Прин_реш_АС_лекция2

ЛЕКЦИЯ 2. ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ

АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ

2.1. Формализация процессов принятия решений

Математическая поддержка процессов принятия решений является важным фактором автоматизированных систем, предназначенных для обслуживания пользователей.

Альтернатива принимаемых решений приводит к необходимости использования разнообразных математических моделей. В зависимости от степени информированности о состоянии управляемого процесса, полноты и точности моделей объекта и системы управления, взаимодействия с окружающей средой процесс принятия решения протекает в различных условиях.

1.Принятие решений в условиях определенности. В этой задаче модели объекта и системы управления считаются заданными, а влияние внешней среды – несущественным. Поэтому между выбранной стратегией использования ресурсов и конечным результатом существует однозначная связь, откуда следует, что в условиях определенности достаточно использовать решающее правило для оценки полезности вариантов решений, принимая в качестве оптимального то, которое приводит к наибольшему эффекту. Если таких стратегий несколько, все они считаются эквивалентными. Для поиска решений в условиях определенности используют методы математического программирования.

2.Принятие решений в условиях риска. В отличие от предыдущего случая для принятия решений в условиях риска необходимо учитывать влияние внешней среды, которое не поддается точному прогнозу. Известно только вероятностное распределение состояний внешней среды. В этих условиях использование одной и той же стратегии может привести к различным исходам, вероятности появления которых считаются заданными или могут быть определены. Оценку и выбор стратегий проводят с помощью решающего правила, учитывающего вероятность достижения конечного результата.

3.Принятие решений в условиях неопределенности. Как и в предыдущей задаче, между выбором стратегии и конечным результатом отсутствует однозначная связь. Кроме того, неизвестны также значения вероятностей появления конечных результатов, которые не могут быть определены. В этом случае наиболее распространенным является использование критерия получения максимального гарантированного выигрыша.

1

4. Принятие решений в условиях многокритериальности.

Многокритериальность возникает в случае наличия нескольких самостоятельных, не сводимых одна к другой целей. Наличие большого количества решений усложняет выбор оптимальной стратегии. Одним из возможных путей решения является использование методов моделирования.

При решение задач сокращается перебор вариантов при поиске решения, если при этом средствами вычислительной техники реализуются те же принципы, которыми пользуется в процессе мышления человек.

Для того, чтобы ограничить поиск решения задачи путем постепенного уменьшения количества вариантов, необходимо использовать формализованные знания, которые имеются в предметной области. При решении задач с помощью интеллектуальных технологий используются следующие методы:

логического вывода, основанный на технике доказательств, называемой методом резолюций и использующей опровержение отрицания (доказательство «от противного»);

структурной индукции, основанный на построении дерева принятия решений для различения объектов из большого количества данных на входе;

эвристических правил, основанный на перенимании опыта у экспертов-людей, а не на абстрактных правилах формальной логики;

машинной аналогии, основанный на представлении информации о сравниваемых объектах в удобном виде, например в виде структур данных, называемых фреймами.

Процесс выработки решения на основе первичных данных можно разбить на два этапа: выработка допустимых вариантов решений путем математической формализации с использованием разнообразных моделей и выбор оптимального решения на основе субъективных факторов (рис.2.1).

Информационные потребности лиц, принимающих решение, во многих случаях ориентированы на интегральные техникоэкономические показатели, которые могут быть получены в результате обработки первичных данных, отражающих текущую деятельность предприятия. Анализируя функциональные взаимосвязи между итоговыми и первичными данными, можно построить так называемую информационную схему, которая отражает процессы агрегирования информации.

2

Рис.2.1 Процесс принятия решения на основе информации о состоянии объекта управления

Первичные данные, как правило, разнообразны, интенсивность их поступления высока, а общий объем на интересующем интервале велик. С другой стороны, состав интегральных показателей относительно мал, а требуемый период их актуализации может быть значительно ниже периода изменения первичных данных – аргументов.

Для поддержки принятия решений необходимым является обобщающий анализа, прогнозирование и ситуационное моделирование.

В настоящее время принято выделять два типа информационных систем поддержки принятия решений.

