автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Система поддержки принятия решений в диагностических проблемных ситуациях на основе нечеткой логики

На правах рукописи

Тв 6Д

/ Г Р-!|Г| '"ЛГ^

ШАШКОВ Алексей Николаевич

СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ДИАГНОСТИЧЕСКИХ ПРОБЛЕМНЫХ СИТУАЦИЯХ НА ОСНОВЕ НЕЧЕТКОЙ ЛОГИКИ

Специальность 05.13.06 — Автоматизированные системы управления

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

УФА 2000

Работа выполнена на кафедре автоматизированных систем управления Уфимского государственного авиационного технического университета

Научный руководитель: кандидат технических наук,

доцент Л.М.Бакусов

Официальные оппоненты: доктор технических наук,

профессор Ю.С.Кабальнов, кандидат технических наук, доцент В. А.Пестриков

Ведущее предприятие: Башкирская Академия Государственной

Службы и Управления при Президенте РБ

Защита состоится "28" декабря 2000 г. в 10.00 часов на заседании диссертационного совета К-063.17.03 в Уфимском государственном авиационном техническом университете по адресу:

450000, г.Уфа-центр, ул. К.Маркса, 12.

С диссертацией можно ознакомиться в библиотеке Уфимского государственного авиационного технического университета. .

Автореферат разослан "27" ноября 2000 г.

Ученый секретарь диссертационного совета д.т.н., профессор

К В.Н.Ефанов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Основным инструментом решения задач управления большими организационными, производственными, биотехническими системами являются информационные технологии поддержки принятия решений в составе АСУ. Необходимость выделения и самостоятельного рассмотрения принятия решений в проблемных ситуациях определяется такими их особенностями, как риск больших потерь, неопределенность, уникальность, ограниченность ресурсов.

Среди проблемных ситуаций выделяются диагностические проблемные ситуации (ДПС), особенность которых заключается в том, что принятие решений в этом случае характеризуется наличием человеческого фактора на всех уровнях и этапах процесса управления. Кроме того в ДПС объект управления является источником существенно неполной, неточной, нечеткой информации и противоречий (например, прибор является источником неточности, пациент в клинике - источником нечеткости, неточности и неполноты).

Эти ситуации, как показывает обзор литературных источников, имеют несколько аспектов, требующих научного анализа и исследования. Во-первых, диагностика включает классификацию не полностью определенных состояний. Во-вторых, диагностика имеет несколько уровней экспертизы с непостоянным составом группы экспертов, осуществляющих извлечение информации, выявление закономерностей и противоречий, выдвижение гипотез, проверку гипотез и др. В-третьих, принятие решений имеет двухэтапную организацию: инструментальными методами верифицируются признаки, подтверждающие, либо отвергающие гипотезы; лицо, принимающее решение (ЛПР), строит или использует готовые логические правила, принимает рабочую гипотезу (окончательный диагноз) и осуществляет затем выбор целей и путей преодоления сложившейся проблемной ситуации.

При возникновении ДПС недостаточно изученными остаются также вопросы исследования и анализа ситуаций инструментальными средствами при нечетко заданной информации, где необходимо согласовать оценки, получаемые от экспертов, а также классифицировать ДПС по множеству критериев.

В соответствии с изложенным разработка системы поддержки принятия решений в диагностических проблемных ситуациях на основе нечеткой логики является актуальной задачей.

Связь работы с научными программами. Тема диссертационной работы связана с выполнением работ по НИР ИФ-АС-02-98-ХГ, ИФ-АС-04-99-ХГ,

проведенных в Уфимском государственном авиационном техническом университете по заказу лечебных учреждений.

Целью исследования является разработка научных основ методики построения СППР при управлении деятельностью ЛПР в диагностических проблемных ситуациях.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать концептуальную модель СППР в диагностических проблемных ситуациях на основе многоуровневой обработки нечетких данных.

2. Разработать инструментальные средства поддержки принятия решений в диагностических проблемных ситуациях при работе с неполными, неточными и нечеткими данными по уровням.

3. Для решения первой и второй задач необходимо разработать методики извлечения экспертных знаний, выявления противоречий в экспертных суждениях и согласования экспертных оценок, а также методики классификации проблемных ситуаций.

4. Разработать информационное, алгоритмическое и программное обеспечение СППР в диагностических проблемных ситуациях и исследовать его работоспособность и эффективность.

Методы исследований базировались на основных положениях теории принятия решений, теории графов, методов теории нечетких множеств, методов теории эволюционного программирования, методов теории вероятностей и математической статистики.

Научная новизна:

1. Предложена новая концептуальная модель СППР, отличающаяся от известных наличием непостоянного состава экспертных групп по уровням управления и внутренними обратными связями по согласованию нечетких оценок.

2. Предложен новый способ определения вектора приоритетов по неполной матрице парных сравнений, в отличии от известных реализованный путем заполнения пропущенных значений матрицы парных сравнений на основе пропорций элементов других строк, либо приведения множества неполных парных сравнений к системе линейных уравнений с неопределенными коэффициентами и новая методика, реализующая предложенный способ. При этом требуется такое количество сравнений, которое лишь сохраняет связность соответствующего матрице ориентированного взвешенного графа доминирования.

