Оценка последствий в компьютерных системах принятия решений

Дается анализ методов и подходов решения задач многокритериального выбора в условиях неопределенности. Приводится описание широко известного метода анализа иерархий Т. Л. Саатч. Обсуждается разработанное программное обеспечение системы компьютерной поддержки, реализующей динамический анализ задач принятия решений на основе данного метода.

Введение

Задачи принятия решении (ЗПР) встречаются во всех без исключения областях знаний и отличаются большим разнообразием. ЗПР имеет место тогда, когда необходимо совершить выбор лучшего в определенном смысле варианта среди заданного множества альтернатив. Любой выбор связан с процессом обработки информации об альтернативах, о критериях качества, о возможных исходах, о системах предпочтений и способах отображения множества допустимых альтернатив в множество критериальных оценок возможных исходов [I]. В зависимости от вида такого отображения ЗПР подразделяют на следующие категории:

• задачи в условиях определенности, которые характеризуются полной и точной (как правило, количественной) исходной информацией и детерминированным отображением множества альтернатив в множество критериальных оценок, т. е. имеется адекватное математическое описание проблемы. Для решения таких задач обычно применяются методы математического программирования;

• задачи в условиях риска, когда возможные исходы можно описать с помощью некоторого вероятностного распределения, для построения которого необходимо иметь статистические данные или экспертные оценки. Обычно для решения задач этого типа применяются методы теории полезности;

• задачи в условиях неопределенности, когда исходная информация является неполной, неточной, неколичественной, а вид формального отображения является либо слишком сложным, либо не известен. В таких случаях для решения ЗПР привлекаются знания экспертов. Для представления и обработки этих знаний используются различные методы прикладной теории принятия решений и методы искусственного интеллекта.

Математические методы теории принятия решений основаны на представлении знаний в виде некоторых количественных данных, являющихся оценками предпочтений экспертов. Методы различаются способами представления и обработки предпочтений и часто приводят к разным результатам. В связи с этим возникает проблема выбора стратегии и метода решения конкретной задачи. Критерии для выбора метода в каждом случае будут зависеть от количества и качества доступной информации, от принятой постановки задачи и от ее окружения. Под окружением задачи будем понимать совокупность факторов внешней по отношению к объекту исследования среды (объект исследования определен на этапе постановки задачи), которые влияют на поведение этого объекта. Степень влияния может быть различной, например: есть задачи, достаточно безразличные к изменению параметров окружения и наоборот; сами изменения могут иметь различный характер (плавные, резкие, качественные и т. д.). Поэтому подход к ЗПР с позиций прикладной математики включает достаточно трудные задачи выбора метода и обоснования полученных результатов.

Подход к принятию решений с позиций искусственного интеллекта существенно отличается от предыдущего. Экспертные системы также осуществляют поддержку процессов принятия решений, но стратегия решения этих задач — совершенно другая [2]. Если системы принятия решений (СПР) рассчитаны в основном на пользователя-эксперта, то экспертные системы — на пользователя-неэксперта, так как знания экспертов в них уже заложены. Система, заполненная знаниями, является менее гибкой по сравнению с СПР, так как состав базы знаний и принятый механизм ло- гического вывода накладывают определенные ограничения на круг решаемых задач. Кроме того, разработка экспертных систем с учетом неполноты и нечеткости знаний, в которых реализованы механизмы самообучения (последнее необходимо для того, чтобы система оставалась работоспособной в условиях изменяющегося окружения), требует очень высоких затрат высоко интеллектуального труда и времени, что мало приемлемо для быстро развивающихся областей знаний.

Предметом дальнейшего рассмотрения будут системы компьютерной поддержки динамических процессов принятия решений в условиях неопределенности. К динамическим ЗПР относятся задачи с неустойчивой во времени исходной информацией, т. е. с течением времени изменяются состав и свойства альтернатив, набор критериев выбора, их относительная важность, а также предпочтительность альтернатив, критериев и исходов. Примерами динамических ЗПР являются:

• задачи о покупке-продаже акций на фондовой бирже;

• задачи оперативного управления, возникающие на производстве;

• задачи распределения дивидендов и т. п.

В динамических ЗПР все категории входной информации подвержены изменениям, при этом характер изменения экспертных предпочтений отражает тенденции изменений, происходящих в окружении задачи. Эти тенденции можно оценить на основании накапливаемой статистики, поэтому динамические ЗПР в условиях неопределенности требуют привлечения, накопления и многовариантной обработки больших объемов экспертной информации. Такая информация может использоваться для прогнозирования изменений предпочтительности рассматриваемых вариантов, для оценки возможных последствий принимаемых решений и получения новых знаний в исследуемой области.

К статическим ЗПР относятся задачи, в которых исходная информация практически не изменяется с течением времени или изменения имеют ступенчатый характер. В последнем случае изме-яения происходят через довольно длительные ин-гервалы времени. Подобные задачи требуют по-зторного решения достаточно редко. Размещение л строительство крупных промышленных и военных объектов, выбор проектов долгосрочных программ, подбор кандидатур на должности и другие тодобные задачи можно отнести к статическим ШР. В процессе решения статических ЗПР, как 1равило, не представляется возможным накопить ;татистику, при этом важность прогноза измене-1ия предпочтений возрастает по сравнению с динамическими задачами, поскольку принимаемые решения рассчитаны на более длительные сроки. Таким образом, статическую задачу имеет смысл представить как динамическую, которая решается на отрезке времени [t0, tk}, где t0 — текущий момент времени, tk = t0 + t; t — длительность срока прогнозирования.