1.Системы поддержки принятия решений DSS (Decision Support System), осуществляющие отбор и анализ данных, включают средства доступа к базам данных и моделирования правил и стратегии деловой деятельности.

2.Системы оперативной аналитической обработки OLAP (On Linе Analysis Processing) для принятия решений используют многопроцессорную вычислительную технику и специальные методы многомерного анализа.

3

При внедрении автоматизированного управления процесс должен быть описан математически. К математическим моделям предъявляются требования достаточной полноты и гибкости описания с возможностью воспроизведения различных ситуаций при варьировании параметров и структуры, а также простоты проверки и тестирования полученных результатов.

2.2. Принятие решений на основе технологий искусственного интеллекта

Впоследнее время особое внимание уделяется изучению процедур поддержки принятия решений в АСУ различных видов. Рассматривается процедура выработки решений с объяснениями (по запросу пользователя) последовательности выработки решений. Для этого привлекаются возможности экспертных систем, искусственных нейронных сетей и генетических алгоритмов.

Вусловиях резкого увеличения объемов информации переход к работе со знаниями на основе искусственного интеллекта становится одним из наиболее важных направлений автоматизированного управления.

По определению интеллектуальной системы: система называется интеллектуальной, если в ней реализованы следующие основные функции:

накапливать знания об окружающем систему мире, классифицировать и оценивать их с точки зрения прагматической полезности и непротиворечивости, инициировать процессы получения новых знаний, осуществлять соотнесение новых знаний с ранее хранимыми;

пополнять поступившие знания с помощью логического вывода, отражающего закономерности в окружающем систему мире или в накопленных ею ранее знаниях, получать обобщенные знания на основе более частных знаний и логически планировать свою деятельность;

общаться с человеком на языке, максимально приближенном

кестественному человеческому языку, и получать информацию от каналов, аналогичных тем, которые использует человек при восприятии окружающего мира, уметь формировать для себя или по просьбе человека (пользователя) объяснение собственной деятельности, оказывать пользователю помощь за счет тех знаний, которые хранятся в памяти, и тех логических средств рассуждений, которые присущи системе.

4

Перечисленные функции можно назвать функциями представления и обработки знаний, рассуждения и общения.

В зависимости от решаемых задач и области применения в конкретной системе эти функции могут быть реализованы в различной степени, что определяет индивидуальность архитектуры. На рис. 2.2 представлена структура интеллектуальной системы в виде взаимосвязанных функциональных блоков.

База знаний – представляет собой совокупность сред, хранящих знания различных типов. То есть, в состав базы знаний входят база данных, которая хранит конкретные данные, и база правил, которая хранит элементарные выражения, называемые в теории искусственного интеллекта продукциями. Кроме того, база процедур содержит прикладные программы, с помощью которых выполняются все необходимые преобразования и вычисления над данными. База закономерностей включает различные сведения, относящиеся к особенностям той среды, в которой действует система. База метазнаний (база знаний о себе) содержит описание самой системы и способов ее функционирования: сведения о том, как внутри системы представляются единицы информации различного типа, как взаимодействуют различные компоненты системы, как было получено решение задачи. База целей содержит целевые структуры, называемые сценариями, позволяющие организовать процессы движения от исходных фактов, правил, процедур к достижению той цели, которая поступила' в систему от пользователя либо была сформулирована самой системой в процессе ее деятельности в проблемной среде.

Управление всеми базами, входящими в базу знаний, и организацию их взаимодействия осуществляет система управления базами знаний. С ее же помощью реализуются связи баз знаний с внешней средой. Таким образом, машина базы знаний осуществляет первую функцию интеллектуальной системы.

Выполнение второй функции обеспечивает часть интеллектуальной системы, называемая решателем и состоящая из ряда блоков, управляемых системой управления решателя. Часть из блоков реализует логический вывод. Блок дедуктивного вывода осуществляет в решателе дедуктивные рассуждения, с помощью которых из закономерностей из базы знаний, фактов из базы фактов и правил из базы правил выводятся новые факты. Кроме этого данный блок реализует эвристические процедуры поиска решений задач, как поиск путей решения задачи по сценариям при заданной конечной цели.

