автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Модели и алгоритмы систем поддержки принятия решений на основе ситуационного подхода

004615507 На правах рукописи

КАРЯКИН Юрий Евгеньевич

МОДЕЛИ И АЛГОРИТМЫ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ СИТУАЦИОННОГО ПОДХОДА

Специальность 05.13.18 - математическое моделирование, численные методы и комплексы программ

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

- 2 ден 2010

Тюмень-2010

004615507

Работа выполнена на кафедре информационных систем Института математики и компьютерных наук ГОУ ВПО Тюменский государственный университет.

Научный руководитель: доктор технических наук, профессор

ГЛУХИХ Игорь Николаевич

Официальные оппоненты: доктор физико-математических наук,

профессор

АКСЕНОВ Борис Гаврилович

Ведущая организация: ГОУ ВПО Сургутский государственный

университет ХМАО-Югра, г. Сургут

Защита диссертации состоится «21» декабря 2010 г. в 1400 часов на заседании диссертационного совета Д 212.274.14 при Тюменском государственном университете по адресу: 625003, г. Тюмень, ул. Перекопская, 15А, ауд. 410.

С диссертацией можно ознакомиться в библиотеке Тюменского государственного университета.

Автореферат разослан « » ноября 2010 г.

кандидат технических наук ХАРТЬЯН Денис Юрьевич

Ученый секретарь диссертационного совета

Н. Н. Бу таков а

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В настоящее время развиваются и внедряются в практику управления сложными системами информационные технологии, инженерия знаний, методы поиска и принятия решений, методы моделирования и др. В результате создаются предпосылки для построения высокоэффективных систем обработки и использования знаний при решении широкого круга прикладных задач.

Особую актуальность приобретают системы, предназначенные для поддержки принятия решений, и их внедрение в контур управления потенциально опасными производственными объектами. Это подтверждается, в частности, масштабностью и тяжестью последствий техногенных аварий и катастроф последних десятилетий. Статистические данные свидетельствуют о том, что более 70% аварий и чрезвычайных ситуаций происходит по вине человека, в результате принятия несвоевременных, неверных или неэффективных решений.

В современных условиях организационно-технические и социально-экономические системы функционируют в динамически изменяющейся среде, что сопровождается изменением условий, ограничений, а иногда и целей управления объектами и процессами. Это приводит к тому, что разработка или совершенствование адекватных и полных моделей отстает от реалий и потребностей управления. При этом построение точных математических моделей сложных объектов, пригодных для реализации и эксплуатации на современных компьютерах либо затруднительно, либо принципиально невозможно. Это обусловливает необходимость отказываться от апробированных схем реализации управления, переходить к применению эвристических процедур, абстрагируясь от некоторых параметров объекта в целях получения модели более простой и удобной для реализации и использования.

Возникает необходимость в разработке методов и инструментальных средств автоматизации формирования альтернативных управленческих решений, основанных на объединении парадигм дискретного управления и ситуационного моделирования. В свою очередь, это требует нетрадиционного применения математического аппарата для построения модели объекта.

Актуальность развития методических и инструментальных средств для систем поддержки принятия решений (СППР) подтверждается еще и тем, что стоимость и ответственность управленческих решений постоянно возрастает, а время на их информационную и аналитическую поддержку уменьшается.

Все вышеперечисленное позволяет сделать вывод о том, что научные разработки, направленные на совершенствование СППР и ускорение внедрения их в контуры управления различных систем, актуальны.

Целью работы является повышение эффективности управления сложными организационно-техническими и социально-экономическими системами на основе ситуационных моделей.

Для достижения этой цели определены следующие задачи:

- обоснование актуальности поставленных задач посредством анализа современного состояния систем поддержки принятия решений и анализ подходов и методов математического моделирования, применяемых в управлении сложными системами;

- создание модели знаний о ситуациях и решениях на основе их формализованного представления;

- разработка и исследование алгоритмов классификации и распознавания ситуаций;

- разработка и исследование алгоритмов формирования новых возможных ситуаций и управляющих воздействий в них;

- исследование работоспособности разработанных моделей и алгоритмов посредством их программной реализации.

Объектом исследования являются методы и технологии, используемые в системах поддержки принятия решений, функционирующих в изменяющейся информационной среде.

Предметом исследования являются модели и алгоритмы, повышающие эффективность систем поддержки принятия управленческих решений при реализации ситуационного управления сложными объектами или системами.

Методы исследования - теория ситуационного управления, корреляционный и регрессионный анализ, векторная алгебра, многомерный статистический анализ, теория принятия решений, теория эволюционных алгоритмов.

На защиту выносятся:

- модель знаний о ситуациях и решениях на основе матричных представлений и преобразований их атрибутов (параметров), позволяющая конструировать решения и формировать возможные ситуации для пополнения базы знаний или для обучения лиц, принимающих решение (ЛПР);

- алгоритм многомерной классификации ситуаций, характеризующих предметную область, отличающийся возможностью различать ситуации, относящиеся к различным качественным классам;

- метод моделирования принятия решений на основе формализованного многопараметрического представления ситуаций и векторного представления их решений;

- структура компьютерной системы поддержки принятия решения при управлении организационно-техническими и социально-экономическими системами.

Научная новизна и теоретическая значимость заключается в следующем:

- создана модель представления и обработки знаний в системах поддержки принятия решений на основе ситуационного подхода, отличающаяся возможностью автоматизированного конструирования решений ситуаций, отсутствующих в базе знаний, а также формирования возможных ситуаций для пополнения ситуационной базы знаний или обучения ЛПР;

- разработан алгоритм многомерной классификации с учетом наличия проблемных ситуаций, предполагающий формирование кластеров различных классов ситуаций;

- разработан алгоритм генерации возможных ситуаций для пополнения ситуационной базы знаний в рамках корреляционной теории, использующий метод линейного регрессионного анализа;

- разработан алгоритм формирования управляющих воздействий с применением генетического алгоритма, позволяющий реализовать многовариантность решений;

- предложена структура компьютерной системы поддержки принятия решений на основе разработанных моделей и алгоритмов.

Практическая значимость работы. Предложенные математические методы и модели доведены до уровня алгоритмического и программного обеспечения, позволяющего оценить их применимость в конкретных сферах деятельности. Научные результаты, полученные в работе, представляют интерес при построении систем поддержки принятия решений для осуществления ситуационного управления сложными организационно-техническими и социально-экономическими системами.

Разработанные методы, модели и алгоритмы могут составить основу для программной реализации и внедрения компьютерных систем проблемного обучения в процессе подготовки специалистов по принятию ими управляющих решений.

Реализация и внедрение результатов работы. Результаты исследований использовались при выполнении госбюджетной НИР «Интеллектуальные системы обучения решению профессионально-ориентированных проблемных задач (в области управления организационно-техническими объектами)» (№ госрегистрации НИР 01.20.02 14952), включены в курсы «Компьютерное моделирование», «Информационные системы» подготовки студентов специальностей «Прикладная информатика в экономике», «Прикладная информатика в географии», «Компьютерная безопасность» в Тюменском государственном университете.

Апробация работы. Основные результаты докладывались на VI международной научно-технической конференции (Пенза, 2007), III межрегиональной научно-практической конференции «Информационные технологии и телекоммуникации в экономике, управлении и социальной сфере» (Тюмень, 2008), межрегиональной научно-практической конференции «Теория и практика имитационного моделирования и создания тренажеров» (Пенза, 2002), III научно-практической региональной конференции «Современные проблемы математического и информационного моделирования. Перспективы разработки и внедрения инновационных IT-решений» (Тюмень, 2010), межвузовской научно-методической конференции «Межсессионный контроль и качество обучения» (Тюмень, 2001), областной научно-методической конференции «Роль информационных технологий в обучении:

проблемы, перспективы, решения» (Тюмень, 2003), на научно-методических семинарах Института математики и компьютерных наук и кафедры информационных систем Тюменского государственного университета (2002-2010 г.г.).

Публикации. По теме диссертации опубликовано 17 работ, в числе которых 3 авторских свидетельства о государственной регистрации программы для ЭВМ и 1 статья в издании из списка ВАК.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Объем диссертации составляет 132 страницы. Библиографический список включает 147 наименований работ российских и зарубежных авторов.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, охарактеризованы объект и предмет исследования, определены цели и задачи исследования. Сформулированы основные положения, выносимые на защиту, научная новизна и практическая значимость полученных результатов.

В первой главе рассматриваются современное состояние систем поддержки принятия решений, приводится анализ существующих подходов к их построению, рассматривается ситуационный подход к управлению, а также современные подходы математического моделирования подобных систем.

