Система поддержки принятия решений

1. 
   автоматическое оценивание обстановки окружающего мира (ситуации);
   
2. 
   просмотр возможных (заложенных в базу знаний) альтернатив;
   
3. 
   выбор – по тому или иному принципу "наилучшей" альтернативы;
   
4. 
   выдача команды на ее реализацию (или выдача рекомендаций по ее реализации).
   

Между тем, более простой в создании, гибкой, а стало быть, обеспечивающей более качественную "подсказку" при выработке управляющего воздействия представляется описываемая ниже СППР, алгоритм вывода управляющего решения которой изменяется в зависимости от текущей обстановки, т.е. является адаптивным. Рассмотрению такой системы и посвящена представленная статья.

1. 
   предположение, что выработка наилучшего или рационального управляющего решения для некоторой достаточно общей задачи заменяется последовательностью нахождения наилучших (или хотя бы рациональных) решений для последовательности частных задач, на которые можно разбить (проведя соответствующую декомпозицию) общую задачу, при этом начальная последовательность рассмотрения таких задач определена и жестко зафиксированы первая и последняя частные задачи;
   
2. 
   предположение, что исходный или начальный порядок выполнения частных задач может изменяться в зависимости от ситуации при нахождении управляющего решения для текущей частной задачи;
   
3. 
   предположение, что на этапе решения каждой частной задачи число альтернатив у лица, принимающего решения ЛПР (и, соответственно, у СПППР на этапе решения этой задачи) сравнительно невелико, например, от 2-х до 4-х, при этом данные альтернативы известны (заданы);
   
4. 
   предположение, что признаки ситуаций и их число при рассмотрении каждой частной задачи заранее определены;
   
5. 
   принятие во внимание того факта, что задачи классификации и выработки наилучшей альтернативы в настоящее время достаточно подробно исследованы и отражены в литературе (см., например, [12-17, 23, 1-7, 18-22]).
   

1. 
   В соответствии с начальным или исходным перечнем частных задач рассматривается первая из таких задач. Исходя из определенного для нее (заранее, экспертным, например, путем) множества признаков {x_1i} окружающей обстановки, производится определение (измерение) данных признаков.
   
2. 
   С использованием того или иного алгоритма автоматической классификации по отмеченному набору признаков определяется текущая обстановка окружающей среды (состояние среды, ситуация) S_1i, т.е. выполняется преобразование
   

{x_1i}  S_1i, i = 1,2,…N₁, (1)

3. 
   С использованием того или иного механизма принятия решений выбирается наилучшая или, по крайней мере, рациональная альтернатива, т.е. реализуется соответствие
   

S_1i  U_1j, j = 1,2,…,M₁, (2)

Нетрудно показать, что в соответствии с упомянутым принципом Эшби и при выборе наилучше альтернативы должно выполняться равенство

N₁ = M₁. (3)
Если это равенство выполняется, то соответствующая частная рекомендация выдается от СППР к ЛПР, и осуществляется переход к следующей частной задаче (в данном случае – ко 2-й). Далее все действия повторяются.

Если же число возможных ситуаций превышает число возможных ответных действий, т.е. справедливо неравенство

4. 
   Процедура продолжается, пока не будет достигнута (и решена) последняя из частных задач исходного списка.
   

1. 
   на каждом этапе реализации наилучшего (рационального решения) рассматриваются частные задачи небольшой размерности – с небольшим числом ситуаций и альтернатив;
   
2. 
   система автоматически перестраивает процесс поиска наилучшего решения, если на каком-то этапе возникает неадекватная (непредвиденная) ситуация, для которой нет адекватного управляющего воздействия (адекватной альтернативы);
   
3. 
   программная оболочка такой системы (программная оболочка СППР) может быть универсальной, но для решения конкретной задачи управления должны быть – скорее всего, экспертным путем [3] – наборы частных задач, признаки, наборы ситуаций и альтернативы для этих задач, а также правила переходов от одной частной задачи к другой, если нарушается (при выполнении неравенства (4)) естественный (вначале заданный) порядок перехода от одной частной задаче к другой.
   

