После того, как на основе когнитивного анализа выработаны предложения или приняты решения о выполнении определенного набора действий (операций), в базу данных экспертной системы (или нескольких экспертных систем) записываются условия, при которых могут быть выполнены эти действия и детали в соответствии с создавшимися условиями. На основе этой информации, записанной в базе знаний, экспертная система в соответствии с конкретной обстановкой генерирует решение о порядке выполнения операций (действий).
3. Сценарий − последовательность действий, предпринимаемых для достижения цели
СППР, рассматривая набор операций, полученный в результате когнитивного анализа или созданный в экспертной системе как исходные данные, формирует возможные сценарии − последовательности выполнения таких операций (действий). Сценарии могут различаться не только последовательностью действий, но и составом.
Сценарий может быть создан и без формального выполнения двух ранее указанных этапов.
При создании СППР для различных приложений могут быть использованы различные комбинации этапов генерации решений или один из них.
Генерацию возможных альтернатив решений можно реализовать следующими формальными методами:
- используя экспертные системы;
- путем комбинации различных операций, задаваемых экспертами или взятых из базы данных.
Экспертная система использует эвристические знания, получаемые от специалистов в данной предметной области. Для всех наиболее успешных применений экспертных систем характерна, по крайней мере, одна общая черта − они работают в одной ограниченной предметной области знаний. Попытки расширить предметную область, даже в пределах одной области знаний (например, в медицине), в подавляющем большинстве случаев успеха не давали.
При возникновении нестандартной ситуации предлагается набор возможных действий (операций). Если такой набор не предусматривается заранее, он может быть создан экспертом. Лицо, принимающее решение, или эксперт может указать возможную последовательность выполнения операций, а также отметить, какие операции могут выполняться параллельно. Эта информация хранится в базе данных вместе со списком операций. На основании этих данных, а также времени выполнения каждой операции могут создаваться возможные последовательности операций (варианты сценариев), и в дальнейшем возникает задача выбора наилучшего варианта.
Лекция 7. Имитационное моделирование
Среди разнообразных инструментов компьютерных систем поддержки принятия решений (КСПР) важное место занимает имитационное моделирование как основа многовариантного прогнозирования и анализа систем высокой степени сложности.
С помощью имитационного моделирования эффективно решаются задачи самой широкой проблематики: в области стратегического планирования, бизнес-моделирования, менеджмента, реинжиниринга, инвестиционно-технологического проектирования, а также моделирования и прогнозирования социально-экономического развития региональных и городских систем.
Сущность метода имитационного моделирования – в математическом описании динамических процессов, воспроизводящих функционирование изучаемой системы.
Преимущества системно-динамического моделирования заключаются в следующем: системно-динамический подход начинается с попытки понять ту систему причин, которая породила проблему и продолжает поддерживать ее. Для этого собираются необходимые данные из различных источников, включая литературу, информированных людей (менеджеров, потребителей, конкурентов, экспертов), и проводятся специальные количественные исследования. После того как элементарный анализ причин проблемы произведен, формальная модель считается построенной. Первоначально она представляется в виде логических диаграмм, отражающих причинно-следственные связи, которые затем преобразуются в сетевую модель, изображенную например графическими средствами системы «Ithink». Затем эта сетевая модель автоматически преобразуется в ее математический аналог – систему уравнений, которая решается численными методами, встроенными в систему моделирования. Полученное решение представляется в виде графиков и таблиц, которые подвергаются критическому анализу. В результате модель пересматривается (изменяются параметры некоторых узлов сети, добавляются новые узлы, устанавливаются новые или изменяются существовавшие ранее связи и т.д.), затем модель вновь анализируется и так до тех пор, пока она не станет в достаточной мере соответствовать реальной ситуации. После того как модель построена, в ней выделяются управляемые параметры и выбираются такие значения этих параметров, при которых проблема либо снимается, либо перестает быть критически важной.
Имитационная модель строится строго целенаправленно, поэтому для нее характерно адекватное отображение исследуемого объекта, логико-математическая модель системы представляет собой программно реализованный алгоритм функционирования системы. При имитационном моделировании структура моделируемой системы адекватно отображается в модели, а процесс ее функционирования имитируется на построенной модели. Под имитацией понимают проведение на компьютерах различных серий экспериментов с моделями, которые представлены в качестве некоторого набора (комплекса) компьютерных программ. Сравнение характеристик (конструкций, управлений) моделируемого объекта осуществляется путем вариантных просчетов. Особую роль имеет возможность многократного воспроизведения моделируемых процессов с последующей их статистической обработкой, позволяющая учитывать случайные внешние воздействия на изучаемый объект. На основе набираемой в ходе компьютерных экспериментов статистики делаются выводы в пользу того или иного варианта функционирования или конструкции реального объекта или сущности явления.