Проблемы поддержки принятия решений, аспекты инженерии знаний, проектирования информационных систем рассматривались в исследованиях C.B. Смирнова, Г.С. Поспелова, Д.А. Поспелова, Ю.И. Клыкова, В.И. Вагина, Э.В. Попова, Э.А. Трахтенгерца, Т.А. Гавриловой, Ю.В. Тельнова и др. отечественных ученых, а также в трудах зарубежных ученых JI. Заде, П. Джексона и др.

Методы анализа многомерных данных, применяемые для исследования структуры и взаимосвязей характеристик функционирования сложных систем, рассматриваются в трудах Б.Г. Миркина, С.А. Айвазяна, Б.П. Ивченко, А.И. Орлова, Т. Саати и др. Системный аспект при обработке информации, циркулирующей в сложных системах, рассматривается в трудах Н.П. Бусленко, Б.Г. Лит-вак. A.A. Денисова, В.Н. Волковой, Ф.Ф. Пащенко, Б.П. Бусыгина.

На основе проведенного анализа методов делается вывод о возможности реализации в рамках ситуационного подхода современных методов обработки данных, обеспечивающих уменьшение работы эксперта в процессе настройки системы и принятия решения, а также создание механизма пополнения ситуационной базы знаний новыми возможными ситуациями и их решениями.

Во второй главе предлагается модель представления знаний

0 ситуациях и решениях на основе многопараметрического, матричного представления ситуаций, преобразование которого ведет к формированию решений. Эта модель учитывает корреляционные связи между значениями факторов (показателей), описывающих ситуации.

Понятие модели представления знаний о ситуациях и их решениях формулируется как кортеж:

М={<8ьи;>, I, С},1=1.....N.

где 5, - г'-ая ситуация-пример; 111 - решение /-ой ситуации-примера;

1 - информационная база правил выработки управляющих воздействий; С - критерии оценки ситуаций и решений.

Состояние объекта управления в ситуационных моделях описывается в терминах ситуаций. Под ситуагщей понимается совокупность обстоятельств, возникающих как результат комбинации воздействия внешней и внутренней среды организационно-технической системы.

Формальный аппарат представления в СППР информации о ситуациях в сложных системах основан на использовании набора атрибутов (показателей) Аь А2, ..., Ап, которыми описывается любая ситуация в системе. Информация о ситуациях в сложной системе представляется в виде строк с фиксированным расположением каждом атрибута А;:

вй = <Аь А2, ..., Ап>.

При выборе атрибутов, характеризующих ситуации, необходимо четко представлять в какой шкале измеряются показатели. Тип шкалы важен для определения степени отличия (сходства) двух ситуаций. Вводится ограничение, касающееся того, что показатели, характеризующие ситуации, представляются в количественной шкале.

Формализованное представление множества всех ситуаций, характеризующих какую-либо предметную область, имеет следующий вид:

Б = { 8((Хц,...,Хт) }, ¡=1,

где Б|(хц,...,хщ) - ¡-я ситуация; х^ - оцифрованное значение .¡-го показателя для ьй ситуация 0=1,...,п); N - количество ситуаций; п - количество показателей.

Поведение сложной системы описывается движением представляющей ее точки в п-мерном пространстве.

Исходя из динамического характера сложных систем и необходимости своевременной реакции ЛПР на изменения ситуации, выделяются 3 основных класса ситуаций по скорости реакции на их возникновение:

1. Штатные (стандартные) К+;

2. Потенциально конфликтные К*;

3. Конфликтные (нестандартные) К".

УЯ, .-(я, £ К+ V 5, £ К* V 5, £ к~)л(к+ и К* и КГ = з).

В работе сформулированы формальные признаки названных классов ситуаций и рассмотрена возможность последовательных переходов ситуации из класса в класс в результате управляющих воздействий ЛПР.

Описанные в количественной шкале показатели имеют, как правило, различную физическую природу и поэтому различную размерность, которая устраняется путем центрирования и нормирования:

где х/ - — х,, ~ оценка математического ожидания7-0й компоненты;

о] = ^ (Ху — х} )2 - оценка ее среднего квадратического отклонения.

В результате значения показателей приобретают безразмерный вид. В качестве метрики сходства (различия) ситуаций выбрана Евклидова метрика, так как она наилучшим образом обес-

печивает нахождение степени сходства (различия) объектов, параметры которых задаются в непрерывной количественной шкале.

Для последующей структуризации показателей и учета их статистической взаимозависимости вводится матрица связи. Матрица связи - квадратная симметрическая матрица типа «показатель-показатель», где на пересечении 1-ой строки ./-ого столбца стоит мера «взаимосвязанности» /'-го иу-го показателей.

В качестве такой меры используется коэффициент корреляции Пирсона Гц, так как он не имеет размерности, следовательно, сопоставим для величин различных порядков.

'к1 - I-> V)

1 М

где ^ = 77ТТ *у ~Х]).

п 1 1=1

В результате матрицей связи становится корреляционная матрица Я-(Гу). Корреляционная матрица находится из соотношения

Л = (3)

где 7т=(/,}) - информативная матрица, составленная из стандартизированных значений показателей (1).

Для формализации решений и выявления их свойств постулируются следующие утверждения.

Утверждение 1. Решением является последовательность пошаговых управляющих воздействий (один из основных постулатов ситуационного управления).

Утверждение 2. Элементарное управляющее воздействие -это изменение одного из управляющих параметров.

Утверждение 3. Изменение одного из параметров может повлечь за собой изменение других параметров, в том числе неуправляющих, т.е. имеет место взаимозависимость параметров, характеризующих ситуацию.

Элементарное управляющее воздействие определяется как отображение:

где 5,-текущая ситуация; ик(0, ..., Ахь ..., 0) - вектор воздействия.

Суперпозиция полученных пошаговых управляющих воздействий будет образовывать искомое решение, формализованная запись которого используется в моделях для нахождения новых решений:

иупр=и{х...хип, т.е. м>п/,=(Ах1,...,Дх„).

Для формализованного представления решений ситуаций определяется линейное преобразование, соответствующее элементарному воздействию, входящему в суперпозицию решений. При этом учитываются корреляционные зависимости между показателями.

Линейная регрессионная модель оказывается предпочтительнее других, поскольку является наиболее простой и надежной, а также имеет меньший риск значительной ошибки прогноза, чем в других моделях.

В предположении линейного характера зависимости между показателями х, и х] имеем зависимость х, = axJ + Ь + £, где е -

случайная составляющая.

Получив оценки аиЬ, имеем уравнение регрессии:

х^г—х^р, (4)

у о J

где Гц - коэффициент корреляции; <т„ о, - оценки средних квадратиче-ских отклонений значений /-го и у-го показателя соответственно; /3 -оценка свободного коэффициента Ь.

При изменении значения объясняющего показателя имеем изменение объясняемого:

Ъ + Ах^г^^ + Ах^ + Р (5)

Из (4) и (5) получаем

&х,=г1]—Ах] (6)

aJ

Пренебрежение случайной составляющей возможно тогда, когда в рассматриваемой системе математическое ожидание случайного возмущения равно 0. При этом дисперсия возмущений оценивается величиной

п-2'

где е, = у1 — у, -выборочная оценка возмущения; у, - групповая средняя.

Математическое ожидание квадрата отклонения наблюдаемых значений от сглаженных в линейной модели оказывается меньше, чем в других моделях.

Формула (6) характеризует изменение параметров исходной ситуации в результате изменения одного из параметров. Элементарное воздействие в матричном представлении будет иметь вид:

гд =

Суперпозиция элементарных воздействий, характеризующая преобразование текущей ситуации, в матричном представлении запишется в виде:

Ах = Я'-иупр (7)

где Ах - вектор изменения значений исходной ситуации; Л' - «скорректированная» корреляционная матрица; иупр - вектор управляющих воздействий.

Подобный подход к представлению решений обладает инвариантностью относительно перестановки элементарных управляющих воздействий, образующих решение. Данное свойство формулируется в виде доказанного в работе утверждения 4.

Утверждение 4. Результат суперпозиции элементарных управляющих воздействий не зависит от последовательности их реализации, т.е.

£те0...0С/и= ирт °ир(2) °...°ир(пК Ур

где С/ - элементарное управляющее воздействие по изменению г'-го атрибута состояния системы; р - возможная перестановка.

В третьей главе предлагаются метод классификации ситуаций, основанный на кластерном анализе, алгоритмы моделирования новых ситуаций и управляющих воздействий в рамках корреляционной теории.

