автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Математическое и программное обеспечение интегрированной системы поддержки принятия решений на основе лингвистических моделей

На правах рукописи

КОЗЛОВ Дмитрий Борисович

ООЗ 171636

МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ИНТЕГРИРОВАННОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ ЛИНГВИСТИЧЕСКИХ МОДЕЛЕЙ

05 13 11 - Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей (технические науки)

Автореферат диссертации на соискание ученой степени кандидата технических наук

0 5

К ЮЧ 2663

Тула 2008

003171636

Работа выполнена в ГОУ ВПО «Тульский государственный университет».

Научный руководитель

Доктор технических наук, доцент ТОКАРЕВ Вячеслав Леонидович,

Официальные оппоненты

Доктор технических наук, профессор ЕСИКОВ Оле1 Витальевич

Ведущая организация

Доктор технических наук, профессор ФОМИЧЕВ Александр Александрович

ЗАО «Тульская лаборатория информационных и математических технологий» (ЗАО «ЛИМ») г Тула

Защита состоится «26» июня 2008 г в часов на заседании диссертационного совета Д 212 271 07 при ГОУ ВПО «Тульский государственный университет» (300600, г Тула, проспект Ленина, 92, 9-101).

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Тульский государственный университет».

Автореферат разослан мая 2008 г

Ученый секретарь

диссертационного совета г^С.--„ ф А Данилкин

Общая характеристика работы Актуальность. Задача компьютерной поддержки принятия решений сложных задач, возникающих в различных областях человеческой деятельности, в настоящее время является как никогда актуальной Это связано с целым рядом факторов Во-первых, наблюдается возрастание сложности различных процессов экономических, образовательных, социальных, технологических и т п. Во-вторых, назрела необходимость информационной поддержки принятия решений (управленческих, диагностических, прогностических и др) относительно тех процессов или систем, в которых ранее вычислительная техника почти не использовалась из-за сложности формализации таких процессов, а если и использовалась, то лишь на некоторых, как правило, конечных этапах принятия решений В-третьих, вычислительная мощность современных компьютеров возросла настолько, что стало возможным применение их для переработки больших массивов информации и обнаружения закономерностей, которые легли в основу базы знаний современных компьютерных систем принятия решений и использование которых позволяет существенно повысить качество принимаемых решений за счет использования современных математических методов Проблемам компьютерной поддержки принятия решений различных задач посвящено много трудов как зарубежных ученых, так и отечественных Среди них наибольший вклад внесли ТСаати, ДА Поспелов, С А. Орловский, Н Нильсон и др

Тем не менее, основным препятствием на пути дальнейшего повышения степени компьютеризации поддержки принятия решений является отсутствие ряда методов и алгоритмов В частности, к ним относятся методы автоматического формирования альтернатив, которые способны в условиях текущей ситуации обеспечить достижение цели, выбранной лицом, принимающим решения (ЛПР), из некоторого множества целей, существующего для конкретной предметной области, методы априорной оценки последствий принимаемых решений, методы выбора рационального решения в условиях, когда с помощью средств вычислительной техники и консультаций экспертов могут быть получены только приближенные закономерности процессов, относительно которых требуется принять решение

Разработка указанных методов является актуальной научной задачей. Объектом исследования является математическое и программное обеспечение инструментальных средств интегрированных систем поддержки принятия решений (ИСППР)

Предметом исследования являются теория и методы автоматического формирования альтернатив и методы априорной оценки последствий принимаемых решений в условиях неопределенности

Целью исследования является повышение степени автоматизации поддержки принятия решений трудноформализуемых задач путем разработки и развития методов автоматической генерации альтернатив и оценки последствий их применения.

Для достижения указанной цели в работе решаются следующие задачи

- разработка метода генерации альтернатив на основе текущей ситуации и выбранной цели, позволяющего выделить из общего множества альтернатив то подмножество, в котором с вероятностью, близкой к единице, находятся рациональные решения;

- разработка метода измерения или оценки достижимости цели принятия решения,

- разработка метода повышения точности априорной оценки последствий принимаемых решений,

- создание инструментальных средств построения ИСППР с использованием разрабатываемых методов,

- экспериментальная проверка разработанных методов и оценка их эффективности

Методы исследования. В основу исследования положены методы анализа и обработки данных и системного анализа, в том числе методы построения приближенных моделей для трудноформализуемого процесса или системы, методы теории обеспечения рациональности решений, элементы теории оптимизации и теории графов

Научная новизна определяется следующими результатами работы

1 Разработан метод автоматической генерации альтернатив, обеспечивающих достижение цели, выбранной ЛПР, на основе графового представления лингвистических моделей системы.

2 Предложена методика для оценивания характеристик перехода к цели принятия решения, основанная на использовании матрицы достижимости графа лингвистической модели и оценок вектора частных критериев, характеризующих качество решения и задаваемых ЛПР

3 Предложен метод оценки последствий применения альтернатив на основе лингвистической модели, приближенно адекватной системе (процессу), относительно которой принимается решение

4 Разработан метод адаптации лингвистической модели к изменяющимся условиям среды или системы

5 Развит метод построения лингвистических моделей в целях повышения разрешающей способности при использовании в задачах принятия решений

6 Разработаны инструментальные средства создания ИСППР, позволяющие повысить их степень автоматизации и использующие предложенные методы

Достоверность научных результатов подтверждена экспериментальными исследованиями на наборах данных как для формализуемого виртуального процесса имеющего математическое описание, так и для реального трудноформализуемого процесса, характеризующегося набором разнотипных входных и выходных переменных.

Практическая ценность работы заключается в применении теоретических положений и выводов диссертации для решении практических задач поддержки принятия решений, а также

- в разработке инструментальных средств создания ИСППР с применением теоретических положений и выводов диссертации для практических задач поддержки принятия решений в различных предметных областях,

- в создании на языке С++ библиотеки классов, позволяющей реализовать построение лингвистических моделей системы и окружающей среды, приближенное моделирование, генерацию альтернатив с использованием представления лингвистической модели в виде графа операций, а также оценку последствий их применения

Реализация и ьнедрение результатов работы Предложенные в диссертации методики использовались для задач проектирования систем водоподго-товки и прогнозирования качества подземных вод и реализованы при создании системы мониторинга. Практические результаты работы внедрены в производственный процесс на предприятиях 1) ООО «Спецгеологоразведка», г Тула, 2) ЗАО «ЭквоСервис», г Тула, 3) ФГУП «ЦТМП «Центрмаркшейдерия», г Тула

Теоретические результаты работы используются в учебном курсе «Введение в системы искусственного интеллекта» на кафедре ЭВМ Тульского государственного университета, а также в дипломном проектировании бакалавров и инженеров по специальностям «Вычислительные машины, комплексы, системы и сети» и «Комплексное обеспечение информационной безопасности автоматизированных систем».

На защиту выносятся результаты, полученные в ходе решения задач, поставленных в соответствии с целью работы

Апробация работы. Основные результаты работы докладывались на международных и Всероссийских научно-технических конференциях, совещаниях и семинарах 1 На первой Всероссийской научно-технической конференции студентов и аспирантов «Идеи молодых Идеи новой России» (Тула, ТулГУ ,2004 г) 2 На XXX, XXXII, XXXIII международных молодежных конференциях «Гагаринские чтения» (Москва, МАТИ, 2004, 2006, 2007 гг) 3 На межрегиональной научно-технической конференции «Интеллектуальные и информационные системы Интеллект-2004» (Тула, ТулГУ, 2004 г) 4. На Всероссийской научно-технической конференции «Интеллектуальные и информационные системы Интеллект-2007» (Тула, ТулГУ, 2007 г) 5 На XIV международной научной конференции студентов, аспирантов и молодых ученых «Ломоносов 2007»(Москва, МГУ, 2007 г)

Публикации. По результатам исследований опубликовано 9 печатных

работ

Структура и объём работы. Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 128 страницах машинописного текста, содержит 26 рисунков, 6 таблиц, список литературы из 77 наименований и приложений

Краткое содержание диссертации Во введении обосновывается актуальность разработки генерации альтернатив и априорной оценки последствий их применения, сформулированы цели и задачи исследования, отмечены научная новизна и практическая ценность результатов, приведены основные положения, выносимые автором на защиту

В первой главе рассматривается задача поддержки принятия решений, сформулированная следующим образом. Система, относительно которой принимается решение, представлена в виде кортежа <7,Е,№/,Х,и,8,У> , где: Ъ-множество факторов, влияющих на поведение внешней среды; Е - множество переменных, описывающих её состояние; X — множество значений переменных, описывающих неуправляемые входные воздействия исследуемой системы; XV-множество неучтенных факторов (возмущений), влияющих на систему; и -множество переменных, характеризующих управляемые входные воздействия; Б - множество состояний исследуемой системы; У - множество значений выходных переменных, характеризующих исследуемую систему. Схема такого описания представлена на рисунке 1.

