Российская академия наук институт проблем управления им. В. А. Трапезникова
 Скачать 1.88 Mb.
|
|
Литература 1. ГОРЕЛОВА Г.В., ЗАХАРОВА Е.Н. Структурный анализ когнитивных моделей сложных систем. Когнитивный ана- лиз и управление развитием ситуаций (CASC'2006). Труды конференции / М.: ИПУ РАН. – 2006. 2. ЗАДЕ Л. Понятие лингвистической переменной и ее приме- нение к принятию приближенных решений. - М.: Мир, 1976. 3. КОНОНОВ Д.А., КОСЯЧЕНКО С.А., КУЛЬБА В.В. Сценар- ный анализ динамики поведения СЭС. – М.: МГУ, 1999. 4. КОРНОУШЕНКО Е.К., МАКСИМОВ В.И. Управление процессами в слабоформализованных средах при стабилиза- ции графовых моделей среды. Труды ИПУ, вып.2, 1998. 5. КУЛИНИЧ А.А. Моделирование динамических процессов в понятийной системе субъекта для генерации креативных решений. Когнитивные исследования: Сборник научных трудов: Вып. 1 / Под редакцией В.Д. Соловьева. – 2006. 6. КУЛИНИЧ А.А., ТИТОВА Н.В. Интегрированная модель поддержки принятия решений в условиях неопределенности. Труды Института проблем управления. Том 26. М.: ИПУ им. В.А. Трапезникова. 2005. стр. 19-38. 7. КУЛИНИЧ А.А. Объяснения в системах моделирования когнитивных карт. Интегрированные модели и мягкие вы- числения в искусственном интеллекте. Сб. трудов IV-й Ме- ждународной конференции (Коломна, 28-30 мая 2007 г.) т.2., М., Физматлит, 2007 – 483-490. 8. МАКСИМОВ В.И., КОРНОУШЕНКО Е.К. Аналитические основы применения когнитивного подхода при решении сла- боструктурированных задач. Труды ИПУ, вып.2, 1998. 56 9. РОБЕРТС Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологиче- ским задачам. Наука, 1986. 10. СИЛОВ В.Б. Принятие стратегических решений в нечет- кой обстановке. - М.: ИНПРО-РЕС, 1995. – 228 с. 11. AXELROD R. The Structure of Decision: Cognitive Maps of Political Elites. - Princeton. University Press, 1976. 12. KOSKO B. Fuzzy Cognitive Maps. // International Journal of Man-Machine Studies, (1986) 24, 65-75. 13. MAMDANI E. H. Applications of fuzzy set theory to control system: A survey fuzzy automata and decision processes / M.M. Gupta, G.H. Saridis and B.R. Gaines, eds. - New York: North - Holland, 1977. - P. 1 - 13. 14. MARKOVSKII A.V. On the relation between equations with max-product composition and covering problem // Fuzzy Sets and Systems.2005, V.153, p. 261-273. 15. PAPPIS C.P., SUGENO M. Fuzzy relational equations and the Inverse Problem// Fuzzy Sets and Systems. - 1985. - № 15. - р. 79- 90. 16. PEARL J. Fusion, propagation, and structuring in belief net- works. Artificial Intelligence 29(3):241–288, 1986. 17. SAWARAGI T., IWAI S., KATAI O. An integration of qualita- tive causal knowledge for user–oriented decision support. Con- trol theory and advanced technology. Vol. 2, No. 3, September 1986. SHORTLIFE E.H. Computer-Based Medical Consulta- tions: MYCIN. Elsevier, New York, 1976. 19. TAKAGI T., SUGENO M. Fuzzy identification of systems and its application to modeling and control // IEEE Trans. on Sys- tems, Man and Cybernetics.1985.–15. P. 116 - 132. 57 ЭКСПЕРТНО-СТАТИСТИЧЕСКИЕ МОДЕЛИ И МЕТОД АНАЛОГОВ КАК СРЕДСТВО МОДЕЛИРОВАНИЯ ДЕЙСТВИЙ ЧЕЛОВЕКА В СИСТЕМЕ УПРАВЛЕНИЯ ∗ Мандель А.С., Беляков А.Г, Лапин А.В. (Институт проблем управления РАН, Москва) manfoon@ipu.ru, iccpripu@ipu.ru Ключевые слова: экспертно-статистическая обработка информа- ции, метод аналогов, интегрированное управление, коэффици- енты доверия. Введение В 2002 г. для решения задач прогнозирования коротких временных рядов было предложено использовать аппарат экс- пертно-статистической обработки информации на основе так называемого метода аналогов [1]. Суть этого метода заключает- ся в том, что при недостаточности или недостоверности данных об объекте прогнозирования (ОП) возникает необходимость привлечения в дополнение к статистическим данным экспертной информации о рассматриваемом ОП. В качестве источника соответствующей экспертной информации обычно выступают опытные специалисты, которые в процессе прогнозирования совершают попытку установления аналогий между ОП и пове- дением других процессов или явлений, которые наблюдались в