в том, что эти характеристики являются средними. Они могут существенно меняться в зависимости от характеристик конкретных технических средств, например, характеристик надежности. Так, частые отказы одной системы приводят к снижению характеристик качества, в то время как надежная работа другой системы позволяет поддерживать ее характеристики качества на достаточно высоком уровне. В данном случае вектор дохода, получаемого от эксплуатации системы, будет величиной случайной, зависящей от вероятности безотказной работы технических средств (впрочем, как и от ряда других факторов).
Таким образом, величина дохода, получаемого от реализации того или иного варианта решения, является случайной величиной, зависящей от различных факторов. В случае благоприятного стечения факторов можно получить максимальный доход от выбора определенной альтернативы. В случае неблагоприятного стечения факторов получают минимальный доход. Естественно, что будет некоторое количество промежуточных доходов, зависящих от вероятности реализации того или иного набора факторов.
Поскольку доходы могут иметь различное выражение (денежное выражение дохода, быстродействие системы, объем памяти и т.п.) необходимо обеспечить возможность их сравнения. Как было указано ранее нужно иметь систему предпочтений, систему весовых коэффициентов, с помощью которых можно было бы производить сравнение вариантов реализации различных альтернатив, когда они описываются векторными системами доходов. В качестве такой системы предпочтений выступает функция полезности. Для всякого распределения и всякой вещественной функции q на множестве R обозначим через математическое ожидание функции q (если оно существует) относительно распределения Р.
Рассмотрим теперь пространство X всех возможных решений x, а R пространство всех возможных доходов r, которые может получись исследователь в результате решения х и исхода y. Доход из R , получаемый исследователем при решении х и исходе у обозначим через σ(x, у), Будем считать заданным вероятностное распределение Р на пространстве исходов У, причем значение Р(у) определено для каждого исхода у, Предположим также, что на множестве R задана функция полезности.
Для всякого вероятностного распределения Рx , для которого функция g интегрируема, среднюю полезность Е(g /Рx ) можно вычислить по формуле
Тогда задача исследователя будет состоять в выборе решения x, максимизирующего Е(g /Рx ) .
В задачах принятия решения каждому доходу rЄR принято сопоставлять не полезность, а потери. Функция потерь определяется равенством
При любом (х,у) число L(х,у) представляет собой ущерб исследователя от принятия решения х, в случае, когда реализовался исход у. Пусть Р - вероятностное распределение исхода у. При всяком решении х средний ущерб ρ(Р,х) называется риском и определяется по формуле
В этом случае системный аналитик должен стремиться к выбору решения х, минимизирующего риск ρ(Р,х). Таким образом, сформировано правило выбора решения в случае, когда на пространстве исходов задано распределение вероятностей.
Рассмотрим задачи решения, в которых исследователь перед тем как выбрать решение из множества Х, наблюдает значение случайной величины или случайного вектора z, связанного с исходом y. Наблюдение z дает исследователю некоторую информацию о значении у, которая помогает ему принять рациональное решение. Будем полагать, что для всех y Є Y задано условное распределение z .
Поскольку решение исследователя зависит от наблюдаемого значения z, он должен выбрать решающую функцию δ, задающую для любого возможного значения z Є Z решение δ(z) Є X. В этом случае функция риска будет определяться равенством
Термин «риск» здесь как и ранее относится к среднему ущербу. Для каждого решения x Є Xρ(y,δ) обозначает риск от принятия решения х. Распределение h(у) называется априорным, так как оно задает распределение у до проведения наблюдения над z.
В задачах принятия решений наблюдение случайной величины z связано с определенными затратами, которые должны учитываться аналитиками, проводящими системные исследования, при расчете риска от принятия решающей функции, использующей результаты наблюдения z. Это обстоятельство играет особенно важную роль в случае, когда аналитику надо решить, какую из нескольких случайных величин предпочтительнее наблюдать, или ответить на вопрос, производить ли наблюдения вообще. Пусть с(у, z) обозначает цену наблюдения значения z из множества Z. Тогда, если h(у) есть априорная плотность распределения случайной величины у, то средняя цена наблюдения равна
Будем предполагать, что для цены с(у, z) верно предположение о средней полезности. Иными словами, будем считать, что эта цена выражена в соответствующих единицах отрицательной полезности так, что существенным является лишь среднее значение вероятностного распределения цены.
Общим риском от наблюдения z и принятия решающей функции δ называется сумма риска ρ(y,δ) и средней цены наблюдения E{c(y,z)}. Системный аналитик должен выбрать наблюдение z из некоторого класса доступных наблюдению случайных величин и соответствующую решающую функцию δ(z)ЄX, минимизирующую общий риск. Условное распределение у при известном значении z называется апостериорным распределением у, так как оно задает распределение у при зафиксированном значении z.
