автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Моделирование информационной системы управления предприятием на основе интеллектуального анализа данных

На правах рукописи

003463752

РОДИОНОВ Константин Владимирович

МОДЕЛИРОВАНИЕ ИНФОРМАЦИОННОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРЕДПРИЯТИЕМ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

Специальность: 05.13.10 - Управление в социальных и экономических

системах

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Воронеж - 2009

1 2 МАР 2029

003463752

Работа выполнена в ГОУ ВПО "Воронежский государственный технический университет"

Научный руководитель доктор технических наук, профессор

Львович Игорь Яковлевич

Официальные оппоненты: доктор технических наук, профессор

Юрасов Владислав Георгиевич;

кандидат технических наук, доцент Филипсом Мария Алексеевна

Ведущая организация ГОУ ВПО "Курский государственный

технический университет"

Защита состоится «20» марта 2009г. в 14 часов в конференц-зале на заседании диссертационного совета Д212.037.03 ГОУ ВПО "Воронежский государственный технический университет" по адресу 394026, г.Воронеж, Московский просп., 14.

С диссертацией можно ознакомиться в научно-технической библиотеке ГОУ ВПО "Воронежский государственный технический университет".

Автореферат разослан «19» февраля 2009г.

Ученый секретарь диссертационного совета / Родионов О.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Назначением информационных систем (ИС), независимо от области их применения (в производстве, бизнесе, медицине, образовании, страховании, других областях народного хозяйства), является обеспечение должностных лиц (или лиц, принимающих решение - ЛГ1Р) информацией, необходимой для принятия решений в области его деятельности. Стратегическим направлением развития ИС является их интеллектуализация, заключающаяся в построении формализованных процедур обработки, интерпретации и представления информации в виде некоторых показателей (знания), позволяющих их использование непосредственно для принятия управленческого решения в целевой области, т.е. выбора одного из альтернативных вариантов действий ЛГ1Р. В этом случае о подобных ИС говорят как об интеллектуальных информационных системах.

Независимо от областей применения ИС они выполняют следующие типовые функции: сбора данных; их обработки, в том числе, направленной на получение сводных показателей; представления данных, результатов обработки и их интерпретации для непосредственного использования ЛПР при принятии решения.

Среди перечисленных функций наиболее сложной для автоматизации с точки зрения построения формальных процедур преобразования данных в информацию, позволяющую ее использование для принятия решения, является построение сводных показателей, характеризующих состояние, эффективность или качество функционирования объекта управления, и их интерпретация.

Бхли объект управления представляет собой сложную систему, описываемую большим числом характеристик, имеющих различную природу и широкий диапазон значений, когда не очевиден характер связей характеристик объекта между собой и внешними факторами, преобразование данных в сводные показатели качества его функционирования и их интерпретация усложняется и приобретает характер проблемной задачи. То есть, она не может быть выражена в терминах конкретного класса прикладных задач, для которого имеется соответствующий математический аппарат. В этом случае возникает необходимость выявить и описать факторы, влияющие на состояние объекта, выбрать или разработать методы обработки информации, ориентированные на учет неопределенности, методы представления и интерпретации информации в таком виде, чтобы решение было принято.

В общем виде информационную задачу, которую необходимо выполнять при поддержке принятия решений в указанных условиях, можно сформулировать, как преобразование исходных данных в некоторые сводные показатели свойств объекта управления, которые не поддаются непосредственному измерению. Эти показатели могут интерпретироваться как

некоторое качество объекта управления в целом или определенных его свойств (сторон): его эффективность, потенциал (потенциалы) достижения целей, вклад в эффективность или выигрыш от определенной деятельности, в которой участвует система и т.п., и характеризуют качественные и прагматические аспекты ее функционирования.

Условия, в которых приходится решать указанную информационную задачу, характеризуются неопределенностью, которая обусловлена одновременным действием целого ряда факторов.

Для решения задач поддержки принятия решений в этих условиях чрезвычайно актуальными являются выработка подходов, которые принципиально ориентированы на работу в так называемой неопределенной или нечеткой среде, а также разработка методов и средств их реализации в информационных системах.

На основании вышеизложенного можно заключить, что разработка (выбор) методов обработки информации и архитектуры информационных систем, предназначенных для поддержки принятия решений при управлении предприятием в условиях неопределенности, является актуальной и практически значимой задачей.

Основные исследования, получившие отражение в диссертации, выполнялись по направлению ГОУ ВПО "Воронежский государственный ; технический университет" «Проблемно-ориентированные системы управления».

Цель и задачи исследования. Целью исследования является разработка методов моделирования и обработки информации и архитектуры информационных систем управления предприятием, предназначенных для поддержки принятия решений на основе анализа многомерных данных.

Для достижения поставленной цели необходимо решить следующие задачи:

провести системный анализ существующих методов и средств обработки информации в системах поддержки принятия решений;

предложить алгоритм и структуру анализа и обработки многомерных данных с целью учета неопределенности;

описать методику построения обобщенных интегральных показателей сложных систем, базирующуюся на энтропийном подходе;

разработать методику моделирования и оптимизации хранилища данных; построить модель аналитического приложения системы поддержки принятия решений для предприятия;

предложить структуру базы знаний для функционирования интеллектуальной системы управления;

провести апробацию методики расчета обобщенных интегральных показателей.

Методы исследования. Для решения поставленных задач использовались основные положения системного анализа, стратегического менеджмента, методов имитационного моделирования, теории управления, исследования операций и оптимизации, методов представления знаний, объектно-ориентированного проектирования и программирования.

Научная новнзна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной:

методика анализа и обработки многомерных данных для построения обобщенных интегральных показателей сложных систем, учитывающая неопределенность исходной информации, а также устраняющая формальные и вычислительные сложности в решении задач кластеризации и получении гарантированных оценок;

энтропийный функционал, учитывающий порядок следования элементов системы в задачах, где информация о структуре анализируемых данных является ключевой с точки зрения информационной поддержки принятия решений;

методика моделирования информационного массива хранилища данных, позволяющая проводить количественную оценку хранилища данных с точки зрения обеспечения информационной потребности пользователей, базируясь на теоретико-множественном описании многомерного информационного массива;

сигнальная модель системы поддержки принятия решений при управлении предприятием, отличающаяся простотой адаптируемости и учитывающая принципиальные схемы, свойственные мониторингу и анализу состояния предприятий.

Практическая значимость н результаты внедренни

Разработанная в работе модель типового аналитического приложения СППР в области мониторинга и анализа состояния предприятий, а также дополняющие существующие алгоритмы аналитических приложений, позволяют оценить объект анализа, - предприятие - а также получить оценки возможных причин того или иного состояния. Предлагаемые в работе алгоритмы и модели позволяют производить построение оценок риска энтропийным методом, что обеспечивает их гарантированность с точки зрения равной значимости вкладов всех факторов риска в его обобщенный показатель. Метод оценивания рисков заключается в факторизации исходных данных, построении на них обобщенных показателей с использованием энтропийного подхода к анализу многомерных данных и разбиения выборки оценок на два класса по критерию среднего уровня риска, обусловленного симметрией кривой

3

упорядоченных значений оценок - низкого уровня риска и высокого. Предлагаемая в работе интеллектуальная система управления позволяет осуществлять поддержку принятия решений на предприятии и адаптироваться к непредвиденным изменениям его состояния.

Созданный комплекс алгоритмических средств поддержки принятия управленческих решений апробирован в открытом акционерном страховом обществе «Ингосстрах» (г. Воронеж).