5

Пользователь

Рис.2.2 Структура интеллектуальной системы

Для реализации рассуждений, которые не носят дедуктивный характер, т. е. поиск по аналогии, по прецеденту и пр., используется блок индуктивного вывода. Блок планирования применяется в задачах планирования решений совместно с блоком дедуктивного вывода. Назначение блока функциональных преобразований состоит в решении задач расчетно-логического и алгоритмического типов.

Третья функция – функция общения, реализуется с помощью компонентов естественно-языкового интерфейса.

В зависимости от набора компонентов, реализующих рассмотренные функции, можно выделить следующие основные разновидности интеллектуальных систем:

интеллектуальные информационно-поисковые системы;

экспертные системы (ЭС);

расчетно-логические системы.

Интеллектуальные информационно-поисковые системы являются системами взаимодействия с проблемно-ориентированными базами данных на естественном, точнее ограниченном как грамматически, так и лексически (профессиональной лексикой) естественном языке (языке

6

деловой прозы). Для них помимо базы знаний, реализующей семантическую модель представления знаний о проблемной области, характерно использование лингвистического процессора.

Экспертные системы являются одним из бурно развивающихся классов интеллектуальных систем. Данные системы в первую очередь стали применяться в математически слабо формализованных областях науки и техники, таких как медицина, геология, биология и др. Для ЭС характерна аккумуляция в системе знаний и правил рассуждений опытных специалистов в данной предметной области, а также наличие специальной системы объяснений.

Расчетно-логические системы позволяют решать управленческие и проектные задачи по их постановкам (описаниям) и исходным данным вне зависимости от сложности математических моделей этих задач. При этом конечному пользователю предоставляется возможность контролировать в режиме диалога все стадии вычислительного процесса. В общем случае по описанию проблемы на языке предметной области обеспечиваются автоматическое построение математической модели и автоматический синтез рабочих программ при формулировке функциональных задач из данной предметной области. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования.

Наиболее значительные успехи в настоящее время достигнуты в таком классе интеллектуальных систем, как экспертные системы. ЭС называют вычислительную систему использования знаний эксперта и процедур логического вывода для решения проблем, которые требуют проведения экспертизы и позволяют дать объяснение полученным результатам. ЭС обладают способностями к накоплению знаний, выдаче рекомендаций и объяснению полученных результатов, возможностями модификации правил, подсказки пропущенных экспертом условий, «ведение» целью или данными. ЭС отличают следующие характеристики: интеллектуальность; простота общения с компьютером; возможность наращивания модулей; интеграция неоднородных данных (способность разрешения многокритериальных задач при учете предпочтений лиц, принимающих решения); работа в реальном времени; унифицированная форма знаний; способность объяснения результатов.

В настоящее время можно выделить следующие основные сферы применения ЭС: диагностика, планирование, имитационное моделирование, предпроектное обследование предприятий, офисная деятельность.

7

Решаемые задачи с точки зрения разработчика экспертной системы можно разделить на статические и динамические. Принято, что ЭС решают динамическую или статическую задачу, если процесс решения задачи изменяет или не изменяет исходные данные о текущем состоянии предметной области. В подавляющем большинстве существующие ЭС исходят из предположения о статичности предметной области и решают статические задачи.

Решаемые задачи, кроме того, могут характеризоваться числом и сложностью правил, используемых в задаче; связностью правил; пространством поиска; классом решаемых задач.

Многофункциональность разрабатываемых систем обработки интеллектуальной информации может быть обеспечена за счет современного подхода к хранению и использованию знаний проектировщиков.

Основной принцип данного подхода заключается в том, что задачи решаются на основе не просто данных, а знаний. Последние являются существенно более мощными и позволяют решать на их основе сложные задачи.

Традиционные ЭС имеют лишь один механизм поддержки принятия решений – логический вывод и лишь одно средство представления знаний – правила. В последнее время активно развивается новое поколение ЭС – гибридные экспертные системы (ГЭС). Для использования ГЭС в качестве средства поддержки принятия управленческих решений необходимо предусмотреть возможность учета характеристик лица принимающего решение. (ЛПР). В этом случае в экспертной системе должна присутствовать гибкая схема логического вывода, а поддержка принятия решений должна осуществляться в соответствии с конкретной аналитической моделью пользователя.

