CC BY
475
В.П. КАРЕЛИН
МЕТОДЫ И СРЕДСТВА ИНФОРМАЦИОННОАНАЛИТИЧЕСКОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ОРГАНИЗАЦИОННЫХ СИСТЕМАХ
Рассмотрены особенности принятия решений при управлении организационными системами, роль и влияние человеческого фактора на качество выбираемых решений, причины нарушения рациональности. Проанализированы наиболее распространенные методы многокритериального выбора
Принятие решений, организационные системы, многокритериальный выбор, нарушение рациональности, нечеткое отношение предпочтения, нечеткое сходство, распределённые информационные системы, информационно-аналитическая поддержка.
и предложены способы модификации некоторых из них. Рассмотрены преимущества и перспективность распределенных интеллектуальных информационных систем для информационно-аналитической поддержки принятия коллективных решений.
Успех любого предприятия, организации во многом зависит от качества принимаемых решений. Организационные системы (ОС) предназначены для решения таких задач, для которых априори отсутствуют схемы решения ввиду их новизны и проблематичности. Примерами ОС могут служить различного рода управленческие, проектные, конструкторские и другие подобные организации, коллективы людей и даже отдельный человек. К ОС относятся и так называемые социотехнические системы, включающие социально-экономические, здравоохранения, связи, транспортные, промышленные и т.п. ОС относятся к классу сложных систем, управление которыми, как правило, происходит в условиях жестких временных ограничений при наличии различного рода неопределенностей, при недостаточном знании закономерностей функционирования и постоянном изменении обстановки, в которой функционирует система. При управлении ОС необходимо уметь анализировать и отыскивать лучшее решение в сложных ситуациях, характеризующихся неопределенностью, неполнотой и нечеткостью исходной информации, отсутствием достаточной количественной информа-ции, динамичностью, уникальностью и т.д. В процессе принятия управленческих решений опираются как на аналитические методы анализа ситуаций и прогнозирования, так и на субъективный опыт, знания специалистов [1, 2].
Центральной фигурой в процессе принятия решений (ПР) в организации является лицо, принимающее решение (ЛПР). Решения ЛПР влияют на судьбы других людей, на благополучие организации в целом. Следует учитывать, что на принимаемые решения влияют как непосредственное окружение ЛПР, так и традиции, привычки, «дух» организации. Именно поэтому многие исследователи выделяют ПР в организациях как самостоятельный объект изучения [3,4].
Ситуация, в которой происходит процесс ПР, характеризуется наличием целей и различных способов их достижения, т.е. множеством альтернатив, с каждой из которых связаны определенные результаты -значение полезности и степень достоверности ее осуществления, которые не всегда известны. Как правило, решения принимаются в условиях неопределенности, конфликта и противодействия. В процессе
оценивания конкурирующих альтернатив исследователь (аналитик, ЛПР) оказывается в ситуации конфликта (столкновения) социальных интересов, эмоций и т.д., т.е. в этот процесс привносятся социальнопсихологические факторы, от которых, однако, математические методы ПР абстрагируются, хотя конечный смысл ПР и состоит в замене конфликта компромиссом.
Сложность проблемы ПР в ОС обусловлена неопределенностью в оценках альтернативных вариантов решения из-за нехватки информации на момент решения проблемы, качественным характером оценок альтернативных вариантов. Оценки альтернатив по отдельным критериям чаще всего могут быть получены от экспертов, причем во многих случаях отсутствует объективная шкала измерения оценок по отдельным критериям. Основой решающего правила, позволяющего перейти от оценок по отдельным критериям к общей оценке альтернатив, чаще всего является интуиция ЛПР, его предпочтение тех или иных вариантов развития события.
В силу ограниченных возможностей и способностей человека принимать решения в сложных ситуациях, при неполной информации и зачастую в ограниченное время, эти решения далеко не всегда обоснованы и достаточно хороши. Поэтому важно изучать, как люди принимают решения, как они должны это делать, на основе каких методов и технических средств можно им помочь принять лучшее решение.