Имитационный процесс включает установленную модель реальной системы и управляемые повторяющиеся эксперименты с ней. Методология состоит из определенного количества шагов.
А. Определение задачи. Исследуется и классифицируется задача реального мира. Здесь мы определяем, почему необходимо имитационное моделирование. Затрагиваются такие аспекты, как границы системы, исходные данные и др.
Основные методы получения исходных данных:
1)из существующей документации на систему (это могут быть данные официальных и других отчетов, статистические сборники, – например, для социально-экономических систем; финансовая и техническая документация – для производственных систем и др.);
2) физическое экспериментирование. Часто для задания исходной информации необходимо провести натурный эксперимент на моделируемой системе или ее прототипах (порой это бывают дорогостоящие эксперименты, – однако это плата за то, чтобы получить точную модель, на которой можно в дальнейшем проводить испытания). Такой подход применим для космических, военных исследований, в авиации. В более простых случаях можно проводить измерения, например хронометраж при выполнении производственных операций;
3) предварительный, априорный синтез данных. Иногда исходные данные могут не существовать, и сама природа моделируемой системы исключает возможность физического экспериментирования (например, проектируемые системы, прогнозирование в социальных и политических исследованиях). В этом случае предлагают различные приемы предварительного синтеза данных (например, при моделировании информационных систем, продолжительность выполнения информационного требования оценивается на основании трудоемкости реализуемых на ЭВМ алгоритмов).
К этим методам относят различные процедуры, основанные на общем анализе проблематики, анкетировании, интервьюировании, широком применении методов экспертного оценивания.
Второй вопрос связан с проблемой идентификации входных данных для стохастических систем. Имитационное моделирование является эффективным аппаратом исследования стохастических систем, т.е. таких систем, динамика которых зависит от случайных факторов. Входные (и выходные) переменные стохастической модели, как правило, – случайные величины, векторы, функции, случайные процессы. Поэтому возникают дополнительные трудности, связанные с синтезом уравнений относительно неизвестных законов распределения и определением вероятностных характеристик (средних значений, дисперсий, корреляционных функций и т.п.) для анализируемых процессов и их параметров. Необходимость статистического анализа при сборе и анализе входных данных связана с задачами определения вида функциональных зависимостей, описывающих входные данные, оценкой конкретных значений параметров этих зависимостей, а также проверкой значимости параметров. Для подбора теоретических распределений случайных величин применяют известные методы математической статистики, основанные на определении параметров эмпирических распределений и проверке статистических гипотез, с использованием критериев согласия о том, согласуются ли имеющиеся эмпирические данные с известными законами распределения (на статистически приемлемом доверительном уровне). Конечно, на вход модели можно подавать и сырые эмпирические данные, руководствуясь желанием получить более общие и полезные результаты на выходе имитационной модели, однако, это неэффективно как с точки зрения программной реализации, так и с точки зрения моделирования.
Б. Построение имитационной модели.Этот шаг включает определение переменных и их связей, а также сбор необходимых данных. Часто для описания процесса используется блок-схема. Далее пишется компьютерная программа.
В. Испытание и подтверждение модели.Имитационная модель должна подобающе представлять изучаемую систему. Это гарантируется испытаниями и подтверждением адекватности модели.
Г. Планирование экспериментов.После подтверждения адекватности модели, планируется эксперимент. На этом шаге определяется также длительность имитационного процесса.
Существуют две важные и противоречивые цели: точность и стоимость.
Также предусматривается определение типичных (для усредненных значений случайных переменных), наилучших (например, низкая стоимость, высокая доходность) и наихудших (высокая стоимость и низкая доходность) сценариев. Это помогает установить пределы изменения переменных решения, в которых надо работать, а также способствует устранению ошибок в имитационной модели.
Д. Проведение экспериментоввключает ранжирование исходов при генерации случайных чисел для представления результатов.
Е. Оценка результатов. Здесь определяют и оценивают значения результатов, используя статический инструментарий.
Ж. Использование результатовимитационного процесса имеет более высокие шансы для реализации, т.к. менеджер, принимающий решения, обычно в большей степени вовлечен в имитационный процесс, чем при работе с другими моделями.
Типы имитационных процессов и моделей. Существует несколько типов имитационных моделей.
1. Вероятностные имитационные модели. В этих моделях одна или более независимых переменных являются вероятностными. Они следуют некоторым вероятностным распределениям.
Существуют дискретные и непрерывные распределения вероятностей. Дискретные распределения включают ситуации с ограниченным числом событий или переменных, которые требуют только конечное число значений.
Непрерывные распределения – это ситуации с неограниченным числом возможных событий, которые следуют, например, нормальному распределению. Вероятностная имитация проводится с помощью метода Монте-Карло.