Поведение системы предложено представлять соотношениями:

(хк,ик,и>к,ук_

ие и,хк е Х,м>к е IV,у к е К, для объектов, поведение которых может быть описано зависимостями вида «Вход-Выход», или

ик е и,хк а Х,\\>к € IV,$к е Б,ук е У, для объектов, поведение которых описывается зависимостями вида «Вход-Состояние-Выход», где /гу -характеристика взаимосвязи между вектором состояний системы эк и выходными параметрами ук, V, - погрешности измерений уд., \\>к- неучтенные факторы. Здесь X,У,2 множества значений векторов х,у,1, которые могут быть измерены в различных шкалах, причем значения качественных переменных упорядочены с помощью некоторой метрики р(-) в за-

висимости от цели принятия решения, выбранной ЛПР Размерности векторов могут быть

dims<dimy, ^)

dims <dim;t

Поведение среды предложено описывать следующим образом

хк = Vt + v2> (4)

zk е Z,ek e Е,ук е Y,xk е X, где ejt-состояние среды, h2-характеристика взаимосвязи между вектором^ и переменными х^, оказывающими влияние на систему , vj- вектор неучитываемых факторов

Отмечается, что непосредственная оценка состояния системы sk невозможна по ряду причин (затруднен процесс измерения, неполнота и противоречивость исходных данных), поэтому возникает задача его оценивания, которая сформулирована следующим образом

{x,y)-+s,

sk =argminp(jj (5)

Зк=Р{хк-1>Ук-1' <хк-Ы'Ук-И Ь где F{} -процедура обработки предыстории системы, pis^J^)- метрика, в которой сравниваются различные s^

Показано, что процесс поддержки принятия решения представляется в виде итерационной процедуры Каждое решение, получаемое на отдельной итерации, это шаг на пути достижения цели При этом каждая итерация состоит из последовательности этапов

1) предварительный этап, на котором происходит сбор априорной и апостериорной информации о системе, и построение на основе этой информации приближенных лингвистических моделей(ЛМ).

М\-ук = //,(**)>

М2.хк = h2(ek),

МЪ sk= Ц{зк_ьхк,ик),

М4 ёк =¿2(<?*_,,ук,гк), где /г,(•),/-]()-модели, характеризующие поведение системы, a h2(),L2()-среды, затем производится размещение полученных моделей в базе знаний ИСППР,

2) оценка ситуации 5 е Д ,в которой находится система sk,

3) выбор цели принятия решения хк еТ, которое может подразумевать перевод системы в исходное состояние (Т| sk -> sk_t), в желаемое состояние (т2 sk -> s'), оптимальное управление (т3-sk =argminJ(5)) итд,

ueU

4) генерация подмножества альтернатив u'ell, ведущих к достижению цели принятия решения т/,, (xk,sk)—

5) оценка последствий применения сгенерированных альтернатив и\ € U' при помощи приближенной JIM. sk = Ll(sk_l,xk,tt'k) и проверка достоверности полученных оценок по значениям функций принадлежности щС^ь-ь^ь"'* )>

6) выбор наилучшего для ЛПР решения ик = arg mm У(н,ц(и)), где

"к е"'

J(u,H(u)) - критерий, характеризующий качество решения, обладающего наилучшей достоверностью,

7) реализация найденного решения и оценка реальных J(u) и цДм), в случае, если полученные оценки существенно не совпадают, то есть

(7)

то производится возврат к первому этапу, на котором выполняется коррекция моделей Здесь е- некоторая априорно заданная величина

Отмечается, что основную проблему автоматизации процесса принятия решения составляет решение задач четвертого и пятого этапов. Третий этап является принципиально не формализуемым, шестой и седьмой имеют хорошо проработанную теоретическую основу, второй этап представляет задачу оценивания и решается методами теории обеспечения рациональности решений

Среди методов генерации альтернатив рассмотрены два широко применяемых на сегодняшний момент подхода: подход, основанный на автоматическом формировании гипотез (семейство GUHA-методов), и метод инвертированных (обратных) моделей, основанный на теории оптимального управления. Показано, что данные методы обладают рядом недостатков, в связи с этим необходимо их усовершенствование Рассмотрены основные подходы к оценке последствий применения альтернатив, методы, основанные на анализе временных рядов, статистические методы оценки зависимостей, и методы использующие построение приближенных моделей (деревья решений, нейронные сети, нечеткие лингвистические модели) Построена классификационная таблица основных методов, применяемых на каждом этапе принятия решения, и позволяющая выбрать наиболее подходящий для данной задачи метод

Анализ подходов к решению задач автоматизации четвертого и пятого этапов позволил выявить необходимость рассмотрения следующих вопросов

- разработка метода построения приближенных моделей позволяющего по выборке данных и имеющейся априорной информации строить модели вида М1,МЗ с адекватностью, достаточной для подцержки принятия решения,

- разработка метода автоматической генерации альтернатив, обеспечивающий выделение из множества U такого подмножества U' минимальной мощности, которое заведомо содержит все решения, обеспечивающие достижение цели т выбранной ЛПР из ограниченного множества целей Т,

- разработка метода оценки последствий применения сгенерированных альтернатив, позволяющего спрогнозировать исходы s^ с гарантированной достоверностью, то есть p(st, sk) < е;

-теоретическая и экспериментальная проверки гипотезы о том, что решения, выбираемые на основе оценки последствий предложенным методом, обеспечивают достижение цели т^ с гарантированным качеством Л^и) < е

Анализ временных рядов Регрессионные мо' дели Деревья решений Нейронные сети Логические модели Лингвистические модели GUHA-методы Метод инвертированных моделей

Эгап приня- Генерация альтернатив -

тия решения Оценка последствий применемия альтернатив х лд;

Тип пере- Количественные х'Ы

менной Качественные

Для решения этих задач потребовалась разработка инструментальных средств создания ИСППР

Во второй главе рассматривается процедура генерации альтернатив, исходя из текущей ситуации и цели принятия решения Основной подход состоит в использовании метода инвертированной модели, в качестве которой предложено строить JIM системы Mi в виде графа G(LIN), матрица связности которого характеризуется соотношениями

fl, p(m* ,m,') = min р(/я*, т\}), О, ' <8>

¿ = 1 n,l = 1

где п - число правил в модели, mj,»^-конъюнкции термов входных лингвистических переменных, метрика р(т*,/я,') вводится для определения расстояния между контермами и имеет вид

dun (ш,у)

p("VOT!/)= I I'(<)-/-(«£) i> (9)

где r(öy*),7(öy) е Ä,-порядковое значение термов лингвистических переменных я*" и а*, /^множество порядковых значений термов /-й входной лингвистической переменной В случае, когда эти переменные измеряются в номинальной шкале, значения г(а^) принимаются наименьшими из всего множества

правил JIM либо задаются ЛПР

Показано, что в полученном графе расстояние межу вершинами будет минимальным, а пергход из одной вершины в другую будет представлять элементарную операцию по изменению управляющего воздействия

Д0

где t- время осуществления операции, L - действия, выполняемые ЛПР для реализации решения, AQ - приращение интегрального критерия или вектора частных критериев, характеризующих операцию Значения AQ определяются исходя из целей принятия решения, а оценка альтернативы представляет сумму значений AQ для всех выполненных операций

В том случае, если имеется информация о параметрах, характеризующих

качество той или иной альтернативы, задаваемое вектором ) >то значение

AQ I / определяется как

т ,т П)

„,,„ =-!>№*),еК))> о о "j

где пj - число вхождений операции тпк -» т"' в обучающую выборку

Показано, что поскольку в полученном графе контермы лингвистических переменных представляют оценку состояния системы sk « от,*, то G(LIN) может

рассматриваться как инвертированная модель системы L{x{s*k,sk_l,xk)->и'к, и\ е U' Достижение цели принятия решения т будет возможно в том случае, если существует путь (последовательность операций) из состояния системы,

* к л* 1с+1

характеризующего исходную ситуацию sk » тц в состояние sk+t и характеризующего целевую ситуацию, где / длина этого пути Определены условия достижимости цели

- е R(mk) , где R{mk) - множество вершин графа G(LIN), достижение которых возможно из вершины тк:

, , 'max .