Известно, что при принятии важных решений люди бывают непоследовательны, противоречивы, что часто и приводит к ошибкам [3-6]. Это объясняется спецификой именно человеческой системы переработки информации (ограниченностью рабочей памяти человека, в которой осуществляется ПР), что вынуждает людей группировать информацию, обобщать факты, учитывать ограниченное количество факторов, использовать простые правила, специальные приемы и эвристики. Подобные приемы упрощения относят к порокам мышления, в частности, склонность к дихотомии (поляризации мира и явлений), простой форме бытия (магия чисел 3, 7, 66 и др., золотое сечение и т.п.), к работе без понятий (с непро-явленными смыслами), агнозию и категориальную профанацию [7]. Агнозия - неспособность целостно-
го, холистического видения. Признаки агнозии -фрагментарность суждений и выхватывание отдельных фактов и примеров, на основе которых строятся многочисленные частные концепции, политики, планы и программы, пишутся законы и указы, принимаются опасные коллективные и индивидуальные решения. В таких случаях говорят: «Правая рука не знает, что делает левая». Категориальная профанация -ценная и, по-видимому, присущая только людям способность обобщения, категориального, абстрактного мышления стала причиной категориальной профанации, которая проявляется в неизбежном оперировании, управлении не реальными, а абстрактными объектами, что приводит к ошибкам в ПР.
Человек в любой области ПР остается всего лишь человеком. Он всегда подсознательно минимизирует свои усилия при поиске решения, меняет стратегии по ходу решения задач, выбирая те из них, которые требуют меньше умственных усилий. Именно в процессах ПР наиболее отчетливо проявляются и свойственные человеку специфические особенности переработки информации - «отклонение от рациональности» в выборе. Человек ищет удовлетворительное, а не оптимальное решение, достаточно устойчивое к изменению внешних факторов. В свое время Г. Саймон заявил, что «возможность человеческого ума формулировать и решать сложные проблемы очень мала по сравнению с размером проблем, решение которых необходимо для объективно рационального поведения в реальном мире или даже для разумного приближения к такой объективной рациональности» [5-
7].
Многочисленные исследователи процесса ПР в ОС, подчеркивая особую важность деловых (а не личных) ответственных решений, выделяют ряд причин отклонения решений от рациональных [3,4]. Так, Г. Саймон выделил четыре основные причины отклонения поведения организаций от рационального [4,5]:
1. Упрощение проблем. Проблемы ПР столь сложны, что многие характеризующие их факторы рассматриваются по очереди. При этом проблема становится более простой, но часто ее целостное восприятие теряется;
2. Удовлетворительные решения. Поиск наилучшего решения проблемы занимает много сил и времени как у руководителя, так и у членов организации. Поэтому в организациях обычно не рассматриваются принципиально разные альтернативы, а выбирается первая приемлемая альтернатива, удовлетворяющая некоторым ограничениям;
3. Стремление избежать неопределенности. Организациям свойственно стремление избегать решений, основанных на оценках неопределенного будущего, избегать риска;
4. Репертуар привычных решений. Организациям, как и людям, иногда характерен набор типовых решений, типичных ответов на возникающие проблемы. Коллективный ум группы руководителей в организации должен, на первый взгляд, повышать эффективность принимаемых решений, однако этого не происходит. Проверенная многократно модель ограниченной рациональности Саймона утверждает, что организация неплохо реагирует на тактические про-
блемы, как бы приспосабливается к ним, но далеко не всегда она эффективна при решении проблем стратегического характера.
Высокая эффективность ПР в ОС должна достигаться благодаря профессиональной подготовке, постоянному совершенствованию знаний и умений сотрудников, ответственных за анализ проблем и ПР. Основа профессиональных качеств таких сотрудников - умение целостно рассмотреть проблемы с нача-ла до конца.
Обычно под личными качествами ЛПР подразумевают опыт, знания, компетентность, понимание полезности решения, но не менее важна и психология его мышления, принадлежность тому или иному психологическому типу. Люди по-разному относятся к риску, к оценке отдаленных последствий принятых ими решений, к воздействию их на достижение целей других людей и т.п. Особо важную роль психологические факторы играют в неструктурированных проблемах, где имеются лишь качественные, недостаточно определенные зависимости между основными переменными.
Постулат о рациональности принятия решений давно и широко обсуждается в экономической литературе. В статье академика РАН Г.Б. Клейнера проводится анализ влияния психологических особенностей «личности» ЛПР на характер протекания и результаты различных этапов принятия экономических решений [6]. Нарушение рациональности может быть обусловлено не столько объективной неполнотой имеющейся у индивида информации и ограниченностью возможностей ее усвоения и переработки, сколько наличием субъективных предпосылок нарушения рациональности поведения, связанных с психологическими особенностями черт характера и личности субъекта. Существует достаточно широкий круг психологических особенностей индивидов, вызывающих неконтролируемое отклонение от рациональности индивидуального выбора. Г.Б. Клейнер предлагает модель и концепцию органической иррациональности, обусловленной устойчивыми особенностями психологии конкретного ЛПР. В контексте органической иррациональности выдвигается гипотеза о разделении индивидов на два типа в зависимости от типа преследуемых целей: типа «homo econo-micus», для которых главным мотивом выбора является достижение экономических целей, и «homo institius», для которых мотивация связана, главным образом, с изменением их институционального положения. Принадлежность к тому или иному типу -устойчивая черта личности данного субъекта.
