авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:   || 2 | 3 |

Разработка принципов и методов построения программных систем поддержки принятия решений в слабо структурированных ситуациях на основе моделирования знаний экспе

-- [ Страница 1 ] --

РОССИЙСКАЯ АКАДЕМИЯ НАУК

Институт проблем управления

им. В.А. Трапезникова

На правах рукописи

КУЛИНИЧ Александр Алексеевич

РАЗРАБОТКА ПРИНЦИПОВ И МЕТОДОВ ПОСТРОЕНИЯ ПРОГРАММНЫХ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В СЛАБО СТРУКТУРИРОВАННЫХ СИТУАЦИЯХ НА ОСНОВЕ МОДЕЛИРОВАНИЯ ЗНАНИЙ ЭКСПЕРТА

Специальность: 05.13.11 – Математическое и программное

обеспечение вычислительных машин,

комплексов и компьютерных сетей

Автореферат

диссертации на соискание ученой степени

кандидата технических наук

Москва2003

Работа выполнена в Институте Проблем Управления РАН

Научный руководитель:

д.т.н., профессор Кузнецов Олег Петрович

Официальные оппоненты:

Трахтенгерц Э.А. д.т.н., профессор ИПУ РАН

Аверкин А.Н. к.ф-м.н, доцент ВЦ РАН

Ведущая организация: Московский энергетический институт

(Технический университет)

Защита состоится 23 июня 2003 года в МКЗ на заседании диссертационного Совета № Д002.226.03 в Институте проблем управления РАН по адресу: 117997 г. Москва, ул. Профсоюзная 65.

С диссертацией можно ознакомиться в библиотеке ИПУ РАН.

Автореферат разослан « 22 » мая 2003 г.

Ученый секретарь

диссертационного совета

д.т.н. Е.В. Юркевич

Общая характеристика работы

Актуальность темы. В настоящее время разработано множество различных программных систем поддержки принятия решений (СППР). Это системы интеллектуального анализа данных (Data Mining), позволяющие выявить закономерности развития ситуации; системы компьютерного имитационного моделирования; экспертные системы, основанные на знаниях и опыте принятия решений экспертов в определенных предметных областях; системы, облегчающие выбор лучшего решения из множества предложенных.

Наиболее трудными для анализа и поддержки принятия решений являются слабо структурированные уникальные ситуации, типичные для задач мониторинга и управления в административной и социально-политической сферах. В них характеристики ситуации могут быть представлены лишь качественно. Кроме того, анализу ситуаций и выработке вариантов решений должна предшествовать формализация модели ситуации, т.е. выявление основных факторов, связей между ними и силы влияния одних факторов на другие. В слабо структурированных ситуациях этот процесс должен происходить в тесном контакте с экспертами, причем для сколько-нибудь сложных предметных областей такая работа без серьезной компьютерной поддержки оказывается очень трудоемкой. Современные СППР, предназначенные для работы в таких ситуациях, помимо использования методов анализа, оценки и выработки решений, должны включать методы структуризации ситуации, развитый пользовательский интерфейс для работы с экспертами, средства редактирования и настройки моделей, а также визуализации всего процесса построения модели, анализа результатов моделирования их интерпретации и объяснения. Архитектуры систем моделирования слабо структурированных ситуаций, удовлетворяющие указанным требованиям в настоящее время находятся на этапе становления. Поэтому тематика данной работы, посвященная разработке принципов и методов построения программных систем поддержки принятия решений в слабо структурированных предметных областях, является актуальной.

Цель работы. Целью диссертационной работы является разработка принципов и методов построения программных систем поддержки принятия решений, позволяющих повысить качество управленческих решений, принимаемых в слабо структурированных уникальных ситуациях. Для достижения поставленной цели разработаны:

  • принципы построения программных систем моделирования слабо структурированных ситуаций;
  • модель представления знаний о ситуации в системах когнитивного моделирования;
  • методология структуризации сложной слабо структурированной ситуации для ее описания в модели представления знаний и человеко-машинные интерфейсы: построения, настройки когнитивных моделей, визуализации результатов моделирования.
  • методы интерпретации прогнозов развития ситуаций и решений по управлению ситуацией, а также алгоритмы и интерфейсы объяснения и интерпретации результатов моделирования;
  • программный комплекс, реализованный на предложенных принципах и методах.

Методы исследования. При проведении исследований использовались методы искусственного интеллекта, теории графов, анализа формальных понятий, теории принятия решений, теории измерений.