2. Имитация, зависимая от времени в сравнении с имитацией, независимой от времени. Независимая от времени имитация относится к ситуации, в которой точное знание о том, когда событие произошло, не является важным (например, мы не можем знать, что потребность в некотором продукте определяется в количестве три единицы в день, но нас не заботит, когда в течение дня требуется каждая единица). В некоторых случаях время вообще не является существенным фактором. В задачах ожидания важно знать точное время прибытия (или, например, знать, должен ли будет покупатель ожидать и сколько времени). В этом случае имеем дело с ситуацией, зависимой от времени.
В ряде случаев формировать решения с помощью формальных методов не удается – эксперт должен быть включен в процесс принятия решения. Он становится активным компонентом информационной системы; детализирует проблему и модель, осуществляет постановку направленного вычислительного эксперимента на модели, генерацию и ранжирование альтернатив, выбор критериев для принятия решений, а также формирует рациональный вариант управления с помощью базы знаний. Принятие решений в условиях риска, например, требует ведения диалоговых процедур формирования статистически достоверных результатов и поэтапного сопоставления их с функцией цены риска. Необходимо прямое участие эксперта в формировании оптимального множества вариантов решений и в процедурах вариантного синтеза.
Таким образом, имитационное моделирование значительно расширяет возможности и эффективность работы лиц, принимающих решения (ЛПР), предоставляя им удобный инструмент и средства для достижения поставленных целей. Имитационное моделирование реализует итерационный характер разработки модели системы, поэтапный характер детализации моделируемых подсистем, что позволяет постепенно увеличивать полноту оценки принимаемых решений по мере выявления новых проблем и получения новой информации.
Имитационная модель не дает оптимального решения подобно классическому решению задач оптимизации, но она является удобным для системного аналитика вспомогательным средством для поиска решения определенной проблемы. Область применения имитационных моделей практически не ограничена, это могут быть задачи исследования структур сложных систем и их динамики, анализа узких мест, прогнозирования и планирования и т.д. Главным преимуществом имитационного моделирования является то, что эксперт может ответить на вопрос: «Что будет, если … », т.е. с помощью эксперимента на модели вырабатывать стратегию развития.
Метод имитационного моделирования позволяет анализировать сложные динамические системы (предприятия, банки, отрасли экономики, регионы и т.д.). Его применение предполагает два этапа – построение комплекса динамических имитационных моделей и выполнение аналитических и прогнозных расчетов.
Важное место здесь занимает сценарный подход, позволяющий проводить многовариантный ситуационный анализ моделируемой системы. Сценарий является некоторой оценкой возможного развития.
Каждый сценарий связывает изменение внешних условий с результирующими переменными.
Применение имитационного моделирования и сценарного подхода позволяет строить эффективные СППР, предназначенные для решения следующего круга задач в различных отраслях и для различных объектов (регионов, корпораций, макроэкономических систем):
- прогнозирование и анализ последствий управленческих решений;
- исследование эффективности и сравнение принимаемых мер;
- выбор либо построение оптимального решения.
Наиболее результативно имитационное моделирование в компьютерной системе поддержки решений (КСПР), поддерживающих концепции хранилищ данных и оперативного многомерного анализа данных.
Для реализации таких КСПР целесообразно использование следующей схемы разработки:
- интеграция источников данных;
- создание единого информационного хранилища данных;
- формирование аналитической отчетности;
- построение комплекса динамических имитационных моделей для выполнения многовариантных расчетов.
В последнее время ведутся работы по разработке систем, способных оказать помощь эксперту при ответе на обратный вопрос «Что надо, чтобы …». Это можно назвать как «целевое моделирование», при котором на вход системы подаются показатели целевого состояния, а также перечень возможных регуляторов с указанием диапазона и шага их изменения. Система в автоматическом или полуавтоматическом режиме находит сочетание значений этих регуляторов для достижения заданного целевого состояния.
В процессе моделирования постепенно углубляется понимание проблемы участвующими в нем людьми. Однако их интуиция о возможных последствиях предлагаемых управленческих решений часто оказывается менее надежной, чем подход, связанный с тщательным построением математической модели. И это не так удивительно, как может показаться на первый взгляд. Системы управления содержат порой 100 и более переменных, о которых либо известно, что они зависят от других каким-либо нелинейным образом или предполагают существование такой зависимости. Поведение таких систем оказывается настолько сложным, что его понимание лежит вне возможностей человеческой интуиции. Компьютерное моделирование – одно из наиболее эффективных средств, имеющихся в настоящее время для поддержки и уточнения человеческой интуиции. Хотя модель и не является совершенно точным представлением реальности, она может быть использована для принятия более обоснованных решений, чем те, которые мог бы выбрать человек. Это гибкое средство, которое усиливает возможности человека, использующего ее для более глубокого понимания проблемы.