R(mk) = mku U Г'(отА), (12)

i=i

где /тах- максимальное число операций (длина пути), за которое может быть достигнуто решение,

- характеристика качества решения, выраженная в терминах приращения частных критериев, должна лежать в границах, заданных ЛПР

t+1-i

ШпКтки = ЕАQj ^ <ТЬ (13)

к

где 7; - ограничения на значения частных критериев, выражаемых в той же метрике, что и ДQmk ты

Показано, что множество путей, полученных на графовом представлении модели М.3 и удовлетворяющих условиям (12) и (13), являются множеством искомых альтернатив U', которые позволяют достичь цели принятия решения Поиск таких альтернатив предлагается осуществлять в зависимости от заданных условий при помощи известных алгоритмов определения путей на графе (алгоритма Дейкстры, волнового алгоритма и т д)

В качестве примера рассматривается лингвистическая модель системы, представленная правилами

If (x1=ao)&(x2=a0 )then b0 (moo">b0) If (xI=a0)&(x2=ai )then b0 (m0i->b0) If (xi=ao)&(x2=a2 )then b, (m02->b,) If (х,=ао)&(х2=аз) then b0 (m03->b0) If (xi=ai)&(x2=a2) then b1 (гП|2->Ь|) If (х1=а1)&(х2=ая) then b2 (mi3->b2) If (xi=aj)&(x2=ai) then b2 (m3i">b2) Матрица связности графа операций для такой модели, построенная согласно (9), имеет вид_

Матрица связност и операций на G(LIN)

mOO mOl m02 m03 ml2 ml3 ni31

mOO - 1

m01 1 - 1 1

m02 1 - 1 1

m 03 1 - 1

inl2 1 . 1 1

ml3 1 1 -

m31 ( 1 1 -

Граф операций представлен на рисунке 2 Показано, что качество каждой альтернативы оценивается наименьшей суммарной метрикой p(/»,*, ) Множество вершин, достижимых из Шоь включает в себя вершины Шп и m3i, которые имеют выход Ь2 Тогда множество возможных альтернатив будет представлено как Шо|"> ш31 Q=3, m0i->m02->m03*^mi3 Q=3, m0i->mo2->m12->ml3 Q=3, moi->m02->mi2->m3i Q=5

Рис 2 Граф операций С(ЬШ)

В результате предложенной процедуры выбираются все альтернативы с качеством решения (3=3, поскольку отсутствуют какие либо другие ограничения Однако, принимая во внимание тот факт, что параметры операций с р(от*,я;у)> 1, как правило, менее полезны с практической точки зрения, то рациональными тогда будут альтернативы то1->т02-^т0з->т13 или т01->т02-^

Таким образом, показано, что полученное множество альтернатив II' включает и'^, которые способны достичь цели т, но с различными последствиями, включая побочные, которые можно оценить с помощью модели М4, и

с различными характеристиками, оценивающимися с помощью модели метасистемы, включающей модели МЗ и М4 Отмечается, что модель М4 требуется построить, развивая метод теории обеспечения рациональности решений и объединяя эти две модели

Третья глава посвящена решению задачи оценки последствия выбора альтернатив, или задачи прогнозирования состояния трудноформализуемого процесса на основе приближенной модели, также рассматриваются методы адаптации данной модели к изменяющимся во времени параметрам исследуемой системы В качестве основного метода оценки последствий применения альтернатив и'к е U' предложено использовать модель метасистемы, включающей модели системы М1, МЗ и модели среды М2, М4, полученные методом, описанным во второй главе.

>^-i>z*>"'*)> (14)

Обозначая область наилучших относительно влияния на систему факторов среды хк е X', на основе оценок хк, sk выбирается наилучшая альтернатива и'к

и'к = arg min J(uk,p(xk)),

ukeU

4-х- (15)

u'k = lis(xk,sk,uk),

где p(jty) - расстояние в заданной метрике от ограничивающей X' области, Hs() - модель метасистемы, описывающая выбор наилучшего решения

В качестве приближенной модели объекта использована лингвистическая модель, которая представляет совокупность нечетких правил «ЕСЛИ (конъюнкция термов входных переменных) ТО (значение выходного терма)» и позволяет описывать зависимости любого вида на формальном языке, понятном

ЛПР, в виде лингвистического отображения-

к

LIN = V (аи ла2, л ■л а„„ л bj, а., е 3(Х.), b, е 3(Y), ( 16) <=1

Для построения модели (16) применен алгоритм выделения правил с использованием информационных критериев настроечный, используемый при формировании модели, и тестовый, используемый для оценки соответствия поведения модели и процесса

Формирование настроечного критерия предложено производить из следующих соображений Во-первых, с увеличением вероятности ptJ различения

тц контермом модели выходного терма bj значение критерия должно увеличиваться, а с увеличением вероятности неразличения qtJ - существенно уменьшаться Такими свойствами обладают дивергенция Кульбака (17) и эвристический критерий (18)

(17)

cl'j

¿,;=-lnA,(l-<7y)> О8)

Значения тестового критерия рассматриваются как функции принадлежности ц£ (ти) = су субнормального нечеткого подмножества оценок выходной

переменной ^ Для преобразования данного подмножества к нормальному необходимо область ограничивать функцией, асимптотически приближающейся к единице и имеющей экспоненциальную (19) или сигмоидальную (20) форму. Значения критерия в этом случае записываются как

С1=^(ти) = 1-ехр(-а4^ти)), (19)

< = Ц„. (>»„) = --, 1 , , , (20)

"Hj{m'j) 1-ехР(-а^(шу))'

где а - параметр, характеризующий чувствительность критерия к разнице параметров p,j и qu

Максимизация значения тестового информационного критерия

J(eu) = ln(s/(d))-(cM/ЮЕЕМ\Kj~Kj I!кв), (21)

.=17=1

где^(б) - параметр характеризующий устойчивость модели, kt), кч~ расстояния в заданных метриках действительной и оцениваемой выходной переменной от начала отсчета, кв- мощность терм множества выходных переменных, см-регуляризирующая переменная 0< см< 1, приводит к тому, что полученная таким образом модель обладает свойствами состоятельности, эффективности, несмещенности и устойчивости и позволяет получить оценки с точностью, достаточной для принятия решения Для нахождения числа термов входных лингвистических переменных, значение критерия (21) для которого максимально, количество термов каждой входной переменной представляется в виде точки в па - мерном дискретном пространстве

Р = (щ,п2, ,п,)йт{Р) = па, (22)

где па - число входных лингвистических переменных Значения координат точек Р имеют следующие ограничения

Р'= {j>, >пь,п,< пГ}, (23)

где пь- число термов выходной переменной, «,тах - ограничение на максимальное количество термов входной переменной

Максимизация тестового критерия J{eM) производится при помощи метода случайного поиска глобального максимума(24)

^ax=argm axJ(eM) (24)

Для учета изменений исследуемого процесса, в LIN вводится функция смещения disp() , обеспечивающая

J{M,k)« const, (25)