К числу основных проблем, связанных с выработкой и принятием управленческих решений в ОС, относятся следующие:
- отсутствие у ЛПР специального образования в области управления ОС и ПР и, следовательно, отсутствие понимания сути процессов ПР, культуры подготовки и принятия деловых решений;
- отсутствие независимых беспристрастных экспертов, располагающих основной информацией, необходимой для ПР;
- отсутствие независимых консультантов или аналитических групп, оценивающих варианты решений.
Наиболее трудный этап подготовки и ПР - правильное понимание проблемы. Для этого очень важны сбор и анализ всей относящейся к делу информации. Качество информации - это фундамент, на котором базируется решение.
Работа аналитика-консультанта - по кусочкам сложить целостную картину, построить сценарий развития ситуации, поиск вариантов решения проблемы, оценить альтернативы с помощью экспертов. Если этап сбора и анализа информации может осуществляться аналитической группой, то этап сравнения и выбор варианта решения требует участия ЛПР. Интуиция руководителя, ЛПР должна многократно усиливаться чувством личной ответственности за принятое решение.
При выработке решений ЛПР должно учитывать множество факторов, определяющих степень полезности и степень достоверности различных альтернатив. Принять правильное решение, значит, выбрать такую альтернативу из числа возможных, в которой с учетом всех разнообразных факторов будет оптимизирована суммарная функция полезности. В сложных ситуациях, когда интуитивный метод ПР не убедителен и требует объективного обоснования принимаемых решений, необходимо обращаться к научным методам ПР, т.е. использовать известные математические методы и модели. Их применение позволяет формализовать процедуры выбора и ПР.
Для повышения обоснованности управленческих решений ЛПР необходимо иметь наиболее полную, достоверную и точную исходную информацию. Поэтому, чем сложнее решаемая задача, чем ответственнее принимаемое решение, тем большую остроту приобретают формирование, сбор и обработка информации, требующейся для эффективной реализации этого решения. Очевидно, что поиск наилучшего решения сложной управленческой задачи невозможен без ее всестороннего анализа, рассмотрения возможных вариантов действий. Всё это требует соответствующих средств информационно-аналитической поддержки всех этапов процесса выработки, выбора и ПР.
Увеличение объемов информации, поступающей в органы управления, усложнение решаемых задач, необходимость учета большого числа взаимосвязанных факторов и быстро меняющейся обстановки на фоне предельно возросшего уровня конкуренции требуют повышения уровня интеллектуальности и быстродействия существующих информационных систем (ИС) управления и систем поддержки управленческой деятельности [1, 2].
При исследовании сложных систем и управлении ими значительное количество информации о системе, о ее особенностях и цели функционирования может быть получено от людей, имеющих опыт работы с данной системой. Эта информация носит субъективный характер и может быть неточной или неполной. Ее представление на естественном языке, как правило, содержит большое число неопределенностей, которые не имеют аналогов в языке традиционной математики. Поэтому при разработке для таких систем эффективных моделей и методов ПР наряду с традиционными методами и моделями используют методы и модели нечеткого математического программиро-
вания, методы искусственного интеллекта, модели, имитирующие процесс ПР опытным специалистом, который принимает решение на основе относительно простых и в то же время достаточно гибких решающих правил [2].
В процессе выбора решений приходится учитывать большое число противоречивых требований и, следовательно, оценивать варианты решений по многим критериям. Проблемы многокритериального выбора и ПР в ОС относятся к слабо формализованным или вообще к неструктурированным, поэтому при выборе решений в условиях нечеткости важно учитывать оценки специалистов-экспертов, субъективные предпочтения ЛПР, что требует использования соответствующих моделей и методов ПР, позволяющих учесть такого рода информацию [2].
Эффективность любого метода многокритериального выбора решений в значительной степени зависит от выбора способа представления и обработки знаний экспертов и ЛПР, а также от имеющейся информации об объекте управления. При управлении сложными системами важно и необходимо не только наличие эффективных методов и моделей ПР, но и использование современных информационных технологий. От этого во многом зависит качество управления.
Известные методы и модели ПР в условиях мно-гокритериальности не учитывают комплексно весь объем количественной и качественной информации, который можно получить от экспертов и ЛПР и использовать при выборе решений. Поэтому исследование представления и обработки информации, полученной от экспертов и ЛПР, способов использования ее для выработки и ПР важно и перспективно.