Научная новизна диссертации состоит в следующем:

  • Исследована и разработана структура программных систем моделирования слабо структурированных ситуаций.
  • Предложена открытая модель представления знаний о ситуации, включающая понятийное и функциональное описание ситуации.
  • Разработана методология структуризации ситуации для ее описания в модели представления знаний.
  • Разработаны методы интерпретации прогнозов развития ситуации и решений по управлению ситуацией.
  • Разработан человеко-машинный интерфейс построения и настройки моделей, визуализации, объяснения и интерпретации результатов моделирования.
  • Разработан программный комплекс, реализующий разработанные принципы и методы.

Практическая ценность диссертации. Разработанные в диссертации метод структуризации ситуации, настройки когнитивной карты, модель представления знаний о ситуации и методы интерпретации результатов моделирования и решения обратной задачи, а также программный продукт - система моделирования ситуаций, построенный на основе разработанных принципов построения систем моделирования слабо структурированных ситуаций позволяют автоматизировать значительную часть работы по анализу ситуаций и принятию решений, что особенно важно в условиях нестационарности сложных ситуаций; повысить качество решения за счет его обоснования с помощью модельных экспериментов; задействовать дополнительные возможности человеческого интеллекта за счет поддержки объяснения и интерпретации результатов моделирования в предметной области; повысить понимание анализируемых процессов.

Реализация результатов работы. Теоретические и практические результаты диссертационной работы нашли отражение в работах, связанных с применением методологии когнитивного моделирования при решении сложных проблем, и разработках компьютерных систем когнитивного моделирования. Автором разработаны ряд систем когнитивного моделирования («Компас», «Канва»), которые использовались для решения практических задач согласованного проведения тарифной, инвестиционной и налоговой политики в области транспорта и прогнозирования социально-экономических последствий банкротства транспортных предприятий, информационного мониторинга политической ситуации на Северном Кавказе, обосновании рекомендаций в области военно-технической политики и др.

Система "Компас" выставлялась от ИПУ РАН на выставках "Ученые городу", "Управление 98", "Softtools 98". Информация о системе когнитивного моделирования включена в справочники "Русский Софт", выпуски 1997, 1998.

Апробация работы. Результаты работы обсуждались на: Второй международной конференции «Когнитивный анализ и управление развитием ситуации» (Москва, ноябрь 2002 г.), восьмой национальной конференции по искусственному интеллекту КИИ 2002, г.(Коломна, октябрь 2002 г.), первой международной конференции «Когнитивный анализ ситуаций» (октябрь 2001 г. Москва ИПУ РАН), Международной конференции «Рефлексивное управление» (октябрь 2001 г. Институт Психологии РАН), Международном конгрессе "Искусственный интеллект в 21 веке", ICAI2001 (г. Дивноморск, сентябрь 2001), Пятой юбилейной международной научно-практической конференции «Анализ систем на рубеже тысячелетий: теория и практика - 2001» (июль 2001 г. Москва), Международной конференции по проблемам управления (Москва. ИПУ РАН Июль 1999), Международной конференции “Интеллектуальное управление ICIT'99” (Декабрь 1999. Переславль-Залеский), Международном конгрессе по проблемам окружающей среды и урбанизации "Человек в большом городе" (Москва. Июнь 1998 г.), Научно-практическом семинаре "Современные технологии управления для администрации городов и регионов" (Москва, ИПУ РАН, 1998).

Публикации. Основные результаты диссертации отражены в 15 опубликованных работах.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 150 страницах, списка литературы, включающего 94 наименования.

Содержание работы

Во введении обосновывается актуальность решаемой задачи.

В первой главе рассмотрены основные задачи, решаемые в процессах поддержки принятия решений: анализ ситуации; формулировка целей и возможных сценариев их достижения; прогноз развития ситуации для разных сценариев; ранжирование и выбор лучшего сценария. Рассматриваются существующие технологии интеллектуального анализа данных (Data Mining), позволяющие выявить закономерности развития ситуации, системы компьютерного имитационного моделирования, экспертные системы, основанные на знаниях и опыте принятия решений экспертов в определенных предметных областях.

Определяется класс анализируемых в диссертации ситуаций и их основные характеристики. Это – слабо структурированные уникальные ситуации, в которых основные характеристики ситуации - факторы и зависимости между ними определены качественно, как правило, в лингвистическом виде. Уникальность ситуации определяется слабой предсказуемостью изменения структуры в процессе ее развития и практическим отсутствием повторяющихся ситуаций

Анализируется методология когнитивного моделирования, предназначенная для анализа и принятия решений в слабо структурированных ситуациях. Она основана на моделировании субъективных представлений экспертов (знаний) о ситуации и включает: методологию структуризации ситуации; модель представления знаний эксперта в виде знакового орграфа (когнитивной карты) (F, W), где, F - множество вершин графа (факторов ситуации), W - множество дуг (причинно-следственных отношений между факторами ситуации); методы анализа ситуации – прогноз ее развития и поиск управляющих воздействий, переводящих ситуацию в желаемое состояние.