Использование ситуационного подхода в СППР требует применения многомерной классификации ситуаций, хранящихся в базе знаний, а также ситуаций, возникающих в процессе функционирования системы, для выявления схожих критических ситуаций.

Алгоритм кластеризации - это функция, которая каждой ситуации, содержащейся в ситуационной базе знаний, ставит в соответствие номер кластера. Кластер характеризуется центром и радиусом.

Под центром кластера понимается среднее геометрическое место точек в пространстве переменных:

где - стандартизированное значение г'-го показателя у го объекта кластера; 1к - количество объектов в ¿-ом кластере.

Радиус кластера определяется как максимальное расстояние точек от центра кластера:

Все ситуации относятся к одному из трех введенных ранее классов. Критерий эффективности может принимать значение, принадлежащее к одному из трех различных множеств. Множество значений интегрального критерия делится на три непересекающихся интервала.

Разработанный алгоритм многомерной классификации, относящийся к неиерархическим алгоритмам кластерного анализа, представляет собой итерационный процесс дробления исходной совокупности. В процессе деления новые кластеры формируются до тех пор, пока не будет выполнено правило остановки.

Алгоритм кластеризации заключается в следующем.

1. Выбор начального распределения ситуаций по кластерам.

Начальное число кластеров к=3. Определенные ранее классы ситуаций будут являться начальными кластерами. В результате каждая ситуация назначена определенному кластеру.

(8)

(9)

V*,: (5,. Е К+ V 6 Я* V 5,. е кг) л (к+ и и К~ = я)

2. Формирование новых кластеров.

Для каждого кластера находятся компоненты центра и радиус по формулам (8) и (9). Создание нового кластера (к = к + 1) производится, если имеет место пересечение кластеров, содержащих ситуации, относящиеся к разным классам, или имеются значительные расстояния между ситуациями.

( к \ 3/, у; К1 П К} * 0, / * у; {] К, = £ V (3К,: Я, > Сот()

'=1

Новый кластер будет относиться к тому классу ситуаций, который имел кластер максимального радиуса и/или включал в себя ситуации противоположного класса.

Э^ : (я кеК+/\*кЕ К,, А',СГУ!,сг)Л (^е^л^ел:,, к} ск+ у к, с ¿г) л е к~ л ^ е к} с к+ V к, с к±)

Перераспределение ситуаций производится из критерия близости к центру, который пересчитывается с каждым включением новой ситуации.

А / ¿=1 /=1

3. Правило остановки.

Процесс формирования новых кластеров и перераспределения ситуаций продолжается до одновременного выполнения следующих условий:

- отсутствие пересечений кластеров, содержащих ситуации, относящихся к разным классам;

- отсутствие значительных расстояний между ситуациями, относящихся к одному кластеру (приемлемое значение радиуса кластера).

П К] = 0, г * у = 1 ,...,к; = 5 Л [ттЯ, < Сот|

В результате работы алгоритма формируются кластеры, которые имеют в своем составе ситуации, относящиеся только к одному определенному классу.

Для получения новых ситуаций с целью пополнения ситуационной базы знаний или подготовки к их решению лицом, принимающим решения, применяется известный метод линейного преобразования. Использование метода предполагает выполнение условия сохранения корреляционных соотношений получаемых ситуаций.

Метод состоит в том, чтобы, выработав п независимых случайных величин (уь ..., уп), применить к ним линейное преобразование Л:

х = А-у, где х = (х1,...,хп)Т ,у = (у„...,уп)Т.

Матрица А выбирается треугольной

А =

О

21

' 22

... о ^ ... о

(10)

и = ;

Элементы матрицы находятся из условия:

М (хпх;) = гп, М( У„У]) = ои =

Для элементов корреляционной матрицы имеем:

гп=ап ги

Гт =ап\ + а~п2 +- + апп

Из (11) получаются коэффициенты матрицы А:

7-1

(н)

ач=-

*=1

Г*

у-1

-2>.

к=1

!<;</<«, ^а1ка]к =0, =0 (12)

*=1

к=1

Новая ситуация, требующая принятия решения, получается преобразованием случайного вектора, математические ожидания координат которого равны координатам центра соответствующего кластера:

Дополнение и уточнение набора ситуаций, а также их решений, происходит на протяжении всего процесса применения ситуационного подхода, начиная от сбора и анализа информации и заканчивая этапом практического применения.

Для формирования управляющего воздействия с целью перехода от текущей ситуации х к требуемой ситуации х' используется формализованное матричное представление (7).

Приращение координат исходной ситуации представимо в виде

Дх = х'-х= Вх-х=(В- Е)х, (13)

где ...,*„) - текущая ситуации; х' (х'ь ..., х'„) - требуемая ситуация; В - матрица линейного преобразовании, переводящего вектор х в вектор х'.

Из (7) и (13) получается выражение для нахождения управляющего воздействия при известном преобразовании исходной ситуации

иупр={.Я,ГХ-{В-Е)х (14)

Алгоритм нахождения обратной матрицы (/?') ' реализуется численно.

Использование в (14) различных вариантов матрицы В позволяет получать множество альтернатив управляющих воздействий.

Для нахождения вариантов матрицы В используется генетический алгоритм. Рассматривается задача оптимизации

Р(В) —* тт (15)

где В - матрица линейного преобразования.

Функция Р(В) является скалярной многопараметрической функцией, которая определяется как

Б(В) = с1(у, 2) = у1(21 -х\)2+(г2-х'2)2+... + (гп-х'п)2 (16) где х' = (х\,х'2,...,*'„), г = (2иг2,-,г„) - векторы, принадлежащие Ш".

Коэффициенты bn,bn,...,b2l,b12,...,bnV...,bm матрицы В кодируются двоичными целочисленными строками, образуя хромосому (особь) h — (bn,bn,...,bm). Для двоичной кодировки используется рефлексивный код Грея, обладающий свойством непрерывности бинарной комбинации.

Используя целевую функцию F(B), строится функция пригодности генетического алгоритма

m(h) =---. (17)

Генетический алгоритм можно представить следующей последов ательностью:

// Создание исходной популяции мощности М

While (k<M)

{

Генерация особи случайным образом;

}

// Основной цикл алгоритма

While (Критерий_останова о TRUE)

{

Оценка значения функции пригодности;

// Оператор репродукции

Отбор особей для процесса размножения;

// Оператор кроссинговера

Создание потомков выбранных пар родителей;

// Оператор мутации

Мутация новых особей;

Расширение популяции новыми порожденными особями;

// Оператор редукции

Сокращение популяции до исходного размера;

}

Выбор лучшей особи в конечной популяции

Репродукция. Для каждой особи /г, вычисляется вероятность

в соответствии с которой происходит пропорциональный отбор для производства потомства.

Скрещивание. Для каждой отобранной пары особей с вероятность Рс (Рсе [0,8; 0,95]) применяется равномерное скрещивание. Случайным образом копируется каждый ген от одного или другого родителя.

Мутация. После оператора скрещивания, с хромосомами потомков выполняется оператор мутации - каждый бит с вероятностью Рт (Рте[0,01; 0,001]) изменяется на противоположный.

При манипулировании имеющейся популяцией с помощью генетических операторов получаются новые особи, т.е. новые линейные преобразования.

В результате работы предложенного алгоритма получаются различные варианты линейного преобразования В, реализуя тем самым многовариантность решения.

В четвертой главе рассматривается структура системы поддержки принятия решений на основе разработанных методов и алгоритмов; уточняется специфика информационного окружения и инструментария; исследуются возможности, работоспособность и эффективность системы; приводятся результаты апробации.

Для реализации разработанных методов и алгоритмов на основе ситуационного подхода предложена модульная структура СППР, варианты управления системой и режимы ее работы, обсуждается взаимодействие различных алгоритмов между собой.

Программное обеспечение позволяет выполнять необходимые операции со знаниями, основными из которых являются:

- многомерная классификация с использованием разработанного алгоритма кластерного анализа;

- моделирование возможных ситуаций с использованием алгоритма, применяющего линейное преобразование, действующего в рамках корреляционной теории и на основе проведенной классификации. После моделирования ЛПР оценивает полученные ситуации;

- формирование управляющих воздействий для разрешения кризисных ситуаций с применением разработанного алгоритма, использующего формализованное представление ситуаций и решений на основе регрессионного анализа. Многовариантность решений обеспечивается применением различных линейных пре-

образований, получаемых с помощью алгоритма, реализованного на базе генетического алгоритма.