то есть

сЬярО = аг§(ДМ, к) - ДМ, к-1)) < е, = 1. л,

,Хк_х):Ь* -> б*"1 + (¡1яр{1Ш{Хк)),

такого, что

(27)

где к- момент времени, ЬМ(Х к,Хк_х)~ адаптируемая модель процесса, е- допустимая величина ошибки Для решения данной задачи предлагается следующий подход

-по Хк-1 оценивается ситуация щ.]у соответствующая к-] моменту времени; -по Хк оценивается, изменилась ли ситуация юк ~ юк_х, если условие не выполняется, то происходит оценка направление изменения ситуации (в худшую или в лучшую сторону) в смысле принятия решения;

-оценивается величина смещения с1мр(), которая может зависеть от шага дискретизации г=/И*-/ и особенностей динамики процесса

Показано, что полученные оценки последствий применения альтернатив обладают допустимой точностью, и это позволяет сделать выбор наилучшего решения известными методами, то есть, осуществить выбор решения согласно критериям, заданным ЛПР (например, Парето-оптимальные решения), и оценить реальные результаты реализации решения

В четвертой главе приводится экспериментальная проверка предложенных методов, подтверждающая их эффективность и преимущество по сравнению с другими методиками

Предложенные в работе методы были реализованы в программном комплексе инструментальных средств, позволяющих построить систему поддержки принятия решений предварительный анализ исходных данных, построение лингвистических моделей среды и системы, настройку этих моделей, извлечение информации об операциях, генерацию альтернатив и оценку последствий их применения с учетом требований ЛПР Разработана структура ИСППР с использованием лингвистических моделей, позволяющая наиболее удобным образом реализовать указанные методы (рис 3)

На языке С++ реализована библиотека классов и алгоритмов, которая позволяет. осуществлять предварительную обработку исходных данных, построение лингвистической модели и приближенное моделирование системы и среды и адаптацию лингвистических моделей, обеспечивать выбор цели и оценку текущей ситуации, генерацию на основе этой информации альтернатив, сохранять историю принятых решений, использующуюся при дальнейшей работы с системой и адаптации лингвистических моделей С использованием разработанного программного обеспечения оценена ошибка приближенной адаптируемой лингвистической модели для виртуального объекта, поведение которого задано закономерностями (28), где х^хг - входные переменные объекта, I-интервал дискретизации

хьх2) =

х^х2,(а1 > 0) &(а2 > 0),

^22,(а1<0)&(а2<0)) 2х,х2,

(28)

Для оценки адекватности такой адаптируемой модели используется усредненная ошибка модели, имеющая вид =

1 ,=1 "ь

Выбор решения, Реализация метамодели рэ

База знаний Модели 1«. Мх

База данных операции

История

1 Принятых решений^!

- г_

Подсистема Моделирования

Подсистема генерации альтернатив

Предварительная обработка данных

| Хранилище данных

Рис 3 Структура ИСППР

Для снижения ошибки, связанной с инерционностью определения текущей функции смещения, предложено осуществлять выбор как из простой, так и адаптируемой модели. Критерием выбора того или иного метода является минимум оцениваемой ошибки модели Результаты экспериментальной проверки метода приведены на рисунке 4

Рассмотрен критерий эффективности предлагаемой методики генерации альтернатив, оценивающий влияние объема и зашумленности обучающей выборки, используемой для построения приближенной модели Показано, что такая оценка эффективности возможна только в сравнении с другим методом

То есть

1

<7[и?, Г ] = <7[6С?, ', и?), р(я■", з )], 2(1 Г, и,") > е0, р(£'4, Г ) < е

где Е'а- эффективность метода А , относительно метода В, обусловленная значением вектора частных критериев ()($,$' и достижением целевой ситуации, выражаемой метрикой в заданных ЛПР границах г0,Е£, и?-

решение полученное с помощью метода А, $А - состояние в котором будет находиться система, после воплощения этого решения в жизнь, д[и?,$л] - величина, количественно характеризующая предлагаемое решение, / - номер испытания, //-общее число испытаний

Рис 4 Оценка ошибки адаптируемой модели

Рассматривается задача принятия решения, сформулированная следующим образом целью является достижение Е(а\,а2,х\,Х2) заданного значения

F* с исходными данными а\ = а®, а2 = а?> -Ч = дч°> х2 = Критерии качества решения задаются как

,*г) = № + х\, р(А д[хх ,х2 = <х0(*, ,х2)/ бтах + (1 - а)р( Д ) / ртах, где а е[0,1]- степень важности каждого показателя, (2тах,Ртм-максимальные значения показателей Оценка эффективности предлагаемого метода включает определение зависимости эффективности метода от величины случайной составляющей возмущений и определение зависимости от объема обучающей выборки Первый этап предполагает, что в обучающей выборке присутствует нормально распределенная шумовая составляющая а = где V - доля

длины интервала Ь изменения выходной переменной. Выборка данных сформирована следующим образом:

У{аиа2,хих2) = Р(аьа2,хх,х2) + о (31)

Определение величины ЕА производилось за счет сравнения предлагаемого метода с решением поставленной задачи аналитическим методом, для которого возможно нахождение оптимального решения Поэтому получаемые

предложенным методом решения будут заведомо хуже относительно критерия (31), однако значение величины Ел будет показывать долю рациональных решений Для построения JIM и на ее основе графа элементарных операций производилось получение обучающей выборки путем генерации равномерно-распределенных случайных величин входных переменных в заданных условиями интервалах Объем обучающей выборки W^ составлял величину, в 12 раз

превосходящую число правил JIM NM = nbY[na,, и определялся как

| WN |= 12NM, где щ- число выходных термов, па,- число термов i-й входной переменной Далее производились построения JIM и графа элементарных операций методами, описанными во второй и третьей главе Задача принятия решения формулировалась следующим образом для случайно выбранной вершины графа также случайно выбиралось значение выходной переменной, которое необходимо получить Производилось формальное решение задачи, и решение при помощи предлагаемого метода, в результате сравнения которых, оценивалась величина (31) Эксперимент проводился с изменяющимся значением v от О до 0,2

Оценка влияние объема исходной информации на эффективность предлагаемого метода производилась следующим образом объем обучающей выборка

ки существенно сокращался и составлял | W^ |=2Y\nai ■ Помимо этого из

(=1

уже полученной модели случайным образом исключались Ny=yNjy правил (где у - доля исключаемых правил, Nm~ общее число правил в модели), после чего производился поиск решения, согласно поставленным выше условиям. Результаты данного эксперимента приведены на рисунке 5

Рис 5 Влияние негативных факторов

Рассмотрено применение предложенных методов для прогнозирования качественной оценки химического состава подземных вод и проектирования на его основе систем водоподготовки. Исходными данными в данной задаче послужили следующие параметры группа по условиям защищенности (дискретная величина); наличие зон санитарной охраны (дискретная величина); источник загрязнения (дискретная величина); интенсивность загрязнения (дискретная величина), водоносный горизонт (дискретная величина); средняя глубина залегания водоносного горизонта (непрерывная переменная, приводимая к лингвистической) Набор исходной информации был получен в результате режимных наблюдений на сети водозаборных скважин Тульской области

Система предназначена для минимизации стоимости оборудования обеспечения водоподготовки с целью достижения требуемого качества добываемых подземных вод Прогнозируются, качество подземных вод, разбитое на три группы критериев, оценивается возможное понижение уровня подземных вод в результате запуска скважины Оценивается стоимость работ по оборудованию скважины и предлагается наиболее оптимальная комплектность оборудования.

Показано, что решения, полученные с применением предлагаемой системы, не хуже решений предложенных экспертом, а в некоторых случаях их превосходят

В заключении сформулированы основные результаты и выводы по работе

В приложении приведены акты о внедрении

Основные результаты работы

1 Разработан метод автоматической генерации альтернатив, обеспечивающих достижение цели, выбранной ЛПР, на основе графового представления лингвистических моделей системы

2 Предложена методика для оценивания характеристик перехода к цели принятия решения, основанная на использовании матрицы достижимости графа лингвистической модели и оценок вектора частных критериев, характеризующих качество решения и задаваемых ЛПР.

