СППР

Таблица 3.8-б

				Результаты моделирования (при 7« “36000 с)
					Сегмент 1			J11IW - 2400 с					Сегмент 2		дон _ 2400 с
			T1доп = 1200 с		Ttx a ** 1800 с						71,**1= 120 0 с		TtlWne1800 с
		Всего Анализ Отказ Анализ Отказ Анализ Отказ								Всего	Анализ	Отказ	Анализ	Отказ	Анализ	Отказ
	Сообщение 1 вида	99	29	51	15		17	8	8	99	21	51	15	17	9	8
	Сообщение 2 вида	59	0	59	8		16	8	8	59	0	59	5	19	7	8
	Сообщение 3 вида	48	3	46	2		15	3	4	48	0	49	0	17	0	7
	Сообщение 4 вида	31	0	30	2		12	2	2	31	2	30	2	12	2	2
	Сообщение 5 вида	10	0	10	0		10	1	1	10	2	10	1	9	2	1
	Сообщение 6 вида	S	0	8	0		7	1	2	8	0	8	0	7	0	3
	Сообщение 7 вида	10	3	7	1		1	1	1	10	3	7	2	1	2	1
	Сообщение 8 вида	11	0	11	1		11	1	8	11	0	11	1	11	0	9
	Сообщение 9 вида	5	0	5 '	0		4	0	4	5	1	4	1	3	2	4
	Сообщение	3	0	3	0		3	1	1	3	1	2	0	3	1	1
	10 вида
	Общее количество	284	35	230	29	9	96	26	39	284	30	231	27	99	25	44
	сообщений
	Значение
	показателя		0,1143		0,2041			0,3965			0,1971		0,2939		0,4863
	эффективщхгги W

Таблица 3.8 - в

				Результаты		моделирования (при 7« =61200 с)
			TjBpa= !2 0 0 с		Сегмент 1							Сегмент 2
					Г,доп= 1800 с		Ti1ЮП= 2400 с			7 ^ = 1 2 0 0 0		TVwn= 1800 с		T1дел = 2400 с
		Всего	Анализ	Отказ	Анализ Отказ		Анализ	Отказ	Всего	Анализ	Отказ	Анализ	Отказ	Анализ	Отказ
	Сообщение 1 вида	169	50	95	24	26	20	20	169	43	95	23	26	19	20
	Сообщение 2 вида	100	0	96	13	29	12	U	100	0	96	10	29	10	11
	Сообщение 3 вида	81	4	77	4	26	6	8	81	0	81	0	30	0	14
	Сообщение 4 вида	47	0	46	5	23	2	2	47	2	46	5	23	2	2
	Сообщение 5 вида	20	0	20	0	20	1	2	20	1	2 0	2	20	■ 3	2
	Сообщение 6 вида	19	0	19	0	15	1	2	19	0	19	0	15	0	3
	Сообщение 7 вида	14	4	9	1	1	1	I	14	5	9	1	1	1	1
	Сообщение 8 вида	16	0	16	1	16	1	14	16	0	16	1	16	0	15
	Сообщение 9 вида	9	0	9	0	8	0	7	9	2	9	2	8	3	7
	Сообщение	8	0	8	0	7	2	4	8	1	8	1	7	3	4
	10 вида
	Общее количество	483	58	395	48	171	46	71	483	54	399	45	175	41	79
	сообщений
	Значение
	показателя		0,1119		0,2106		0,372			0,167		0,2608		0,4194
	эффективности W

306

Оппелеление. Под обоснованностью решения будем понимать степень достоверности Q є [0,1] доказательства всех его положений. Решение считается обоснованным Q = 1, если каждый его параметр подтверждается объективными факторами реального мира или закономерностями управляемого процесса.

Обоснованность - качественная характеристика решений, поэтому для её оценки целесообразно использовать экспертные суждения.

При оценке обоснованности решения эксперты вначале выясняют наличие объективных факгороз, подтверждающих правильность принятого решения. Затем определяется степень достоверности этих фактов. Наиболее обоснованное решение должно соответствовать тем факторам, которые имеют максимальную достоверность.

Для вербальной оценки обоснованности решений необходимо дать лингвистическую интерпретацию понятия “обоснованность”. Терм - множество этой лингвистической переменной может, например, иметь вид: Q (обоснованность) = (не обоснованно qx, слабо обосновано q2, средне обосновано q3, существенно обосновано д4, обосновано полностью q$ ). Для удобства иногда переходят от лингвистической оценки обоснованности к интервальной оценке. Например: q, = 0;q i = 0,1 - 0,3;

9з= 0,4 - 0,6; q4= 0,7 - 0,9; qs = I.