прошлом. Метод аналогов является одним из новых инструмен- тов экспертно-статистических средств обработки информации. В 2005-2006 г. разработанные на основе метода аналогов экспертно-статистические средства прогнозирования были введены в состав различных интегрированных систем управле- ∗ Работа выполнена при финансовой поддержке РФФИ, проект № 06-08-00415-а 58 ния производством [2], подключая к работе соответствующих систем управления человека и становясь тем самым средством моделирования и описания действий управленцев в процессе синтеза системой при их участии управляющих решений. В настоящей работе исследуются возможности метода ана- логов как формального средства описания действий человека в процессе его взаимодействия с системой управления предпри- ятием. 1. Метод аналогов Метод аналогов основан на предположении о том, что в ря- де предметных областей эксперты пытаются строить прогнозы, используя собственные представления о тех объектах или про- цессах, предыстория которых им, экспертам, полностью извест- на. Предполагается также, что число таких объектов или процес- сов достаточно велико и что пространство признаков тех объектов, информация о которых составляет основное содержа- ние опыта экспертов, поддается чёткой или – что встречается достаточно часто – размытой классификации [3, 4]. Формально это означает, что для заданного функционала метрического типа (1) ∑ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = i A A A i i i p M p D χ , где χ – выпуклая функция, i A – классы точек, i A p – априорные вероятности классов i A , а i A M – первые ненормированные моменты классов i A , можно построить рекуррентные алгоритмы отыскания его экстремума. При этом принадлежность к классу (если он – чёткий), устанавливается характеристической функ- цией, принимающей на объекте, принадлежащем фиксирован- ному классу, значение 1 (в противном случае она равна 0), а если класс – нечёткий (размытый), то – функцией принадлежности ∑ = ≤ ≤ i 2 1 )) ( ( причем 1, ) ( 0 : ) ( x h x h x h i i i Фактически это означает, что опыт эксперта может быть определённым образом структурирован, однако явной необхо- 59 димости в выполнении подобной классификации в пространстве признаков объектов, вообще говоря, нет, поскольку эксперт самостоятельно распоряжается имеющимся у него опытом, а схема автоматической классификации – это просто формальная модель структуры рассматриваемого пространства. 2. Автоматический поиск объектов-аналогов Для реализации процедур поиска объектов-аналогов введе- на метрика r s . Метрика r s формируется по следующим правилам: a) Задается значение W, обознающее число точек, которые принимаются во внимание при поиске объектов-аналогов. b) Пусть теперь через W 1 обозначено число уже известных (наблюденных) значений временного ряда. c) Для вычисления расстояния между объектами используется следующая формула: (2) ( ) ( ) , 1 1 2 1 1 2 1 1 2 1 1 2 ∑ + = ∑ + = − + ∑ = ∑ = − = W W i li x W W i mi x li x W i li x W i mi x li x s lm r δ γ где x li и x mi – i-е значение l-го и m-го временных рядов, характе- ризующих i-й и l-й объекты соответственно; а γ и δ – коэффици- енты, определяющие соответственно вклад известных статисти- ческих данных и прогнозируемых данных в расстояние между объектами. В том случае, когда задачей является вычисление расстоя- ния между ОП и произвольным объектом m из базы данных системы, формула (2) преобразуется к следующему виду: (3) ( ) ( ) ∑ + = ∑ + = − + ∑ = ∑ = − = W W i Пi x W W i mi x Пi x W i Пi x W i mi x Пi x s Пm r 1 1 2 1 1 2 1 1 2 1 1 2 δ γ В рамках предлагаемой методологии при участии в работе нескольких экспертов необходим арбитр, роль которого играет 60 так называемый главный эксперт, который имеет возможность осуществить сопоставление разных прогнозов или вариантов управляющих решений, сформированных для данного объекта рядовыми экспертами. Он также может ввести и скорректиро- вать значения коэффициентов доверия к отдельным экспертам, чтобы сблизить окончательно выбранный вариант решения с решениями тех или иных “низовых” экспертов. Понятие коэф- фициент доверия обозначает числовую характеристику субъек- тивной меры уверенности главного эксперта в том, что соответ- ствующий “рядовой” эксперт способен формировать адекватные прогнозы или решения. Коэффициент доверия становится весо- вым коэффициентом, который используется системой при вы- числении окончательного прогноза (решения) на базе прогнозов (решений), сформированных отдельными “рядовыми” экспертами. Литература 1. БАУМАН Е.