3. Установлены формальные признаки нового вида скрытого нарушения согласованности индивидуальных оценок эксперта, в отличии от известных вы-

являемого путем редукции отношения степеней предпочтения к числовому неравенству. Разработана методика согласования индивидуальных экспертных оценок на основе устранения скрытых и явных противоречий.

4. Разработана новая методика выявления противоречий и согласования групповых экспертных оценок для неравнокомпетентных экспертов, отличающаяся от известных тем, что согласование осуществляется по множеству функций принадлежности, построенных на основе оценок количественных признаков при фиксированном -.начении лингвистической переменной.

5. Разработана новая методика автоматической классификации ситуаций, отличающаяся от известных тем, что для классификации по множеству критериев используются механизмы эволюционного поиска.

Практическую значимость представляют:

1. Предложенная в работе методика извлечения экспертных знаний на основе организации процедуры неполных парных сравнении, позволяющая в наиболее удобной для эксперта форме выражать свои предпочтения в слабоформа-лизуемых проблемных ситуациях, и вместе с тем требующая в я/2 раз меньше затрат времени на проведение экспертизы (п - число сравниваемых альтернатив).

2. Предложенный в работе новый способ определения вектора приоритетов по неполной матрице парных сравнений, позволяющий сократить объем работы экспертов при определении вектора приоритетов на основе сжатой информации о предпочтениях.

3. Методика согласования индивидуальных экспертных оценок, разработанная на основе установленного нового вида скрытого нарушения согласованности, и методика согласования групповых экспертных оценок на основе взвешенной функции принадлежности нечеткого множества, которые позволяют существенно уменьшить число ошибок диагностики.

4. Разработанная новая методика эволюционной классификации, позволяющая ЛПР в случае необходимости гибко реагировать на изменение ситуации путем конструирования новой целевой функции, а также проводить группировку ДПС по множеству критериев оценки качества классификации.

5. Разработанное программное обеспечение, реализующее СППР и обеспечивающую сокращение сроков проведения процедуры извлечения экспертных знаний на 30-50% и уменьшение ошибок диагностики на 10-20%.

На защиту еыпосятся:

1. Концептуальная модель СППР в диагностических проблемных ситуациях на основе многоуровневой обработки нечетких данных.

2. Методика извлечения экспертных знаний на основе организации процедуры неполных парных сравнений и определения вектора приоритетов альтернатив.

3. Методика согласования индивидуальных экспертных суждений на основе установления и устранения скрытых противоречий в оценках эксперта.

4. Методика согласования групповых экспертных оценок по функции принадлежности нечеткого множества для неравнокомпетектных экспертов.

5. Методика автоматической классификации ситуаций на основе использования механизмов эволюционного поиска.

Апробация результатов работы. Основные положения диссертационного исследования докладывались на следующих научных конференциях: всероссийской молодежной научно-технической конференции "Информационные и кибернетические системы управления и их элементы" (г. Уфа, Уфимский государственный авиационный технический университет, 1997 г.); республиканской молодежной научной конференции "Вопросы теоретической и практической медицины" (г. Уфа, Башкирский государственный медицинский университет, 1998 г.); межвузовской научно-практической конференции "Наука-сервис-семья" (г.У фа, Уфимский технологический институт сервиса, 1998 г.); межвузовской научно-практической конференции "Вопросы управления и проектирования в информационных и кибернетических системах" (г.Уфа, Уфимский государственный авиационный технический университет, 1999 г.); международной молодежной научно-технической конференции "Интеллектуальные системы управления и обработки информации" (г.Уфа, Уфимский государственный авиационный технический университет, 1999 г.); республиканской каучно-тфйктйчсско*! конференции Новые тледнцнкские технологий (г.Уфа, Башкирский государственный медицинский университет, 2000 г.).

По теме диссертационного исследования опубликовано 12 работ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, основных результатов и выводов работы, списка основной используемой литературы и приложения. Она изложена на 150 страницах основного машинописного текста, включая 16 рисунков и 15 таблиц. Список используемой литературы из 126 наименований и 1 приложение представлены на 17 страницах.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы, описывается цель работы, решаемые задачи, научная новизна, практическая полезность и положения, выносимые на защиту.

В первой главе проводится обзор и классификация видов неопределенности, возникающих в процессе извлечения экспертных знаний в ДПС и показано, что наиболее распространенными являются: нечеткость, неточность и неполнота. Проводится классификация методов принятия решений (ПР) по содержанию и типу получаемой экспертной информации и показывается, что среди методов, использующихся при ПР в ДПС, определяемых качественной информацией о предпочтениях и количественной о последствиях, выделяются методы теории нечетких множеств и метод парных сравнений альтернатив.

основе проведанного обзора покззз**& 1дедссооорззность исгюльзовз~ ния в ДПС методов теории нечетких множеств и механизмов эволюционного поиска.

Обзор существующих СППР на основе нечеткой логики позволил определить ряд ограничений и недостатков существующих систем.

Наиболее характерной предметной областью возникновения ДПС является медицина и биомедицинская промышленность. В связи с этим проведен обзор медицинских СППР и анализ особенностей медицинских знаний и их формализации. Отмечено, что формализованные медицинские знания включают научные теории, реализованные в алгоритмах и компьютерных моделях, и медицинский опыт, зафиксированный в базах данных и базах знаний.