Наиболее существенным фактором, определяющим обоснованность решения, является полнота (объем) исходной информации и её

достоверность.
В	соответствии	с	идеями,	высказанными	академиком

В.А. Трапезниковым [20], для любой сложной системы управления увеличение объема исходной информации пришдит к возрастанию обоснованности принимаемых решений в соответствии с выражением:

Q = Q ^ il- B o - C vjO),

(3.32)

где О— - обоснованность решений при полной и точной информации, т.е. Qmm = I; Во - начальная энтропия - неопределенность принимаемых решений, очевидно, B0 - I- Qo', Qo - априорная вероятность осведомленности ЛПР.

Таким образом, степень обоснованности решений определяется соотношением:

Q = I - ( I - Q 0) е-*1,

(3.33)

где у - константа, характеризующая ценность информации с точки зрения принимаемых решений.

Действительно, величина у = IH0 характеризует скорость возрастания величины Q в зависимости от объема информации I, используемой для выбора обоснованного решения.

307

При оценке априорной вероятности Qo следует исходить из того, что она имеет не статистический характер, а характер психологической уверенности ЛПР. По мысли Д. Пойя в таких случаях числовое выражение вероятности не применимо, необходимо использовать модельные категорий, которые предложил Р. Карнап [21]. Например, такие как маловероятно, весьма вероятно и т.д.

Очевидно, возможен перевод модальных оценок в числовые оценки вероятности по данным экспертизы. Один из возможных вариантов такого соответствия приведен в табл. 3.9 [21].

Т а б л и ц а 3 . 9

Модальная оценка очень незначительная незначительная умеренная

средняя

существенная

значительная очень большая

Вероятностный эквивалент о 1© jIо

0 ,1 - 0,2

"«о<4о Г

0,4-0,6

0 ,6 - 0,8

0,8-0,9

0,9-0,99

На рисунке 3.13 в качестве примера приведены графики зависимости Q = / (I) при следующих исходных данных: Q0= 0,2; γι > γ2 > уз-

Рассматривался случай, когда оператор решал в процессе своей деятельности логические задачи.

308

Из графиков следует, что вначале происходит весьма существенный рост степени обоснованности (например, при использовании первых 150 бит информации степень обоснованности возрастает в 3-4 раза). Однако, при / > 600 бит достигается почта предельная обоснованность Q ® 1 и дополнительная информация практически бесполезна.

Другой подход к увеличению степени обоснованности решений, достигаемый за счет внедрения СППР, описан в работе Джумы JI.Н. [22].

Предполагается, что увеличение степени обоснованности достигается за счет уменьшения степени неопределенности принимаемых решений, которое является результатом функционирования СППР.

Рассмотрим кратко содержание предполагаемого информационного подхода.

Пусть q - количество источников формирования сигналов; Uj - дискретные ансамбли сигналов, приходящих от источникаj; j = Iq ■

_ /	uJ p u 2j> ·■■ ' uij> ··· >uNj	\
\	P(Uij),P(Uij)....... РІЩ)',"...,P(Ufij)	/	(3.34)
где UiJ — набор	элементарных дискретных сообщений с		глубиной

алфавита Nfi р(щ) - вероятность элементарного дискретного сообщения.

Применяя меру Шеннона	для	оценки энтропии	ансамбля,
и = M1UW2U .. X JU qi получаем:
Щи)= ί	Σ P(UiJ)-In-L-.		(3.35)
7=1/=1		Ρ ψ )
Считаем, что сообщения, поступающие на вход СППР, являются
равновероятными, т.е. р(щ) = HNj.
Тогда неопределенность на входе системы равна:
Н(и) =	2 InUj=In flN j.		(3.36)
7=1		7=1

Учитывая, что обмен информацией между СППР и источниками сигналов, по которым принимаются решения, имеет двунаправленный характер, аналогично определяется оценка неопределенности на выходе СППР:

H(w)= ί	I n = In f[N j·	(3.37)
7=1	7=1 }

где w = W1UM^U11-UW17- объединение ансамблей сигналов, которые формируются СППР для источников, откуда поступали сигналы; Nj1 -

Тогда степень устранения неопределенности может быть рассчитана, как разница энтропии на входе и на выходе СППР:

M = Н (и)- H (W ) = In	N f	(3.38)
7=1	M
Я N i		(3.39)
£ = In П ^
j =I N f

Относительный коэффициент устранения неопределенности:

In П 4

£ = —	■ j=X.~	(3.40)
Н(и)	Я
W	In Y lW

M

Например, для СППР, применяемой для химической защиты растений, величина значение коэффициента устранения неопределенности E оказалось равным 0,6; т.е. неопределенность уменьшилась на 60 % [22].