Теоретические и практические результаты работы внедрены в учебный процесс по специальностям «Финансы и кредит» и «Юриспруденция» в АНОО ВПО "Воронежский институт высоких технологий" и Воронежском филиале Российского Нового Университета.

Апробация работы. Результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 20052007), Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах" (Воронеж, 2005-2007), межвузовской конференции «Моделирование систем и информационные технологии» (Воронеж, 2006-2007), семинарах кафедры систем автоматизированного проектирования и информационных ГОУ ВПО '"Воронежский государственный технический университет" и кафедры информатики и вычислительной техники АНОО ВПО "Воронежский институт высоких технологий" (2005-2007).

Публикации. Основные результаты диссертации опубликованы в 10 научных работах, в том числе 1 - в издании, рекомендованном ВАК РФ.

В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат: структура системы поддержки принятия управленческих решений [1], алгоритмы взаимодействия систем [2], подходы к управлению в социально-экономических системах [3], метод построения обобщенных показателей сложных систем [7].

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 98 наименований и приложения. Основная часть изложена на 143 страницах и содержит 22 рисунка, 11 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы исследования, определены цели и задачи работы, методы решения сформулированных задач, отмечены основные результаты исследования, выносимые на защиту, определена их научная новизна и практическая значимость, приведены сведения об апробации и внедрении результатов работы.

Первая глава посвящена системному анализу методов и средств обработки информации и данных, используемых при создании систем поддержки принятия решений.

В процессе развития информационных систем анализ данных с целью выявления находящихся в них закономерностей и базирующиеся на результатах этого анализа управляющие решения становились все более формализованными. Собственно, системы поддержки принятия решений необходимы для автоматизации именно этой части технологического процесса, хотя, безусловно, С11ПР охватывают в той или иной степени все ступени процесса.

Источники данных, другие И С, внешние базы данных -1' 1- " Сбор данных

Обработка ручная ★

Ввод данных * '

Обработка машинная

База Хранение - обновление,

данных- поддержка

+

Поиск информации

*

Формирование выходных

документов

*

Модель Анализ данных

объекта

Принятие решения

Оператор

Администратор

Пользователь

Рис. I. Тиковая схема основного технологического процесса в автоматизированных информационных системах

Существует значительное количество методов агрегирования данных, применяемых при оценке эффективности сложных систем, уровня их качества, анализе вариантов их построения и обосновании перспектив развития. Их принципиальными недостатками, в той или иной степени, являются необходимость нормировки данных, предположение о стохастической природе

5

выборки, необоснованное задание видов законов распределения из-за объективного отсутствия знаний (информации) о стохастической природе процессов, протекающих в таких системах. В связи с этим области применения имеющихся методов ограничены, а получаемые результаты могут потребовать проведения последующего неформального анализа, что не исключает появления субъективных оценок.

Метод спектрального анализа предусматривает итерационную процедуру

Х/ГЧ l,vr%

ff'Ul _ рI___ р(*> _ _

max¿ /?<<"% ' max¿ir}'-%

1í=!

где - коэффициент важности (вес) у'-ой характеристики в обобщенном

показателе на А-ой итерации; W}k) - нормированный обобщенный показатель

/-го варианта системы на к-ой итерации; х,, - относительная нормированная характеристика /'-го образца.

В качестве обобщенных интегральных характеристик систем предпочтительнее иметь некоторую (нелинейную) свертку характеристик объектов, малочувствительную к нормировке при их сравнении друг с другом.

Простейшим таким агрегатом с точностью до константы является мультипликативная свертка:

0//А>сП<' х0 >0, i = = 5>;=1

./=1 7 = 1

Логарифмируя данное выражение, находится соотношение для логарифма ОИХ,:

1п0//Л',=|>,1пх„

.н

и, тем самым, для определения весов рр j = \,т можно применять методы спектрального и компонентного анализа. Учитывая свойства главных компонент, характеристики pj можно определить как главный собственный вектор матрицы YTY, где

У = ( }пх0), i = \,n, j = \,m.

В этом случае вектор р = {р\Р2,----,Рт} определяет ось, проходящую наиболее близко от векторов прологарифмированных значений характеристик объектов и, следовательно, удерживает информацию о динамике их изменения.

Во второй главе работы рассмотрено совершенствование методического обеспечения обработки информации с целью учета неопределенности в исходных данных.

Ключевую роль в задачах обработки многомерных данных при оценке общего состояния объектов играет предварительная их кластеризация по совокупности характеристик. При ее некорректном проведении возникает реальная опасность неправильной оценки общей картины и учета взаимосвязей видов (типов) объектов, неадекватного представления структуры (иерархии) построения системы объектов, возникновения "узких" мест в информационной системе, как следствие ошибочного представления. Все это может приводить к ошибкам при принятии решения. Обязательным условием кластеризации является наличие соответствующего критерия, с помощью которого осуществляется декомпозиция исходного множества элементов.

При использовании метода максимума энтропии принципиально не возникает формальных и вычислительных сложностей в решении задач кластеризации по двум причинам. Во-первых, энтропия, являясь мерой неопределенности, обладает тем свойством, что ее максимальное значение одновременно представляет собой своеобразную меру близости, обладающую основными свойствами метрики. Во-вторых, полученные формальные представления энтропии позволяют разработать достаточно простые и очень эффективные вычислительные алгоритмы оценки обобщенных характеристик объектов.

Таким образом, разработка методов обработки многомерных данных, обеспечивающих учет неопределенности, в интересах поддержки принятия решений в информационных системах сводится к следующему.

1. Разработка модели представления объектов.

2. Обоснование достаточного перечня характеристик (признаков) объектов, позволяющих представить их в виде двумерных массивов (матриц "объект - признак") данных. Строками таких матриц служат объекты, а столбцами (признаками) - значения их частных характеристик.

3. Разработка метода кластеризации совокупности объектов на основе энтропийного подхода с целью декомпозиции совокупности и ранжирования объектов.

4. Проведение оценки эффективности принятия решения на основе информации по результатам ранжирования объектов.

В терминах рассматриваемого методического подхода оцениваемая величина - скалярный агрегированный показатель (обобщенный показатель) у с некоторой точностью восстанавливается по значениям частных показателей эффективности X, где Х = {хЦ'\, (' = 1,пк, у = 1,/я1. Здесь п - число признаков (характеристик) объекта, т - число объектов. В базовой модели метода статистического исследования зависимостей между обобщенным показателем у и Х={ху} постулируется статистическая связь типа

у = ДХ;®) + е, (1)

где е - остаточная случайная компонента, которая обуславливает погрешность в определении у по известным значениям .^{х/,}; f{X\&) - функция из некоторого известного параметрического семейства F = {/(Х;0)},0 е А, у которой, в общем случае, численное значение входящего в ее уравнение параметра 0 неизвестно. Энтропия Шеннона

= Х>, In р, (2)

ы

где вектор р =(рь р2,...,£>„), ^Р, = 1- Р, äOV/ = \,п характеризует вероятность

i=i

распределения случайной величины х, принимающей дискретные значения Х| х2у...ухп, является единственной однозначной мерой неопределенности вероятностного распределения Р(х/).

Для данных, представляемых в виде двумерного массива - матрицы, включая ее частный случай — вектор, может быть построен обобщенный показатель, который удерживает информацию о структуре значений тгих данных. Возможность построения такого показателя обусловлена энтропийными свойствами матрицы связи S вида

S = XX"T (3)

где X - матрица исходных данных, называемая матрицей «объект-признак», в которой строки («объекты») содержат «признаки» или характеристики этих «объектов» (в нашем случае это матрица (X)' ={x,j} в (1)); X"7 -транспонированная матрица обратных значений данных X ((X)"7 ={х^'}).