Проверка работоспособности разработанного программного комплекса и адекватности моделей проводилась на известной макроэкономической модели, использующей следующие показатели: средняя продолжительность жизни (лет), численность населения (тыс. человек), доля городского населения (%), число медицинских работников на 10 тысяч населения (чел.), доля неграмотных (%), среднегодовой индекс роста производства продовольствия (%). В качестве интегрального критерия эффективности был взят результативный показатель, который представляет собой среднюю продолжительность жизни.

В результате работы программного модуля, реализующего классификацию ситуаций, выполняется распределение ситуаций по кластерам. Полученные кластеры обладают показателем качества, т.е. номером класса содержащихся в кластере ситуаций. Результаты работы модуля кластеризации сопоставлялись с результатами решения задачи кластеризации в пакете 81а11зШса 9.1. При этом совпадение состава кластеров составило 83%.

При формировании управляющих воздействий пользователь задает ситуацию, требующую разрешения и относящуюся к определенному классу ситуаций. По координатам ближайшего кластера, содержащего ситуации более высокого качества, вводится конечная ситуация. В результате работы программного приложения формируются значения вектора управляющего воздействия. При этом возможно формирование нескольких управляющих воздействий, образуя множество альтернатив решения начальной ситуации.

В вычислительном эксперименте получено, что для разрешения критической ситуации, когда средняя продолжительность жизни составляет 42,2 года возможен выбор следующей предлагаемой системой альтернативы: увеличить долю городского населения на 8,4%, число медицинских работников (на 10 тысяч населения) должно быть увеличено на 10,7 человека, долю неграмотных уменьшить на 10,2%, а среднегодовой индекс роста производства продовольствия увеличить на 7,2%.

Полученные в результате вычислительного эксперимента управляющие решения не противоречат решениям, принимаемым

в данной ситуации для повышения эффективности функционирования объекта управления, и подтверждают работоспособность разработанных методов и алгоритмов.

В заключении приведены основные результаты диссертационной работы:

- исследовано применение методов ситуационного управления, современных методов обработки данных и сделан вывод о применимости и перспективности этого направления. Показано, что перспективность направления внедрения новых методов связана с уменьшением работы эксперта в процессе принятия решения и настройки системы на конкретный объект управления;

- построенная модель многофакторного представления ситуаций, характеризующих предметную область, а также решений проблемных ситуаций, показала свою эффективность в смысле применения различных методов проведения классификации, формирования возможных ситуаций и генерации решений проблемных ситуаций;

- разработанные алгоритмы: классификации с учетом наличия различных классов проблемных ситуаций, применения регрессии в генерировании возможных ситуаций для пополнения базы знаний, формирования решения проблемных ситуаций на основе эволюционных алгоритмов - применимы в практических задачах построения СППР;

- предложенная структура системы поддержки принятия решения на базе разработанных методов и алгоритмов дает возможность строить СППР для различных предметных областей;

- программная реализация разработанных методов и алгоритмов и вычислительные эксперименты показали работоспособность и эффективность в смысле уменьшения затрат времени на настройку системы, прогнозирования возможных проблемных ситуаций и своевременного принятия решений в управлении организационно-техническими и социально экономическими системами.

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Карякин Ю.Е. Некоторые аспекты построения системы обучения принятию управленческих решений // Вестник ТюмГУ, 2008. № 6. С. 176-182.

2. Карякин Ю.Е., Карякин И.Ю. Модификация метода кластерного анализа применительно к ситуационному подходу в интеллектуальных обучающих системах //Сборник статей VI международной научно-технической конференции. - Пенза: РИО ПГСХА, 2007. -С. 94-96.

3. Глухих И.Н., Карякин Ю.Е. Моделирование проблемных ситуаций и их решений в интеллектуальных системах обучения //Системный анализ, моделирование и обработка информации: Межвузовский сборник научных трудов. Выпуск 1. - Сургут: РИО СурГПИ, 2002. С. 19-21.

4. Глухих И.Н., Карякин Ю.Е. Моделирование ситуаций в интеллектуальных системах проблемного обучения на основе преобразования примеров //Теория и практика имитационного моделирования и создания тренажеров. - Пенза: ПГУ, 2002. С. 120-121.

5. Глухих И.Н., Карякин Ю.Е. Модель системы поддержки принятия управленческих решений на основе анализа ситуаций //Математическое и информационное моделирование. Сб. научн. трудов. Вып.4. - Тюмень: ТюмГУ, 2002. - С. 85-89.

6. Карякин Ю.Е. Дополнение данных для нахождения преобразования ситуаций и решений в интеллектуальных обучающих системах // Информационное и компьютерное моделирование: сборник научных трудов. Вып. 5. Тюмень: Издательство «Вектор Бук», 2003. С. 76-79.

7. Карякин Ю.Е., Громов Д.Н., Сысоева Е.Б. Прототип интеллектуальной обучающей системы //Информационное и компьютерное моделирование: сборник научных трудов. Вып. 5. Тюмень: Издательство «Вектор Бук», 2003. С.79-87.

8. Карякин Ю.Е., Карякина C.B. Использование методов регрессионного анализа в интеллектуальных обучающих системах // Информационное и компьютерное моделирование: сборник научных трудов. Вып. 6. Тюмень: Издательство «Вектор Бук», 2004. С. 217-227.

9. Карякин Ю.Е., Карякин И.Ю. Использование средств Data Mining и методов кластерного анализа в интеллектуальных обучающих системах //Информационное и компьютерное моделирование: сборник научных трудов. Вып. 9. Тюмень: Издательство «Вектор Бук», 2007. С. 93-102.

10. Карякин Ю.Е., Круглик Ю.А. Нахождение линейного преобразования с использованием генетического алгоритма // Современные проблемы математического и информационного моделирования. Перспективы разработки и внедрения инновационных ГГ-решений.

Третья научно-практическая региональная конференция (Тюмень, ТюмГУ, Институт математики и компьютерных наук, 14-15 апреля 2010 года). Тюмень: Издательство «Вектор Бук», 2010. - С. 117-124.

11. Карякин Ю.Е., Круглик Ю.А. Моделирование ситуаций и управляющих воздействий в рамках корреляционной теории // Современные проблемы математического и информационного моделирования. Перспективы разработки и внедрения инновационных ГГ-решений. Третья научно-практическая региональная конференция (Тюмень, ТюмГУ, Институт математики и компьютерных наук, 14-15 апреля 2010 года). Тюмень: Издательство «Вектор Бук», 2010. - С. 125-132.

12. Карякин Ю.Е. Автоматизация обучения и контроля // Межсессионный контроль и качество обучения. Материалы межвузовской научно-методической конференции. Тюмень: «Вектор Бук», 2001. С. 22-23.

13. Глухих И.Н., Карякин Ю.Е. Информационные технологии и методы инженерии знаний как средство активизации учебной деятельности при подготовке специалистов //Роль информационных технологий в обучении: проблемы, перспективы, решения: Материалы областной научно-методической конференции. - Тюмень: ТюмГН-ГУ, 2003. С. 19-21.

14. Глухих И.Н., Карякин Ю.Е., Громов Д.Н., Сысоева Е.Б. Интеллектуальные системы обучения решению профессионально-ориентированных проблемных задач (в области управления организационно-техническими объектами) //Заключительный отчет по НИР/ Рук. И.Н.Глухих. - М.: ВНТИЦ, ИК №02.20.03 03364.

Авторские свидетельства

15. Карякин Ю.Е., Круглик Ю.А. Свидетельство об официальной регистрации программы для ЭВМ №2009616428 «Кластерный анализ ситуаций, относящихся к двум различным категориям» от 20.11.2009.

16. Карякин Ю.Е., Круглик Ю.А. Свидетельство об официальной регистрации программы для ЭВМ № 2009616420 «Нахождение линейного преобразования с использованием генетического алгоритма» от 20.11.2009.

17. Карякин Ю.Е., Круглик Ю.А. Свидетельство об официальной регистрации программы для ЭВМ № 2010615993 «Моделирование случайных векторов в рамках корреляционной теории» от 13.09.2010.

Подписано в печать 10.11.2010. Тираж 100 экз. Объем 1,0 уч.-изд. л. Формат 60x84/16. Заказ 599.

Издательство Тюменского государственного университета 625003, г. Тюмень, ул. Семакова, 10. Тел./факс (3452) 45-56-60; 46-27-32 E-mail: izdatelstvo@utmn.ru

Введение.

Глава 1 Анализ современного состояния проблем построения систем поддержки принятия решений.

1.1 Современное состояние систем поддержки принятия решений.