В. Методы размытой классификации (вариа- ционный подход) // АиТ. 1998. № 12. 2. БАУМАН Е.В., ДОРОФЕЮК А.А. Классификационный анализ данных // Избр. тр. Междунар. конф. по проблемам управления. Т. 1. М.: СИНТЕГ, 1999. 3. БЕЛЯКОВ А.Г., МАНДЕЛЬ А.С. Прогнозирование временных рядов на основе метода аналогов . М.: ИПУ РАН, 2002. – 60 с. 4. МАНДЕЛЬ А.С. Экспертно-статистические методы обра- ботки информации в интегрированных системах управления производством и технологическими процессами // Проблемы управления. 2006, №6. 61 ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ПОВЕДЕНИЯ ЧЕЛОВЕКА В СИСТЕМЕ УПРАВЛЕНИЯ И СИСТЕМЫ ОБУЧЕНИЯ (ТРЕНАЖЕРЫ) С ИСПОЛЬЗОВАНИЕМ МЕТОДА АНАЛОГОВ ∗ Мандель А.С., Барладян И.И, Токмакова А.Б. (Институт проблем управления РАН, Москва) manfoon@ipu.ru, iccpripu@ipu.ru Ключевые слова: экспертно-статистическая обработка ин- формации, метод аналогов, имитационное моделирование, системы обучения. Введение Современные системы управления промышленным произ- водством включают в свой состав не только устройства управле- ния и системы съема с управляемых объектов информации об их функционировании, но и немалое число “окон”, пользуясь кото- рыми специалист-управленец может влиять на принимаемые в интегрированной автоматизированной системе решения [1]. Идеология создания этих окон и содержание диалога между управленцем (от низового уровня оператора технологического процесса до стратегического планирования на уровне высшего руководства предприятием) изучается в теории экспертно- статистических систем [2]. В настоящей работе исследуется возможность использования метода аналогов для решения про- блемы имитационного моделирования особенностей поведения человека в системе управления и создания систем обучения тренажерного типа. При этом все специалисты, которые обла- дают полномочиями по взаимодействию с системой управления предприятием, могут рассматриваться как эксперты, что, разу- ∗ Работа выполнена при финансовой поддержке РФФИ, проект № 06-08-00415-а 62 меется, должно подкрепляться практикой их деятельности и соответствующими акциями, направленными на повышение их квалификации. 1. Имитационное моделирование 1.1. Профессиональные и психологические характеристики экспертов Очевидно, что результаты управления зависят от профес- сионализма экспертов. При этом экспертно-статистическая система управления может рекомендовать эксперту внести те или иные коррективы в выбираемые им решения, изменить списки аналогов или выполнить какие-то иные операции. На основе наблюдений за работой экспертов можно утверждать, что уровень профессионализма эксперта при использовании метода аналогов проявляется в двух основных операциях: при работе со списком аналогов и при ручной корректировке значений сфор- мированного на основе аналогов прогноза. При работе со спи- ском аналогов – в процессе добавления или удаления объектов из списка – профессионализм эксперта определяется тем, на- сколько точно он выбирает группу, к которой, по его мнению, относится объект. Непрофессиональный эксперт может сильно ошибаться при отнесении объекта к той или иной группе или – в крайнем, но вполне вероятном случае – вообще не разбираться в объектах данной предметной области. При ручной корректировке прогноза профессионализм экс- перта определяется тем, насколько точно он “угадывает”, про- гнозирует поведение объекта. Возможны ситуации, когда для конкретного объекта в БД системы отсутствуют близкие к нему, рассматриваемому объекту, объекты-аналоги. Однако даже, когда такие аналоги имеются, эксперт, тем не менее, все-таки может пожелать подкорректировать сформированный на их основе прогноз. В этом случае