3 Предложен метод оценки последствий применения альтернатив на основе лингвистической модели, приближенно адекватной системе (процессу), относительно которой принимается решение.

4 Разработан метод адаптации лингвистической модели к изменяющимся условиям среды или системы

5 Развит метод построения лингвистических моделей в целях повышения разрешающей способности при использовании в задачах принятия решений.

6 Разработаны инструментальные средства создания ИСППР, позволяющие повысить их степень автоматизации и использующие предложенные методы

7 Проведены экспериментальные исследования на наборах данных как для формализуемого виртуального процесса, имеющего математическое описание, так и для реального трудноформализуемого процесса, характеризующегося

набором разнотипных входных и выходных переменных, подтверждающие эффективность предложенных методов

8 На языке С++ создана библиотека классов, позволяющая реализовать построение лингвистических моделей системы и окружающей среды, приближенное моделирование, генерацию альтернатив с использованием представления лингвистической модели в виде графа операций, а также оценку последствий их применения.

9 Практические результаты работы внедрены в производственный процесс на предприятиях- 1) ООО «Спецгеологоразведка», г Тула; 2) ЗАО «Экво-Сервис», г Тула, 3) ФГУП «ЦТМП «Центрмаркшейдерия», г Тула

10 Теоретические результаты работы используются в учебном курсе «Введение в системы искусственного интеллекта» на кафедре ЭВМ Тульского государственного университета, а также в дипломном проектировании бакалавров и инженеров по специальностям «Вычислительные машины комплексы системы и сети» и «Комплексное обеспечение информационной безопасности автоматизированных систем»

Публикации по теме диссертации

1 Козлов Д Б Критерии оценки обучающей выборки для нейросетевой модели объекта // XXX Гагаринские чтения Тезисы докладов международной молодежной конференции Москва, 6-10 апреля 2004г Т5-М МАТИ-РГТУ им К Э Циолковского, 2004 - С 38

2 Токарев В J1, Козлов Д Б Метод коррекции лингвистической модели изменяющегося во времени сложного объекта //Интеллектуальные и информационные системы Материалы межрегиональной научно-технической конференции/ Тульский государственный университет-Тула, 2004 - С 91-94

3. Токарев В.Л., Козлов Д.Б. Метод оптимизации лингвистической модели трудноформализуемого процесса. // Известия ТулГУ. Сер. Вычислительная техника. Информационные технологии. Системы управления. Вып. 1. Вычислительная техника. - Тула: ТулГУ, 2005. - С.104 -108.

4 Козлов Д Б Адаптивная лингвистическая модель трудиоформализуемого процесса // XXXII Гагаринские чтения. Научные труды Международной молодежной конференции в 8 томах Москва, 4-8 апреля 200бг Т 4 - М MATH, 2006 -С 16-17

5 Козлов Д Б Задача принятия решений для трудноформализуемых процессов // Вестник ТулГу. Серия «Вычислительная техника » Вып 1 - Тула ТулГУ ,2007 - С 103-110

6 Козлов Д Б Задача поддержки принятия решений для трудноформализуемых задач //Интеллектуальные и информационные системы Материалы межрегиональной научно-технической конференции/ Тульский государственный университет-Тула,2007 С 62 -65

7 Козлов Д Б Метод поиска рационального решения в СППР на основе лингвистической модели // XXXIII Гагаринские чтения Научные труды Международной молодежной конференции в 8 томах Москва, 3-7 апреля 2007г Т 8 -М МАТИ, 2007 - С 73 -75

8 Козлов Д Б Метод поиска рационального решения в СППР на основе лингвистической модели // Ломоносов-2007 XIV Международная конференция студентов, аспирантов и молодых ученых, секция «Вычислительная математика и кибернетика Тезисы докладов»/ Сост. Ильин А В, Фомичев В В - М Издательский отдел факультета ВМиК МГУ (лиц ИД05899 от 24 09 2001), МАКС Пресс,2007. - С 36

9. Козлов Д.Б. Метод принятия решения в условиях неопределенности // Известия Тульского государственного университета. Технические науки. Выпуск 3. - Тула: ТулГУ, 2008. - С. 101 -109.

Изд лиц ЛР № 020300 от 12 02 97 Подписано в печать<¿#05 08 Формат бумаги 60x84 1/16 Бумага офсешая Усл-печ л Уч-изд л Тираж/^экз Заказ (Р30 Тульский государственный университет 300600, г Тула, пр Ленина, 92 Отпечатано в издательстве ТулГУ 300600, г Тула, ул Болдина, 151

ВВЕДЕНИЕ

ГЛАВА 1. ИССЛЕДОВАНИЕ ОСНОВНЫХ МОДЕЛЕЙ И МЕТОДОВ ПРИНЯТИЯ РЕШЕНИЙ

ГЛАВА2. МЕТОД ГЕНЕРАЦИИ АЛЬТЕРНАТИВ В ЗАДАЧЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ.

ГЛАВ АЗ. РЕШЕНИЕ ЗАДАЧИ ОЦЕНКИ ПОСЛЕДСТВИЙ ВЫБОРА АЛЬТЕРНАТИВ НА ОСНОВЕ ЛИНГВИСТИЧЕСКОЙ МОДЕЛИ

ГЛАВА 4. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЯ И РЕАЛИЗАЦИЯ МЕТОДОВ АВТОМАТИЧЕСКОЙ ГЕНЕРАЦИИ АЛЬТЕРНАТИВ И ПОСЛЕДСТВИЙ ИХ ПРИМЕНЕНИЯ. ОЦЕНКА ЭФФЕКТИВНОСТИ

СОДЕРЖАНИЕ

ВВЕДЕНИЕ.

ГЛАВА 1. ИССЛЕДОВАНИЕ ОСНОВНЫХ МОДЕЛЕЙ И МЕТОДОВ ПРИНЯТИЯ РЕШЕНИЙ.

1.1 Постановка задачи принятия решения.

1.2 Приближенная формализация задачи принятия решений.

1.3 Задача оценки текущей ситуации.

1.3.1 Получение информации и формирование данных о функционировании объекта.

1.3.2 Экспертные методы оценки ситуации.

1.3.3 Классификационные модели оценки ситуации.

1.4 Определения целей принятия решения.

1.5 Задача генерации альтернатив и методы ее решения.

1.5.1 Метод инвертированных моделей.

1.5.2 Семейство ОиНА-методов.

1.6 Задача оценки последствий выбора альтернатив, и методы её решения. .30 1.6.2 Задача построения приближенной модели.

1.6.2.1 Регрессионные модели.

1.6.2.2 Нейросетевые модели.

1.6.2.3 Нечеткие лингвистические модели.

1.6.2.4 Деревья решений.

1.6.2.5 Классификация приближенных моделей.

1.7 Представление внешних переменных лингвистической модели.;.

1.8 Формализация критериев оценки адекватности лингвистической модели.

1.9 Алгоритм формирования правил нечеткого вывода.

1.10 Выводы.

ГЛАВА2. МЕТОД ГЕНЕРАЦИИ АЛЬТЕРНАТИВ В ЗАДАЧЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ.

2.1 Задача генерации альтернатив с использованием приближенной модели.

2.2 Описание принципа решения задачи генерации альтернатив.

2.3 Метод графового представления лингвистической модели.

2.4 Метод оценки параметров элементарных операций.

2.4 Оценка достижимости цели принятия решения.

2.5 Оценка достижимости цели при наличии неуправляемых входных параметров.

2.6 Процедура генерации альтернатив.

2.7 Оценка достоверности решения.

2.7 Критерии упорядочивания множества альтернатив.

2.8 Выводы.

ГЛАВАЗ. РЕШЕНИЕ ЗАДАЧИ ОЦЕНКИ ПОСЛЕДСТВИЙ ВЫБОРА АЛЬТЕРНАТИВ НА ОСНОВЕ ЛИНГВИСТИЧЕСКОЙ МОДЕЛИ.

3.1 Задача оценки последствий применения альтернатив.

3.2 Оценка достоверности моделей, используемых для прогноза последствий применения альтернатив.

