WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 ||

«РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ ПРОБЛЕМ УПРАВЛЕНИЯ им. В.А. ТРАПЕЗНИКОВА ТЕОРИЯ АКТИВНЫХ СИСТЕМ ТРУДЫ МЕЖДУНАРОДНОЙ НАУЧНО-ПРАКТИЧЕСКОЙ КОНФЕРЕНЦИИ (17-19 ноября 2003 г., Москва, Россия) Том 1 Общая ...»

-- [ Страница 2 ] --

Литература 1. Руководство по организации работы высшего военно-учебного заве дения МО РФ. Приказ Министра обороны Российской Федерации от 12 марта 2003 г. № 80. Регистрационный № 4388 от 8 апреля 2003 г. в Минюсте РФ.

2. Новиков Д.А. Механизмы функционирования многоуровневых орга низационных систем. – М.: Фонд «Проблемы управления», 1999. – 150 с.

3. Балашов В.Г., Заложнев А.Ю., Новиков Д.А. Механизмы управ ления организационными проектами. – М.: ИПУ РАН, 2003. – 84 с.

РЕШЕНИЕ ЗАДАЧИ О ПОКРЫТИИ МЕТОДОМ ДИХОТОМИЧЕСКОГО ПРОГРАММИРОВАНИЯ Толстых А.В.

(ИПУ им. В.А. Трапезникова РАН, Москва, vlab17@bk.ru) Метод дихотомического программирования предложен Бурковым В.Н. и Бурковой И.В. для решения оптимизационных задач, в которых ог раничения задаются функцией, допускающей дихотомическое представле ние [1]. В докладе рассматривается применение этого метода к задаче о покрытии двудольного графа.

Задан двудольный граф G(X,Y,U). Для каждой вершины i X опре делены затраты ci. Требуется определить покрытие Q X, такое что (1) j i Q: (i, j) U и (2) min ci iQ Обозначим xi = 1, если i Q и xi = 0 в противоположном случае. То гда задачу можно сформулировать в следующем виде.

Определить xi = {0, 1}, минимизирующие (3) (x)= xi при условии ci i m (4) f(x)= xi = m, max iR j j= где iRj, если (i, j)U.

Легко убедиться, что функция f(x) допускает дихотомическое пред ставление. Сформулируем модифицированную задачу. Для этого вместо xi введем переменные {xij}, i = 1, n, jPi, где jPj, если (i, j)U. Разделим затраты ci на части zij, такие что (5) = ci.

zij jPi Получаем следующую задачу.

Определить xij = {0, 1}, минимизирующие (6) C(x)= xi,j при условии ci,j i,j n (7) max xij = m.

iR j i= Эта задача легко решается. Достаточно для любого j определить ckj = min zij iR j и положить xkj = 1, остальные xij = 0.

Величина критерия (6) равна (8) C0(x)= zij.

min iR j j Для улучшения оценки (8) необходимо определить {zij 0}, макси мизирующие (8) при ограничении (5).Эта задача сводится к задаче линейного программирования.

Предложенный метод применен для выбора приборов контроля в сис теме мониторинга состояния окружающей среды.

Литература 3. Бурков В.Н., Буркова И.В. Методы дихотомического программиро вания (Труды международной научно практической конференции «Теория активных систем», ИПУ РАН, 17-19 ноября 2003 года) / На учное издание – М: ИПУ им. В.А. Трапезникова РАН, 2003.

ОПТИМИЗАЦИЯ ПРОГРАММ ПО СТОИМОСТИ Уандыков Б.К.

(Казахстан, vlab17@bk.ru) Задача оптимизации программ по стоимости является классической задачей оптимизации в управлении проектами. Методы ее решения разра ботаны для кусочно-линейных зависимостей стоимости работы от време ни, а также для выпуклых зависимостей.

В докладе рассматривается применение метода дихотомического про граммирования для решения задачи в дискретном случае [1].

Примем сначала, что сетевой график имеет последовательно параллельную структуру. В этом случае функция продолжительности про екта в зависимости от продолжительности отдельных работ допускает ди хотомическое представление типа дерева, и метод дихотомического про граммирования позволяет получить оптимальное решение. Для произвольного сетевого графика в докладе предложен метод построения модифицированной последовательно-параллельной сети. Решение задачи для этой сети дает оценку снизу для решения исходной задачи. На основе этой оценки предложен метод ветвей и границ.

Описанный подход применен для оптимизации программы обеспече ния безопасности гидротехнических сооружений в республике Казахстан.

Литература 1. Бурков В.Н., Буркова И.В. Методы дихотомического программиро вания (Труды международной научно практической конференции «Теория активных систем», ИПУ РАН, 17-19 ноября 2003 года) / На учное издание – М: ИПУ им. В.А. Трапезникова РАН, 2003.

МОДЕЛИРОВАНИЕ ИНФОРМАЦИОННОЙ РЕФЛЕКСИИ В АКТИВНЫХ СИСТЕМАХ Чхартишвили А.Г.