В задачах, в которых состояния систем характеризуются значительно отличающимися распределениями вероятностей, в качестве меры неопределенности помимо (2) часто используется информационная энтропия:

"(P) = l-I>,2 (4)

ы

где р, - вероятность /-го состояния среды (системы); п - количество состояний. Значение р* вектора р в (2 и 4) в общем случае находится из условия:

gjtf(p) maxj, Fs(p) = 0,s = lS, Д„ = jp:. = 1, p, > О V/ = uj

где Fs(p) - s-oe (s = 1,S) дополнительное условие на вектор р в виде аналитического уравнения.

При использовании (2) или (4) для определения обобщенного показателя системы возможные состояния среды рассматриваются как множество значений характеристик ее элементов, а р,- вес (вклад) /'-го элемента, с которым он входит в значение обобщенного показателя системы.

Для удержания информации о структуре значений признаков объектов (элементов системы) используется следующая схема. Для положительно определенных матриц выражение

Н{р) = \1т{рг8р)-ргр (5)

где 5 = XX"' - матрица связи, определяет энтропийные свойства системы, описываемой матрицей X.

В соответствии с принципом максимума энтропии обобщенный показатель определяется как решение минимаксной оптимизационной задачи, формальная запись которой имеет вид

I р.1 н^7

»>0

где р и »V — вектор-столбцы, у которых операции умножения и деления осуществляются поэлементно (р.Лу - обозначение поэлементного деления).

На практике обобщенный показатель качества »V* системы рассчитывается в соответствии с выражением

w* = argmaxmin(/?./ w)' XX 1 (р./w) (6)

IVA',

г-1

--' (7)

ilv-v;'

где 4 - главный (правый) собственный вектор-столбец матрицы S; tj - главный (левый) собственный вектор-столбец транспонированной матрицы S ; г, 1 -соответственно главные правый и левый собственные векторы (столбцы) матрицы Х1Х'1,

С точки зрения средних величин формула (6) есть среднее геометрическое от среднего арифметического и среднего гармонического строк матрицы X. Практическая значимость этой формулы заключается в явной зависимости обобщенного показателя от значений характеристик элементов матрицы X.

Проведенный анализ состояния в области обработки и анализа многомерных данных показывает, что получение гарантированных оценок качества объектов и прогнозирование их развития в настоящее время является одной из актуальных проблемных задач. Решение этой задачи во многом связано с применением нового методического аппарата, позволяющего в условиях неопределенности исходных данных получать в задачах классификации, кластеризации, прогнозирования гарантированные оценки, которые являются информационной базой при принятии решений.

В третьей главе рассматривается методика моделирования и оптимизации хранилища данных на основе анализа информационной потребности пользователей.

Для мониторинга и анализа данных, используемых в управлении современным предприятием, необходимо описать методику моделирования и оптимизации хранилища данных. В главе рассмотрен теоретико-множественный подход к описанию информационных потоков хранилищ данных. При разработке подхода значимыми понятиями являются: факты, измерения, аналитические срезы фактических данных. Аналитические срезы фактических данных - это представление данных по нескольким измерениям одновременно.

Пусть /а - некоторое представление факта в виде аналитического среза. Тогда./* является элементом массива 10:

ро= 1/1,/2,■ ■ ■,/„},Л е Р0. Л 6 Р0 для всех к, причем |Р0|=и0*, (8) где Ро - универсальный массив, содержащий все аналитические срезы фактических данных, и - универсальный набор представлений фактов, |и| = и, т.е. количество измерений, по которым могут быть представлены факты, п0 -мощность множества Ро, т.е. общее количество аналитических срезов в информационном массиве (хранилище данных).

Соотношение (В) образует теоретико-множественное описание информационных потоков. Дополняет определение (8) линейное представление теоретико-множественного образа аналитического среза фактических данных:

[1, если / - ое измерение входит /,. = , где с!л =<в к-ыйаналитический срез (9) О, если не входит

и*)

Универсальный массив Р0

в линеином представлении есть матрица

размерности 6'хи0 (п0 - мощность множества Р0):

ч, • С

А.

(10)

Подобные матрицы могут рассматриваться под названием матрицы измерение-срез.

Далее предлагается графическая интерпретация полученных выводов. В качестве иллюстрации приводится четырехмерный случай, так как графическое представление общего (многомерного) - представляется затруднительным.

На рис. 2 представлена графическая интерпретация информационного массива, обладающего следующими характеристиками:

• и = 4;

• п0 = |Р0| = 2и-1 = 15 (т.к. сочетание измерений ¡0,0,0,0,', то есть факт не представлен ни по одному измерению, представляется, неразум ным);

(000000011 11 1111^ 000111100001111 011001100110011 ,10101010101010 1, При этом информационный массив в терминологии «кубов» будет разных уровней: грань, ребро, вершина.

Далее в главе проводится разработка и адаптация сигнальной модели аналитического приложения СППР для анализа предприятий.

Для исследования выбираются системы вида:

Х(ко, к0 + к) = Ф(Х(к0), и(ко, к0 + к), 1Щ-о, ко + к)) (11) где Х(к0, ко + к) - состояние в момент к0 + к;

Х(ка,) - состояние в момент к0',

и(ко, к0 + к) - управляющий сигнал;

И\ко, ко + к) - неуправляемые воздействия внешней среды («шум» и пр.);

Ф - функция, задающая переход из состояния к0 в состояние ко + к.

За основу для построения системы мониторинга и анализа состояния предприятий используется выражение (11), приведенное к линейному виду:

Х(к0, ко+к) = ф(к0, Ао+А)хХ(Аь)+и(Ао, ко+к)+Щк0, к0+к), (12)

или, в покомпонентной записи:

х,{ко, ко+к) = %<Ри (ко, *о+А)ххДо)+м,(£о, ко+к)+и',(ко, ко+к). (13)

м

Обозначения, использованные в (13):

1 Х(Ао)- столбец матрицы состояния системы (предприятия) в момент ко:

*>(ка

• Х(£о, ко+к) - столбец матрицы состояния системы (предприятия) в момент ко+к, рассчитанный на основе состояния Х(ко):

Гх,(к„,к„+к))

Х(к:1.ки + к) =

х,{ка,к„ + к)

(15)

Последовательность состояний за период к (точнее ко, ко+к) может быть описана матрицей \(к) размерности пх(к+1):

Ч(*„) .т,(4„+1) ... *,(*„+./) .г,(*„ + У + 1) ... х,(к„+к-\) х,(к„ + к))

хХК) .т, (*„ + !) х,(к„ + 2)

*,(*„ +у) Х,(К +./ + 1) - х,(К + к-}) *,(К+к)

(16)

Х.(К+I) + + Ч - ■Ч('!„ + «с-1) х.(к„ + к)/

Эта матрица состояний за определенный период (к) обладает существенным свойством:

£>,(*„+» = 0, (у = 1,2,..., А)

(17)

поскольку матрица строится на основе баланса, приведенного к его валюте.

Столбец матрицы (12) с номером у отражает состояние по истечении у-1 «элементарных» переходов системы:

'*,(*„+у)4

Х(к„+у) =

,+у)

1*. (*,.+/);

Очевидно, что данный столбец также удовлетворяет соотношению (17). • <р(£0, ко + к), - матрица (размерности п х п) перехода, характеризующая внутренние свойства системы обеспечивать изменения при переходе из состояния к0 в состояние к0+к (соответствует функции Ф из (12)):

<р(к„,к0 + к) =

{И, А ,к„ + к) <р1](кп,к„ + к) у„,А,А +к)

(р,,(к„,к„ + к)

<р,,(ки,к„ + к)

<Р,Лк0Л„ + к)

(18)

'рЛК А + *)

Здесь +*)) характеризует воздействие /-й составляющей столбца

Х(^о) нау'-ю составляющую \(к0,к0 +к).