Рассмотрены основные подходы к построению моделей принятия диагностических решений, среди которых выделены статистические методы, логические методы, эвристические методы, диагностические экспертные методы.

Обзор систем, основанных на знаниях позволил определить основные особенности концептуальной модели ПР в ДПС, которые заключаются в следующем: диагностика имеет несколько уровней экспертизы с непостоянным составом группы экспертов, осуществляющих извлечение информации, выявление закономерностей и противоречий, выдвижение гипотез, проверку гипотез и др. Характерным примером ДПС является задача медицинской диагностики, где в качестве экспертов на различных этапах выступают: пациент (т.е. сам объект управления), описывающий свое состояние в качественных понятиях, врач приемного покоя, оценивающий ситуацию и определяющий перечень процедур исследования, специалист лаборатории или кабинета, оценивающий результаты исследований, врач, ставящий диагноз, лечащий врач и др. Кроме это-

го принятие решений в ДПС имеет двухэтапную организацию: инструментальными методами верифицируются признаки, подтверждающие, либо отвергающие гипотезы; ЛИР строит или использует готовые логические правила и принимает рабочую гипотезу (окончательный диагноз) и осуществляет затем выбор целей и путей преодоления сложившейся проблемной ситуации.

Предложенная концептуальная модель ПР в ДПС позволила сформулировать требования к разрабатываемой СППР, представленной структурной схемой на рис.1

Во второй главе разрабатываются способы и методики преодоления указанных в первой главе видов неопределенности, реализация которых осуществляется в рамках концептуальной модели ПР в ДПС.

Предложена методика извлечения экспертных знаний на основе проведения процедуры неполных парных сравнений и определения вектора приоритетов по полученному множеству неполных парных сравнений (А"). Этому множеству соответствует ориентированный граф С(А"), построение которого осуществляется в следующей последовательности: на плоскости откладывается множество вершин, равное количеству сравниваемых альтернатив с присвоением каждой вершине имени альтернативы. Выбирается пара альтернатив, для которой легче всего (с точки зрения эксперта) оценить предпочтение, и соединяется ориентированной дугой. Рядом с дугой проставляется степень предпочтения одной альтернативы над другой, и каждой вершине присваивается номер. На следующих итерациях выбираются две вершины, такие, что одна из них лежит вб, а другая не лежит и для которых легче всего оценить предпочтение. Производится сравнение, проводится ориентированная дуга и проставляется

лф£1пл>гт ттати1Лигйг»т»я >эг т> тч л vjji.uu ^ла/лл и д-.Д-

Для восстановления вектора приоритетов по неполному множеству парных сравнений необходимо и достаточно, чтобы граф, построенный по этому множеству, был связным и, как следствие, чтобы множество А" содержало не менее и-1 сравнений. Известно, что в связном графе найдется по крайней мере одна вершина(Л,), соединенная как минимум с двумя другими вершинами. Тогда, зная элементы ая и а,к может быть вычислено значение а]к как «¡к-ац/ау. Таким образом осуществляется восстановление всех пропущенных значений матрицы парных сравнений (МПС) и вектор приоритетов вычисляется по полной МПС.

Указанная процедура может быть реализована также путем составления и решения системы линейных уравнений.

Оператор/ЛПР

Эксперты _^

Блок реализации процедуры парных сравнений

Признаковое пространство предметной области

Блок преобразования описания ДПС

Блок согласования групповых предпочтений

Блок согласования индивидуальных предпочтений

Модуль преобразования информации

Блок формирования много критериальной ЦФ классификации

Блок задания параметров классификации

Блок формирования приоритетов признаков

База критериев классификации

Модуль классификации и пополнения типовых ситуаций

Типовая

База типовых действий

Не типовая База типовых ситуаций

Выбор вариантов типовых действий и представление ЛПР

Выбор ЛПР варианта решения

Генерация и оценка вариантов решения

I

Принятие варианта решения и представление ЛПР

Модуль анализа не типовой ситуации

Рис.1. Структурная схема СППР

Аналитическая оценка показывает, что в предельном случае число парных сравнений, достаточное для вычисления вектора приоритетов альтернатив, уменьшается по сравнению с полной процедурой парных сравнений в л/2 раз (п - число сравниваемых альтернатив), что значительно сокращает сроки и трудоемкость проведения экспертизы.

Поскольку при практическом принятии решений субъективные оценки часто противоречивы, то актуальной научной задачей исследования является уменьшение ошибок в субъективных измерениях до допустимого для конкретной задачи уровня. Эти ошибки проявляются в нарушении согласованности суждений эксперта. В качестве меры оценки несогласованности использовался показатель «отношение согласованности» (ОС), определяемый по отклонению вычисленного максимального собственного числа для МПС от теоретического, равного размерности МПС (и), предложенный Т.Саати.

Помимо известных видов нарушения согласованности в оценках экспертов установлен новый вид несогласованности, названный скрытой (неявной) несогласованностью: a,j>aik, од>1, т.е. предпочтение альтернативы А,- над Aj сильнее, чем At над Ак, следовательно, альтернатива Ак должна быть предпочтительней Aj, а эксперт указал противоположное предпочтение (Ау предпочтительней At). Выделение этого вида несогласованности позволяет выявить скрытые противоречия в системе экспертных оценок.