3.3 Настроечные критерии оценки разрешающей способности модели, для задач прогнозирования последствий применения альтернатив.

3.4 Тестовый информационный критерий оценки разрешающей способности модели.

3.6 Оптимизация параметров функций принадлежности термов входных переменных лингвистической модели.

3.7 Оценка последствий применения альтернатив для малой обучающей выборки.

3.8 Алгоритм адаптации моделей системы и среды для учета временных изменений.

3.9 Выводы.

ГЛАВА 4. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЯ И РЕАЛИЗАЦИЯ МЕТОДОВ АВТОМАТИЧЕСКОЙ ГЕНЕРАЦИИ АЛЬТЕРНАТИВ И ПОСЛЕДСТВИЙ ИХ ПРИМЕНЕНИЯ. ОЦЕНКА ЭФФЕКТИВНОСТИ

4.1 Реализация предварительного этапа поддержки принятия решений.

4.2. Реализация задачи построения лингвистической модели и приближенного моделирования.

4.3 Реализация задачи получения информации об элементарных операциях.

4.4 Реализация метода генерации альтернатив.

4.5 Типовая структура и алгоритм работы системы поддержки принятия решений, реализующей предлагаемые методы.

4.6 Исследование эффективности метода оценки последствий применения альтернатив для моделируемого объекта.

4.7 Исследование эффективности процедуры адаптации лингвистической модели для объекта с изменяющимися параметрами.

4.8 Оценка эффективности метода генерации альтернатив.

4.9 Описание объекта внедрения системы планирования водоподготовки).

4.9.1 Описание системы обеспечения водоподготовки.

4.9.2 Реализация системы поддержки принятия решений по обеспечению водоподготовки.

4.9.3 Результаты опробования разработанной системы.

Актуальность. Задача компьютерной поддержки принятия решений сложных задач, возникающих в различных областях человеческой деятельности, в настоящее время является как никогда актуальной. Это связано с целым рядом факторов. Во-первых, наблюдается возрастание сложности различных процессов: экономических, образовательных, социальных, технологических и т.п. Во-вторых, назрела необходимость информационной поддержки принятия решений (управленческих, диагностических, прогностических и др.) относительно тех процессов или систем, в которых ранее вычислительная техника почти не использовалась из-за сложности формализации таких процессов, а если и использовалась, то лишь на некоторых, как правило, конечных этапах принятия решений. В-третьих, вычислительная мощность современных компьютеров возросла настолько, что стало возможным применение их для переработки больших массивов информации и обнаружения закономерностей, которые легли в основу базы знаний современных компьютерных систем принятия решений и использование которых позволяет существенно повысить качество принимаемых решений за счет использования современных математических методов. Проблемам компьютерной поддержки принятия решений различных задач посвящено много трудов как зарубежных ученых, так и отечественных. Среди них наибольший вклад внесли Т.Саати, Д.А. Поспелов, С.А. Орловский, Н. Нильсон [1-4]и др.

Тем не менее, основным препятствием на пути дальнейшего повышения степени компьютеризации поддержки принятия решений является отсутствие ряда методов и алгоритмов. В частности, к ним относятся: методы автоматического формирования альтернатив, которые способны в условиях текущей ситуации обеспечить достижение цели, выбранной лицом, принимающим решения (ЛПР), из некоторого множества целей, существующего для конкретной предметной области; методы априорной оценки последствий принимаемых решений; методы выбора рационального решения в условиях, когда с помощью средств вычислительной техники и консультаций экспертов могут быть получены только приближенные закономерности процессов, относительно которых требуется принять решение.

Разработка указанных методов является актуальной научной задачей.

Объектом исследования является математическое и программное обеспечение инструментальных средств интегрированных систем поддержки принятия решений (ИСППР).

Предметом исследования являются теория и методы автоматического формирования альтернатив и методы априорной оценки последствий принимаемых решений в условиях неопределенности.

Целью исследования является повышение степени автоматизации поддержки принятия решений трудноформализуемых задач путем разработки и развития методов автоматической генерации альтернатив и оценки последствий их применения.

Для достижения указанной цели в работе решаются следующие задачи:

- разработка метода генерации альтернатив на основе текущей ситуации и выбранной цели, позволяющего выделить из общего множества альтернатив то подмножество, в котором с вероятностью, близкой к единице, находятся рациональные решения;

- разработка метода измерения или оценки достижимости цели принятия решения;

- разработка метода повышения точности априорной оценки последствий принимаемых решений;

- создание инструментальных средств построения ИСППР с использованием разрабатываемых методов;

- экспериментальная проверка разработанных методов и оценка их эффективности.

Методы исследования. В основу исследования положены методы анализа и обработки данных и системного анализа, в том числе методы построения приближенных моделей для трудноформализуемого процесса или системы, методы теории обеспечения рациональности решений, элементы теории оптимизации и теории графов.

Научная новизна определяется следующими результатами работы:

1. Разработан метод автоматической генерации альтернатив, обеспечивающих достижение цели, выбранной ЛПР, на основе графового представления лингвистических моделей системы.

2. Предложена методика для оценивания характеристик перехода к цели принятия решения, основанная на использовании матрицы достижимости графа лингвистической модели и оценок вектора частных критериев, характеризующих качество решения и задаваемых ЛПР.

3. Предложен метод оценки последствий применения альтернатив на основе лингвистической модели, приближенно адекватной системе (процессу), относительно которой принимается решение.

4. Разработан метод адаптации лингвистической модели к изменяющимся условиям среды или системы.

5. Развит метод построения лингвистических моделей в целях повышения разрешающей способности при использовании в задачах принятия решений.

6. Разработаны инструментальные средства создания ИСППР, позволяющие повысить их степень автоматизации и использующие предложенные методы.

Достоверность научных результатов подтверждена экспериментальными исследованиями на наборах данных как для формализуемого виртуального процесса имеющего математическое описание, так и для реального трудноформализуемого процесса, характеризующегося набором разнотипных входных и выходных переменных.

Практическая ценность работы заключается в применении теоретических положений и выводов диссертации для решения практических задач поддержки принятия решений, а также:

- в разработке инструментальных средств создания ИСППР с применением теоретических положений и выводов диссертации для практических задач поддержки принятия решений в различных предметных областях;

- в создании на языке С++ библиотеки классов, позволяющей реализовать построение лингвистических моделей системы и окружающей среды, приближенное моделирование, генерацию альтернатив с использованием представления лингвистической модели в виде графа операций, а также оценку последствий их применения

Реализация и внедрение результатов работы. Предложенные в диссертации методики использовались для задач проектирования систем водо-подготовки и прогнозирования качества подземных вод и реализованы при создании системы мониторинга. Практические результаты работы внедрены в производственный процесс на предприятиях: 1) ООО «Спецгеологоразведка», г.Тула; 2) ЗАО «ЭквоСервис», г.Тула; 3) ФГУП «ЦТМП «Центрмарк-шейдерия», г.Тула.

Теоретические результаты работы используются в учебном курсе «Введение в системы искусственного интеллекта» на кафедре ЭВМ Тульского государственного университета, а также в дипломном проектировании бакалавров и инженеров по специальностям «Вычислительные машины, комплексы, системы и сети» и «Комплексное обеспечение информационной безопасности автоматизированных систем».

На защиту выносятся результаты, полученные в ходе решения задач, поставленных в соответствии с целью работы.

Апробация работы. Основные результаты работы докладывались на международных и Всероссийских научно-технических конференциях, совещаниях и семинарах: 1. На первой Всероссийской научно-технической конференции студентов и аспирантов «Идеи молодых. Идеи новой России» (Тула, ТулГУ ,2004 г.). 2. На XXX, XXXII, XXXIII международных молодежных конференциях «Гагаринские чтения» (Москва, МАТИ, 2004, 2006, 2007 гг.). З.На межрегиональной научно-технической конференции «Интеллектуальные и информационные системы. Интеллект-2004» (Тула, ТулГУ, 2004 г.). 4. На Всероссийской научно-технической конференции «Интеллектуальные и информационные системы.Интеллект-2007» (Тула, ТулГУ, 2007 г.). 5. На XIV международной научной конференции студентов, аспирантов и молодых ученых «Ломоносов 2007»(Москва, МГУ, 2007 г.)