Эксперт соответствующей предметной области должен иметь возможность задавать оценки объектов, выявленные в результате его взаимодействия с подсистемой обработки экспертных знаний. Полученные таким образом экспертные знания будут храниться в базе экспертных знаний. Одним из основных этапов решения задачи многокритериального выбора является настройка модели на систему предпочтений ЛПР. Она выявляется в результате взаимодействия ЛПР и подсистемы выявления предпочтений ЛПР. Найденные таким образом характеристики ЛПР сохраняются в базе характеристик ЛПР. Банк моделей должен содержать широкий набор решающих правил, выражающих различные стратегии поведения пользователя.

8

Приведем несколько примеров экспертных систем для решении задач в области планирования и управления производством, разработанных и внедренных в США.

Система IMACS, разработанная корпорацией DEC, помогает руководителям промышленного производства компьютерных систем в управлении делопроизводством, планировании объемов продукции, переучете товаров и в решении других задач, связанных с управлением производством. IMACS получает заказ клиента и разрабатывает приблизительный план производства, на основании которого система может оценить, какие ресурсы необходимы для выполнения заказа. IMACS - это основанная на правилах система с прямой цепочкой рассуждений, организованная в виде набора сотрудничающих подсистем, основанных на знаниях.

Система ISIS (разработка университета Карнеги-Меллон) строит план выполнения промышленного заказа на заводах по производству деталей турбин. Система выбирает последовательность операций, необходимых для выполнения заказа, определяет сроки его выполнения и выделяет ресурсы для каждой операции. Система помогает заводским плановикам обеспечить непротиворечивость производственного плана и определить, какие решения привели к нарушению ограничений. Знания системы включают организационные цели (запланированные сроки и затраты), физические ограничения (возможности конкретных станков), а также причинные ограничения (например, порядок выполнения технологических операций). 1SIS использует представления знаний в сочетании с правилами разрешения конфликтов между ограничениями.

Система PTRANS помогает управлять производством и распределением компьютерных систем компании DEC. Она использует описание заказа клиента и информацию о работе завода для разработки плана сборки и тестирования заказанной компьютерной системы, в том числе определяет сроки ее изготовления. PTRANS наблюдает за тем, как персонал справляется с выполнением этого плана, диагностирует трудности, предлагает способы их преодоления и прогнозирует нехватку материалов или их избыток. PTRANS — это основанная на правилах система с прямой цепочкой рассуждений.

PLANETS — система поддержки стратегического анализа в бизнесе. Продукт, объединяющий в себе экспертную систему и технологии математического моделирования. Система сетевого анализа размещения производства разработана для удовлетворения потребностей управления при оценке сложных количественных решений управления бизнесом. Система включает в себя все аспекты автоматизированного производства и допускает использование ее

9

персоналом без какой-либо предшествующей подготовки в области компьютеров. Пользователи определяют ситуации и данные в терминах бизнеса.

Логистическая управляющая система (LMS): непрерывное управление производством с использованием экспертной системы, основанной на базе знаний (KBES). В последние годы компания IBM в производстве полупроводников сделала особый упор на производственную логистику как технологию. Система предназначена для улучшения использования оборудования, улучшения сервиса (поставка продукции согласно графику) и сокращения времени производственного цикла. Существенные успехи были достигнуты во всех этих направлениях, в силу чего LMS сейчас является необходимой компонентой на многих производственных участках.

Контрольные вопросы

1.Каковы особенности процесса принятия решений в автоматизированных системах?

2.Какие компоненты необходимы для поддержки принятия решений?

3.Перечислите возможные структуры автоматизированных систем.

4.Какие функции реализует интеллектуальная система?

5.Какова структура интеллектуальной системы?

6.Каковы основные свойства экспертных систем?

7.Каковы основные свойства расчетно-логических систем?

8.Каковы основные свойства гибридных экспертных систем?

10