• И(ко,ко+к) - матрица управляемости, характеризующая влияние управляющего воздействия за период к,ко+к на переход параметра состояния системы из состояния ко в состояние к0+к:

ЧАА + *)'

и(к„,к„+к) =

(19)

Совокупность всех управляющих воздействий за отмеченный период может описываться матрицей размерности пх(к +1):

'и,А) ... н,А+у) .- и.А + Л)'1

и (к) --

»,А) 1"„А>)

чА+Л - +

(20)

"Лка + Л •• "„(к„+к)) \У(Ао, - столбец матрицы «шума», характеризующий

воздействие внешней среды за период (к0, ко+к) на переход состояния системы из состояния к0 в состояние к0+к:

'п^ки + к))

ч АА + к)

(21)

[м'МХ + к)]

Совокупность внешних воздействий за тот же период может описываться матрицей размерности пх(к +1):

(22)

■ «',А+Л ■ + 4)

\У(к) = чА) • ■ чА+У) • • ЧА, +4)

• Ч.А + У) . ■ »'ДА, +*)

Рассмотрим последовательность переходов системы по совокупности состояний, описываемых в матрицах (16), (20), (22).

Х(кв +1) = <р(кп) х *(*„) + i/(A„) + IV (кп)

Х(к„ + j +1) = + j) х Х{к„ + j) + U{k„ + j) + W(ka + j) (23)

Х(к(1 + к) = <р(к„ +k-\)хХ(к„ +к~ 1) + U(k„ + к -1) + W(k„ + * -1) Или, в покомпонентном виде:

Рис. 3. Взаимодействие компонент x,{k0+j), u,(ka+j, k0+j+1), w>(Äo+/', Vt/+1) при переходе системы из состояния ко+j в состояние k0+j+\

Здесь:

• х;(/со + j) компонента столбца Х(к), отражающего состояние системы в состоянии ko+j;

•и,(¿о + j) - компонента столбца U(A), отражающая воздействие для перевода системы из состояния ko+j в состояние ko+j+i;

w,(*o + j, ко + j + 1) компонента столбца W(к), отражающая воздействие для перевода системы из состояния k0+j в состояние ko+j+\.

В главе разработана модель типового аналитического приложения СППР в области мониторинга и анализа состояния предприятий, дополняющая

{существующие алгоритмы аналитических приложений. Разработанная и ! адаптированная к' российским особенностям предоставления отчетности математическая модель позволяется оценить объект анализа - предприятие - а также получить оценки возможных причин того или иного состояния. Построенная модель содержит возможность проводить анализ по всем направлениям, свойственным мониторингу и анализу финансового состояния предприятий.

Четвертая глава посвящена разработке алгоритмического обеспечения комплекса поддержки принятия управленческих решений на основе использования знаний и интеллектуального анализа данных. Созданный комплекс алгоритмических средств поддержки принятия управленческих решений апробирован в открытом акционерном страховом обществе «Ингосстрах»(г. Воронеж).

Первоочередной типовой информационной задачей, которую приходится решать при выборе альтернативных вариантов действий типа инвестирования различных проектов, возмещения возможного ущерба, убытков и других возможных потерь, является оценивание рисков, сопутствующих деятельности в той или иной области. В страховании, такой задачей является оценивание страховых рисков, связанных с выплатой страхового возмещения при наступлении страховых случаев.

В исследовании для проверки работоспособности метода оценивания страхового риска ДТП были использованы реальные данные, которые представляли собой набор записей базы данных страховой компании с характеристиками 828 человек - 611 мужчин и 217 женщин. Набор включал данные о страхователях, с которыми случались ДТП, и у которых ДТП не было. Эти данные были сгруппированы по признаку марки автомобиля так, как они представляются в базе данных.

Расчеты с использованием программы построения обобщенного показателя (оценки) страхового риска позволили получить следующие результаты.

Па рис. 4 приведены графики числа ДТП в контрольных массивов и оценок страхового риска, полученных для страхователей массивов данных ИД1 (женщины) и ИД2 (мужчины).

а) слева ИД 1, справа ИД2 По оси ординат - число ДТП, по оси абсцисс - число элементов массива

15

1(Ю Ж ад Шй 77)

б) слева ИД1, справа ИД2 По оси ординат - оценка страхового риска, по оси абсцисс - число элементов

массива

Рис. 4. Данные о числе ДТП (а) и оценки страхового риска (б) после

сортировки.

Как видно из этих рисунков характер изменения кривой уровня страхового риска в правой части графиков б) хорошо соответствует характеру изменения графика с числом ДТП а), что косвенно говорит о непротиворечивости модели страхового риска, в соответствии с которой осуществлялось построение его оценок. Одновременно анализ представленных данных, иллюстрируемых этими графиками, позволил сделать заключение о возможности разбиения страхователей на два класса - класс высокого риска страхового случая, т.е. ДТП, и класс низкого риска.

Результаты расчетов качества классификации страхователей по уровню страхового риска (прогнозирования отсутствия страховых случаев) на всех частных испытательных выборках приведены в таблице.

Результаты расчетов качества классификации страхователей по

уровню страхового риска

№ частной Число Процент Число Число

испытательной страхователей в страхователей страхователей, страхователей

выоорки испытательной испытательно« попавших в без ДТП в

выборке (номера выборки, не класс низкого контрольной

элементов в имевших ДТП риска выборке

массиве исходных

данных)

1.1 100(1:100) 83.9 60 62

ИД1 117(101:217) 78.3 85 83

2.1 120(1:120) 82.4 97 74

2.2 120(121:240) 79.5 100 78

ИД2 2.3 120 (241:360) 81.7 70 71

2.4 120 (361М80) 80.7 Г 101 83

2.5 131 (481:611) 80.2 106 86

Использование этой информации для поддержки принятия решения при страховании позволяет обеспечить большую адресность страхового

^обеспечения за счет назначения величины страховых взносов, адекватных ! риску, и, следовательно, отвечающих интересам страхователей.

Таким образом, разработан метод оценивания рисков по характеристикам объекта управления (в качестве которого при страховании выступает страхователь и его имущество), заключающийся в преобразовании характеристик объекта в факторы риска, построении на них обобщенного показателя риска и интерпретации данных об этом показателе, исходя из целей управления.

На основании проведенных исследований и разработанной методики современного управления представляется целесообразным представить структуру интеллектуальной системы управления (см. рис. 5).

Рис. 5. Структурная схема интеллектуальной системы управления предприятием

Объектно-ориентированная база данных (ООБД). Описывает структурированную проблемную область менеджмента и содержит основную информацию и знания об объектах фирмы. Под объектами будем понимать понятия, определяющие основные элементы системы (например, прибыль, переменные издержки, постоянные издержки, доход, операция, рабочий и т.д.), т.е. основные синтаксические единицы из микроэкономики, теории менеджмента и других смежных экономико-математических и управленческих теорий. Каждый объект характеризуется набором атрибутов (например,

17

рабочий имеет атрибуты {квалификация, место работы и т.д.}). Реальные связи между объектами отражаются в семантической сети отношений этих объектов и атрибутов (например, прибыль выводится как результат отношений объектов доход и полные издержки).