Интерпретируя этот результат применительно к оценке степени обоснованности можно условно сказать, что степень обоснованности принимаемых решений при внедрении СППР возросла примерно в 1,6 раза.

310

сп и с о к

ИС П О Л ЬЗО В А Н Н О Й Л И ТЕРА ТУ РЫ

Ч а с т ь I

1.Методы и системы принятия решений. - Рига: РПИ, 1989. - 98 с.

2.Новиков П.П. Принятое решений человеком в авиационных системах управления. - М.: Воздушный транспорт, 1980. - 348 с.

3.Психологические проблемы деятельности в особых условиях / Под ред. Б.Ф. Ломова, Ю.Н. Забродина - М.: Наука, 1985. - 232 с.

4.Введение в эргономику / Под ред. В.П.Зинченко. - М.: Сов. Радио, 1974.-352 с.

5.Смолян Г.Л. Человек и компьютер: социально-философские аспекты автоматизации управления и обработки информации. - М.: Политиздат, 1981. - 192 с.

6.Slovic P. Behaviorial desision theory. // Annu. Phychol. Rev, vol. 28,

1997.

7.Трахтенгерц Э.А. Компьютерная поддержка принятия решений. -

М.: СИНТЕГ, 1998. - 376 с.

8.Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. - М.: Наука, 1996. - 212 с.

9.Simonovic A., Slobodan P. Decision supgpt for sustainable water resources development in water resources plainning in a changing world. // Proceeding of International UNESKO Sumposium, Karlsrune, Germany, p.III,

3-13,1994.

10. Ginzberg M., Storn E. A decision support: Jssues and Perspectives. // Processes and Tools for Decision Support. Amsterdam, North - Holland Publ. Co, 1983.

11.Кокорева Л.В., Перевозчикова О.Л., Ющенко Е.Л. Диалоговые системы и представление знаний. - Київ: Наукова думка, 1992. - 448 с.

12.Башлыков А.А. Проектирование систем принятия решений

вэнергетике. - М.: Энергоатомиздат, 1986. - 120 с.

13.Pya Б. Проблемы и методы принятия решений в задачах со многими целевыми функциями. - М.: Мир, 1976. - 380 с. ,

14.Поспелов Г.С., Ириков В.А. Программно-целевое планирование и управление. М.: Сов. Радио, 1976. - 440 с.

15.Заде Л. Понятие лингвистической переменной и её применение к принятию приближенных решений. - М.: Мир, 1976. -167 с.

16.Уотермен Д. Руководство по экспертным системам. Пер. с англ. -

311

17.Ярушек В.Е., Прохоров В.П., Судаков Б.Н., Мишин А.В. Теоретические основы автоматизации процессов выработки решений в системах управления. - Харьков: ХВУ, 1993. - 446 с.

18.Цвиркун А.Д. Основы синтеза структуры сложных систем - М.: Наука, 1982. - 200 с.

19.Корбут А.А., Финкельштейн Ю.Ю. Дискретное программирование. - М.: Наука, 1969. - 368 с.

20.Горинштейн JI.JI. О разрезании графов // Изв. АН СССР. Техн. кибернетика. - 1969.-№ 1. - С. 79-85.

21.Бернштейн А.С., Семенкин В.В. О линейном разрезании графов со взвешенными ребрами // Электр. Техника. - 1976. - сер. 9. - вып. 4 (20) - С. 96-106.

22.Бурков В.Н., Гроппен В.О. Решение задачи о линейном разрезе в бисвязном орографе алгоритмама типа “ветвей н границ” // Автоматика

ителемеханика. - 1974. - № 9. - С. 104-110.

23.Кульба В.В., Цвиркун АД. О формализованном распределении множества решаемых задач между различными узлами системы

управления/ / Автоматика и телемеханика. - 1970 .-№ 9 -С . 28-35.