Проанализированы архитектуры существующих систем имитационного моделирования (ITHINK, ANALYST, VENSIM, POWERSIM др.) и систем когнитивного моделирования («Космос», «Ситуация», «Компас»).

На основании анализа систем когнитивного моделирования выявлен их недостаток, который заключается в том, что интерфейсы упомянутых систем недостаточно учитывают ведущую роль эксперта в когнитивном моделировании и не ориентируются на удовлетворение потребностей экспертов (пользователей) на этапах построения, настройки модели, анализа результатов моделирования, их объяснения и интерпретации. Предложено в системы когнитивного моделирования встраивать средства для работы с экспертами, ориентированные:

  1. на извлечение предпочтений эксперта для определения силы влияния факторов ситуации;
  2. на объяснение, интерпретацию результатов моделирования и поддержку генерации решений.

Предложена обобщенная архитектура программных систем для поддержки принятия решений в слабо структурированных ситуациях, которая объединяет принципы построения компьютерных систем имитационного моделирования и экспертных систем. В этой архитектуре обязательными подсистемами являются субъектно-ориентированные подсистемы: извлечения предпочтений эксперта для настройки силы влияния факторов; объяснения и интерпретации результатов моделирования (прогнозов развития ситуаций), выработки рекомендаций по управлению ситуацией.

Для разработки систем моделирования, основанных на предложенных и отраженных в обобщенной архитектуре принципах необходимо разработать:

  1. Модель представления знаний о сложной ситуации;
  2. Методологию структуризации сложной слабо структурированной ситуации и настройки когнитивных карт большой размерности;
  3. Методы интерпретации прогнозов развития ситуаций и решений по управлению ситуацией;
  4. Методы поддержки генерации решений.

Вторая глава посвящается разработке методологии структуризации ситуации; модели представления знаний о слабо структурированной ситуации; метода интерпретации прогнозов развития ситуации.

Предлагаемая методология структуризации сложной ситуации заключается в том, что анализируемая ситуация описывается в двух аспектах: структурном и функциональном.

Для описания ситуации в структурном аспекте осуществляется структурно-функциональная декомпозиция, которая заключается в выделении составных частей наблюдаемой ситуации в виде иерархии «Часть-Целое», D, , где, D={di} - множество элементов ситуации - это целое и его составные части, – отношение «Часть-Целое» на множестве D, i=1,…, n.

Для описания ситуации в функциональном аспекте определяются основные характеристики (в дальнейшем - признаки) всех элементов ситуации Fi={fij}, j=1,…, m. Далее на множестве признаков Fi каждого элемента di экспертным путем определяется когнитивная карта (Fi, Wi), отражающая представления эксперта о законах функционирования этого элемента, где Fi – множество вершин, Wi – матрица смежности орграфа, отражающего функциональную структуру элемента ситуации di. Когнитивные карты отдельных элементов объединяются в общую когнитивную карту (F,W), где F=Fi – множество признаков, описывающих ситуацию в целом, а W - матрица смежности, включающая матрицы смежности Wi отдельных элементов di и описывающая их взаимодействие. Таким образом, когнитивная модель сложной ситуации имеет блочную структуру.

Прогнозы развития ситуации, полученные на сложной когнитивной модели (F,W), нуждаются в интерпретации. Поэтому необходимо разработать модель представления знаний, облегчающую интерпретацию результатов моделирования.

Предлагаемая в этой работе модель представления знаний является расширением существующей в когнитивном моделировании модели в виде знакового орграфа и основывается на концептуальной модели представления знаний в виде поля знаний, используемой в инженерии знаний для создания интеллектуальных систем. Поле знаний определяется тройкой (X, Y, M), где X – входные данные задач, решаемых интеллектуальной системой; Y - выходные данные – результат решения задач; М - операциональная модель, на основании которой происходит преобразование X в Y. Операциональная модель М = (Кd, Кf) включает понятийную систему Кd, отражающую понятийную структуру ситуации, и функциональную систему Кf, моделирующую законы и закономерности проблемной области, определяющие динамику развития ситуации.

Предлагается когнитивную карту сложной ситуации (F,W) описывать в функциональной системе поля знаний Кf, а результаты структурно-функциональной декомпозиции D, - в понятийной системе Кd.

