3. Ранжирование альтернатив

После того, как в системе сформирована функция предпочтений пользователя, задачи оптимизации и ранжирования можно решать в автоматическом режиме, используя формальные математические методы. Т.е. система сама, уже без участия пользователя, будет находить наиболее предпочтительные решения, или выстраивать возможные решения в порядке их предпочтительности. Если возможные решения перечислимы, то обе эти задачи по существу совпадают. Необходимо еще раз напомнить, что речь идет о предпочтениях конкретного пользователя. Если пользователь сменится, то он построит свою функцию предпочтений, и система будет ему рекомендовать решения в соответствии с этой новой функцией, и они, естественно, могут не совпадать с предыдущими.

Приведем в качестве примера две задачи, решаемые с использованием системы DSS-UTES.

1. В некотором муниципальном образовании желательно построить следующие объекты: - оборудованный рынок; - спортивный комплекс; - школу; - многоместный гараж; - АЗС; - мусоросжигательный завод. Необходимо, с учетом реальных возможностей, выбрать объект для первоочередного строительства и упорядочить остальные по важности.

1.1. Пользователь выбирает показатели, по которым он хочет оценивать результаты реализации проектов:

"стоимость строительства" (измеряется в тыс. рублей с шагом 500)

"ожидаемый годовой доход" (измеряется в тыс. рублей с шагом 500)

"влияние на экологию" (отрицательное; не влияет; положительное)

"отношение населения" (против; безразличие; поддержка)

"срок строительства" (измеряется в годах с шагом 0,5)

Таким образом, пользователь определил критериальное пространство.

1.2. Теперь пользователь должен построить свою функцию предпочтений. Это наиболее принципиальный и трудоемкий этап. Т.к. размерность критериального пространства невелика: R=6 (число показателей), то он может применить основную процедуру с использованием средств доопределения ФП. В результате выполнения этого этапа в базе знаний системы будет сформирован массив, отображающий предпочтения пользователя на всем критериальном пространстве.

1.3. Параллельно с этапом 1.2. для каждого проекта надо вычислить значения показателей, определенных в 1.1 , и ввести полученные данные в базу знаний. Этот этап выполняется уже не пользователем, а соответствующими специалистами.

1.4. На основе полученной информации система в автоматическом режиме выводит на экран перечень объектов, упорядоченный по предпочтениям пользователя.

1.5. Пользователь рассматривает рекомендации системы и принимает окончательное решение.

2.Некоторая организация объявляет открытый конкурс научных проектов (грантов) с целью финансирования лучших. Заявок ожидается очень много. Необходимо проранжировать их с позиций спонсирующей организации.

2.1. Пользователь выбирает показатели, по которым он хочет оценивать качество проектов (в данном примере они взяты из реальной задачи, решавшейся с помощью DSS-UTES):

• "актуальность" (не актуальный; актуальный)

• "научная значимость" (незначительная; существенная; высокая)

• "новизна решений" (отсутствует; имеет место; высокая)

• "практическая полезность" (невысокая; достаточная; высокая)

• "выгода от реализации" (незначительная; существенная; высокая)

• "потенциал исполнителя" (невысокий; достаточный; высокий)

• "обоснованность сроков" (слабая; достаточная)

• "обоснованность финансирования" (недостаточная; достаточная)

• "оценка соисполнителей" (соисполнителей нет; соисполнители невысокой квалификации; соисполнители достаточной квалификации; соисполнители высокой квалификации)9

• "оценка риска" (нет; незначительный; значительный; высокий)10

Уровни введенных показателей в каждом проекте будут оцениваться экспертами на основании заявок конкурсантов, и в ряде случаев содержание заявок может оказаться недостаточным. Поэтому для всех показателей вводится еще одна градация: не установлено. Это весьма существенно повышает число комбинаций значений показателей. В содержательном отношении градация "не установлено" низко оценивает качество заявки и опосредованно качество проекта.

Т.к. размерность сформированного критериального пространства достаточно высока (R = 10), то непосредственное применение основной процедуры формирования функции предпочтений невозможно. В этом случае следует прибегнуть к агрегированию показателей. Оно производится на основе их содержательного анализа, и выполняется либо самим пользователем, либо под его непосредственным контролем. В данном примере можно использовать четыре обобщенных показателя:

• "научная ценность" (актуальность, научная значимость; новизна решений)

• "практическая ценность" (практическая полезность; выгода от реализации)

• "надежность" (потенциал исполнителя; обоснованность сроков; обоснованность финансирования; оценка соисполнителей)

• "оценка риска".

Первые три обобщенных показателя свертываются с помощью основной процедуры построения ФП, и после свертки измеряются в шкале предпочтений. Четвертый (не свертываемый) сохраняет первоначальную шкалу. Полученное новое критериальное пространство (обобщенное) имеет уже небольшую размерность (R = 4), и в нем результирующая функция предпочтений пользователя может быть легко построена с помощью основной процедуры с использованием средств доопределения ФП.

2.3. Параллельно с этапом 2.2. в каждой заявке на проект надо вычислить значения десяти показателей, определенных в 2.1, и ввести полученные данные в базу знаний. Этот этап выполняется уже не пользователем, а соответствующими специалистами. В условиях данного примера это делается следующим образом. Все заявки раздаются на отзыв экспертам, и при этом сообщаются показатели и измеряющие их шкалы. Эксперт может давать свой отзыв в любой форме, но он обязан указать в нем оценки всех показателей по соответствующим шкалам. Дополнительная информация, содержащаяся в отзывах, может учитываться пользователем при принятии окончательного решения.

2.4. На основе полученной информации система в автоматическом режиме выводит на экран перечень проектов, упорядоченный по предпочтениям пользователя.

2.5. Пользователь рассматривает рекомендации системы и принимает окончательное решение.