Для решения проблемы устранения противоречий предложена методика согласования множества предпочтений, представленных в виде МПС. Сначала в МПС выделяются триады с нарушением скрытой и транзитивной (А,уАр Aj>Ak^ikyA„ где >- - знак предпочтения) согласованности. Далее формируется множество, состоящее из альтернатив (А1), входящих в несогласованные триады (Тгн): А'={А,}, Д еТг". Затем каждое значение а1р представляющее относительную предпочтительность альтернативы А,- над Aj (A,/ijeA'), поочередно заменяется на число из множества {1/9,...,1/2,1,2,...,9} (с соответствующей заменой aji—1/a,-,), вычисляется вектор приоритетов и определяется ОС в каждом случае, которое сравнивается с минимальным значением ОС, полученным на предыдущих итерациях, и если ОС принимает наименьшее значение, то запоминается позиция и новое значение этого элемента.

Процедура согласования может осуществляться несколько итераций, пока ОС не примет требуемое (допустимое) значение. При этом с каждой итерацией происходит сокращение множества А' и вместе с тем уменьшение показателя ОС (ОС=0 - соответствует идеальной согласованности экспертных оценок).

Для согласования групповых экспертных оценок качественных признаков, представленных в форме лингвистических переменных, предложена методика, состоящая из трех этапов: построение функции принадлежности (ФП) для лингвистических термов; определение показателя согласованности различных экспертов по ФП; согласование экспертных оценок.

Для ФП простой формы (треугольной, трапецеидальной и др.) построение осуществляется по заданным экспертами узловым точкам - точкам пересечения прямых, описывающих различные прямолинейные участки ФП; для ФП гаус-совской формы параметры ФП аппроксимируются методом наименьших квадратов.

Предложены аналитические выражения для нахождения показателя согласованности оценок двух экспертов для различных форм лингвистических термов и различных положений ФП относительно друг друга (пример приведен

п - число определенных ненулевых значений ФП ц(и,)>0; и, - значение базовой переменной, на котором определена ФП; (а,Ь) - диапазон изменения значений ФП для оценок первого (Э|) и второго (Э2) экспертов, на котором д(м)>0.

ц (и/) и |х (г/,2) - значения ФП лингвистического терма для первого и второго экспертов соответственно.

Определение показателя согласованности для п экспертов осуществляется через парную согласованность.

"С=-Цпс,, (1)

Г 1=1 ;=.№! п{п -1)

где t — —---общее количество значений парной согласованности,

11Су — показатель согласованности между г'-м и_/'-м экспертом. Построение результирующей ФП (согласование мнений экспертов) с учетом их компетентности определяется как

rt)=2>(",Ь (2)

'=i

где q, - весовой коэффициент компетентности г'-го эксперта.

После определения результирующей ФП ее нужно пронормировать (т.е. чтобы supn(M,)=l).

Для решения задачи классификации ДПС предложен новый подход, в основе которого лежат механизмы эволюционного поиска. Предварительно осуществляется генерация случайной последовательности (коллектив предикторов). Затем эволюционный алгоритм (ЭА) применяет множество простых операций к начальному коллективу предикторов и генерирует новый коллектив путем использования части старых и добавления новых частей с "хорошими свойствами".

Первым этапом является выбор меры сходства между ситуациями. Для этого предложена новая мера сходства в виде комбинации коэффициента Гау-эра и метрики Минковского, имеющая вид

( (\ - ir V"

. (3)

14 j)

где dtJ- расстояние между объектами i и у;

xjk ~ значение к-й переменной соответственно для г'-го и у-го объектов;

R¡ - размах значений этой переменной (разность между максимальным и минимальным значениями).

С изменением параметра г (показатель степени) меняются селективные свойства критерия. Деление на величину размаха позволяет использовать в системе признаки, измеренные по различным шкалам.

Эволюционный алгоритм классификации представлен на рис.3. Основными механизмами ЭА являются: отбор - процесс, в котором предикторы копируются в следующий коллектив в зависимости от значения их ЦФ, обмен отвечает за смешивание информации, содержащейся в предикторах коллектива, мутация - характеризует изменение значения какого-либо признака в предикторе с вероятностью р и предназначена для введение новых предикторов в коллектив

В работе предложена следующая структура предиктора

СЦ С\2--С\т Сг\ С22 ... Сщ •■• Си C¿2 •••Chn

k¡ k2 k¡

■ч

где С,у указывает значение_/-го признака для центра /-го класса. Таким образом, предиктор в данном алгоритме представляет собой последовательность координат центров <7 классов разбиений.

Рис.3. Эволюционной алгоритм классификации ДПС

Важным преимуществом предложенного алгоритма классификации является возможность конструирования на основе известных критериев классификации новой целевой функции (ЦФ). Тем самым классификация имеет тенденцию к оптимизации сразу по нескольким критериям.

В результате заданного числа итераций работы эволюционного алгоритма классификации выдается наименование (номер) ситуации и номер класса, к которому принадлежит данная ситуация. Данная классификация определяется предиктором центров классов, имеющим минимальное значение ЦФ за все итерации работы ЭА.