База знаний 1-го класса (БЗ 1). База знаний первого класса предназначена для текущего анализа и распознавания ситуации. БЗ 1 представляет собой систему триггеров, с помощью которых происходит процесс поиска сложившейся ситуации. Особенность этой базы знаний заключается в том, что в ней заложены знания об отклонениях ситуаций от нормы.

База знаний 2-го класса (БЗ 2). Эта база знаний является основным управляющим механизмом в структуре активной системы управления. БЗ 2 содержит структурированные знания о всех состояниях системы. Она анализирует сложившуюся ситуацию. На основании имеющихся знаний производит процесс диагностики и вырабатывает необходимые действия.

База знаний 3-го класса (БЗ 3). Является механизмом накопления опыта и адаптации активной системы управления. БЗ 3 отслеживает реакцию производственной системы на принятое решение. После этого она фиксирует результат и тем самым накапливает "опыт" активной системы.

Диалог управления. Является каналом связи пользователя системы с знаниями системы. Из всех структурных элементов системы в этот диалог поступают необходимые ЛПР знания. Причем, эти знания представляются в простом и иллюстративном виде для их эффективного восприятия (т.е. необходимое требование к знаниям заключается в их повышенной , толерантности). На рис. 5 пунктиром обозначена область воздействия диалога управления. Стрелки от элементов системы к пунктирной области отображают тот факт, что эти элементы представляют необходимые знания для ЛПР.

Если сравнивать разработанную интеллектуальную систему управления с созданными экспертными системами, которые также основаны на знаниях, то можно сказать, что понятие интеллектуальной системы шире экспертных систем. Основное отличие от существующих экспертных систем заключается в автоматизации процесса анализа результата и накопления знаний. По сравнению с АСУ и экспертными системами, интеллектуальная система управления позволяет повысить интегральную эффективность работы современного предприятия.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен системный анализ существующих методов и средств обработки информации в системах поддержки принятия решений.

I 2. Предложен алгоритм и структура анализа и обработки многомерных ; данных с целью учета неопределенности.

3. Описана методика анализа и обработки многомерных данных для построения обобщенных интегральных показателей сложных систем, учитывающая неопределенность исходной информации.

4. Предложена методика моделирования информационного массива хранилища данных, позволяющая проводить количественную оценку хранилища данных с точки зрения обеспечения информационной потребности пользователей.

5. Разработана методика моделирования и оптимизации хранилища данных и построена модель аналитического приложения системы поддержки принятия решений для предприятия.

6. Разработана сигнальная модель системы поддержки принятия решений при управлении предприятием, отличающаяся простотой адаптируемости и учитывающая принципиальные схемы, свойственные мониторингу и анализу состояния предприятий.

7. Предложена структура базы знаний для функционирования интеллектуальной системы управления.

8. Созданный комплекс алгоритмических средств поддержки принятия управленческих решений апробирован в открытом акционерном страховом обществе «Ингосстрах» (г. Воронеж). Теоретические и практические результаты работы внедрены в учебный процесс по специальностям «Финансы и кредит» и «Юриспруденция» в АНОО ВПО "Воронежский институт высоких технологий" и Воронежском филиале Российского Нового Университета.

Основные результаты диссертации опубликованы в следующих работах:

Публикации в изданиях, рекомендованных ВАК РФ

1. Родионов К.В., Львович И.Я. Разработка системы поддержки принятия управленческих решений деятельности предприятия // Вестник Воронежского государственного технического университета. 2007. Т. 3. №8. С. 191-192

Статьи и материалы конференций

2. Современные методы и технологии дистанционного образования / К.В. Родионов, А.Ю. Лосихин, И.Я. Львович, Т.В. Корелина // Вестник Воронежского института высоких технологий. 2007.- С. 58-60

3. Родионов К.В., Лосихин А.Ю., Корелина Т.В. Основные перспективы развития дистанционного обучения // Материалы отчетной науч. конф. профессорско-преподавательского состава ВИВТ за 2005-2006 гг. Воронеж: «Научная книга», 2006. - С.20-22

4. Родионов К.В. Анализ современной деятельности предприятий в условиях рынка // Моделирование систем и информационные технологии: межвуз. сб. науч. тр. - Воронеж: ВИВТ, 2007. С. 173-175.

5. Родионов К.В. Разработка активной интеллектуальной системы управления фирмой // Теория конфликта и ее приложения: материалы IV Всерос. науч.-техн. конф. Воронеж: Научная книга, 2006. Ч. 1. С. 246-250.

6. Родионов К.В. Проблемы адаптивного управления потенциалом социально-экономических систем // Моделирование систем и информационные технологии: межвуз. сб. науч. тр. Воронеж: Научная книга, 2006. - 4.1. - С. 205-206

7. Родионов К.В., Львович И.Я. Метод построения обобщенных показателей сложных систем, базирующийся на использовании принципа максимума энтропии // Прикладные задачи моделирования и оптимизации: межвуз. сб. науч. тр. - Воронеж: ВГТУ, 2006. - С. 137-139

8. Родионов К.В. Модель оценки и оптимизации хранилища данных СППР на основе информационной потребности пользователя // Интеллектуализация управления в социальных и экономических системах: труды Всерос. конф. Воронеж: ВГТУ, 2007. - С. 57-58

9. Родионов К.В. Методы снятия неопределенности при обработке многомерных данных в задачах поддержки принятия решений И Моделирование систем и информационные технологии: межвуз. сб. науч. тр. Воронеж: Научная книга, 2007. - 4.1. - С. 55-59

10. Родионов К.В. Обработка и анализ многомерных данных // Моделирование систем и информационные технологии: межвуз. сб. науч. тр. Воронеж: Научная книга, 2007. - Ч. 1. - С. 59-63

Подписано в печать 19.02.2009. Формат 60x84/16. Бумага для множительных аппаратов. Усл. печ. л'. 1,0. Тираж 90 экз. Зак №

ГОУВПО «Воронежский государственный технический университет» 394026 Воронеж, Московский просп., 14

ВВЕДЕНИЕ

ГЛАВА 1. МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ ИНФОРМАЦИИ 14 И ДАННЫХ, ИСПОЛЬЗУЕМЫЕ ДЛЯ СОЗДАНИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

1.1. Классификация информационных систем, СППР, их состав и 15 решаемые задачи

1.2. Типовые задачи интеллектуального анализа данных

1.3. Методы обработки многомерных данных, используемые при 27 интеллектуальном анализе в интересах поддержки принятия решений

1.4. Проблемные вопросы обработки и анализа многомерных данных в 30 задачах ИАД

1.5. Анализ существующих подходов к обработке информации и 35 обоснованию выбора альтернатив

1.6 Цель и задачи работы

ГЛАВА 2. СОВЕРШЕНСТВОВАНИЕ МЕТОДИЧЕСКОГО 52 ОБЕСПЕЧЕНИЯ ОБРАБОТКИ ИНФОРМАЦИИ С ЦЕЛЬЮ УЧЕТА НЕОПРЕДЕЛЕННОСТИ В ИСХОДНЫХ ДАННЫХ

2.1. Основное содержание методического обеспечения

2.2. Методы снятия неопределенности при обработке многомерных 53 данных в задачах поддержки принятия решений

2.3. Интеграция методов получения обобщенных показателей

2.4. Метод построения обобщенных показателей сложных систем, 65 базирующийся на использовании принципа максимума энтропии Выводы второй главы

ГЛАВА 3. МЕТОДИКА МОДЕЛИРОВАНИЯ И ОПТИМИЗАЦИИ 75 ХРАНИЛИЩА ДАННЫХ НА ОСНОВЕ АНАЛИЗА ИНФОРМАЦИОННОЙ ПОТРЕБНОСТИ ПОЛЬЗОВАТЕЛЕЙ