В настоящее время предложено немало различных подходов для многокритериальной оценки вариантов решений (альтернатив) и их упорядочения, в том числе и реализованных в системах поддержки принятия решений (СППР). Тем не менее универсальных методов ПР не существует [1-4,8]. Большинство существующих методов ПР при многих критериях, реализованных в СППР, включают процедуры выявления предпочтений ЛПР «по частям» в попытке получить целостную количественную оценку альтернатив по результатам оценки отдельных или нескольких критериев [4]. Зачастую они сводятся к линейной или нелинейной свертке, позволяющей поставить в соответствие каждому элементу множества, оценивающие его числовое значение.
Существенным недостатком методов многокритериального выбора (МВ) при четких исходных данных является недостаточное внимание к проблеме получения информации от людей, но не учитывается факт, что человек производит количественные измерения субъективных факторов с существенными погрешностями. Необходимое условие для методов МВ лучших решений - использование корректных процедур выявления предпочтений ЛПР, где на первое место ставится точность содержательного описания проблемы, а не точность количественного измерения параметров [4].
В связи с необходимостью использования при анализе сложных ситуаций не только количественных данных, но и качественного, содержательного описа-
ния, а также из-за сложности задач ПР в условиях дефицита информации и неполноты сведений об исследуемых явлениях многие широко известные методы МВ развиваются в направлении учета нестатистической неопределенности, происходит их обобщение и адаптация к нечетко-числовым исходным данным. К методам МВ лучшей альтернативы, учитывающим фактор нестатистической неопределенности и использующим нечеткие множества, относятся метод, основанный на построении многокритериальной нечеткой функции предпочтения; метод анализа иерархий в нечеткой постановке; методы ELECTRE; метод, основанный на нечетких отношениях предпочтения экспертов; метод, основанный на теории мультимножеств; метод, использующий двухкортежное представление лингвистическихпеременныхидр. [1,2, 8-11].
Методы МВ при нечетких исходных данных отличаются следующими характеристиками: тип представления нечетких исходных данных (критериальных оценок альтернатив, коэффициентов важности критериев и экспертов), т.е. вид представления знаний; возможности применения различных шкал для оценки, учета разной значимости критериев, проведения коллективной экспертизы, учета различий (важности) экспертов, ограничения по количеству критериев оценки и экспертов, точность полученных оценок, трудоемкость и др. [1, 8, 11,12].
Достоинство метода построения нечеткой функции предпочтения, описанного в [1], - возможность широко использовать лингвистические переменные для оценки альтернатив по критериям, учитывать взаимное влияние различных факторов. Здесь функции предпочтения строятся на базовых шкалах, построенных для каждого критерия. Вид функции предпочтения зависит от конкретной задачи и рассуждений ЛПР. Чтобы оценить и проранжировать альтернативы, рассчитываются значения функций предпочтения для каждой альтернативы с учетом значимости критериев. Таким образом, при использовании многокритериальной функции предпочтения ЛПР должно обладать необходимым опытом и знаниями, уметь проводить критериальный анализ ситуации, строить базовые шкалы, выбирать критерии и оценивать их важность и, конечно же, строить функцию предпочтения.
В методах парных сравнений итоговое упорядочение альтернатив строится на основе сравнения их пар. В классическом варианте метода парных сравнений, к которому относится метод анализа иерархий (МАИ) Т. Саати, анализ проблемы основан на моделировании знаний в форме оценок важности одной альтернативы по отношению к другой, выражаемых четкими числами. МАИ предполагает представление исследуемой проблемы в виде иерархии цели, критериев и подчиненных им альтернатив [3,4]. В распоряжение ЛПР дается шкала словесных определений уровня сравнительной важности, причем каждому уровню важности ставится в соответствие число (от 1 до 9). В матрицах парных сравнений полученные числа используются для определения весов (коэффициентов важности) сравниваемых объектов (критериев, целей, альтернатив). На заключительном этапе МАИ полезность альтернативы определяется путем
синтеза относящихся к ней весов целей, критериев, альтернатив с использованием либо аддитивной, либо мультипликативной формулы. Подсчитывается количественный индикатор качества каждой из альтернатив и производится их упорядочение.
Субъективные и качественные знания ЛПР или экспертов можно формализовать, используя аппарат теории нечетких множеств, как представлено в [1,2, 8-13]. Суждение эксперта (оценку значимости одной альтернативы по отношению к другой) предлагается формировать с помощью лингвистической переменной либо нечетким трапециевидным или треугольным числом. После составления матрицы парных сравнений производят ее дефазификацию. В качестве оператора дефазификации в [10] предлагается репрезентативное число, рассчитанное как взвешенная свертка средних арифметических границ интервалов a-срезов. Ранжирование рассматриваемых альтернатив производится на основании главного собственного вектора дефазифицированной матрицы парных сравнений. Дальнейшие расчеты аналогичны классическому методу.