1.2 Ситуационртый подход в исследовании систем управления.

1.3. Математическое моделирование при принятии решений.

Выводы.

Глава 2 Моделирование ситуаций и решений в системе поддержки принятия решений.

2.1 Ситуационная модель системы.

2.2 Формализация представления ситуаций.

2.3 Формализованное представление решений.

Выводы.

Глава 3 Алгоритмы обработки ситуаций и решений.

3.1 Классификация ситуаций.

3.2 Генерирование возможных ситуаций.

3.3 Формирование управляющих воздействий.

Выводы.

Глава 4 Программная реализация системы поддержки принятия решений.

4.1 Компоненты системы поддержки принятия решений на основе ситуационной модели знаний.

4.2 Практическая реализация системы поддержки принятия решений.

Выводы.

Актуальность работы. Настоящее время характеризуется развитием и внедрением в практику управления, сложных систем различных научных направлений: кибернетики, информационных технологий, инженерии знаний, когнитивной* психологии, методов поиска и принятия решений, методов оптимизации и моделирования и др. В результате создаются предпосылки для построения высокоэффективных систем по обработке и использованию знаний при решении широкого круга прикладных задач.

Особую актуальность- приобретают системы, предназначенные для поддержки принятия решений. Название этих систем соответствует их назначению: по запросу пользователя «выдавать» советы по поведению в складывающейся на анализируемом объекте ситуации, причем делать это на уровне опытного человека, эксперта в своей области.

Система не предназначена для замены человека, принимающего решения, хотя в экстренных случаях такая замена возможна (при наличии надежного интерфейса с объектом управления). Лицу, принимающему решения, предлагается несколько альтернативных вариантов решений. Право выбора конкретного решения остается за человеком.

Значительная часть информации, необходимая для математического описания объекта, существует в форме представлений и пожеланий специалистов — экспертов, имеющих опыт работы с данным объектом.

В условиях современного научно-технического прогресса организационно-технические и социальн-экономические системы эксплуатируются в динамически изменяющейся среде, что сопровождается изменением и условий, и ограничений, и, подчас, целей функционирования управляемых объектов и (или) процессов. Это приводит к тому, что разработка адекватных и полных моделей отстает от реалий и потребностей управления. В реальной жизни они повседневно встречаются с необходимостью принятия решений, когда еще нет полной и адекватной модели управляемого процесса или объекта.

Построение точных математических моделей сложных объектов, пригодных для реализации и эксплуатации на современных компьютерах, либо затруднительно, либо вообще невозможно. При построении точной модели, учитывающей все факторы, используя традиционные методы математической логики, она получается чрезвычайно громоздкой и неприемлемой для практического использования, либо по экономическим соображениям (требуется очень мощная вычислительная техника, стоимость которой вместе с расходами на эксплуатацию значительно превышает возможные выгоды от повышения качества принимаемых решений), либо время реакции разрабатываемой системы на изменение ситуации на объекте оказывается недопустимо большим.

В этом проявляется «сложность» объекта управления, обусловливающая необходимость отказываться от апробированных схем реализации управления, переходить к применению эвристических процедур, абстрагируясь от некоторых параметров объекта в целях получения модели более простой и удобной для реализации.

Этим же подтверждается актуальность разработки оригинальных методов и инструментальных средств для автоматизации формирования альтернативных целесообразных управленческих решений, основанных на объединении идей дискретного управления и ситуационного моделирования. При этом возможно применение нетрадиционного математического аппарата для построения модели, учитывающей все особенности объекта и пригодной для реализации.

Сложные объекты управления — наиболее перспективная сфера применения советующих систем.

Ситуационный подход на сегодняшний день признается одним из наиболее перспективных в современной науке об управлении. На его основе может быть осуществлен синтез систем поддержки принятия решений (СППР) с элементами искусственного интеллекта для информационной и аналитической поддержки принимаемых решений даже при отсутствии детерминированных моделей.

Актуальность разработки методических и инструментальных средств для синтеза интеллектуальных СППР подтверждается противоречием, проявляющимся в том, что стоимость и ответственность управленческих решений постоянно возрастает, а время, на их информационную и аналитическую поддержку уменьшается. Разрешается- это противоречие внедрением СППР в контур управления.

Особенно актуально внедрение СППР в контур управления опасными производственными объектами.

Это подтверждается масштабностью техногенных аварий и катастроф последних десятилетий и тяжестью их последствий, а также накопленными знаниями о надежности сложных организационно-технических и социально-экономических систем, износостойкости и старении материалов, вероятностными характеристиками. Кроме этого, учет немаловажного человеческого фактора в процессах управления и эксплуатации сложных систем обуславливаются необходимость пересмотра концепции «абсолютной безопасности», основной принцип которой в отношении возможных чрезвычайных ситуаций выражается словами «реагировать и выправлять», в концепцию «приемлемого риска».

Кроме этого, статистические данные свидетельствуют о том, что более 70% аварий и чрезвычайных ситуаций происходит по вине лица, принимающего решения (ЛПР).

Всё вышеперечисленное позволяет сделать вывод о том, что научные разработки, направленные на совершенствование и автоматизацию процесса разработки СППР и внедрение их в контуры управления различных систем, актуальны.

Целью исследования является повышение эффективности управления сложными организационно-техническими системами на основе применения ситуационных моделей.

Для достижения поставленной цели определены следующие задачи исследования:

- обоснование актуальности поставленных задач посредством анализа современного состояния систем поддержки принятия решений и исследование подходов и методов математического моделирования при управлении сложными системами;

- создание модели знаний о ситуациях и решениях на основе их формализованного представления;

- разработка алгоритмов классификации и распознавания ситуаций;

- разработка алгоритмов формирования новых возможных ситуаций и управляющих воздействий в них;

- апробация разработанных моделей и алгоритмов посредством их программной реализации.

Объектом исследования являются методы и технологии, используемые в системах поддержки принятия решений, функционирующих в изменяющейся информационной среде.

Предметом исследования являются модели и алгоритмы, повышающие эффективность систем поддержки принятия управленческих решений при реализации ситуационного управления сложными объектами или системами.

Методы исследования заключаются в системном подходе к разработке принципов, методов и моделей представления и обработки знаний, базирующихся на теории ситуационного управления, корреляционном и регрессионном анализе, векторной алгебре, многомерном статистическом анализе, теории принятия решения, теории эволюционных алгоритмов.

Достоверность и обоснованность полученных научных результатов обеспечиваются корректностью постановки задач, теоретическими исследованиями математических методов и моделей ситуационного управления, проверкой при практическом использовании разработанной системы поддержки принятия решений, выступлениями на региональных, российских и международных конференциях.

На защиту выносятся:

- модель знаний о ситуациях и решениях на основе матричных представлений и преобразований их атрибутов (параметров), позволяющая конструировать решения и формировать возможные ситуации для пополнения базы знаний или для обучения ЛПР;

- алгоритм многомерной классификации ситуаций, характеризующих предметную область, отличающийся возможностью классифицировать ситуации, относящиеся к различным качественным классам;

- метод моделирования принятия решений на основе формализованного многопараметрического представления ситуаций и векторного представления их решений;

- структура компьютерной системы поддержи принятия решения при управлении организационно-техническими системами;

- комплекс программ, реализующих разработанные методы и алгоритмы.

Научная новизна работы и теоретическая значимость заключается в следующем:

- создана модель представления и обработки знаний в системах поддержки принятия решений на основе ситуационного подхода, отличающаяся возможностью эффективного конструирования решений ситуаций, отсутствующих в базе знаний, а также формировать возможные ситуации для пополнения ситуационной базы знаний или обучения ЛПР;

- разработан алгоритм многомерной классификации с учетом наличия проблемных ситуаций, предполагающий формирование кластеров различных классов ситуаций;

- разработан алгоритм генерации возможных ситуаций для пополнения ситуационной базы знаний в рамках корреляционной теории, использующий метод линейного регрессионного анализа;

- разработан алгоритм формирования управляющих воздействий на основе генетического алгоритма^ позволяющий реализовать многовариантность решений; предложена структура системы поддержки принятия решения на основе разработанных моделей и алгоритмов:

Практическая значимость работы. Предложенные математические методы и модели доведены до уровня алгоритмического и. программного обеспечения, позволяющего оценить применимость их в конкретных сферах деятельности. Научные результаты, полученные в работе, представляют интерес при построении систем поддержки принятия решений для осуществления ситуационного управления сложными организационно-техническими системами.