Лекция 8. Визуальное интерактивное моделирование
Имитация в течение долгого времени является полезным методом, привносящим понимание в сложные ситуационные задачи КСПР. Однако техника имитации обычно не позволяет лицам, принимающим решения, видеть, как решение сложной задачи развивается во времени. Также она не дает им способность взаимодействовать с этим решением. Имитационная техника дает только статистические ответы в конце множества специальных экспериментов. Как результат, ЛПР не являются неотъемлемой частью развития имитационного процесса, их опыт и мнение обычно не могут непосредственно оказать содействие при изучении процесса.
Таким образом, любые заключения, получаемые при помощи таких моделей, должны приниматься с доверием. Если же заключения не согласуются с интуицией или особым мнением ЛПР, то уменьшается доверие к использованию этой модели.
Одним из наиболее интересных направлений развития компьютерной графики является визуальное интерактивное моделирование (ВИМ). Эта технология с успехом используется в КСПР в области управления процессами и операциями. Такая технология имеет несколько наименований и вариаций, таких как визуальное интерактивное решение проблем, визуальное интерактивное моделирование и визуальная интерактивная имитация.
ВИМ использует компьютерные графические отображения для представления воздействия различных управленческих решений. Это отличается от обычной графики, при которой пользователь может вмешиваться в процесс принятия решений и видеть результаты этого вмешательства. Визуальная модель является детальным отображением, используемым как неотъемлемая часть процесса принятия решений или решения задач, но не только как средство общения. ВИМ отображает результаты различных решений в графической форме на экране компьютера.
ВИМ может представлять статические и динамические системы. Статические модели проявляют визуальный образ результата одного альтернативного решения в определенный момент времени (при помощи компьютерных окон несколько результатов могут быть сравнены на одном экране). Динамические модели проявляют и отображают системы, которые развиваются во времени. Эволюция представляется при помощи анимации.
Одной из наиболее развитых областей в динамических ВИМ является визуальная имитация. Это очень важная технология для ИСПР, потому что имитация считается главным подходом в системах поддержки решений.
Визуальная интерактивная имитация представляет собой имитацию решения, при которой конечный пользователь наблюдает развитие имитационной модели в анимационной форме с использованием графических представлений. Пользователь может взаимодействовать с имитационной моделью и проверять различные стратегии решения.
ВИМ – это подход, который, по сути, обладает способностью позволять ЛПР узнавать о своих собственных субъективных ценностях. Это узнавание может быть очень существенным при проектировании систем поддержки решений. Данную методологию делают возможной анимационные системы, которые производят реалистичные графические представления. Последние технологии визуальной имитации связаны с понятием виртуальной реальности, где искусственный мир создается для определенных целей, – от обучения до развлечения.
Основной философией визуальной интерактивной имитации является то, что ЛПР могут взаимодействовать с имитационной моделью и наблюдать развитие результатов во времени. ЛПР могут также способствовать подтверждению адекватности модели. Они будут иметь больше доверия к возможности использования этой модели вследствие своего участия в процессе ее развития. Они также могут применять свои знания и опыт, чтобы взаимодействовать с моделью при исследовании альтернативных стратегий.
Имитация может быть интерактивной на стадии построения модели, на стадии эксплуатации модели, или на обеих стадиях. Для понимания того, как системы работают в различных условиях, важно иметь способность взаимодействовать с моделью в процессе ее эксплуатации, когда могут проверяться альтернативные предложения или директивные воздействия.
ВИМ может графически представлять ответы на вопросы «Что…-если?» с учетом изменений во входных переменных.
Подход ВИМ может быть также использован совместно с искусственным интеллектом. Интеграция этих двух технологий добавляет несколько способностей: от способности построения систем графически, до изучения динамики системы.
Эвристическое программирование
Определение оптимальных решений в некоторых сложных задачах может содержать запрещенные или нереализуемые значения и количества, например, времени и стоимости. Часто оптимальное решение может быть даже невозможным.
Альтернативный имитационный подход может быть продолжительным по времени реализации, сложным и даже неточным. В таких ситуациях иногда возможно достичь удовлетворительных решений более быстро и с меньшими затратами, используя эвристики.
Эвристическая процедура может быть также описана как нахождение правил, которые помогают решать сложные задачи, нахождение путей поиска и интерпретации информации в каждом опыте и нахождение методов, которые ведут к вычислительному алгоритму или общему решению.