Метод анализа иерархий в нечеткой постановке существенно расширил возможности классического метода и позволил уже на этапе прогнозирования и разработки альтернативных сценариев выбирать решения, наиболее полно отвечающие требованиям исходной ситуации [10, 11]. Достоинством МАИ является представление исследуемой проблемы в виде хорошо структурированной иерархии цели, критериев и подчиненных им альтернатив. Среди недостатков метода выделяют тот факт, что введение новой альтернативы может привести к изменению отношений предпочтения между двумя другими альтернативами [3]. МАИ весьма чувствителен к человеческим ошибкам в измерениях. Известным недостатком парного сравнения альтернатив является возможность появления циклов на множестве сравниваемых альтернатив. К тому же если эксперт считает некоторые из альтернатив несравнимыми, то упорядочение будет частичным.
В группе методов ELECTRE (Elimination Et Choix Traduisant la REalite - «исключение и выбор, отражающие реальность»), впервые предложеных группой французских ученых во главе с профессором Б. Руа, упорядочение многокритериальных альтернатив осуществляется их попарным сравнением с использованием специальных индексов согласия (конкорданса) и несогласия (дискорданса), рассчитываемых на основе предпочтений ЛПР [3]. Речь идет о согласии или несогласии с гипотезой, что одна альтернатива превосходит другую. От ЛПР требуется определение критериальных значений альтернатив и назначение весов критериев. В результате две альтернативы могут находиться в одном из трех отношений: превосходства, безразличия, несравнимости.
Уровни коэффициентов согласия и несогласия, при которых альтернативы сравнимы, представляют собой инструмент анализа в руках ЛПР и эксперта. Задавая эти уровни, они исследуют имеющееся множество альтернатив. При применении методов семейства ELECTRE веса критериев могут отражать мнение группы экспертов, а не только мнение ЛПР. В
общем случае цель анализа, проводимого с помощью методов ELECTRE, - выделение ядра, состоящего из сложных для сравнения альтернатив. При необходимости продолжения анализа с целью сужения оставшейся группы или выделения одной лучшей используют другие методы
Существуют различные модификации метода ELECTRE, которые дают возможность учесть неточности в данных и измерениях, совершаемых экспертами. Среди них и такие, которые позволяют работать с вербальными оценками. Однако, как и в случае с четкими данными, эти методы требуют от ЛПР задавать трудно определяемые пороговые значения для определения отношений эквивалентности, предпочтения и значительного предпочтения.
Подход методов ELECTRE не гарантирует выполнения двух важных требований: полноты сравнений и транзитивности. Методы этой группы применимы для многокритериальной оценки фондов, предлагающих к продаже свои акции.
Развитием методов ранжирования, вводящих функции согласия и несогласия и пороговые значения для определения отношений эквивалентности, предпочтения и значительного предпочтения являются методы построения нечетких отношений предпочтения [1,
8]. Такой подход применяется в тех случаях, когда у экспертов или ЛПР нет четкого представления о предпочтениях между всеми или некоторыми альтернативами. Например, в [8] приведен метод, в котором отношения предпочтения строятся посредством лингвистических переменных, полученных либо с помощью базовых шкал, либо непосредственно от ЛПР. В этом случае отпадает необходимость введения трудно определяемых пороговых значений.
Информация о реальной ситуации или объекте управления в форме отношений предпочтения, на наш взгляд, универсальна, поскольку позволяет в полной мере ввести в математическую модель знания и представления экспертов, предпочтения ЛПР, что делает модель адекватной реальности. Порядковые отношения между параметрами задачи намного надежнее, чем количественные.
Зачастую у ЛПР нет четкого представления о предпочтениях между всеми или некоторыми альтернативами. В этом случае, согласно [8], более гибким способом формализации имеющихся у экспертов или ЛПР знаний о ситуации представляется такой, при котором степень убежденности в предпочтениях между альтернативами описывается числами из интервала [0, 1]. В результате с помощью экспертов выявляется нечеткое отношение предпочтения на множестве альтернатив, в котором каждой паре альтернатив соответствует число, описывающее степень выполнения предпочтения.
Помимо модификаций известных методов в настоящее время разрабатываются и новые методы, основанные на новых подходах к представлению разносторонней информации об объектах. Среди них метод, использующий представление многокритериальных объектов мультимножествами [9], и метод, базирующийся на двухкортежном представлении лингвистических переменных [13]. В качестве неудобства первого метода можно выделить необходимость
использования одинаковых шкал оценок по каждому критерию всеми экспертами, второго - громоздкость вычислений. Но несмотря на это, методы можно рассматривать как перспективные, т.к. метод упорядочения многокритериальных объектов на основе теории метрических пространств мультимножеств предоставляет удобную математическую модель представления знаний экспертов об альтернативах и допускает использование различных, в том числе и противоречивых, данных для их описания. Использование двойных кортежей и проведение вычислений с ними позволяет сохранить точность и избежать частичного ранжирования; также методом предусмотрена возможность применения различных шкал оценок каждого эксперта.