Для описания когнитивной карты в функциональной структуре поля знаний разрабатываются: 1) шкалы признаков; 2) методы извлечения предпочтений эксперта для настройки силы влияния признаков ситуации; 3) методы получения прогнозов развития ситуации и решения обратной задачи.

Шкалы. Для разработки шкал используется метод, предложенный Торгерсоном (Torgerson W.S.). Он основан на задании опорных точек – максимального и минимального значения признака - и получении новых значений шкалы методом деления отрезка пополам с интерпретацией средней точки в предметной области. В результате выполнения этой процедуры получаем линейно упорядоченное множество лингвистических значений j-го признака i-го понятия, - Zij={zijk}, k - номер лингвистического значения, элементы которого отображается на отрезок числовой оси [0,1]. Для каждого лингвистического значения zijkZij на числовой оси определена точка xijk[0,1] и ее окрестности xijk±, имеющие ту же лингвистическую интерпретацию zijk. Таким образом, для каждого признака каждого понятия определена числовая шкала Xij , каждая точка которой xijXij имеет лингвистическую интерпретацию zijkZij .

Определяется начальное состояние ситуации как вектор значений всех признаков ситуации X(0)=(x110, …, xnm0) и возможные положительные pij>0 и отрицательные pij<0 отклонения признака от текущего значения.

В настоящее время для определения силы влияния признаков используется метод прямого экспертного назначения силы влияния в виде коэффициента из интервала значений [-1, 1] или лингвистического значения из упорядоченного множества, например, {«сильно увеличивает»,…, «слабо увеличивает»,…, «не влияет»}. Метод прямого назначения силы влияния приводит к ошибкам.

Для уменьшения ошибок при определении силы влияния признаков разработаны методы извлечения знаний эксперта о силе влияния признаков. Это методы косвенного определения силы влияния, позволяющие определить силу влияния признаков из ответа эксперта на вопрос: «К какому изменению признака-следствия может привести заданное изменение признака причины?». Разработаны три метода косвенного определения силы влияния: прямого оценивания (четкое и нечеткое); парного сравнения; задание функциональной зависимости. Эти методы рассмотрены в четвертой главе.

Метод получения прогноза. Общая постановка задачи получения прогноза развития ситуации следующая. Дано: множество факторов F={Fi}; шкалы факторов Xij; начальное состояние ситуации X(t)=(x11, …, xnm); матрица смежности W=|wij sl|, где, индексы i,s - номер понятия, j,l – номер признака понятия с номером i или s; начальный вектор приращений факторов P(t)=(p11,…, pnm).

Необходимо найти вектора приращения признаков P(t), P(t+1), …, P(t+n) и состояния ситуации X(t), X(t+1), …, X(t+n) в последовательные дискретные моменты времени t, t+1, …, t+n.

Эта задача решается методом последовательных итераций. Вектор приращений значений признаков в момент времени t+1 определяется из соотношения:

P(t+1)=P(t)° W,

а состояние ситуации в момент времени t+1 из соотношения:

X(t+1)=X(t)+P(t+1).

В настоящее время для качественно заданных систем (значения переменных и элементы матрицы смежности - это лингвистические значения) операция (°) определяется как max-product – операция (умножение и взятие максимума), для которой в работах Б. Коско (Kosko), В. Занга (Zhang), В. Силова и др разработаны алгоритмы получения прогнозов развития ситуаций. Эти алгоритмы работают для положительно определенных матриц, в то время как в нашем случае элементы матрицы смежности и векторов приращений могут принимать отрицательные и положительные значения.

Используется следующее правило преобразования матрицы смежности W=|wij sl|nn с положительными и отрицательными элементами к положительно определенной двойной матрице W`=|w`ij sl|2n2n :

Если wij sl>0, то w`i(2j-1) s(2l-1)= wij sl, w`i(2j) s(2l)= wij sl

Если wij sl<0, то w`i(2j-1) s(2l)= - wij sl, w`i(2j) s(2l-1)= - wij sl

Начальный вектор приращений P(t) и вектор прогнозных значений признаков P(t+1), в этом случае, должен иметь размерность 2n. Правило получения начального вектора приращений P`(t) размерности 2n из вектора начальных приращений P(t) размерности n следующее:

Если pij(t)>0, то, p`i(2j-1)(t)= pij(t), p`i(2j)(t)= 0;

Если pij(t)<0, то, p`i(2j)(t)= pij(t), p`i(2j-1)(t)= 0;



Pages:   || 2 | 3 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.