Хотя эвристики используются в основном для решения слабо структурированных задач, они также могут использоваться для обеспечения удовлетворительных решений некоторых сложных хорошо структурированных задач (таких, как крупно масштабные комбинаторные задачи, которые имеют много потенциальных решений для исследования). Процесс решения с помощью эвристик в этих случаях может осуществляться намного быстрее и дешевле, чем оптимизационными алгоритмами. Поэтому эвристики обычно используются только для конкретных ситуаций, для которых они предназначены.
Эвристическое программирование – это подход с использованием эвристикдля достижения осуществимых и приемлемых решений некоторых сложных задач.
Эвристики могут быть количественными, и в этом случае им принадлежит главная роль в базовой модели системы поддержки решений. Они могут быть также качественными, и тогда главная роль их – в обеспечении знаниями экспертной системы.
Эвристическое мышление включает поиск, обучение, оценку, суждение и затем снова поиск, переобучение и переоценку как процесс исследования и апробирования.
Компьютерное моделирование
Компьютерное моделирование – это метод решения задачи анализа или синтеза сложной системы на основе использования ее компьютерной модели. Суть компьютерного моделирования заключена в получении количественных и качественных результатов на основе имеющейся модели.
Под компьютерной моделью понимают:
- условный образ объекта или некоторой системы, описанный с помощью взаимосвязанных компьютерных таблиц, блок-схем, диаграмм, графиков, рисунков, анимационных фрагментов, гипертекстов и т.д. и отображающий структуру и взаимосвязи между элементами объекта – структурно-функциональная модель;
- отдельную программу, совокупность программ, программный комплекс, позволяющий с помощью последовательности вычислений и графического отображения их результатов воспроизводить (имитировать) процессы функционирования объекта при условии воздействия на него различных (включая случайные) факторов – имитационные модели.
Компьютерное моделирование имеет ряд преимуществ по сравнению с другими подходами. В частности, оно дает возможность учитывать большое количество переменных, предсказывать развитие нелинейных процессов, возникновение синергетических эффектов. Компьютерное моделирование позволяет не только получить прогноз, но и определить, какие управляющие воздействия приведут к наиболее благоприятному развитию событий.
Качественные выводы, сделанные по результатам компьютерного моделирования, позволяют обнаружить такие свойства сложной системы, как ее структуру, динамику развития, устойчивость, целостность и др.
Количественные выводы в основном носят характер прогноза некоторых будущих или объяснения прошлых значений переменных, характеризующих систему. Одно из основных направлений использования компьютерного моделирования – поиск оптимальных вариантов внешнего воздействия на объект с целью получения наивысших показателей его функционирования.
Компьютерное моделирование – эффективный метод решения задач анализа и синтеза сложных систем. Его методологической основой является системный анализ (в то время, как у моделирования на ЭВМ – те или иные разделы теории математических моделей). Именно поэтому в ряде источников наряду с термином «компьютерное» используется термин системного моделирования, а саму технологию системного моделирования призваны осваивать системные аналитики.
Однако ситуацию не стоит представлять так, что традиционные виды моделирования противопоставляются компьютерному моделированию. Наоборот, доминирующей тенденцией в настоящее время является взаимопроникновение всех видов моделирования, симбиоз различных информационных технологий в области моделирования, особенно для сложных приложений и комплексных проектов по моделированию. Так, имитационное моделирование, например, включает в себя концептуальное моделирование (на ранних этапах формирования имитационной модели), логико-математическое (включая методы искусственного интеллекта) – для целей описания отдельных подсистем модели, а также для процедур обработки и анализа результатов вычислительного эксперимента и принятия решений; технология проведения, планирования вычислительного эксперимента с соответствующими математическими методами привнесена в имитационное моделирование из физического (натурного) моделирования; наконец, структурно-функциональное моделирование используется при создании стратифицированного описания многомодельных комплексов.
В процессе построения имитационной модели выделяется три уровня ее представления: концептуальная модель, формализованное или алгоритмическое описание, программа-имитатор.
Формальное или концептуальное описание модели преобразуется в программу-имитатор в соответствии с технологией программирования. В принципе, имитационную модель можно реализовать на любом универсальном языке моделирования. Однако для облегчения написания и работы с программой-имитатором созданы специальные системы автоматизации моделирования.
Языки и системы моделирования упрощают построение программ-имитаторов и проведение имитационных экспериментов за счет частичной или полной автоматизации переходов от одного уровня представления модели к другому.В этом состоит основное назначение языков моделирования, именно здесь и проявляется их главное преимущество перед универсальными алгоритмическими языками.
Общепризнанными являются следующие преимущества языков и систем моделирования по сравнению с универсальными языками и системами программирования:
Концептуальная выразительность.Языки моделирования обеспечивают более строгое следование выбранной концепции построения модели. Язык моделирования содержит абстрактные конструкции, непосредственно отражающие понятия, в которых представлена формализованная модель, или близкие концептуальному уровню описания моделируемой системы, с помощью которых четко классифицируют элементы моделируемой системы, элементы различных классов различают по характеристикам и свойствам, описываются связи между элементами системы и внешней среды, позволяющие изменять структуру модели.