Разработанные методы, модели и алгоритмы представляют собой основу для программной реализации и внедрения компьютерных систем проблемного обучения в процесс подготовки специалистов по принятию ими управляющих решений.

Реализация и внедрение результатов работы. Результаты исследований использовались при выполнении госбюджетной НИР «Интеллектуальные системы обучения решению профессионально-ориентированных проблемных задач^ (в области управления организационно-техническими объектами)» (№ госрегистрации НИР 01.20.02 14952), включены в курсы «Компьютерное моделирование», «Информационные системы» подготовки студентов специальностей «Прикладная информатика в экономике», «Прикладная информатика в географии», «Компьютерная безопасность» в Тюменском государственном университете.

Апробация работы. Основные результаты докладывались на VI международной научно-технической конференции (Пенза, 2007), III межрегиональной научно-практической конференции «Информационные технологии и телекоммуникации в экономике, управлении и социальной сфере» (Тюмень, 2008); Межрегиональной научно-практической конференции «Теория и практика имитационного моделирования и создания тренажеров» (Пенза, 2002), НГ научно-практическая региональная конференция «Современные проблемы математического, и-информационного моделирования: Перспективы разработки; и внедрения инновационных 1Т-решений» (Тюмень, 2010), межвузовской.1 научно-методической. конференции «Межсессионный контроль и; качество обучения» (Тюмень, 2001), Областной научно-методической конференции «Роль информационных технологий в обучении: проблемы, перспективы, решения» (Тюмень, 2003), на научно-методических семинарах Института математики и компьютерных наук и кафедры информационных систем Тюменского государственного университета (2002-2010 г.г.).

Публикации. Основное содержание работы отражено в 17 публикациях, из которых 3 свидетельства о государственной регистрации программ для ЭВМ, в том числе 1 статья опубликована в издании из списка ВАК.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы. Объем диссертации составляет 132 страниц. В библиографическом списке представлено 147 наименований работ российских и зарубежных авторов.

Выводы

1. Разработана архитектура программного комплекса, которая позволяет поддержку принятия решений на основе ситуационного управления

2. Создан программный комплекс, реализующий разработанные методы и алгоритмы. Реализованный пример принятия решения в макроэкономических моделях показывает адекватность разработанных методов и алгоритмов. Полученные управляющие решения не противоречат общепринятым решениям, принимаемым для повышения эффективности функционирования объекта управления, а наоборот подтверждают их.

Заключение

В диссертации рассмотрены результаты исследований в области наукоемких технологий поддержки принятия решений. Основное внимание было уделено проблемам разработки методов и моделей представления и обработки знаний в системе поддержки решений на основе ситуационного подхода к управлению.

Решение этих проблем позволяет достичь цели повышения эффективности представления и обработки знаний в системах поддержки принятия решений при управлении сложными системами.

При решении этих проблем были получены следующие результаты:

- исследовано применение методов ситуационного управления, современных методов обработки данных и сделан вывод о применимости и перспективности этого направления. Показано, что перспективность направления внедрения новых методов связана с уменьшением работы эксперта в процессе принятия решения и настройки системы на конкретный объект управления;

- построенная модель многофакторного представления ситуаций, характеризующих предметную область, а также решений проблемных ситуаций, показала свою эффективность в смысле применения различных методов проведения классификации, формирования возможных ситуаций и генерации решений проблемных ситуаций;

- разработанные алгоритмы: классификации с учетом наличия различных классов проблемных ситуаций, генерирования возможных ситуаций для пополнения базы знаний, формирования решения проблемных ситуаций на основе эволюционных алгоритмов, - применимы в практических задачах построения СППР;

- предложенная структура системы поддержки принятия решения на базе разработанных методов и алгоритмов дает возможность строить СППР для различных предметных областей;

- программная реализация разработанных методов и алгоритмов и вычислительные эксперименты показали работоспособность и эффективность в смысле уменьшения затрат времени на настройку системы, прогнозирования возможных проблемных ситуаций и своевременного принятия решений в управлении организационно-техническими и социально-экономическими системами.

1. Edwards J.S. Expert Systems in Management and Administration — Are they really different from Decision Support Systems? // European Journal of Operational Research, 1992.-Vol. 61.-pp. 114-121.

2. Трахтенгерц Э.А. Компьютерная поддержка принятия решений /Э.А. Трахтенгерц. -М.: СИНТЕГ, 1998. 376 с.

3. Turban Е. Decision support and expert systems: management support systems. -Englewood Cliffs, N.J.: Prentice Hall, 1995. 887 p.

4. Keen P.G.W., Scott Morton M.S. Decision support systems: an organizational perspective. Reading, Mass.: Addison-Wesley Pub. Co., 1978.

5. Scott Morton M.S. Management Decision Systems: Computer-based Support for Decision Making. Boston: Harvard University, 1971.

6. Ginzberg M.I., Stohr E.A. Decision Support Systems: Issues and Perspectives // Processes and Tools for Decision Support / ed. by H.G. Sol. Amsterdam: North-Holland Pub.Co, 1983.

7. Bonczek R.H., Holsapple C., Whinston A.B. Foundations of Decision Support Systems. New York: Academic Press, 1981.

8. Качанова Т.JI. Метатехнология системных реконструкции /Т.Л. Качанова, Б.Ф. Фомин. СПб. : Изд-во СПбГЭТУ «ЛЭТИ», 2002. -336 с.

9. Емельянов B.B. Введение в интеллектуальное имитационное моделирование. Язык РДО /В.В. Емельянов, С.И. Ясиновский, — М.: АНВИК, 1998.-426 с.

10. Попов Э.В. Реинжиниринг бизнес-процессов и искусственный интеллект //Новости искусственного интеллекта. — 1996. № 4. - С. 5-40.

11. Иванищев В.В. Введение в теорию алгоритмических сетей / В .Б. Иванищев, В.Е. Марлей. СПб.: Изд-во СПбГТУ, 2000. - 180 с.

12. Трахтенгерц Э.А. Диспетчеризация задач в распределенных системах поддержки принятия решений //Автоматика и телемеханика. — 1996. — №8.-С. 174-185.

13. Иванищев В.В. Инструментальная система автоматизации моделирования КОГНИТРОП /В.В. Иванищев, В.Е. Марлей, В.П. Морозов //Информационные технологии и вычислительные системы. 1998. -№ 3. - С. 35-42.

14. Попов Э.В. Статические и динамические экспертные системы: Учеб. пособие /Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель. М.: Финансы и статистика, 1996 — 320 с.

15. Джексон П. Введение в экспертные системы М.: Издательский дом «Вильяме», 2001. — 624 с.

16. Колесников A.B. Проблемно-структурная технология разработки приложений гибридных интеллектуальных систем //Тр. VII национальной конф. по искусственному интеллекту с международным участием КИИ-2000. Т. 2. М.: Физматлит, 2000, - С. 717-725.

17. Берштейн JI.C. Модели и методы принятия решений в интегрированных интеллектуальных системах /JI.C. Берштейн, В.П. Карелин, А.Н. Целых. Ростов-на-Дону: Изд-во Ростовского университета, 1999. - 278 с.

18. Эрлих А.И. Проблемы моделирования в интеллектуальных системах //Вестн. МГТУ. 1/94. Спец. выпуск «Системы искусственного интеллекта», -М.: МГТУ, 1994. С. 29-33.

19. Хорошевский В. Ф. PIES технология и инструментарии PIES Work Bench для разработки систем, основанных на знаниях //Новости искусственного интеллекта. - 1995. — №2. — С. 65-77.

20. Electronic Resource. Mode of access: http://wvm.gensym.com/mannfacturing/whitepapers.pdf

21. Гаврилова Т.А. Базы знаний интеллектуальных систем /Т.А. Гаврилова, В.Ф. Хорошевский, СПб.: Питер, 2000. - 384 с.

22. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат, Î981. — 231с.

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

24. Башлыков А. А. Проектирование систем принятия решений в энергетике. -М.: Энергоатомиздат, 1986. 120 с.

25. Мелихов А.Н., Бернштейн Л.С., Коровин С .Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. — 271с.

26. Герасимов Б.М., Тарасов, В.А., Токарев И.В. Человеко-машинные системы принятия решений с элементами искусственного интеллекта. — Киев: Наукова думка, 1993. 183с.

27. Тимофеев A.B., Юсупов P.M. Интеллектуализация систем автоматического управления // Тех. кибернетика. 1994. - №5. - С. 211— 223.

28. Capt. Bêlai H. Design of automated aviation systems shoud be based on a human-centred approach // ICAO Journal. 1994. - 49, №10. - P. 10-12.33. .Чачко А.Г. Подготовка операторов энергоблоков: алгоритмическийподход. М.: Энергоатомиздат, - 1986. - 230 с.