На основе анализа и сравнения указанных методов представляются перспективными для развития подходы, основанные на построении и использовании нечетких отношений предпочтения, рассмотренные в работах [1,8]. Такое представление знаний хорошо тем, что не требует от экспертов или ЛПР четкого представления о предпочтениях между альтернативами и наиболее близко логике рассуждений индивидуума при принятии решений.
Оба описанных в [1,8] подхода являются хорошим средством нахождения наилучшего решения в определенной ситуации. При этом каждый из них позволяет учитывать коэффициенты значимости выбранных критериев и не исключает возможность участия в процессе ПР нескольких экспертов. Однако в первом подходе ничего не сказано о возможности существования нескольких экспертов и, соответственно, способах учета информации каждого из них, во втором -наличие нескольких экспертов заменяет множественность критериев. Таким образом, ни один из них не позволяет учитывать предпочтения ЛПР в отношении экспертов при одновременном сохранении множественности критериев.
Для устранения указанных недостатков существующих алгоритмов МВ альтернатив при нечеткой исходной информации нами разработан метод, позволяющий находить наилучшее решение при многих критериях и наличии нескольких экспертов одновременно (с возможностью учета важности каждого из экспертов), основанный на информации о нечетких отношениях предпочтения [11,12].
Разработанный метод ранжирования альтернатив представляет собой модификацию методов из [1,8]. Он включает следующие этапы: задание экспертами базовых шкал для оценок альтернатив и для оценок критериев; задание ЛПР матрицы относительной важности экспертов; определение критериальных оценок альтернатив и задание «весов» критериев; вычисление значений нечетких отношений предпочтения по каждому критерию для каждой пары альтернатив; вычисление значений нечетких отношений предпочтения с учетом всех критериев для каждой пары альтернатив; определение нечетких подмножеств не доминируемых альтернатив, которые необходимо обобщить в единое нечеткое отношение предпочтения с учетом информации об относительной ценности экспертов, заданной в форме нечеткого отношения. В конечном итоге на основании единственного отноше-
ния предпочтения производится определение нечеткого подмножества недоминируемых альтернатив и выбор из них лучшей.
Таким образом, в качестве наиболее перспективных нами были выделены следующие два подхода:
- основанный на построении нечетких отношений предпочтения [11, 12]. Такое представление знаний хорошо тем, что не требует от экспертов или ЛПР четкого представления о предпочтениях между альтернативами и наиболее близко логике рассуждений индивидуума при ПР;
- основанный на определении сходства нечетко описанных ситуаций [15,16].
В работах [11,12, 14] предложены методы формирования эталонного представителя класса нечетких ситуаций и распознавания текущей ситуации, положенные в основу построения классификационных моделей ПР, способных оперировать качественной информацией, полученной от экспертов. Для нахождения представителя класса ситуации предлагается предварительно представлять ситуации, описанные нечеткими множествами второго уровня, их репрезентативными векторами посредством применения формулы для нахождения центра тяжести.
Разработанные нами методы МВ управленческих решений на основе обработки экспертных знаний и нечеткого распознавания ситуаций адекватны современным условиям, в которых приходится принимать управленческие решения. В результате применения разработанных методов МВ управленческих решений на конкретном производственном предприятии выделены следующие преимущества [11]:
- результаты, полученные предлагаемыми методами, не противоречат выводам и решениям опытных экспертов, чьи знания использовались при решении аналогичных задач;
- предложенные методы позволяют в полной мере учитывать знания экспертов и предпочтения ЛПР и при этом получать научно обоснованный результат, что не всегда достижимо при использовании традиционных методов выбора управленческих решений;
- применение разработанных методов позволило систематизировать процедуру анализа и оценки ситуаций, складывающихся на объекте управления, и сократить время ПР.
С помощью предложенных методов МВ и ПР и их программной реализации поставлены и решены следующие задачи: распознавание сложившейся в данный момент на предприятии ситуации и выбор управленческого решения для обеспечения устойчивости его функционирования; задача МВ лучшего подразделения при проведении внутрицехового соревнова-ния; ПР о выборе лучшей стратегии развития предприятия; комплексный анализ предприятия; оценка привлекательности инвестиционных проектов; выбор поставщика товарно-материальных ценностей; комплектация заказа с учетом требований к характеристикам оборудования [11]. Сложность процедур выбора и ПР привела к необходимости упростить и ускорить этот процесс, уменьшить степень неопределенности. Здесь уже не обойтись без информационных технологий (ИТ) и СППР, позволяющих генери-
ровать и оценивать варианты решений в кратчайшие сроки. Человеку (ЛПР, руководителю) необходима помощь в переработке большого объема информации о состоянии управляемого объекта, осуществлении выбора наилучшего, с точки зрения руководителя, решения в сложившейся ситуации.