В третьей главе разрабатывается структурная схема СППР и обобщенный алгоритм ПР. Разрабатывается алгоритмическое обеспечение блока согласования индивидуальных предпочтений, разрабатывается программный модуль построения ФП, разрабатывается алгоритмическое и программное обеспечение модуля классификации ДПС на основе механизмов эволюционного поиска.

Для реализации процедур и методов ПР разработана структурная схема СППР, представленная на рис.1, отличающаяся от известных наличием блока извлечения экспертных знаний на основе организации процедуры неполных парных сравнений, блоком согласования индивидуальных и групповых экспертных оценок, блоком, реализующим алгоритм эволюционной классификации ДПС.

Функциональные возможности модулей, реализованные в системе можно представить следующим образом. В модуле формирования базы знаний реализованы автоматизированные процедура построения ФП для признаков, представленных как лингвистические переменные, и процедура, реализующая методику извлечения экспертных знаний на основе неполных парных сравнений.

Модуль преобразования информации реализует автоматизированные процедуры согласования индивидуальных и групповых экспертных оценок, процедуру преобразования описания ДПС, в которой по сформированным в базе знаний ФП для лингвистических переменных, каждому качественному значению признака ставится в соответствие значение на соответствующей базовой шкале.

Модуль классификации и пополнения типовых ситуаций реализует эволюционный алгоритм классификации ДПС с использованием многокритериальной ЦФ, параметров алгоритма эволюционного поиска, вектора приоритетов признаков. Текущая ситуация сопоставляется с классами типовых ситуаций и при значительном отклонении (допустимая величина отклонения определяется решаемой задачей), ситуация считается не типовой и поступает в модуль анализа не типовой ситуации, в котором происходит синтез критериев, генерация и оценка вариантов решения, принятие варианта решения и представление его J11 IP. При незначительном отклонении ДПС от классов типовых ситуаций из базы типовых ситуаций по описанию наиболее сходной к ДПС ситуации выбирается набор типовых действий из соответствующей базы и представляется ЛПР.

Предложенная схема функционирования СППР охватывает все этапы концептуальной модели СППР в ДПС и разработанные во второй главе методики, обеспечивающие ее работу.

Реализация СППР осуществлялась на объектно-ориентированном языке программирования Delphi 5.0, интерфейс оптимизирован по глубине вложения

управляющих информационных элементов, реализовано графическое представление результатов работы. Уникальность алгоритмов, реализованных в системе, подтверждена свидетельством об официальной регистрации программы на ЭВМ.

В четвертой главе проводится экспериментальная проверка эффективности предложенных методик.

Экспериментальная проверка эффективности методики извлечения экспертных знаний на основе организации процедуры неполных парных сравнений показала, что на 30-50% сокращаются сроки проведения экспертной процедуры.

Для проверки эффективности методики согласования индивидуальных экспертных оценок случайным образом генерировались МПС различной размерности и определялось среднее число итераций работы алгоритма, необходимых для согласования множества экспертных оценок на уровне ОС=Ю%. При этом установлено значимое уменьшение оценок рассогласования с каждой итерацией в среднем на 12% на уровне значимости а=0.01 по критерию Стыодента и уменьшение числа итераций и затрат времени и средств по сравнению с известными методами типа Дельфы.

Исследование эффективности работы эволюционного алгоритма классификации ситуаций осуществлялось на примере диагностики заболевания ише-мической болезни сердца методом интегральной электрокардиотопографии по Р.З.Амирову, позволяющей регистрировать одновременно информацию с 90 электродов, распределенных по поверхности грудной клетки.

Качество классификации оценивалось следующими величинами:

- чувствительность критерия (а) - отношение числа ситуаций, когда система отнесла больного к классу больных к общему числу больных (величина 1-а соответствует ошибке первого рода);

- специфичность критерия ((3) - отношение числа ситуаций, когда система отнесла здорового к классу здоровых к общему числу здоровых (величина 1-(3 соответствует ошибке второго рода).

Получены следующие значения показателей: а=0.67, [3=0.77. Сравнение эволюционного алгоритма классификации с методами кластерного анализа показало превосходство предложенного алгоритма над всеми методами по показателю чувствительности в среднем на 20% и по сумме показателей чувствитель-ность+специфичность в среднем на 10%, что позволило рекомендовать этот метод на этапе предварительной диагностики состояния сердечно-сосудистой системы пациента.

Степень сходимости эволюционного алгоритма классификации, определяемая как отношение суммы лучших предикторов в коллективе для первой половины итераций к сумме лучших предикторов в коллективе для второй половины итераций, при проведении различных испытаний принимала значение в диапазоне [1.02,1.23], что показывает на хорошую сходимость алгоритма.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

1. Предложена концептуальная модель СППР в диагностических проблемных ситуациях на основе многоуровневой обработки нечетких данных, позволяющая технологизировать процесс поддержки принятия решений в слабо-формализуемых областях при непостоянном составе экспертных групп на различных уровнях управления.