3.1 Модель описания информационного массива хранилища данных 76 СППР

3.2 Модель оценки и оптимизации хранилища данных СППР на основе 82 информационной потребности пользователя

3.3 Разработка и адаптация сигнальной модели аналитического 90 приложения СППР для анализа предприятий

ГЛАВА 4. ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ НА 103 ПРЕДПРИЯТИИ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

4.1. Разработка метода обработки информации в задаче оценивания 103 риска для систем поддержки принятия решения в страховом деле

4.2. Структура интеллектуальной системы управления

4.3. Функции и алгоритм работы интеллектуальной системы управления 126 4.4 Представление знаний в объектно-ориентированной базе данных 129 Выводы четвертой главы 133 ЗАКЛЮЧЕНИЕ

Выводы третьей главы

Актуальность темы. Назначением информационных систем (ИС), независимо от области их применения (в производстве, бизнесе, медицине, образовании, страховании, других областях народного хозяйства) является обеспечение должностных лиц (или лиц принимающих решение - ЛПР) информацией, необходимой для принятия решений в области его деятельности. Стратегическим направлением развития ИС является их интеллектуализация, заключающаяся в построении формализованных процедур обработки, интерпретации и представления информации в виде некоторых показателей (знания), позволяющих их использование непосредственно для принятия управленческого решения в целевой области, т.е. выбора одного из альтернативных вариантов действий ЛПР. В этом случае о подобных ИС говорят как об интеллектуальных информационных системах.

Независимо областей применения ИС они выполняют следующие типовые функции: сбора данных; их обработки, в том числе, направленной на получение сводных показателей; представления данных, результатов обработки и их интерпретации для непосредственного использования ЛПР при принятии решения.

Среди перечисленных функций наиболее сложной для автоматизации с точки зрения построения формальных процедур преобразования данных в информацию, позволяющую ее использование для принятия решения, является построение сводных показателей, характеризующих состояние, эффективность или качество функционирования объекта управления, и их интерпретация.

Если объект управления представляет собой сложную систему, описываемую большим числом характеристик, имеющих различную природу и широкий диапазон значений, когда не очевиден характер связей характеристик объекта между собой и внешними факторами, преобразование данных в сводные показатели качества его функционирования и их интерпретация усложняется и приобретает характер проблемной задачи. Т.е., она не может быть выражена в терминах конкретного класса прикладных задач, для которого имеется соответствующий математический аппарат. В этом случае возникает необходимость выявить и описать факторы, влияющие на состояние объекта, выбрать или разработать методы обработки информации, ориентированные на учет неопределенности, методы представления и интерпретации информации в таком виде, чтобы решение было принято.

В общем виде информационную задачу, которую необходимо выполнять при поддержке принятия решений в указанных условиях, можно сформулировать, как преобразование исходных данных в некоторые сводные показатели свойств объекта управления, которые не поддаются непосредственному измерению.

Эти показатели могут интерпретироваться как некоторое качество объекта управления в целом или определенных его свойств (сторон): его эффективность, потенциал (потенциалы) достижения целей, вклад в эффективность или выигрыш от определенной деятельности, в которой участвует система и т.п. и характеризуют качественные и прагматические аспекты ее функционирования.

Условия, в которых приходится решать указанную информационную задачу, характеризуются неопределенностью, которая обусловлена одновременным действием целого ряда факторов.

Для решения задач поддержки принятия решений в этих условиях чрезвычайно актуальными являются выработка подходов, которые принципиально ориентированы на работу в так называемой неопределенной или нечеткой среде, а также разработка методов и средств их реализации в информационных системах.

На основании вышеизложенного можно заключить, что разработка (выбор) методов обработки информации и архитектуры информационных систем, предназначенных для поддержки принятия решений в условиях неопределенности, является актуальной и практически значимой задачей.

Основные исследования, получившие отражение в диссертации, выполнялись по направлению Воронежского государственного университета «Проблемно-ориентированные системы управления».

Цель и задачи исследования. Целью исследования является разработка методов моделирования и обработки информации и архитектуры информационных систем управления предприятием, предназначенных для поддержки принятия решений на основе анализа многомерных данных.

Для достижения поставленной цели необходимо решить следующие задачи: провести системный анализ существующих методов и средств обработки информации в системах поддержки принятия решений; предложить алгоритм и структуру анализа и обработки многомерных данных с целью учета неопределенности; описать методику построения обобщенных интегральных показателей сложных систем, базирующуюся на энтропийном подходе; разработать методику моделирования и оптимизации хранилища данных; построить модель аналитического приложения системы поддержки принятия решений для предприятия; предложить структуру базы знаний для функционирования интеллектуальной системы управления; провести апробацию методики расчета обобщенных интегральных показателей.

Методы исследования. Для решения поставленных задач использовались основные положения системного анализа, стратегического менеджмента, методов имитационного моделирования, теории управления, исследования операций и оптимизации, методов представления знаний, объектно-ориентированного проектирования и программирования.

Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной: методика анализа и обработки многомерных данных для построения обобщенных интегральных показателей сложных систем, учитывающая неопределенность исходной информации, а также устраняющая формальные и вычислительные сложности в решении задач кластеризации и получении гарантированных оценок; энтропийный функционал, учитывающий порядок следования элементов системы в задачах, где информация о структуре анализируемых данных является ключевой с точки зрения информационной поддержки принятия решений; методика моделирования информационного массива хранилища данных, позволяющая проводить количественную оценку хранилища данных с точки зрения обеспечения информационной потребности пользователей, базируясь на теоретико-множественном описании многомерного информационного массива; сигнальная модель системы поддержки принятия решений предприятия, отличающаяся простотой адаптируемости и учитывающая принципиальные схемы, свойственные мониторингу и анализу состояния предприятий. Практическая значимость и результаты внедрения

Разработанная в работе модель типового аналитического приложения СППР в области мониторинга и анализа состояния предприятий, а также дополняющие существующие алгоритмы аналитических приложений, позволяют оценить объект анализа, - предприятие - а также получить оценки возможных причин того или иного состояния. Предлагаемые в работе алгоритмы и модели позволяют производить построение оценок риска энтропийным методом, что обеспечивает их гарантированность точки зрения равной значимости вкладов всех факторов риска в его обобщенный показатель. Метод оценивания рисков заключается в факторизации исходных данных, построении на них обобщенных показателей с использованием энтропийного подхода к анализу многомерных данных и разбиения выборки оценок на два класса по критерию среднего уровня риска, обусловленного симметрией кривой упорядоченных значений оценок, -низкого уровня риска и высокогоет организации параллельных вычислений. Предлагаемая в работе интеллектуальная система управления позволяет осуществлять поддержку принятия решений на предприятии и адаптироваться к непредвиденным изменениям его состояния.

Созданный комплекс алгоритмических средств поддержки принятия управленческих решений апробирован в открытом акционерном страховом обществе «Ингосстрах»(г. Воронеж).

Теоретические и практические результаты работы внедрены в учебный процесс по специальностям «Финансы и кредит» и «Юриспруденция» в Воронежском институте высоких технологий и Воронежском филиале Российского Нового Университета.

Апробация работы. Результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 2005-2007), Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах (Воронеж, 2005-2007), межвузовской конференции «Моделирование систем и информационные технологии» (Воронеж, 2006-2007), семинарах кафедры систем автоматизированного проектирования и информационных систем Воронежского государственного технического университета и кафедры информатики и вычислительной техники Воронежского института высоких технологий (2005-2007).