Современная методология управления основыва-ется на ПР в среде новых ИТ, использующих принципы интерактивного взаимодействия человека и компьютера, коллектива экспертов и ЛПР при поддержке ЭВМ, распределенной обработки информации в компьютерных сетях. Поэтому с развитием ИТ все большее внимание уделяется созданию и использованию при управлении организационными системами и объектами интеллектуальных СППР [1, 2]. Интеллектуальная СППР (ИСППР) должна обеспечить достижение следующих целей: повысить гибкость и интеллектуальность системы управления, т.е. способность развиваться и отрабатывать воздействие внешних факторов не хуже опытного специалиста-оператора; повысить надежность принимаемых решений; повысить быстродействие системы управления, т.е. уменьшение цикла управления (цикла ПР). Разумно организованная ИСППР должна помочь ЛПР преодолеть, в первую очередь, следующие трудности: сопоставления разнородных качеств; выявления существенных критериев сравнения альтернатив; организации работы экспертов; получения полного списка альтернатив.
Рассмотренные выше модели и методы ПР можно использовать в качестве базовых для создания интеллектуальных информационных систем (ИИС) и ИСППР, которые способны работать в условиях неполноты и нечеткости исходной информации и вырабатывать суждения, выдавая их в качестве советов, т.е. демонстрировать интеллектуальные черты. Такие системы применяются для поддержки действий ЛПР в ситуациях выбора альтернатив, когда собственных знаний, опыта и интуиции ЛПР недостаточно для самостоятельного решения возникающих проблем.
Развитие теории и практики ИИС и ИСППР, используемых в системах управления предприятиями и организациями, - это построение распределенных ИИС (РИИС), учитывающих распределенный характер задач управления, необходимость координации поведения удаленных производственных единиц, важность проблемы сохранения и пополнения корпоративных знаний. Перспективно построение и исследование РИИС для коллективных сетевых методов выработки решений, основанных на использовании метода генетического консилиума (ГК), а также методов получения комплексного решения в результате согласования частных решений, сгенерированных коллективом людей и специализированных экспертных систем [15].
Метод ГК - это идеальный интерфейс включения человека в качестве естественного интеллектуального агента в корпоративную информационную систему (КИС). При включении в КИС через этот интерфейс ведущих менеджеров образуется коллективный разум фирмы - коллективный управляющий. Возможность работы каждого менеджера одновременно над одной или несколькими проблемами при условии оценки
вклада каждого в конечный результат, что предусмотрено в методе ГК, позволяет строить гетерархические структуры управления и в конечном счете -повысить эффективность управления в ОС.
Перспективный вариант РИИС, имеющий семан-тико-ориентированную схему построения и организации взаимодействия с ЛПР, - гибридная гипертекстовая система (ГС). Здесь базисной задачей является проблема поиска сведений, а решение вспомогательных задач производится на основе использования соответствующих пакетов прикладных программ, обрабатывающих выделенную из базы знаний (БЗ) информацию.
Одним из способов представления информации в БЗ такой ГС может служить нечеткая семантическая сеть или нечёткий семантический гиперграф. Метод поиска релевантной информации (документа или описания ситуации) в БЗ такой ГС основан на использовании гибкого отбора из хранящихся в БЗ материалов. В основе поиска - аналог нечеткого классификационного логического вывода, который сводится к определению силы связи (сходства) между хранящимся в БЗ объектом (документом, описанием ситуации) и объектом - запросом (искомым документом, описанием текущей ситуации) [2].
Широкое распространение РИИС обусловлено тем, что с их помощью многие сложные оптимизационные задачи и важные управленческие проблемы можно решать более эффективно. Многие предметные области, в которых используются РИИС или ИСППР, распределены по своей природе; некоторые распределены функционально, другие как функционально, так и пространственно. Пространственно и функционально распределенные ИИС облегчают обмен информацией и принятие согласованных решений группами специалистов, совместно управляющих сложным социотехническим объектом или работающих над решением одной задачи.