эксперт проводит ручную коррек- тировку значений прогнозного ряда, и чем профессиональнее поведение эксперта, тем ближе скорректированные им значения оказывается к будущим фактическим значениям ряда. 63 Помимо уровня профессионализма эксперт, как и все люди, может относиться к определенному психологическому типу, являться пессимистом или оптимистом и обладать рядом других особенностей. В результате сформированные экспертом прогно- зы могут содержать систематические ошибки (завышения или занижения). Скажем, профессиональный эксперт-“оптимист”, несмотря на способность к точной классификации объектов (то есть, относя его к правильной группе), может с помощью руч- ных корректировок постоянно завышать значения прогноза прибыли в силу одного лишь своего природного оптимизма. Необходимо отметить, что причинами систематического завы- шения или занижения прогнозов могут быть не только психоло- гические особенности эксперта, но и различные внешние об- стоятельства. Например, если в задаче удовлетворения спроса и управления снабжением предприятия критерий удовлетворения спроса является для эксперта более значимым, чем критерий минимизации лишних запасов, то, очевидно, что прогнозы данного эксперта, скорее всего, окажутся завышенными. 1.2. Классификация экспертов и параметры Для дальнейшего описания процедуры моделирования вве- дем параметры, характеризующие эксперта (действия которого имитируются системой). a) Уровень профессионализма первого рода. Этот параметр характеризует, насколько точно моделируемый в системе экс- перт осуществляет выбор аналогов, иначе говоря, данный пара- метр определяет среднюю меру близости выбираемых экспертом аналогов к управляемому объекту. b) Уровень профессионализма второго рода. Параметр опреде- ляет, насколько точно эксперт умеет “угадывать” будущие значения прогнозируемых для рассматриваемого объекта вре- менных рядов. Точное значение соответствующего параметра также задается в настройках системы и может корректироваться пользователем в каждом сеансе моделирования. 64 c) Параметр “жизненной позиции”. Вводится дополнительный “параметр”, принимающий одно из следующих значений: “оп- тимист”, “пессимист”, “нейтральный тип”. Данный параметр определяет склонность эксперта, действия которого моделируются системой, к завышению или занижению прогнозов и применяется при корректировке значений прогно- зов, сформированных системой на основе аналогов. 2. Системы обучения В процессе создания экспертно-статистической системы управления производственным процессов в соответствии с технологией экспертно-статистической обработки информации и методом аналогов [1, 3] выбираются “окна” для взаимодейст- вия экспертов с системой управления и синтезируются процеду- ра диалога между экспертами и системой управления. Совокуп- ность таких окон и соответствующих им процедур диалога образуют совокупность сценариев. Именно эти сценарии при наполнении их содержательной информацией в исполнении высококвалифицированных экспертов можно использовать как оболочку систем обучения тренажерного типа, которые будут использоваться в дальнейшем при профессиональной подготовке и переподготовке специалистов-управленцев. Примером подоб- ных систем может служить новые применение системы АДАЗАП [4] для обучения процессу управления материально- техническим снабжением производственных процессов. Литература 1. БЕЛЯКОВ А.Г., МАНДЕЛЬ А.С. Прогнозирование времен- ных рядов на основе метода аналогов. М.: ИПУ РАН, 2002. –60 с. 2. МАНДЕЛЬ А.С. Экспертно-статистические методы обра- ботки информации в интегрированных системах управления производством и технологическими процессами // Проблемы управления. 2006, №6. 65 3. МАНДЕЛЬ А.С. Экспертно-статистические системы в задачах управления и обработки информации: часть I // Приборы и системы управления, 1996, №12. 4. LOTOTSKY V.A., MANDEL' A.S. Adaptive System ADAZAP and its Application to Formation of Claims in Inventory Control // В кн.: “Abstracts of IFAC Workshop on Estimation of Adaptive Control Strategies in Industrial Applications”. Tbilisi 1989 - Moscow 1989: 1989. 66 |