Это упрощает программирование программы-имитатора, позволяет автоматизировать выявление, диагностику ошибок в программах.
Автоматизация стандартных функций моделирования(функций управляющей программы):
– реализация механизма модельного времени – системы моделирования имеют эффективный встроенный механизм продвижения модельного времени (календарь событий, методы интегрирования и др.), средства разрешения временных узлов;
– языки моделирования, как правило, содержат встроенные датчики случайных чисел, генераторы случайных чисел и других типовых воздействий;
– в языках моделирования автоматизирован сбор стандартной статистики и других результатов моделирования. Имеются средства автоматизации выдачи этих результатов в табличной или графической форме;
– управление процессом моделирования (анализ ошибочных ситуаций и т.д.);
– языки моделирования имеют средства, упрощающие программирование имитационных экспериментов (в частности, автоматизирующие установку начального состояния и перезапуск модели), и другие интерактивные и технологические возможности, используемые при проведении имитационных исследований.
Вместе с тем, пользователи нередко отмечают такие отрицательные моменты языков и систем моделирования, как недостаточная их распространенность, необходимость дополнительного обучения языкам и системам моделирования и, как следствие, недостаток программистов, хорошо владеющих современными языками и системами моделирования; слабые технологические возможности некоторых систем моделирования; высокая стоимость систем моделирования; отсутствие гибкости и широких возможностей, присущих универсальным языкам программирования.
Множество языков моделирования можно разделить на две группы:
1) методоориентированные–языки моделирования, поддерживающие определенный класс формализованных или алгоритмических описаний;
2) проблемно-ориентированныеязыки моделирования – языки моделирования конечного пользователя, позволяющие формулировать задачи моделирования непосредственно на концептуальном уровне. Связь с пользователем в такой системе моделирования на уровне программного интерфейса осуществляется через набор понятий непосредственно из предметной области исследований. Для этого в проблемно-ориентированные системы моделирования включаются абстрактные элементы, языковые конструкции и наборы понятий, взятые непосредственно из предметной области исследований. Примерами таких решений могут служить системы моделирования:
– Simulap, Simflex – управление материальными потоками в производственной системе;
– TOMAS – технологическая подготовка производственных систем (используемые формальные схемы);
– SIRE – календарное планирование производственных процессов (сети с очередями);
– COMNET – телекоммуникации;
– MEDMODEL – медицинское обслуживание.
Рост числа языков моделирования свидетельствует о необходимости использования средств автоматизации моделирования. Вместе с тем разнообразие языков моделирования обусловлено следующими факторами: существует большое число схем формализации и алгоритмизации моделируемых систем (агрегаты, сети, автоматы, процессы, системы массового обслуживания, дифференциальные уравнения, аналоговые блок-схемы, графы связей и др.). Любая из этих схем может служить основой для разработки нового языка моделирования. Еще большее разнообразие возможно на уровне концептуальных моделей. Все это – существенный стимул для появления новых языков.
Язык моделирования предоставляется пользователем как часть системы моделирования. Система моделирования – это совокупность языковых и программных средств, включающая:
- собственно язык моделирования;
- язык управления системой моделирования – язык команд интерактивного взаимодействия с пользователем;
- управляющую программу – программные средства, обеспечивающие трансляцию модели и другие стандартные функции системы моделирования (продвижение модельного времени, генерацию случайных чисел, сбор статистической информации, вывод результатов и т.д.).
Проблемно-ориентированные системы моделирования включают также средства разработки языков конечного пользователя.
Оценка вариантов решения по заданным критериям
Оценка возможных вариантов решений необходима для всех типов задач и систем и предшествует окончательному выбору решения. Для анализа альтернатив могут использоваться различные методы:
- традиционные (однокритериальные или балльные);
- многокритериальные;
- методы нечеткой логики.
Традиционные методы оценки возможных решений. В некоторых случаях можно дать оценку каждому варианту решения, например, в баллах. Однако очень часто однозначно оценить предложенные варианты не удается.
Многокритериальные оценки. Оценка варианта решения (сценария, программы) по многим критериям означает, что имеется более чем один показатель качества принимаемого решения и невозможно свести эти показатели естественным образом к одному. В данном случае могут применяться методы, основанные на различных принципах.