Идеология РИИС наиболее подходит для организации человеко-машинной процедуры отыскания коллективных решений сложных как однокритериальных, так и многокритериальных задач. За рубежом уже разработаны подобные системы для принятия коллективных решений по финансовым проблемам (оценка положения компании, прогноз сбыта товаров и т.д.). Известны распределенные системы поддержки групповых решений (GDSS - Group Decision Support Systems) и системы поддержки коллективной работы (GSCW - Computer based Systems for Cooperative Work). Создаются системы, объединяющие возможности обоих типов систем, названные «системами электронных коммуникаций» (EMS - Electronic Meeting Systems) [1].
Важные преимущества распределенных систем принятия коллективных решений (ПКР) следующие:
- исключается влияние авторитета одного или нескольких ЛПР на других ЛПР;
- равная возможность всем ЛПР ознакомиться с предложениями других и предоставить свой вариант решения проблемы;
- исключается поспешное применение правила большинства, не позволяющее учесть мнения остальных ЛПР.
Существующие распределенныя ИИС и ИСППР достаточно уникальны по своему программно-аппаратно-информационному оснащению. Однако можно выделить средства математического обеспечения и ИТ, которыми они оснащаются. Особенность этих технологий в использовании математических моделей и методов, которые позволяют решать сложные одно- и многокритериальные задачи, связанные с ПР в критических ситуациях, в условиях неполноты, нечеткости и противоречивости имеющихся данных. Применяются следующие методы, входящие в подсистему математического обеспечения РИИС: прогнозирования, ситуационного планирования, многокритериального выбора, работы с неточными, неполными, противоречивыми и искажёнными данными, оптимизации и оценки рисков. Комплексное использование перечисленных методов и инструментальных пакетов позволяет строить экспресс-модели различных ситуаций и выбирать оптимальные варианты управления в ОС.
Рассмотренные модели и методы представления и обработки данных и знаний, индивидуальные и коллективные модели выработки, оценки, согласования и ПР составляют математическую основу интеллектуализации средств и систем информационно-аналитической поддержки управленческой деятельности. Формализация на основе перечисленных моделей опыта специалистов по ПР позволяет учитывать и накапливать знания, мнения и предпочтения не только одного отдельного лица, но и группы лиц, что и способствует повышению качества управления организационными системами.
ЛИТЕРАТУРА
1. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.:СИНТЕГ, 1998.
2. Берштейн Л.С., Карелин В.П., Целых А.Н. Модели и методы принятия решений в интегрированных интеллектуальных системах. Ростов/Д: Изд-во РГУ, 1999.
3. Ларичев О.И. Теория и методы принятия решений: Учебник для студентов вузов. 2-е изд., перераб. и доп. М.: Логос, 2002.
4. Ларичев О.И. Вербальный анализ решений / Отв. ред. А.Б. Петровский. М.: Наука, 2006.
5. Саймон Г.А. Теория принятия решений в экономической теории и науке о поведении // Вехи экономической мысли. Т.1 / Под ред. В.М. Гальперина. СПб.: Экономическая школа, 1999.
6. Клейнер Г.Б. К методологии моделирования принятия решений экономическими агентами //Экономика и математические методы. 2003. Т. 39. №2.
7. Барский В.Г. У порога нового мышления / Матер. V Всероссийского научного семинара : Самоорганизация устойчивых целостностей в природе и обществе. Томск, 2001.
8. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.
9. Петровский А.Б. Упорядочивание и классификация объектов с противоречивыми признаками // Новости искусственного интеллекта. 2003. № 4.
10. Ахрамейко А.А., Железко БА., Ксеневич Д.В., Ксе-невич С.В. Обобщение метода анализа иерархий Саати для использования нечетко-интервальных экспертных данных // http://sedok.narod.ru/s_files/ belorussia 2002 htm.
11. Кузьменко О.Л. Многокритериальный выбор и принятие решений на основе экспертных знаний и нечеткого распознавания ситуаций: Дис. ... канд. техн. наук, Таганрог: Изд-во ТТИ ЮФУ, 2008.
12. Карелин В.П., Кузьменко О.Л. Средства и методы поддержки принятия управленческих решений в условиях нечеткости, неопределенности и много-критериальности // Вестник ТИУиЭ. 2007. №1(5).
13. Herrera F., Martinez L. A Fusion Method for MultiGranularity Linguistic Information based on the 2tuple Fuzzy Linguistic Representation Model // Technical Report. March, 1999. #DECSAI-99107.
14. Карелин В.П., Кузьменко О.Л. Оптимизация процедур построения и использования нечетких классификационных моделей принятия управленческих решений // Вестник ТИУиЭ. 2008. №2(8).
15. Карелин В.П., Протасов В.И. Применение метода генетического консилиума для решения многокритериальных задач дискретной оптимизации в системах управления и принятия решений // Вестник ТИУиЭ. 2005. №2.