29. Человеческий фактор: Моделирование деятельности, профессиональное обучение и отбор операторов / Холдинг Д., Голстейн Н. и др. — Т.З. 4.2 -М.: Мир, 1991.-302 с.

30. Григорьев Л.И. Имитационное моделирование и обучающие системы в транспорте газа. М: ВНИИГазпром, Транспорт и подземное хранение газа, 1988, вып. 6 - 30 с.

31. Гузий H.H. Принципы разработок экспертных систем функциональных тренажеров для обучения летного состава //Экспертные системы для анализа и реконструкции программного обеспечения вычислительных систем реального времени. Киев: КИИГА, 1992. ~ С. 18-23.

32. Клыков Ю.И. Ситуационное управление большими системами -М.: Энергия, 1974. 134 с.

33. Слэйгл Дж. Искусственный интеллект. — М.: Мир, 1973 .-319с.

34. Нисенбойм Л.Б. Некоторые модели обобщения понятий! языка ситуационного управления. — В кн.:. Вопросы кибернетики. Проблемы искусственного интеллекта. М;: Научный совет по комплексной проблеме «Кибернетика» при Президиуме АН СССР, 1980. С. 131-136.

35. Хант Э., Марин Дж., Стоун Ф. Моделирование процесса формирования-понятий на вычислительной машине. — М.: Мир, 1970. 301 с.

36. Хант Э. Искусственный интеллект. — М.: Мир, 1978. 558 с.

37. Айзерман М.А., Браверман Э.М., Розоноер Л.И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970. - 384 с.

38. Александров В.В., Горский Н.Д. Алгоритмы и программы структурного метода обработки данных. Л.: Наука, 1983. - 207 с.

39. Классификация и кластер. М.: Мир, 1980. — 3 89 с.

40. Камилов М.М., Журавлев Ю.И. и др. Алгоритмы вычисления оценок и их применение. Ташкент: Фан, 1974. - 120 с.

41. Гаек П., Гавранек Т. Автоматическое образование гипотез. М.: Наука, 1984.-277 с.

42. PlotKin G.D. A further note on inductive generalization. Machine Intelligence, 1971, v. 6, p. 101-124.

43. Жуков Л.Г. Об одном алгоритме индуктивного формирования понятий. — В кн.: Вопросы кибернетики. Теория и практика ситуационного управления. М.: Советское радио, 1977. — С. 167-171.

44. Вагин В.Н. О дедуктивных и недедуктивных системах принятия решений. — В кн.: Вопросы кибернетики. Ситуационное управление. Теория и практика. — М.: Советское радио, 1980. С. 45-59.

45. Клыков Ю.И., Поспелов Д. А. Ситуационное управление в АСУ. -Управляющие машины и системы, 1972, № 1. С. 27-34.

46. Поспелов Д.А. Большие системы. Ситуационное управление. — М.: Знание, 1975.-62 с.

47. Клыков Ю. И. Ситуационное управление большими системами. — М.: Энергия, 1974. 134 с.

48. Шрейдер Ю. А. Математическая модель теории классификации. — Научно-техническая информация, Сер. 2, 1968, № 10. С. 7-24.

49. Найденова К.А. Реляционная модель анализа экспериментальных данных. Изв. АН СССР: Техническая кибернетика, 1982, № 4. - С. 103— 119.

50. Шрейдер Ю.А. Равенство. Сходство. Порядок. М.: Наука, 1971. - 254 с.

51. Шаров А. А. Осмысленность признаков и теория классификации. В кн.: Семиотика и информатика. Вып. 11. М.: ВИНИТИ, 1979. - С. 37-51.

52. Погосян Э.М. К теории автоматического синтеза понятий. — В кн.: Семиотика и информатика. Вып. 8. М.: ВИНИТИ, 1977. С. 125-152.

53. Ефимов Е.И. Автоматическое формирование понятий, описываемых замкнутыми формулами узкого исчисления предикатов. В кн.: Семиотика и информатика. Вып. 13. М.: ВИНИТИ, 1979. - С. 86-108.

54. Заренков Н.А. Лекции по теории систематики. М.: Изд~во МГУ, 1976. -140 с.

55. Виленкин Н.Я., Шрейдер Ю. А. Мажоритарные пространства и квантор «большинства». — В кн.: Семиотика и информатика. Вып. 8. М.: ВИНИТИ, 1977. С. 45-82.

56. Файкс Р., Нильсон Н. Система STRIPS новый подход к применению методов доказательства теорем при решении задач. - В кн.: Интегральные роботы. -М.: Мир, 1973. - С. 382-403.

57. Ефимов Е. И. Решатели интеллектуальных задач. М.: Наука, 1982. -320 с.

58. Робинсон Дж. Машинно-ориентированная логика, основанная на принципе резолюции. В кн.: Кибернетический сборник, Новая серия. Вып. 7. М:: Мир, 1970.- С. 194-218.

59. Чёнь Ч., Ли Р. Математическая: логика и автоматическое доказательство теорем.-М.: Наука, 1983. -358 с.

60. Маслов С.Ю. Теория поиска вывода. Кибернетика, 1975, № 4. - С. 134144. ■

61. Тыугу Э.Х. Решение задач на вычислительных моделях. Ж. мат. и мат. физ., 1970, №3. - С. 716-733.

62. Минц Г.Е., Тыугу Э.Х. Структурный синтез и неклассические логики. -В кн.: Применение методов математической, логики: Тезисы докладов. -Таллин, 1983.-С. 52-60.

63. Аверкин А.Н., Гвида Дж.,.Поспелов ДГ А5., Оомальвико М. Обобщенные: стратегии в решателях проблем: — Изв. АН СССР: Техническая кибернетика, 1978, № 5.-С. 71-83.

64. Борисов А. Н;, Алексеев А. В. и др. Модели принятия решений на основе лингвистической переменной.-Рига: Зинатне, 1982.— 256 с. ;

65. Вишняков Н; А., Гельфапдбейн Я.А., Мамонтов А. И. Базис-граф топологической модели оперативного управления.авиаремоптом. В кн.: Вопросы теории и: практики создания АСУ в гражданской авиации. Труды ГосНИИ ГА. Вып. 143. М., 1976. - С. 25-34. . . .

66. Загадская Л. С, Соколова О. В. Методика проектирования.ситуационных моделей управления. — Препринт. Научный Совет по комплексной проблеме «Кибернетика» при Президиуме АН СССР, М., 1973. 40 с.

67. Пономарев В. Ф., Колесников А. В., Кириков И. А. Об одном подходе в семиотическом моделировании состояния транспортных систем. В кн.: Вопросы кибернетики. Ситуационное управление. Теория и практика.

68. М.: Научный совет по комплексной проблеме «Кибернетика» при Президиуме АН СССР, 1980. С. 109-130.

69. Кириков И.А. Использование П1111 Моделирование состояния и поведения большой системы — МОСОП в АСУ морским рыбным портом. В кн. Экономические проблемы развития советского рыболовства в Атлантике. - Калининград: АтлантНИРО, 1981. - С. 82-84.

70. Гнеденко Б.В. Математика и контроль качества продукции. М.: Знание, 1978.-64 с.

71. Лэйард Р. Макроэкономика. М.: Джон Уайли энд Санз, 1994. - 63 с.

72. Моисеев H.H. Математические модели экономической науки. -М.: Знание, 1973.-64 с.

73. Лотов A.B. Введение в экономико-математическое моделирование. -М.: Наука, 1984.-392 с.

74. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1978. -399 с.

75. Кемени Дж., Снелл Дж. Кибернетическое моделирование: Некоторые приложения. М.: Советское радио, 1972. — 192 с.

76. Канторович Л.В. Математические модели организации и планирования производства. — Л.: ЛГУ, 1939. 68 с.

77. Канторович Л.В. Экономический расчет наилучшего использования ресурсов. М.: Наука, 1959. - 346 с.

78. Гаврилец Ю.Н. Целевые функции социально-экономического планирования. -М.: Экономика, 1983. 160 с.

79. Орлов А.И. Устойчивость в социально-экономических моделях. М.: Наука, 1979. - 296 с.

80. Подиновский В.В., Ногин В.Д. Парето — оптимальные решения многокритериальных задач. М.: Наука, 1982. — 256 с.

81. Фишберн П. Теория полезности для принятия решений. — М.: Наука, 1978.-352 с.

82. Орлов А.И. Эконометрика. М.: Экзамен, 2002. - 576 с.