1.Принцип свертки критериев – применяется при «оптимизации» многих критериев одним координирующим центром (задача многокритериальной оптимизации). Для каждого из критериев (целевых функций) f1 (x),..., fn (x) экспертным путем назначаются «веса» (числа):
n
α1,..., αn : α1≥0, ∑ = 1,
i = 1
причем αi показывает «важность или значимость» критерия fi. Далее решение х* из множества допустимых решений Х выбирается так, что максимизировать (или минимизировать) свертку критериев:
2.Принцип минимакса – применяется при столкновении интересов противоборствующих сторон (антагонистический конфликт). Каждое ЛПР сначала для каждой своей стратегии (альтернативы) вычисляет «гарантированный» результат, затем окончательно выбирает среди стратегий ту, которая дает лучший результат. Такое действие не дает ЛПР «максимального выигрыша», однако, является единственно разумным принципом оптимальности в условиях антагонистического конфликта. В частности, исключен всякий риск.
3.Принцип равновесия по Нэшу – это обобщение принципа минимакса, когда во взаимодействии участвует много сторон, каждая из которых преследует свою цель (прямого противостояния нет). Пусть число ЛПР (участников неантагонистического конфликта) есть n. Набор выбранных стратегий (ситуация) (х1*, х2*,..., хn*) называется равновесным, если одностороннее отклонение любого ЛПР от этой ситуации может привести разве лишь к уменьшению его же «выигрыша». В ситуации равновесия по Нэшу участники не получают максимального «выигрыша», но они вынуждены придерживаться ее.
4.Принцип оптимальности по Парето – данный принцип предполагает в качестве оптимальных те ситуации [наборы стратегий (х1*, х2*,..., хn*)], в которых улучшение «выигрыша» отдельного участника невозможно без ухудшения «выигрышей» остальных участников. Этот принцип предъявляет более слабые (чем принцип равновесия по Нэшу) требования к понятию оптимальности. Поэтому по этому принципу оптимальные ситуации существуют почти всегда.
Использование нечеткой логики для оценки возможных решений
Необходимость применения нечеткой логики вызвана тем, что по мере роста сложности систем постоянно падает наша способность делать точные и в то же время значащие утверждения относительно их поведения, пока не будет достигнут порог, за которым точность и значимость становятся почти взаимоисключающими характеристиками.
После того как процедура оценки вариантов решений проведена, возможны три варианта:
- переход к согласованию критериев (если не удалось ранжировать варианты);
- переход к анализу последствий принятия решений (если предложенные варианты удовлетворяют экспертов или лиц, принимающих решения);
- если не найдено ни одного удовлетворительного решения, то производится уточнение постановки задачи, выявление дополнительных ресурсов, согласование целей с имеющимися ресурсами, ограничениями и т. д.
Согласование критериев оценки
Для того чтобы процедура согласования реализовывалась эффективно, необходимо применять определенные правила, по которым следует осуществлять поиск компромисса в случаях, когда оценки вариантов различаются. Эти правила можно разделить на две категории:
- «переговорные» − без использования вычислительной техники;
- человеко-машинные − опирающиеся на компьютерные процедуры.
Компьютерные процедуры, применяемые на практике для согласования критериев
1. Метод идеальной точки. Точка называется идеальной, если она оптимальна сразу по всем критериям. Как правило, такой точки на практике не существует. Правилом поиска компромисса может быть минимизация расстояния до идеальной точки, что влечет за собой необходимость выработки правила определения этого расстояния.
2. Метод уступок. Сущность метода – нахождение компромисса, определяющего «плату» за потерю показателей по какому-либо критерию или части критериев за счет выигрыша по другому критерию или другим критериям. 3. Метод согласования решения по главному критерию. В некоторых случаях задачу с несколькими показателями качества удается свести к задаче с одним-единственным показателем. Этот показатель стремятся обратить в экстремум, а по остальным вводят ограничения. Тогда проблема согласования сводится к нахождению компромисса по главному критерию и согласованию ограничений для всех остальных.
4.Метод согласования решения при лексикографическом упорядочении. В тех случаях, когда может быть определена важность критериев, упорядочение можно проводить сначала по самому важному критерию, а если по нему равными окажутся несколько вариантов, то проводится упорядочение по следующему по важности критерию и т.д.
5.Метод согласования по функции или отношению предпочтения (полезности). Формируется функция, отражающая предпочтение эксперта или лица, принимающего решение. Вычисляются значения функции предпочтения для альтернатив решения. В дальнейшем альтернативы ранжируются по значениям функции предпочтения.
Получение исходных данных
При получении исходных данных решаются следующие задачи:
- сбор и постоянное обновление информации о параметрах внешней среды и состоянии организации;
- хранение полученной информации, обеспечивающее возможность анализа предыстории;
- передача получаемой или хранимой информации для анализа и обработки;
- представление получаемой или хранимой информации в виде, удобном для обработки.
На этом этапе задача руководителя сводится к контролю полноты, актуальности и адекватности собираемой информации.