Публикации. По результатам исследований опубликовано 9 печатных работ.

Структура и объём работы. Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 128 страницах машинописного текста, содержит 23 рисунка, 6 таблиц, список литературы из 77 наименований и приложения.

4.7 Выводы

Таким образом, в четвертой главе представлены разработанные инструментальные средства интегрированной системы поддержки принятия решений, реализованные в виде библиотеки классов на языке С++ и позволяющие осуществлять построение лингвистических моделей, приближенное моделирование, получение информации о базовых операциях, генерацию альтернатив и упорядочивание их согласно критериям, заданным ЛПР.

Проведена экспериментальная проверка подтверждающая эффективность предложенных методов, как для виртуального, так и для реального объекта.

Практические результаты работы внедрены в производственный процесс на предприятиях г.Тула ЗАО «ЭквоСервис», ООО «Спецгеологоразведка», ФГУП «ЦТМП «Центрмаркшейдерия».

ЗАКЛЮЧЕНИЕ

В диссертации предложены, успешно апробированы и внедрены методы, математическое и программное обеспечение интегрированной системы поддержки принятия решений . В соответствии с задачами исследования получены следующие основные научные и практические результаты:

1. Разработан метод автоматической генерации альтернатив, обеспечивающих достижение цели, выбранной ЛПР, на основе графового представления лингвистических моделей системы.

2. Предложена методика для оценивания характеристик перехода к цели принятия решения, основанная на использовании матрицы достижимости графа лингвистической модели и оценок вектора частных критериев, характеризующих качество решения и задаваемых ЛПР.

3. Предложен метод оценки последствий применения альтернатив на основе лингвистической модели, приближенно адекватной системе (процессу), относительно которой принимается решение.

4. Разработан метод адаптации лингвистической модели к изменяющимся условиям среды или системы.

5. Усовершенствован метод построения лингвистических моделей в целях повышения разрешающей способности при использовании в задачах принятия решений.

6. Разработаны инструментальные средства создания ИСППР, позволяющие повысить их степень автоматизации и использующие предложенные методы.

7. Проведены экспериментальные исследования на наборах данных как для формализуемого виртуального процесса, имеющего математическое описание, так и для реального трудноформализуемого процесса, характеризующегося набором разнотипных входных и выходных переменных, подтверждающие эффективность предложенных методов.

8. На языке С++ создана библиотека классов, позволяющая реализовать построение лингвистических моделей системы и окружающей среды, приближенное моделирование, генерацию альтернатив с использованием представления лингвистической модели в виде графа операций, а также оценку последствий их применения.

9.Практические результаты работы внедрены в производственный процесс на предприятиях: 1) ООО «Спецгеологоразведка», г.Тула; 2) ЗАО «Эк-во-Сервис», г.Тула; 3) ФГУП «ЦТМП «Центрмаркшейдерия», г.Тула.

10 Теоретические результаты работы используются в учебном курсе «Введение в системы искусственного интеллекта» на кафедре ЭВМ Тульского государственного университета, а также в дипломном проектировании бакалавров и инженеров по специальностям «Вычислительные машины комплексы системы и сети» и «Комплексное обеспечение информационной безопасности автоматизированных систем».

1. Саати Т. Принятие решений. Метод анализа иерархий /Пер. с английского Р.Г. Вачнадзе. М.: Радио и Связь.2003 - 278с.

2. Поспелов Д.А. Ситуационное управление. Теория и практика./Д.А. Поспелов М.: Наука, 1986.-288с.

3. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации.-М.:Наука,1982.-208с.

4. Нильсон Н. Искусственный интеллект. Методы поиска решений-М.:Мир, 1973 .-270с.

5. Акофф Р., Эмери Ф. О целеустремленных системах./Пер с анг. Под ред. И.А. Ушакова.-М.Сов.радио,1974.-272с.

6. Шишкин Е.В. ,Чхартишвили А.Г. Математические методы и модели в управлении.-М.:Изд-во «Дело»,2000.-^431с.

7. Антонов A.B. Системный анализ. Учеб. для вузов/ A.A. Антонов -М.: Высш. Шк. 2004. 454с.: ил - ISBN 5-06-004862-4

8. Айвазян С.А. и др. Прикладная статистика: Классификация и снижение размерностей. -М.: Финансы и статистика, 1983. -397с.

9. Дик В.В. Методология формирования решений и инструментальные средства их поддержки-М.: Финансы и статистика,2000-300с.,ил.

10. Ковальски Р. Логика в решении проблем. Пер. с англ.-М.:Наука.Гл. ред. физ. мат. лит.,1998-280с.-18В№-02-014148-8

11. Д.В. Гаскаров Интеллектуальные информационные системы. Учеб. для вузов./-М.: Высш.шк., 2003 -431с: ил.

12. Гайдышев И. Анализ и обработка данных: специальный справочник /И. Гайдышев СПб:Питер,2001- 752с.:ил.

13. Баргесян A.A. и др. Методы и модели анализа данных: OLAP и DataMining /А.А.Баргесян СПб.:БХВ-Петербург, 2004. - 336 е.: ил.

14. B.C. Медведев В.Г. Потемкин Нейронные сети. МАТЪАВ 6 / под общ. ред. к.т.н. В.Г. Потемкина-М.: ДИАЛОГ-МИФИ, 2002. 496с

15. Осовский С. Нейронные сети для обработки информации текст./ Пер. с польского И.Д. Рудинского М.: Финансы и статистика, 2002. - 344с

16. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение с системах управления и связи. / Комашинский В.И., Смирнов Д.А. -М.:Горячая линия Телеком, 2003-94с.

17. Рутковския Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского-М.: Горячая линия-Телеком,2006, -452с.: ил.-ISBN 5-93517-103-1.

18. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.:Финансы и статистика, 2004.-176с.: ил—(Прикладные информационные технологии). ISBN 5-279-02757-Х

19. Токарев B.JI. Основы теории обеспечения рациональности решений. Монография./ Токарев В.Л. Тула: ТулГУ, 2000. - 120 с.

20. Заде Д. Понятие лингвистической переменной и его применения к принятию приближенных решений-М.:Мир. 1976. 168с.

21. Поспелов Д.А. Логико-лингвистические модели с системах управления. М.:Энергоиздат, 1981г.

22. Дилигенский Н.В., Дымова Л.Г., Севастьянов П.В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях неопределенности: технология, экономика, экология М.: «Издательство Машиностроение — 1», 2004. -397 с.

23. Одинцов Б.Е. Обратные вычисления в формировании экономических решений: Учеб. пособие. М.: Финансы и статистика, 2004. -192 с : ил. ISBN 5-279-02902-5

24. Гаек П., Гавранек Т. Автоматическое образование гипотез: математические основы общей теории. М.: Наука. Главная редаеция физико-математической литературы, 1984.-280 с.

25. Вагин В. Н., Головина Е. Ю., Загорянская А. Д., Фомина М. В. Достоверный и правдоподобный вывод в интеллектуальных системах / Под ред.

26. В.Н. Вагина, Д.А. Поспелова. М.: ФИЗМАТЛИТ, 2004. -704 с. - 15ВН 59221-0474-8.

27. Гайдес М.А.Общая теория систем (системы и системный анализ). Издание 2-е исправленное. -М.: "ГЛОБУС-ПРЕСС», 2005, -202с.

28. Черноруцкий И. Г. Методы принятия решений. СПб.: БХВ-Петербург, 2005. -416 с : ил. ISBN 5-94157-481-9

29. Айвазян С. Л. и др. Прикладная статистика: Исследование зависимостей: Справ, изд. / С. А. Айвазян, И. С. Енюков, «П. Д. Мешалкин; Под ред. С. А. -Айвазяна. — М.: Финансы и статистика, 1985. — 487 с, ил.