83. Винн Р., Холден К. Введение в прикладной эконометрический анализ. -М.: Финансы и статистика, 1981. 294 с.

84. Гейл Д. Теория линейных экономических моделей. М.: ИЛ, 1963. -418 с.

85. Джонстон Дж. Эконометрические методы.- М.: Финансы и; статистика, 1980.-444 с.

86. Драймз Ф. Распределенные лаги: проблема выбора и, оценивания моделей. М.: Финансы и статистика, 1982. -384 с.

87. Зельнер А. Байесовские методы в эконометрии. М.: Финансы и статистика, 1980. — 438 с.

88. Пуарье Д. Эконометрия структурных изменений. М.: Финансы и статистика, 1981. - 183 с.

89. Анализ нечисловой информации / Тюрин Ю.Н., Литвак Б.Г., Орлов А.И., Сатаров Г.А., Шмерлинг Д.А. М.: Научный Совет АН СССР по комплексной проблеме «Кибернетика», 1981. — 80 с.

90. Орлов А.И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980.-64 с.

91. Анализ нечисловой информации в социологических исследованиях / Под редакцией В.Г. Андреенкова, А.И.Орлова, Ю.Н.Толстовой. М.: Наука, 1985.-224 с.

92. Льюс Р.Д., Райфа X. Игры и решения. М.: ИЛ, 1975. - 642 с.

93. Блекуэлл Д., Гиршик М. Теория игр и статистических решений. М.: ИЛ, 1958.-374 с.

94. Ченцов H.H. Статистические решающие правила и оптимальные выводы. -М.: Наука, 1972.-521 с.

95. Вощинин А.П. Метод оптимизации объектов по интервальным моделям целевой функции. М.: МЭИ, 1987. - 109 с.

96. Саати Т.Л. Математические модели конфликтных ситуаций. -М.: Советское радио, 1977. 300 с.

97. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. В 2-х кн. 2-е изд. —М.: Финансы и статистика. —Кн. 1. - 1986; Кн. 2. -1987.

98. Вучков И., Бояджиева Л., Солаков Е. Прикладной линейный регрессионный анализ. /Пер. с болг. Ю.П.Адлера. — М.: Финансы и статистика, 1987. — 240 с.

99. Адлер Ю. П. Предпланирование эксперимента. М.: Знание, 1978. — 72 с.

100. Хьюбер П. Робастность в статистике. /Пер. с англ.; Под ред. И. Г. Журбенко. -М.: Мир, 1984. 304 с.

101. Устойчивые статистические методы оценки данных. /Пер. с англ.; Под ред. Н. Г. Волкова. — М:: Машиностроение, 1984. — 232 с.

102. Холлендер М., Вулф Д. Непараметрическне методы статистики. /Пер. с англ.; Под ред. Ю. П. Адлера, Ю. Н. Тюрина. М.: Финансы и статистика, 1983. - 518 с.

103. Хеттманспергер Т. Статистические выводы, основанные на рангах /Пер. с англ. -М.: Финансы и статистика, 1987.

104. Джонсон Дж. Эконометрические методы. /Пер. с англ. — М.: Статистика, 1980.-444 с.

105. ПЗ.Маленво Э. Статистические методы эконометрии. Вып. 1. /Пер. с фр.; Под ред. Б. Н. Михалевского, Э. Б. Ершова. М.: Статистика, 1975. -423 с.

106. Кендалл М., Стьюарт А. Статистические выводы и связи. /Пер. с англ.; Под ред. А. Н. Колмогорова. М.: Наука, 1973. - 900 с.

107. Себер Дж. Линейный регрессионный анализ. /Пер. с англ.; Под ред. М.Б. Малютова, -М.: Мир, 1980. 456 с.

108. Бикел П., Доксам К. Математическая статистика. /Пер. с англ.—М.: Финансы и статистика, 1983. Вып. 1. - 278 с; Вып. 2. - 254 с.

109. Анализ авторегрессий. /Пер. с англ.; Под ред. Ю. П. Лукашина. -М.: Статистика, 1978. 232 с.

110. Тьюки Дж. Анализ результатов наблюдений. Разведочный анализ. /Пер. с англ.; Под ред. В. Ф. Писаренко. -М.: Мир, 1981. 693 с.

111. Клейнен Дж. Статистические методы в имитационном моделировании. /Пер. с англ.; Под ред. Ю.П. Адлера, В.Н. Варыгина. М.: Статистика, 1978.-Вып. 1.-221 с; Вып. 2.-335 с.

112. Айвазян С.А., Енюков И.С, Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. /Под ред. С.А. Айвазяна. — М.: Финансы и статистика, 1985. —487 с.

113. Belsley D.A., Kuh E. and Welsch R.E. Regression diagnostics. New York: J. Wiley, 1980.-292 p.

114. Weisberg S. Applied linear regression. New York: J. Wiley, 1980. - 283 p.

115. Cook R. D. and Weisberg S. Residuals and influence in regression. — New York and London: Chapman and Hall, 1982.

116. Chambers J.M., Cleveland W.S., Kleiner B. and Tukey P.A. Graphical methods for data analysis. Belmont, California: Wadsworth, 1983.

117. Atkinson A.C. Plots, transformations and regression. Oxford: Clarendon Press, 1985.-282 p.

118. Efron B. The Jackknife, the bootstrap and other resampling plans. -Philadelphia, Pa.: SIAM, 1982. 92 p.

119. Hahn H. J. More intelligent statistical software and statistical expert systems: future directions// Arner. Statistician, febr. 1985, v. 39, N 1. - P. 1-16, with discuss.

120. Системный' анализ в управлении: Учебное пособие /B.C. Анфилатов, А.А. Емельянов, А.А. Кукушкин; Под ред. А.А. Емельянова. -М.: Финансы и статистика, 2002. 368 с.

121. Бирман JI.A. Управленческие решения: Учеб. пособие. М.: Дело, 2004. -208 с.

122. Орлов А.И. Теория принятия решений. Учебное пособие. -М.: Издательство «Экзамен», 2005. 656 с.

123. Калинина В.Н., Соловьев В.И. Введение в многомерный статистический анализ: Учебное пособие. — М.: ГУУ, 2003. — 66 с.

124. Кремер Н.Ш., Путко Б.А. Эконометрика: Учебник для вузов / Под ред. проф. Н.Ш. Кремера. М.: ЮНИТИ-ДАНА, 2003. - 311 с.

125. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах/ Под ред. Вагина В.Н., Поспелова Д.А. М.: Физматлит, 2004. — 704 с.

126. Дюк В., Самойленко A. Data mining: учебный курс. СПб.: Питер, 2001. -368 с.

127. Загоруйко Н.Г. Методы распознавания и их применение. -М.: Советское радио, 1972.-208 с.

128. Методы статистического моделирования в радиотехнике. Учебное пособие. СПб.: БГТУ, 2003. - 37 с.

129. Турчак Л.И. Основы численных методов: Учеб. Пособие. М.: Наука, 1987.-320 с.

130. Holland J.H. Adaptation in natural and artificial systems. Ann Arbor: University of Michigan Press, 1975.

131. Black, Paul E. Gray code. 25 февраля 2004. NIST.

132. Тарасевич Ю.Ю. Математическое и компьютерное моделирование. Вводный курс: Учебное пособие. Изд. 2-е, испр. — М.: Едиториал УРСС , 2002.- 153 с.

133. Зиновьев А.Ю. Визуализация многомерных данных. Красноярск: Изд. КГТУ, 2000.-168 с.

134. Романов А.Н., Одинцов Б.Е. Советующие информационные системы в экономике. М.: ЮНИТИ-ДАНА, 2000 - 487 с.

135. Гаскаров Д.В. Интеллектуальные информационные системы. Учеб. Для вузов. -М.: Высш.шк., 2003.-431 с.

136. Толковый словарь по искусственному интеллекту / Авторы-составители А.Н. Аверкин, М.Г. Гаазе-Рапопорт, Д.А. Поспелов. М.: Радио и связь, 1992.-256 с.

137. Френкель A.A., Адамова Е.В. Корреляционный и регрессионный анализ в экономических приложениях: Учебное пособие. М: МЕСИ, 1987. — 134 с.

138. Дубина И.Н. Математические основы эмпирических социально-экономических исследований: учебное пособие. Барнаул: Изд-во Алтю Ун-та, 2006. - 263 с.

139. Литвак Б.Г. Разработка управленческого решения: Учебник. 3-е изд., испр. - М.: Дело, 2002. - 392 с.