Сформировав общий риск от наблюдения можно решать задачу о необходимости проведения наблюдений. Если общий риск от наблюдения оказывается меньше, чем риск ρ(Р,х), получаемый без проведения дополнительных наблюдений, то наблюдения есть смысл проводить, если же общий риск оказывается больше риска ρ(Р,х), то организовывать дополнительные наблюдения смысла не имеет. Таким образом, организовывать наблюдения имеет смысл лишь в том случае, когда цена наблюдения меньше выигрыша, получаемого за счет поступления новой информации.
В рассмотренных задачах делалось предположение о том, что на пространстве решений Х и пространстве исходов У заданы соответствующие распределения. Если вид закона распределения определяющего параметра считается известным, то применение описанных процедур осуществляется согласно приведенным формулам. Если же информации о виде закона распределения у исследователя нет, приходится отказываться от применения параметрического подхода. Здесь важно отметить, что приходится отказываться от необходимости знать вид распределения, а не от того, что выборка подчинена какому-то, пусть неизвестному, но существующему, закону распределения. Предположение о статистичности наблюдений остается в силе. В этом случае для описания распределения на множествах решений и исходов следует применять непараметрические методы.
Незнание функционального вида распределения не означает, что исследователь ничего не может сказать о свойствах распределения. Результаты специально организованных наблюдений, информация, полученная из эксплуатации объекта системного анализа, на этапе его реального функционирования, служит основой для построения непараметрических процедур, решающих задачу выбора.
Остановимся на сложностях, которые необходимо осознавать при решении реальных задач выбора, т.е. когда теоретические методы применяются на практике. Неудачное или неправильное применение статистических методов к решению реальных проблем может привести к отрицательному результату. Причины неправильного применения статистических методов известны. Рассмотрим их
1. Статистический вывод по своей природе случаен, поэтому он никогда не может быть абсолютно достоверным. Поэтому при решении задач выбора любая процедура должна сопровождаться оценкой характеристик ее качества. При оценке параметра необходимо вычислять точность, характеризуемую, например, дисперсией. При проверке гипотез необходимо оценивать мощность критерия, с помощью которого осуществляется проверка, вычислять ошибки первого и второго рода. При повышении требований к качеству принимаемых решений необходимо организовать дополнительные исследования объекта системного анализа и тем самым увеличивать объем информации, на основании которой осуществляется принятие решения. Статистический вывод может быть ошибочным, но всегда имеется возможность варьировать характеристики ошибок.
2. Качество решения, принимаемого с помощью процедур статистического вывода, существенно зависит от информации, поступающей на вход. Какие данные в модель заложить, такое решение и получим. В реальной эксплуатации сложных систем встречаются ситуации, когда обслуживающий персонал умышленно скрывает информацию, не записывая все события, происходящие с объектами в оперативные журналы. Например, персонал не заинтересован в ведении журналов учета отказов объектов, так как эффективность функционирования объектов напрямую связана с материальными вознаграждениями персонала. Если они будут записывать все отказы, то это повлечет за собой лишение премий. Естественно, что принятие решений, связанные с планированием деятельности предприятия на основании такой неполной информации будет заведомо содержать ошибку.
3. Отрицательный результат применения теории статистических выводов может быть получен в тех случаях, когда природа явлений, относительно которых принимается решение, не имеет статистического характера. Иными словами встречаются ситуации, когда статистической обработке подвергаются данные, не имеющие статистической природы. Иногда этот факт трудно проверить, особенно при малых объемах выборки. Выяснению факта наличия статистической природы рассматриваемых явлений или процессов следует уделять специальное внимание при организации наблюдений или экспериментов.
4. Снижение качества ожидаемых статистических решений может быть связано с использованием моделей, которые не адекватны описываемым явлениям или процессам. Например, неправомерно применять классические параметрические регрессионные модели в случие, когда ошибка не подчиняется гауссовскому распределению, неправомерно применять модели дисперсионного анализа к негауссовским данным. Часто встречаются ситуации, когда модели, построенные дли одних объектов, работающих в условиях воздействия одного комплекса факторов, переносятся на объекты-аналоги, функционирование которых осуществляется при воздействии совершенно другого комплекса факторов. Смена условий функционирования объектов может привести к неадекватности построенной модели.
5. Неудовлетворительный результат применения процедур статистического вывода может иметь место также тогда, когда правильное применение процедуры вывода неверно интерпретируется. Интерпретация статистических результатов лежит вне статистики, за неправильную интерпретацию нельзя осуждать статистику.
В заключение данного параграфа укажем, что в статистических задачах выбора неопределенность бывает двух типов. Первый тип неопределенности связан со стохастической природой явлений и процессов, на основании которых решается задача выбора. Имеется и другая неопределенность, связанная с выбором моделей для описания случайного характера данных, на основании которых осуществляется процедура принятия решений. Например, исследователю заранее неизвестно какое именно распределение из некоторого множества порождало экспериментальные данные. Для решения такого типа задач применяются методы проверки статистических гипотез, которые снижают уровень неопределенности, но полностью ее не устраняют.