1. 
   Трахтенгерц Э.А. Компьютерная поддержка принятия решений. – М.: СИНТЕГ, 1998.
   
2. 
   Статические и динамические экспертные системы / Э.В.Попов, И.Б.Фоминых, Е.Б.Кисель, М.Д.Шапот. – М.: Финансы и статистика, 1996.
   
3. 
   Теория выбора и принятия решений / И.М.Макаров, Т.М.Виноградская, А.А.Рубчинский, В.Б.Соколов. – М.: Наука, 1982.
   
4. 
   Ларичев О.И. Теория и методы принятия решений. – М.: Логос, 2000.
   
5. 
   Eom S.B. Decision support systems research: reference disciplines and a cumulative tradition // The International Journal of Management Science. 1995. № 5. P. 511-523.
   
6. 
   Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. – М.: Наука. Физматлит, 1996.
   
7. 
   Силов В.Б. Принятие стратегических решений в нечеткой обстановке. – М.: ИНПРО - РЕС, 1995.
   
8. 
   Хейс-Рот Ф., Уотерман Д., Ленит Д. Построение экспертных систем. – М.: Мир, 1987.
   
9. 
   Franclin J.E., Carmody C.L., Keller К., Levit T.S., Butean B.L. Expert system technology for military selected samples // Proceedings of the IEEE. 1988. V. 76. № 10. P. 1327-1336. Русский перевод Франклин Д.Э., Кармода К.Л., Келлер К., Левит Т.С., Бюто Б.Л. Технология экспертных систем для военных применений. Избранные примеры // ТИИЭР. 1988. Т. 76. № 10. С. 18-68.
   
10. 
    Buchanan B.G., Bobrow D., Davis R., Mc Dermott j., Shorlife E.M. Knowledge - based systems. // Annu. Rep. Computer Science. 1990. №4. P.395-416.
    
11. 
    Анфилатов В.С., Емельянов А.А., Кукушкин А.А. Системный анализ в управлении. – М.: Финансы и статистика, 2005.
    
12. 
    Ту Дж., Гонсалес Р. Принципы распознавания образов. – М.: Мир, 1978.
    
13. 
    Распознавание образов: состояние и перспективы/К. Верхаген, Р. Дёйн, Ф. Грун и др. – М.: Радио и связь, 1985.
    
14. 
    Фукунага К. Введение в статистическую теорию распознавания образов. – М.: Наука, 1979.
    
15. 
    Патрик Э. Основы теории распознавания образов. – М.: Сов. радио, 1980.
    
16. 
    Лбов Г.С., Старцева Н.Г. Логические решающие функции и вопросы статистической устойчивости решений. – Новосибирск: Изд-во Ин-та математики, 1999.
    
17. 
    Загоруйко Н.Г. Прикладные методы анализа данных и знаний. – Новосибирск: Изд-во Ин-та математики, 1999.
    
18. 
    Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений. М.: Мир, 1976.
    
19. 
    Беллман Р., Заде Л. Принятие решений в расплывчатых условиях/ В кн.: Вопросы анализа и процедуры принятия решений. – М.: Мир, 1976. С. 172-215.
    
20. 
    Модели принятия решений на основе лингвистической переменной /А. Н. Борисов, А. В. Алексеев, О. А. Крумберг и др. – Рига: Зинатне, 1982.
    
21. 
    Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. – М.: Наука, 1981.
    
22. 
    Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. – Тюмень: Изд-во Тюменского гос. университета, 2000.
    
23. 
    Круглов В.В. Нечеткие игровые модели и их применение в задачах принятия решений, классификации и прогнозирования // Вестник МЭИ. 2004. № 1. С. 82-85.
    
24. 
    Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: "Вильямс", 2005.
    

DECISION SUPPORT SYSTEM With ADAPTING the ALGORITHM of the CONCLUSION

Российский университет кооперации