Большинство существующих в настоящее время систем сбора, хранения, передачи и представления информации базируется на двух технологиях − телекоммуникации и базы данных.
Системы оперативной обработки транзакций (online transaction processing − OLTP) позволяют накапливать большие объемы данных, ежедневно поступающих, например, из пунктов продаж. Приложения OLTP, как правило, автоматизируют структурированные, повторяющиеся задачи обработки данных, такие как ввод заказов и банковские транзакции. Эти подробные, актуальные данные из различных независимых точек ввода объединяются в одном месте, откуда аналитики смогут извлечь затем значимую информацию. Агрегированные данные применяются для принятия каждодневных бизнес-решений.
Решение ЗПР
На этом этапе производится математическая обработка исходной информации, ее уточнение и модификация в случае необходимости.
Классификация задач принятия решений
Задачи принятия решений (ЗПР) можно разделить на статическиеи динамические. К статическим относятся задачи, не требующие многократного решения через короткие интервалы времени, к динамическим – ЗПР, которые возникают достаточно часто. Следовательно, итерационный характер процесса принятия решений можно считать закономерным, что подтверждает необходимость создания и использования эффективных систем компьютерной поддержки.
ЗПР отличаются большим многообразием и классифицировать их можно по различным признакам, характеризующим количество и качество доступной информации. В общем случае ЗПР можно представить следующим набором информации:
<T, A, K, X, F, G, D>,
где Т – постановка задачи (например, выбрать лучшую альтернативу или упорядочить весь набор);
А – множество допустимых альтернативных вариантов;
К – множество критериев выбора;
Х – множество методов измерения предпочтений (например, использование различных шкал);
F – отображение множества допустимых альтернатив в множество критериальных оценок (исходы);
G – система предпочтений эксперта;
D – решающее правило.
Рассмотрим традиционные классификации.
1. По виду отображения F. Отображение может иметь детерминированный характер, вероятностный или неопределенный вид, в соответствии с которым задачи принятия решений можно разделить на задачи в условиях риска и в условиях неопределенности.
2. Мощность множества К. Множество критериев выбора может содержать один критерий или несколько. В соответствии с этим ЗПР можно разделить на задачи со скалярным критерием и задачи с векторным критерием (многокритериальное принятие решений).
3. Тип системы G. Предпочтения могут формироваться одним ЛПР или коллективом, в зависимости от этого ЗПР можно разделить на задачи индивидуального принятия решений и задачи коллективного принятия решений.
Задачи принятия решений в условиях определенности.К этому классу задач относятся задачи, для решения которых имеется достаточная и достоверная количественная информация. В этом случае применяются методы математического программирования, суть которых состоит в нахождении оптимальных решений на базе математической модели реального объекта. Основные условия применимости методов математического программирования следующие:
Задача хорошо формализована, то есть имеется адекватная математическая модель реального объекта;
Существует некоторая единственная целевая функция (критерий оптимизации), позволяющая судить о качестве рассматриваемых альтернативных вариантов;
Имеется возможность количественной оценки значений целевой функции;
Задача имеет определенные степени свободы (ресурсы оптимизации), то есть некоторые параметры функционирования системы, которые можно произвольно изменять в некоторых пределах для улучшения значений целевой функции.
Задачи в условиях риска.В тех случаях, когда возможные исходы можно описать с помощью некоторого вероятностного распределения, получаем ЗПР в условиях риска. Для построения распределения вероятностей необходимо либо иметь в распоряжении статистические данные, либо привлекать знания экспертов. Обычно для решения задач этого типа применяются методы теории одномерной или многомерной полезности. Эти задачи занимают промежуточное положение между задачами принятия решений в условиях неопределенности и определенности.
Задачи в условиях неопределенности имеют место, когда информация, необходимая для принятия решений, является неточной, неполной, неколичественной, а формальные модели исследуемой системы слишком сложны либо отсутствуют. В таких случаях для решения задачи обычно привлекаются знания экспертов. В отличие от подхода, принятого в экспертных системах, для решения ЗПР знания экспертов обычно выражены в виде некоторых количественных данных, называемых предпочтениями.
Обработка информации может оказаться достаточно трудоемкой и при этом могут возникнуть необходимость совершения нескольких итераций и желание применить различные методы для решения задачи. Поэтому именно на этом этапе появляется потребность в компьютерной поддержке процесса принятия решения.
Анализ и интерпретация полученных результатов
Полученные результаты могут оказаться неудовлетворительными и потребовать изменений в постановке ЗПР. В этом случае необходимо будет пройти заново весь путь. Решение ЗПР может занимать достаточно длительный промежуток времени, в течение которого окружение задачи может измениться и потребовать корректировок в постановке задачи, а также в исходных данных.