Публикации. Основные результаты диссертации опубликованы в 10 научных работах, в том числе 1 - в издании, рекомендованном ВАК РФ.

В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат: структура системы поддержки принятия управленческих решений [1], подходы к управлению в социально-экономических системах [2], алгоритмы взаимодействия систем [3], метод построения обобщенных показателей сложных систем [7].

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 98 наименований и приложения. Работа изложена на 143 страницах и содержит 22 рисунка, 11 таблиц.

Выводы четвертой главы

1 .Первоочередной типовой информационной задачей, которую приходится решать в системах поддержки принятия решений при выборе альтернативных вариантов действий типа инвестирования различных проектов, возмещения возможного ущерба, убытков и других возможных потерь, является оценивание по априорным данным рисков, сопутствующих деятельности в той или иной области. В страховании, такой задачей является оценивание страховых рисков.

2.Информационная задача прогнозирования страховых рисков сводится к построению обобщенных интегральных характеристик факторов риска, которыми характеризуются страхователи. Построение оценок риска энтропийным методом обеспечивает их гарантированность точки зрения равной значимости вкладов всех факторов риска в его обобщенный показатель.

3.Метод оценивания рисков заключается в факторизации исходных данных, построении на них обобщенных показателей с использованием энтропийного подхода к анализу многомерных данных и разбиения выборки оценок на два класса по критерию среднего уровня риска, обусловленного симметрией кривой упорядоченных значений оценок, - низкого уровня риска и высокого.

4. Разработаны принципы построения, алгоритм и технология интеллектуальной системы управления предприятием. Разработаны новые методы выделения и представления знаний лица, принимающего решение. Разработаны концептуальные основы проектирования каждого функционального блока ИСУ.

ЗАКЛЮЧЕНИЕ

1. Проведен системный анализ существующих методов и средств обработки информации в системах поддержки принятия решений.

2. Предложен алгоритм и структура анализа и обработки многомерных данных с целью учета неопределенности.

3. Описана методика анализа и обработки многомерных данных для построения обобщенных интегральных показателей сложных систем, учитывающая неопределенность исходной информации.

4. Предложена методика моделирования информационного массива хранилища данных, позволяющая проводить количественную оценку хранилища данных с точки зрения обеспечения информационной потребности пользователей

5. Разработана методика моделирования и оптимизации хранилища данных и построена модель аналитического приложения системы поддержки принятия решений для предприятия.

6. Разработана сигнальная модель системы поддержки принятия решений предприятия, отличающаяся простотой адаптируемости и учитывающая принципиальные схемы, свойственные мониторингу и анализу состояния предприятий.

7. Предложена структура базы знаний для функционирования интеллектуальной системы управления.

8. Созданный комплекс алгоритмических средств поддержки принятия управленческих решений апробирован в открытом акционерном страховом обществе «Ингосстрах»(г. Воронеж). Теоретические и практические результаты работы внедрены в учебный процесс по специальностям «Финансы и кредит» и «Юриспруденция» в Воронежском институте высоких технологий и Воронежском филиале Российского Нового Университета.

1. Абдикеев Н.М. Автоматизированные информационные системы в производстве, маркетинге и финансах. Том 2. Учебное пособие. РЭА им. Плеханова. — М.: 2003.

2. Абдикеев Н.М. Интеллектуальные информационные системы. Учебное пособие. -М:. РЭА им. Плеханова, 2003.

3. Аверкин А.Н., Батыршин И.З., Блишун А.Ф. и др. Нечеткие множества в моделях управления и искусственного интеллекта. — М.: Наука, Гл. ред. физ. мат. лит. 1986.

4. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей М.: Финансы и статистика, 1985.

5. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика.

6. Основы моделирования и первичная обработка данных. — М.: Финансы иiстатистика, 1983.

7. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989.

8. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. Учебник для вузов. — М.: ЮНИТИ, 1998.

9. Ананьев Н.С. Разработка модели автоматизированной обучающей системы по языкам программирования. Магистерская дисс. — М.: РУДН. 2001.

10. Ю.Ананьев С.Н., Вараксин А.Н., Куренков Н.И. О построении показателей эффективности функционирования алгоритмов автоматическогораспознавания. Информационные технологии, № 1,2001.

11. Белкин А.Р., Левин М.Ш. Принятие решений: комбинаторные модели аппроксимации информации. —-М.: Наука, 1990.

12. ВентцельЕ.С. Исследование операций.-М.: Сов. радио, 1972.

13. Вильсон А.Дж. Энтропийные методы моделирования сложных систем. —М.: Наука, 1978.

14. Волкова В.Н., Воронков В.А. и др. Теория систем и методы системного анализа в управлении и связи. — М.: Радио и связь, 1983.

15. Гаврилов A.B. Системы искусственного интеллекта: Учеб. пособие: в 2-х ч. Новосибирск: Изд-во НГТУ, 2001. - Ч. 1.

16. Гайдамакин Н. А. Автоматизированные информационные системы, базы и банки данных. Вводный курс : Учебное пособие — М: Гелиос, 2002.

17. Геловани В. А. и др. Интеллектуальные системы поддержки принятия решений. М.: Эдиториал УРСС, 2001 г.

18. Гришенков Е. Планирование и консолидация данных многомерной базы. Открытые Системы, №04,2001.

19. Дейт Ч. Ведение в системы баз данных. М.: Диалектика, 1998.

20. Денисов A.A. Современные проблемы системного анализа: информационные основы. Учеб. пособие. СПб.: СПбГПУ, 2003.

21. Джексон П. Введение в экспертные системы. Пер. с англ.— Вильяме, 2001.

22. Дюк В.А. Компьютерная психодиагностика. — СПб.: Братство,1994.

23. Ерков A.A. Оптимальное решающее правило с оценкой достоверности. Препринт ИПМ АН СССР № 0134, Москва, 1984.25.3аботнев М.С. Система анализа образовательной статистики на основе интеграции OLAP и GIS технологий, www.olap.ru

24. Искусственный интеллект: Модели и методы: Справочник/Под ред. Д. А. Поспелова. В 3-х кн. — М.: Радио и связь. 1990. Кн. 2.

25. Кадощук И.Т., Липчинский Е.А. Обзор технологий хранилищ данных, www.olap.ru

26. Карлин С. Математические методы в теории игр, программировании и экономике. М.: Мир, 1964.

27. Катулев А.Н., Северцев H.A., Исследование операций: принципы принятия решений и обеспечение безопасности. М.: Физико-математическая литература, 2000.

28. Кендалл М. Методы ранговой корреляции. М.: Статистика, 1974.

29. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах. Открытые системы, №4, 1997.

30. Клейнер Г.Б., Смоляк С.А. Эконометрические зависимости: принципы и методы построения. -М.: Наука, 2000.

31. Коровкин С. Д. и др. Решение проблемы комплексного-оперативного анализа информации хранилищ данных. СУБД, № 5-6, 1997.

32. Крупский А.Ю., Феоктистов H.A. Исследование систем управления предприятий сервиса. Материалы межвуз. НТК "Современные средства управления бытовой техникой". М., 2004.

33. Кульба В.В. и др. Методы формирования сценариев развития социально-экономических систем. М.: СИНТЕГ, 2004.

34. Куренков Н.И., Лебедев Б.Д. Применение энтропийного дискриминантного анализа в задачах кластеризации многомерных данных. Механика композиционных материалов и конструкций. — М.: РАН, 1999.

35. Куренков Н.И., Лебедев Б.Д. Применение энтропийных свойств, матриц для кластеризации композитов по их свойствам. Механика композиционных материалов и конструкций. ТЗ, № 4, 1997.