24.Рыжков Д.П. Алгоритм разбиения графа на минимально-связанные подграфы // Изв. АН СССР. Техн. кибернетика. - 1975. - № 6. - С. 122-128.

25.Фещенко В.П., Матюшков Л.П. Итерационный алгоритм разрезания графа на η подграфов // Автом. проектирование сложных систем.- 1976.- вып.2 - С . 74-77.

26.Герасимов Б.М., Эйдельман С.Д., Сирченко З.Ф., Шуман Б.М. Дискретные структуры. - К: Изд. КВИРТУПВО, 1989. - 324 с.

27.Зайченко Ю.П. Исследование операций: нечеткая оптимизация. - К: Вища школа, 1991. - 120 с.

28.Соломатин М.М. Выбор микро ЭВМ для информационных систем.

-М.: Высшая школа, 1987. - 120 с.

Д^ ’Терасимов БAl., Грабовский Г.Г.у Рюмшин НА. Нечёткие множества в задачах проектирования, управления и обработки информации. - К: Техника, 2002. - 140 с.

30.Артамонов Г.Т., Тюрин ВД . Топология сетей ЭВМ и многопроцессорных систем. - М.: Радио и связь, 1991. - 248 с.

31.Nilp. Blackboard systems. The blackboard model of problem solving. AT Magazine, 1986, vol.7 p.p. 38-53.

32.Самохвалов ЮЛ. Декомпозиция логико-лингвистических моделей принятия решений в распределенной вычислительной среде U Кибернетика

и системный анализ. - 1997. -№ 1. - С. 57-65.

312

33.Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. - СПб: Пигер, 2001. —384 с.

34.Осипов Г.С. Метод формирования и структурирования модели знаний для одного типа предметных областей // Изв. АН СССР. Техническая кибернетика. - 1988. - № 2. - С. 3-12.

35.Поспелов Д.А. Ситуационное управление: теория и практика. - М.: Наука, 1986. - 288 с.

36.Гаврилова Т.А., Червинская К.Р., Яшин А.М. Формирование поля знаний на примере психодиагностики. // Техническая кибернетика. - 1988. -Jfe 5.-С . 72-85.

37.Коршунов А.М., Мангалов В.В. Диалектика социального познания. - М.: Политиздат, 1988. - 244 с.

38.РебельскиЙ И.В. Азбука умственного труда Il ЭКО.—1989. - №7. - С. 43-150.

39.Сергеев В.М. Конгитивные модели в исследовании мышления: структура и антология знания Il Интеллектуальные процессы и их моделирование. - М.: Наука, 1987. - С.179-195.

40.Поспелов Г.С., Поспелов Д.А. Искусственный интеллект - прикладные системы. - М.: Знание, 1985.

41.Мартин Дж. Организация баз данных в вычислительных системах: Пер. с англ. - М.: Мир, 1980.

42.Обработка знаний: Пер. с япон. / Под ред. С.Осуга. - М.: Мир,

1989.

43.Лорьер Ж.-Л. Системы искусственногоинтеллекта: Пер. с франц. - М.: Мир, 1991.

44.Представление и использование знаний: Пер. с япон. / Под ред. Х.Уэно, М.Исудзука. - М.: Мир, 1990.

45.Искусственный интеллект. - В 3 кн. Кн. 2. Модели и методы. Справочник / Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990.

46.Поспелов Г.С. Искусственный интеллект - основа новой информационной технологии. - М.: Наука, 1988.

47.Приобретение знаний: Пер. с япон. / Под ред. С.Осуга, Ю.Саэки. - М.: Мир, 1989.

48.Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. - М.: Радио и связь, 1989.

49. Концептуальное проектирование систем с базами знаний / В.А. Лелюк. - X: Изд-во “Основа” при Харьк. ун-те, 1990.

50. Парасюк И.Н., Сергиенко И.В. Пакеты программ анализа данных: технология разработки. - М.: Финансы и статистика, 1988.

313

51.Субач І.Ю., Соколов В.В. Організація баз даних та знань. Навчальний посібник. - К: КВІУЗ, 1999.

52.Любарский Ю.Я. Интеллектуальные информационные системы. - М.: Наука. Гл. ред. физ.-мат. лит., 1980.

53.Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений. - М.: Радио и связь, 1989. - 304 с.