2. На основе концептуальной модели разработаны научно-методические средства поддержки принятия решений в диагностических проблемных ситуациях, включающие в себя:

- методику извлечения экспертных знаний на основе организации процедуры неполных парных сравнений, позволяющую в удобной для эксперта форме выражать свои предпочтения, а также значительно упрощающую сам процесс и сроки проведения экспертной процедуры;

- методики определения вектора приоритетов по неполной матрице парных сравнений, позволяющие на основе неполной информации формировать вектор приоритетов сравниваемых альтернатив;

- методику согласования субъективных измерений для одного эксперта, позволяющую автоматически устанавливать значение отношения согласованности на уровне, не превышающем заданный для конкретной предметной области порог согласованности оценок;

- методику выявления противоречий и согласования групповых экспертных оценок для неравнокомпетентных экспертов, позволяющую согласовывать экспертные оценки, представленные в форме. функции принадлежности нечеткого множества и производить отображение значений признаков, измеренных по лингвистической шкале, на базовое множество значений признака, тем самым осуществляется формализация качественных понятий, которыми оперирует человек в процессе своей деятельности;

- методику классификации диагностических проблемных ситуаций, основанную на механизмах эволюционного поиска и селекции, позволяющую задавать многокритериальную целевую функцию оценки качества классификации,

тем самым классификация имеет тенденцию к оптимизации сразу по нескольким критериям.

3. На основе сформулированных требований к системе предложена структурная схема СППР. Разработан комплекс алгоритмов и программных модулей, реализующий предложенные методики и процедуры принятия решений в ДПС и включающий алгоритмы согласования индивидуальных предпочтений на основе анализа МПС, построения функции принадлежности и согласования групповых экспертных оценок при фиксированном значении лингвистической переменной, эволюционный алгоритм классификации ДПС.

4. Исследование эффективности методики согласования субъективных измерений показало, что без дополнительного привлечения экспертов и без изменения большинства оценок становится возможным корректировать субъективные измерения до достижения необходимого уровня согласованности. Алгебраическая методика проверки эффективности работы эволюционного алгоритма классификации показала, что вероятность ошибки первого рода составляет величину (1-а)«0.33, вероятность ошибки второго рода составляет величину (1-[3)к0.23, что является хорошим показателем для предварительной диагностики больных с нарушением деятельности сердечно-сосудистой системы. Сравнительная характеристика эффективности предложенного эволюционного алгоритма классификации с классификацией, проведенной методами кластерного анализа, показала превосходство предложенного метода- по суммарному показателю специфичности и чувствительности (а+р) и по показателю специфичности (а).

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В СЛЕДУЮЩИХРАБОТАХ:

1. Шашков А.Н. Использование САБЕ-средств при проектировании автоматизированных систем//Информационные и кибернетические системы управления и их элементы: Тез. докл. всерос.молодежн. научн.-техн. конф. -Уфа: УГАТУ, 1997. - С. 221-222.

2. Шашков А.Н. О применении статистических методов в медицине// Вопросы теоретической и практической медицины: Тез. докл. республ. молодежи. научн. конф.-Уфа: БГМУ, 1998. - С. 103.

3. Бакусов Л.М., Бакусова С.М., Султанов А.З, Шашков А.Н. Асинхронные функциональные динамические сети в моделировании эволюции открытых систем// Наука-сервис-семья: Тез.докл. межвуз.научн.-практ. конф. -Уфа: У ТИС, 1998-С. 112.

4. Разработка технического задания и технико-экономического обоснования автоматизированной информационной системы больницы № 5: Отчет по НИР/Уфимск.гос.авиац.техн.ун-т; Инв.Ж)29990005417. - Уфа: УГАТУ,

1998. - 211 с. - Отв.исполн. - А.Н.Шашков; Соисполн.: Л.М.Бакусов, Р.В.Насыров, А.З.Султанов.

5. Бакусов JT.M., Шашков А.Н., Султанов А.З., Кудряшов А.И. особенности проектирования информационно-управляющих систем лечебно-профилактических заведений //Вопросы управления и проектирования в информационных и кибернетических системах: Межвуз.науч.сб. - Уфа: УГАТУ,

1999. -С.165-174.

6. Бакусов JI.M., Насыров Р.В., Султанов Р.В., Шашков А.Н. Проблемы внедрения АСПР в практическое здравоохранение// Интеллектуальные системы управления и обработки информации: Тез.докл. межвуз. научн.-техн. конф. - Уфа: УГАТУ, 1999. - С.87-92.

7. Бакусов JI.M., Насыров Р.В., Шестаков М.В., Шашков А.Н. Иерархическая декомпозиция в процессах принятия решений//Принятие решений в условиях неопределенности: Межвуз.науч.сб. - Уфа: УГАТУ, 1999,- С.99-105.

8. Шашков А.Н. Постановка задачи принятия решений в критических ситуациях в лечебном учреждении и методы ее решения// Интеллектуальные системы управления и обработки информации: Тез.докл. междунар. молодежи, научн.-техн. конф. - Уфа: УГАТУ, 1999. - С. 153.

9. Shashkov A.N. Peculiarities of Designing Information-Controlling Systems in Medical Institutions//Problems of technology transfer: International Scietifi-cal-Technical Workshop. - Ufa: USATU, 1999.- p.200-203.

10. Бакусов JI.M., Шашков А.Н. Программная система классификации многомерных объектов с использованием механизмов «генетических алгоритмов». Свидетельство об официальной регистрации программы для ЭВМ № 2000611126.