36. Куренков Н.И., Лебедев Б.Д. Энтропийные методы определенияобобщенных характеристик систем. Доклады академии наук. — М.: РАН. Том 365, №3. 1999.

37. Куренков Н.И., Лебедев Б.Д., Использование обобщенных показателей систем для восстановления данных. Механика композиционных материалов и конструкций. — М.: РАН, Т 4, № 2, 1998.

38. Куренков Н.И., Лебедев Б.Д., Использование энтропийных методов и обобщенных средних при обосновании характеристик материалов. Механика композиционных материалов и конструкций. М.: РАН, Т 4, № 3, 1998.

39. Ларичев О.И. Теория и методы принятия решений: Учебник. М.: Логос, 2000.

40. Лисянский К. Архитектурные решения и моделирование данных для хранилищ и витрин данных, www.olap.ru

41. Лорьер Ж.-Л. Системы искусственного интеллекта. Пер. с франц. -М.: Мир, 1991.

42. Львов В. Создание систем поддержки принятия решений на основе хранилищ данных. СУБД, № 3, 1997.

43. Магнус Я.Р., Нейдекер X. Матричное дифференциальное исчисление с приложениями к статистике и эконометрике. Пер. с англ./Под ред. С.А. Айвазяна. -М.: ФИЗМАТЛИТ, 2002.

44. Маклаков СВ. BPwin и ERwin. CASE-средства разработки информационных систем. — М.: Диалог Ми фи, 1999.

45. Малиновский Л.Г. Анализ статистических связей: Модельно-конструктивный подход. Ин-т проблем передачи информ. М.: Наука, 2002.

46. Марпл С.Л. Цифровой и спектральный анализ и его приложения. — М.:Мир, 1990.

47. Мартыщенко Л.А., Панов В.В., Филюстин А.Е. Методы военно-научных исследований в задачах разработки и испытания вооружений. 4.2, л., МО СССР, 1985.

48. Марченко А.И. Object Pascal 2.0. К.: ЮНИОР, 1998.51 .Мелик-Гайказян И.В. Информационные процессы и реальность. -М.: Наука, 1998.

49. Методики (I) расчета тарифных ставок по массовым рисковым видам страхования, утвержденной Распоряжением Федеральной службы РФ оп надзору за страховой деятельностью, № 02-03-36 от 28.07.93

50. Методы анализа данных. Пер. с фр. Под редакцией Айвазяна С.А. и Бухштабера В.М. — М.: Финансы и статистика, 1985.

51. Методы добычи данных. Электронный учебник StatSoft. StatSoft Inc.

52. Миркин Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980.

53. Моисеев Н. Н. Математические задачи системного анализа. М.: Наука, 1981.

54. Моренин A.B. Концепция проведения разработок системы интеллектуальной поддержки принятия решения "Эврика+", www.olap.ru

55. Мушик Э., Мюллер П. Методы принятия технических решений. Пер. с нем. М.: Мир, 1990.59.0бработка экспериментальных данных с использованием компьютера. Под редакцией С. Минами. Пер. с япон. Под ред. Е.Л. Косарева, М.: Радио и связь, 1999.

56. Осипов Г.С. Приобретение знаний интеллектуальными системами -М: РУДН, 1994.

57. Панченков А.Н. Энтропия. Н.Новгород: Издательство общества "Интелсервис", 1999.

58. Питц-Моултис Н., Кирк Ч. XML: Пер. с англ. СПб.: БХВ-Петербург, 2001.63 .Попов И.И. Автоматизированные информационные системы (по областям применения). : Учебное пособие/Под общей редакцией К.И. Курбакова.— М.: Изд-во Рос. экон акад., 1998.

59. Попов Э. В. Экспертные системы. М.: Наука, 1987.

60. Прангишвили И.В., Пащенко Ф.Ф., Бусыгин Б.П. Системные законыи закономерности в электродинамике, природе и обществе. — М.: Наука, 2001.

61. Пржиялковский В.В. Сложный анализ данных большого объема: новые перспективы компьютеризации. СУБД, № 04, 1996 г.

62. Пройдаков Э. Что такое Data Mining? PCWeek, № 26, 1999.

63. Пытьев Ю.П. Возможность. Элементы теории и применения. — М.: Эдиториал УРСС, 2000. "

64. Ревунков Г.И., Самохвалов Э.Н., ЧистовВ.В. Базы и банки данных и знаний. -М.: Высшая школа, 1992.

65. Романенко А.Г., Максимович Г.Ю., Самойлюк O.P. и др. Информационные системы: Учебное пособие/Под общей редакцией К.И. Курбакова. М.: Изд-во Рос. экон. акад., 1999. ,

66. Саати Т. Принятие решений. Метод анализа иерархий. — М.: Радио и связь, 1985.

67. Сахаров A.A. Концепция построения и реализации информационных систем, ориентированных на анализ данных. СУБД № 4, 1996.

68. Слотер Э.Х. Архитектуры OLAP, www.iso.ru

69. Стратонович P.JI. Теория информации. М.: Сов. радио, 1975.

70. Сурков Е.А. Методологические аспекты процессов автоматизации управленческой деятельности (Управление в трех измерениях). Enterprise partner, №24(41), 2001.

71. Трухаев Р.И. Модели принятия решений в условиях неопределенности. — М.: Наука, 1981.

72. Тулупьев A. JI. Алгебраические байесовские сети. Логико-вероятностный подход к моделированию баз знаний с неопределенностью. — СПб.: СПИИРАН, 2000.

73. Туо Дж. Каждому пользователю свое представление данных. — Computer Week, № 38, 1996.

74. Ульман Д. Основы систем баз данных. М,: Финансы и статистика,1983.

75. Федечкин С. Хранилище данных: вопросы и ответы. PCWeek, №31,2003.

76. Федоров А., Елманова Н. Введение в OLAP: часть 1. Основы OLAP, КомпьютерПресс № 4, 2001.

77. Феоктистов Н.А. и др. Оптоэлектронные элементы информационных систем. М.: МГУС, 2002.

78. Хендерсон К. Delphi 3: Руководство разработчика. Пер. с англ.- К:. Диалектика, 1997.

79. Цыпкин Я.З. Информационная теория идентификации. М:, Наука Физматлит, 1995.

80. Черноморов Г.А. Теория принятия решений: Учебное пособие / Юж.-Рос. гос. техн. ун-т. Новочеркасск: Ред. Журн. «Изв. Вузов. Электромеханика», 2002.

81. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений. Открытые системы № 01, 1998.

82. Шилейко А.В., Кочнев В.Ф., Химушкин Ф.Ф. Введение в информационную теорию систем. М.: Радио и связь, 1985.

83. Щавелев JI.B. Оперативная аналитическая обработка данных: концепции и технологии, www.olap.ru

84. Щавелев JLB. Способы аналитической обработки данных для поддержки принятия решений. СУБД, № 4-5, 1998.

85. Codd E.F., Codd S.B., Salley СТ., Providing OLAP (on-line analytical processing) to user-analysts: An IT mandate. Technical report, 1993.

86. Alalouf С Hybrid OLAP. St. Laurent, Canada: Speedware Corporation Inc., 1997.

87. Bradley P., Fayyad U., Reina C. Scaling Clustering Algorithms to Large Databases, Proc. 4th Int'l Conf. Knowledge Discovery and Data Mining, AAAI Press, Menlo Park, Calif. 1998.

88. Erhard Ram, Hong Hai Do. Очистка данных: проблемы и актуальныеподходы, www.iso.ra.