54.Бочарников В.П. Fuzzy - технология: Математические основы. Практика моделирования в экономике. - СПб: Наука, 2001. - 328 с.

55.Кофман А. Введение в теорию нечетких множеств. - М.: Радио и связь, 1982.-432 с.

56.Нечеткие множества в моделях управления н искусственного интеллекта / Под ред. Д.А Поспелова. - М.: Наука, 1986. - 312 с.

57.Нечеткие множества и теория возможностей: последние достижения / Под ред. Р.Р. Ягера. - М.: Сов. радио, 1986. - 408 с.

58.Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сета. - Винница: УНИВЕРСУМ, 1999. - 320 с.

59.Борисов А.Н., Алексеев А.В., Крумберг ОЛ. и др. Модели принятия решений на основе лингвистической переменной. - Рига: Зинатне, 1982. - 256 с.

60.Ежакова И.В., Поспелов Д.А. Принятие решений при нечетких основаниях: схемы вывода // Техн. кибернетика. - 1978. - № 2. - С. 5-11. (Изв. АН СССР).

61.Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. - М.: Наука, 1981. -208 с.

62.Левиатов А.Ю. Принятие решений об оценке качества сложных

объектов при нечетких основаниях // Техн. кибернетика. - 1980. - № 1 ,- С. 190-195. (Изв. АН СССР).

63. Анохин А.М., Глотов В.А., Павельев В.В., Черкашин А.М. Методы определения коэффициентов важности критериев “Автоматика и телемеханика”. - № 8. - 1997. - С. 3-35.

64.Wei Т.Н. The algebraic foundations of ranking theory Theses. Cambridge, 1952.

65.Saaty Thomas L Eigenweinghtor an logarithmic lease sguares. H Eur. J. Oper. res, 1990, V.48, №1, p. 156-160.

66.Cogger K.O., Yu P.L. Eigenweight vector and least-distance approximation. // J.Optimiz. Theory and Appl, 1985, V.46, № 4 p. 483-491.

67.Studler Josf, Weights Search by the Marquardt method, f/ Econ. Math. Obs, 1975, v.21,№2, h. 185-195.

314

68.Макаров И.М. и др. Выбор принципа построения сетей. // АнТ, 1971. - № 4. - С. 25-31.

69.Тинтарев Э.М., Трофимов В.М. Аппроксимация коэффициентов важности функциями ранжирования. // экономика и мат. методы, 1975, Т.11, № 7 .-С . 17-20.

70.Гмошинский В.Г., Флнорент А.В. Теоретические основы инженерного прогнозирования. - М.: Наука, 1975. - 280 с.

71.Churchmen С.W., AcKoff R. An approximate Measure of Value. // Operations Research, 1954, № 2, p. 172-181.

72.Подиновский B.B. Лексикографические задачи линейного программирования // журн. вычисл. матем. и мат. физики, 1972, Т.12, № 6.

-С. 568-571.

73.Гермер Ю.Б. Введение в теорию исследования операций. - М.: Наука, 1971.-324 с.

74.Кини Р.Л. Принятие решений при многих критериях предпочтения

изамещения. - М.: Радио и связь, 1981· - 342 с.

75.Charsnes A., Cooper W.W. Management models and industrial applications of line programming, N.Y.: Wiley, 1961.

76.Zeleny M. Compromise programming in M.K. Starr and M. Zeleny, Columbia, '1973.

77.Szidarovsky R.I. Use of cooperative games in a multiobjective analysis of maning and enwironment. // Proc. And International Conference, Madrid,

1978, p. 11-15.

ψ

78.Фарберов Д.С., Алексеев С.Г. Сравнение некоторых методов решения многокритериальных задач линейного программирования. // Журнал Высш. математики и мат. физики, 1974, Т.14, № 6. - С. 178-180.

79.Thurstone L.L. The measurement of valnes, Chicago, 1959.

80.Глотов B.A. и др. Метод определения коэффициентов относительной важности. // Приборы и системы управления, 1976, № 8. -

С. 17-22.

81.Rosner B.S. A new scaling technique for absolute judgement. // Psychometrica,T956, V.21, № 4.

82.Борисов A.H., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. - Рига, Знание, 1990. - 184 с.

83.Сваровский С.Т. Аппроксимация функций принадлежности значений лингвистической переменной. // Математические вопросы анализа данных, Новосибирск, ВЦ CO АН СССР, 1980, С. 127-131.