11. Зулкарнеев Р.Х., Шашков А.Н. Диагностика заболеваний сердечнососудистой системы на основе использования алгоритма эволюционной классификации// Новые медицинские технологии: Тез. докл. республ. научн.-практ. конф. - Уфа: БГМУ, 2000. - С. 148.

12. Бакусов Л.М., Шашков А.Н. Метод согласования субъективных измерений в матрицах парных сравнений/ЛЗопросы управления и проектирования в информационных и кибернетических системах: Межвуз.науч.сб. - Уфа: УГАТУ, 2000. - С.132-137.

Современное состояние объектов и систем управления организационного, социального, медицинского типа показывает, что меняются объекты управления и автоматизации. В настоящее время такими объектами все больше становятся не только отдельные технологические системы и процессы, но и деятельность человека в различных предметных областях или операционных средах. Другой особенностью объектов такого рода является наличие в системе множества потоков различного вида, переработка и использование которых составляет основу деятельности системы (объекта управления). Представление о таких системах, как системах со сложной динамикой потоков и стохастичностью поведения параметров позволяет рассматривать деятельность по управлению в операционной среде как последовательное решение проблемных ситуаций. Основным инструментом решения задачи управления подобными объектами являются системы поддержки принятия решений (СППР) в составе АСУ.

Условно можно выделить два класса объектов, с которыми приходится сталкиваться специалистам в области автоматизации управления: "простые" и "сложные". "Простыми" являются объекты, точные математические модели которых при учете всех необходимых количественных факторов, влияющих на поведение объекта, пригодны для реализации на ЭВМ и вполне адекватны объекту. То есть для построения моделей таких объектов имеются достаточно хорошо разработанные традиционные точные математические методы. "Сложные" объекты управления имеют следующие главные отличительные особенности [88]:

1. Не все цели выбора управляющих решений и условия, влияющие на этот выбор, могут быть выражены в виде количественных соотношений;

2. Отсутствует либо является неприемлемо сложным формализованное описание объекта управления; 6

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

Опыт исследований и разработки СППР в условиях неопределенности (УН) в течении последних двух десятилетий в работах отечественных ученых, таких как М.А. Айзерман, А.Н. Борисов, О.И. Ларичев, А.Н. Мелихов, Д.А. Поспелов, Э.А. Трахтенгерц, И.Ю. Юсупов, В.И. Васильев, Г.Н. Зверев, Б.Г. Ильясов, Ю.С. Кабальнов, Г.Г. Куликов, а также зарубежных Л.Заде, Ю.Козелецкий, Т.Саати и других, показал наличие двух самостоятельных задач в рамках таких систем: задача создания математических и инструментальных средств и задача создания базовой информационной технологии в предметной области, обеспечивающих поддержку принятия решений ЛПР в условиях неопределенности.

Среди проблемных ситуаций выделяются диагностические проблемные ситуации (ДПС), особенность которых заключается в том, что принятие решений в этом случае характеризуется наличием человеческого фактора на всех уровнях и этапах процесса управления. Кроме того в ДПС объект управления является источником существенно неполной, неточной, нечеткой информации и противоречий (например, прибор является источником неточности, пациент в клинике - источником нечеткости, неточности и неполноты).

Эти ситуации, как показывает обзор литературных источников, имеют несколько аспектов, требующих научного анализа и исследования. Во-первых, диагностика включает классификацию не полностью определенных состояний. Во-вторых, диагностика имеет несколько уровней экспертизы с непостоянным составом группы экспертов, осуществляющих извлечение информации, выявление закономерностей и противоречий, выдвижение гипотез, проверку гипотез и др. В-третьих, принятие решений имеет двухэтапную организацию: инструментальными методами верифицируются 7 признаки, подтверждающие, либо отвергающие гипотезы; лицо, принимающее решение (ЛПР), строит или использует готовые логические правила, принимает рабочую гипотезу (окончательный диагноз) и осуществляет затем выбор целей и путей преодоления сложившейся проблемной ситуации.

При возникновении ДПС недостаточно изученными остаются также вопросы исследования и анализа ситуаций инструментальными средствами при нечетко заданной информации, где необходимо согласовать оценки, получаемые от экспертов, а также классифицировать ДПС по множеству критериев.

В соответствии с изложенным разработка системы поддержки принятия решений в диагностических проблемных ситуациях на основе нечеткой логики является актуальной задачей.

Данная диссертационная работа посвящена разработке инструментального средства для поддержки принятия решений деятельности ЛПР в диагностических проблемных ситуациях.

Тема диссертационной работы связана с выполнением работ по НИР ИФ-АС-02-98-ХГ, ИФ-АС-04-99-ХГ, проведенных в Уфимском государственном авиационном техническом университете по заказу лечебных учреждений.

Целью работы является разработка научных основ методики построения СППР при управлении деятельностью ЛПР в диагностических проблемных ситуациях.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать концептуальную модель СППР в диагностических проблемных ситуациях на основе многоуровневой обработки нечетких данных. 8

2. Разработать инструментальные средства поддержки принятия решений в диагностических проблемных ситуациях при работе с неполными, неточными и нечеткими данными по уровням.

3. Для решения первой и второй задач необходимо разработать методики извлечения экспертных знаний, выявления противоречий в экспертных суждениях и согласования экспертных оценок, а также методики классификации проблемных ситуаций.