30. Козлов Д.Б. Критерии оценки обучающей выборки для нейросете-вой модели объекта.// XXX Гагаринские чтения. Тезисы докладов международной молодежной кон-ференции. Москва, 6-10 апреля 2004г. Т.5 М.: МАТИ-РГТУ им. К.Э.Циолковского, 2004. - С.38.

31. Аверкин А. Н. и др Нечеткие множества в моделях управления и искусственного интеллекта/Под ред. Д. А. Поспелова.— М.: Наука. Гл. ред. физ.-мат. лит., 1986.— 312 с.

32. Логическое программирование: Пер. с англ. и фрЛПод. Ред Агафонова В.Н.—М.: Мир, 1988, —368 с, Ил. I5BN 5-03-000972-8

33. Джексон П. Введение в экспертные системы М.: Вильяме, 450с.

34. Тарасенко Ф.П. Прикладной системный анализ (Наука и искусство решения проблем): Учебник. -Томск: Изд-во Том. ун-та, 2004. 186 с.

35. Рыков A.C. Методы системного анализа: многокритериальная и нечеткая оптимизация, моделирование и экспертные оценки. М.: НПО «Издательство «Экономика», 1999. - 191 с.

36. Рыков A.C. Методы системного анализа: оптимизация. М.: НПО «Издательство «Экономика», 1999.— 255 с.

37. Многокритериальные задачи принятия решений / Под ред. Д.М. Гви-шиани, C.B. Емельянова. М.: Машиностроение, 1978. - 192 с.

38. Салуквадзе М.Е. Задачи векторной оптимизации в теории управления.-Тбилиси:Мецниереба, 1975.

39. Ю.Я. Самохвалов Автоматическое доказательство теорем и нечеткий ситуационный поиск решений //Кибернетика и системный анализ -2001. -№4 -с.53-60

40. Айвазян С. Л. и др. Прикладная статистика: Основы моделирования и первичная обработка данных. Справочное изд. / С. А. Айвазян, И. С. Еню-ков, Л. Д. Мешалкин. — М.: Финансы и статистика, 1983. — 471с.

41. Кендалл М. Ранговые корреляции. М.:Статистика,1975ю-216с.

42. Растригин Л.А. Адаптация сложных систем. Рига: Зинатне, - 375с.

43. Емельянов В. В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. М.; ФИЗМАТЛИТ, 2003. — 432 с. — 18ВЫ 5-9221-0337-7

44. В. С. Симанков, Е. В. Луценко, В. Н. Лаптев. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В. С. Симанкова. Ин-т совр. технол. и экон. Краснодар, 2001. - 258 с.

45. Нечеткие множества в моделях управления и искусственного интеллекта/Под. ред. Д. А. Поспелова.— М.: Наука. Гл. ред. физ.-мат. лит., 1986.-312 с.

46. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике: Пер. с фр. М.: Радио и связь, 1990. - 288 с: ил. - 15ВЫ 5-256 00184-1.

47. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ./Под ред. Р. Р. Ягера. -М.: Радио и связь, 1986. 408 е.: ил.

48. Козлов Д.Б. Задача принятия решений для трудноформализуемых процессов // Вестник ТулГу. Серия «Вычислительная техника.» Вып.1. Тула: ТулГУ ,2007.-С. 103 -110.

49. Козлов Д.Б. Задача поддержки принятия решений для трудноформализуемых задач //Интеллектуальные и информационные системы: Материалы межрегиональной научно-технической конференции/ Тульский государственный университет.-Тула,2007. С.62 -65.

50. Козлов Д.Б. Метод поиска рационального решения в СППР на основе лингвистической модели // XXXIII Гагаринские чтения. Научные труды Меж-дународной молодежной конференции в 8 томах. Москва, 3-7 апреля 2007г. Т.8 -М.: MATH, 2007,- С.73 -75.

51. Представление и восстановление графов / Асельдеров 3. М., Донец Г. А.; Отв. ред, Андон Ф. И. АН УССР. Ин-т кибернетики им. В. М. Глушко-ва,—Киев : Наук, думка, 1991.— 192 е.-ISBN 5-12-0023320

52. Басакер Р., Саати Т. Конечные графы и сети. Перевод с англ. М.: гл. ред. Физ.-мат. лит. «Наука», 1973.-368 с.

53. Кристофидес Н. Теория графов. Алгоритмический подход. М.: «Мир», 1978, - 429 с.

54. Козлов Д.Б. Метод принятия решения в условиях неопределенности // Известия Тульского государственного университета. Технические науки. Выпуск 3. Тула: ТулГУ, 2008. - С. 101 - 109.

55. Кофман А. Введение в теорию нечетких множеств: Пер. с франц. — М.: Радио и связь, 1982. — 432 с, ил.

56. К. Шеннон. Работы по теории информации и кибернетике. М.: Иностранная литература, 1963, -832 с.

57. Соломон Кульбак. Теория информации и статистика М., 1967 г., 408с. ил.

58. А.П. Ротштейн , Ю.И.Митюшкин Извлечение нечетких знаний из экспериментальных баз данных при помощи генетических алгоритмов. //Кибернетика и системный анализ -2001. -№4 -С.45-53

59. А.П. Ротштейн , Ю.И.Митюшкин Нейролингвистическая идентификация нелинейных зависимостей //Кибернетика и системный анализ -2000. -№2 -С.37-44

60. Козлов Д.Б. Адаптивная лингвистическая модель трудноформали-зуемого процесса // XXXII Гагаринские чтения. Научные труды Международной молодежной конференции в 8 томах. Москва, 4-8 апреля 2006г. Т.4 -М.: МА-ТИ, 2006.-С.16 -17.

61. В.В. Акименко. Компьютерная система поддержки принятия управленческих решений в условиях смешанной информации для систем экологического мониторинга атмосферы. //Кибернетика и системный анализ, 2000, №5 -С.151-166

62. Аммерааль JI. STL для программистов на С++. М.: ДМК Пресс, 2000.-240 с.

63. Вячеслав Ермолаев, Тарас Сорока. С++ Builder: Книга рецептов. М.: КУДЙЦ-ОБРАЗ, 2006. 208 с.

64. Ролланд, Фред, Д. Основные концепции баз данных.: Пер. с англ. — М.: Издательский дом "Вильяме", 2002. — 256 с. : ил. —Парал. тит. англ. ISBN 5-8459-0297-5 (рус.)

65. Адлер Ю.П. Планирование эксперимента при поиске оптимальных условий. -М.: «Наука», 1971,-284с.

66. Ю.К. Королев. Общая геоинформатика. Часть I. Теоретическая гео-информатика.Выпуск l.-СПб.: ООО «Дата+», 1998г., 118с.

67. Бугаевский Л.М., Цветков В. Я.Геоинформационные системы. Учебное пособие для вузов. -М.:2000- 222с.,: ил. 28.

68. Уоррен, Генри, С. Алгоритмические трюки для программистов.: Пер. с англ. — М. : Издательский лом "Вкльямс", 2003. — 288с.; ил. — Парал. тит. англ. ISBN 5-8459-0471-4 (рус.)

69. X. Уэно и др. Представление и использование знаний -М.: Мир. 1989 -240с.

70. Приобретение знаний / Под ред. С. Осуги, Ю. Саэки. М.: Мир 1990304с.

71. С.А. Айвазян, В.С Мхитарян Прикладная статистика и основы эконометрики, М. Юнити, 1998,-420с.

72. Загоруйко Н.Г. Алгоритмы обнаружения эмпирических закономерностей. Новомосковск: Наука, 1985.

73. Д.В. Гаскаров Интеллектуальные информационные системы. Учеб. для вузов. -М.: Высш.шк., 2003 -431с: ил.

74. Микони C.B. Модели и базы знаний. Учеб. пособие -СПб.: СПГУПС,2000 -155с.

75. Соколов А.Ю. Алгебраическое моделирование лингвистических динамических систем // Проблемы управления и информатики. 2000. - №2. -С. 141-148.

76. Цыпкин Я.З. Основы информационной теории идентификации. —М.: Наука, 1984. -320с.1. Акты о внедрении.