4. Разработать информационное, алгоритмическое и программное обеспечение СППР в диагностических проблемных ситуациях и исследовать его работоспособность и эффективность.

Научная новизна.

Предложена новая концептуальная модель СППР, отличающаяся от известных наличием непостоянного состава экспертных групп по уровням управления и внутренними обратными связями по согласованию нечетких оценок.

Предложен новый способ определения вектора приоритетов по неполной матрице парных сравнений, в отличии от известных реализованный путем заполнения пропущенных значений матрицы парных сравнений на основе пропорций элементов других строк, либо приведения множества неполных парных сравнений к системе линейных уравнений с неопределенными коэффициентами и новая методика, реализующая предложенный способ. При этом требуется такое количество сравнений, которое лишь сохраняет связность соответствующего матрице ориентированного взвешенного графа доминирования.

Установлены формальные признаки нового вида скрытого нарушения согласованности индивидуальных оценок эксперта, в отличии от известных выявляемого путем редукции отношения степеней предпочтения к числовому неравенству. Разработана методика согласования 9 индивидуальных экспертных оценок на основе устранения скрытых и явных противоречий.

Разработана новая методика выявления противоречий и согласования групповых экспертных оценок для неравнокомпетентных экспертов, отличающаяся от известных тем, что согласование осуществляется по множеству функций принадлежности, построенных на основе оценок количественных признаков при фиксированном значении лингвистической переменной.

Разработана новая методика автоматической классификации ситуаций, отличающаяся от известных тем, что для классификации по множеству критериев используются механизмы эволюционного поиска.

Методы исследования. В работе используются методы теории принятия решений, методы теории нечетких множеств, теории графов, методы теории вероятностей и математической статистики, кластерного анализа, методы теории эволюционного программирования.

Практическую значимость представляют:

Предложенная в работе методика извлечения экспертных знаний на основе организации процедуры неполных парных сравнений, позволяющая в наиболее удобной для эксперта форме выражать свои предпочтения в слабоформализуемых проблемных ситуациях, и вместе с тем требующая в п/2 раз меньше затрат времени на проведение экспертизы (п - число сравниваемых альтернатив).

Предложенный в работе новый способ определения вектора приоритетов по неполной матрице парных сравнений, позволяющий определять вектор приоритетов на основе сжатой информации о предпочтениях эксперта.

Методика согласования индивидуальных экспертных оценок, разработанная на основе установленного нового вида скрытого нарушения

10 согласованности, которая позволяет выявлять множества противоречивых оценок и автоматически приводить их к согласованному виду.

Предложенная методика согласования групповых экспертных оценок на основе взвешенной функции принадлежности нечеткого множества, которая позволяет согласовывать оценки неравнокомпетентных экспертов в тех случаях, когда информация представлена в виде лингвистических переменных.

Разработанная новая методика эволюционной классификации, позволяющая конструировать новую целевую функцию и проводить группировку ДПС по множеству критериев оценки качества классификации.

Разработанное программное обеспечение, реализующее СППР и обеспечивающую сокращение сроков проведения процедуры извлечения экспертных знаний на 30-50% и уменьшение ошибок диагностики на 10-20%.

На защиту выносятся:

1. Концептуальная модель СППР в диагностических проблемных ситуациях на основе многоуровневой обработки нечетких данных.

2. Методика извлечения экспертных знаний на основе организации процедуры неполных парных сравнений и определения вектора приоритетов альтернатив.

3. Методика согласования индивидуальных экспертных суждений на основе установления и устранения скрытых противоречий в оценках эксперта.

4. Методика согласования групповых экспертных оценок по функции принадлежности нечеткого множества для неравнокомпетентных экспертов.

5. Методика автоматической классификации ситуаций на основе использования механизмов эволюционного поиска.

Содержание.

В первой главе проводится обзор существующих моделей и методов ГТР в условиях неопределенности, методов принятия решений на основе

11 нечеткой логики, систем поддержки ПР и показано, что как теоретические, так и практические инструменты недостаточны для адекватного принятия решений в диагностических проблемных ситуациях. Кроме того, обзор моделей и методов ПР в УН показал наличие в процессе ПР в ДПС таких проблем как извлечение экспертной информации, ее согласование, обработка и классификация ДПС. Поэтому разработана концептуальная схема принятия решений в ДПС, содержащая нечеткое описание. На основании этого определяются общие требования к СППР в ДПС. Во второй главе разрабатываются общие модели ПР в ДПС. В качестве инструментального средства ПР в ДПС предлагается использовать аппарат теории нечетких множеств и эволюционного программирования, описываются методики извлечения экспертной информации, ее согласования и классификации ДПС. В третьей главе разрабатываются средства алгоритмического и программного обеспечения системы поддержки принятия решений в ДПС, реализующие предложенные методики. В четвертой главе представлены результаты экспериментального исследования эффективности предложенных методик. В приложении приведены основные модули программной системы поддержки принятия решений в диагностических проблемных ситуациях и копия свидетельства об официальной регистрации программы на ЭВМ.

Основные результаты диссертации изложены в 21 опубликованных работах [6,7,10-19,56,78,82,110-114,124].

12