(МГУ им. М.В. Ломоносова, Москва, e-mail: alexch@spa.msu.ru) 1. Теретико-игровой подход к управлению С теоретико-игровой точки зрения задача управления в активной сис теме состоит в следующем: создать для управляемых субъектов (элемен тов системы – агентов) игру с такими правилами, чтобы исход этой игры был по возможности благоприятен для управляющего органа (центра).

Для формирования нужных правил игры центр может применять различ ные способы: накладывать ограничения на допустимые стратегии игроков (разрешать или запрещать какие-либо действия), изменять их целевые функции (например, платить зарплату или взыскивать штрафы), влиять на информированность в момент принятия решения. Последний способ назы вается информационным управлением (подробнее о классификации типов управления см. [1, 2]).

Ясно, что для осуществления информационного управления необхо димо представлять, каков будет результат игры в зависимости от инфор мированности ее участников. Информированность эта может быть различ ной, поэтому получающееся равновесие не будет, вообще говоря, «обычным» равновесием, которое принимается в качестве решения некоо перативной игры с полной информированностью (см., напр., [2, 5]). Это будет особое – информационное – равновесие.

2. Информационная и стратегическая рефлексия Рассмотрим теоретико-игровую модель взаимодействия между аген тами, которые совершают одновременный и независимый выбор действия из некоторых фиксированных множеств, в результате чего каждый агент получает выигрыш, описываемый действительнозначной функцией, зави сящей, вообще говоря, от действий всех агентов. Для выбора действия в описанной ситуации каждый агент должен так или иначе смоделировать действия других агентов, чтобы самому выбрать действие, максимизи рующее целевую функцию. Это моделирование агентом хода мысли дру гих агентов называется рефлексией. В частности, размышления агента о выборе своего действия включают в себя стратегическую рефлексию – какие действия выберут остальные агенты? Или, говоря более широко, какие принципы принятия решения они используют в рамках своей ин формированности об игре?

Рассмотрим теперь более сложную ситуацию. Пусть выигрыши аген тов зависят не только от их действий, но и от некоторого неопределенного параметра, значение которого не является общим знанием (common knowl edge – см. [3, 5]). Тогда стратегической рефлексии логически предшеству ет информационная рефлексия – размышления агента о том, что каждый агент знает (предполагает) о неопределенном параметре, а также о предпо ложениях других агентов и пр. Совокупность всех этих взаимных пред ставлений образует структуру информированности агента.

3. Структура информированности и информационное равновесие Игра, участники которой принимают решение на основе своих струк тур информированности, называется рефлексивной игрой (см. [3]). В рабо те [4] рассматривается точечная структура информированности (у агентов имеются вполне определенные представления о значении неопределенного параметра;

о том, каковы представления (также вполне определенные) ос тальных агентов, и т. д.) и исследуются некоторые ее свойства. Для струк тур информированности конечной глубины (по-видимому, именно такие структуры моделируют реальные «информационные» ситуации) конструк тивно определено информационное равновесие, являющееся обобщением равновесия Нэша в некооперативных играх. Отметим, что в рамках приня тых в [3, 4] определений «классическая» игра в нормальной форме являет ся частным случаем рефлексивной игры (глубина структуры информиро ванности равна единице).

Литература 1. Губко М.В., Новиков Д.А. Теория игр в управлении организационны ми системами. М.: Синтег, 2002. – 148 с.

2. Новиков Д.А., Чхартишвили А.Г. Активный прогноз. М.: ИПУ РАН, 2002. – 101 с.

3. Новиков Д.А., Чхартишвили А.Г. Рефлексивные игры. М.: Синтег, 2003 – 149 с.

4. Чхартишвили А.Г. Информационное равновесие / Управление боль шими системами. Сборник трудов молодых ученых. Общая редакция – Д.А. Новиков. Выпуск 3. М.: ИПУ РАН, 2003. С. 94 – 109.

5. Myerson R.B. Game theory: analysis of conflict. London: Harvard Univ.

Press, 1991. – 568 p.

СЕКЦИЯ ПРИНЯТИЕ РЕШЕНИЙ И ЭКСПЕРТНЫЕ ОЦЕНКИ ОБ ОДНОМ ПОДХОДЕ К ОЦЕНКЕ НЕПРОТИВОРЕЧИВОСТИ ЭКСПЕРТНОЙ ИНФОРМАЦИИ Абаев Л.Ч.

(Российский институт стратегических исследований, Москва, e-mail: abaev_lev@mail.ru) Оценка непротиворечивости (согласованности) экспертных суждений является весьма важной задачей обработки и анализа экспертной инфор мации.

Один из наиболее распространенных подходов к оценке степени не противоречивости эксперта основан на выявлении у него нетранзитивной информации. Особенно часто подобный подход используется в методах пар ных сравнений, причем это могут быть как обычные, четкие парные сравне ния, так и нечеткие, взвешенные. В последнем случае весьма распростра ненным формальным требованием транзитивности является следующее:

aijajk = aik для i, j, k. Содержательно оно означает, что если, например, i-й объект в 3 раза предпочтительнее j-го, а j-й в 2 раза предпочтительнее k-го, то i-й объект должен быть в 6 раз (32) предпочтительнее k-го. Чем мень ше у эксперта нарушений транзитивности суждений подобного рода, тем в большей степени его оценки считаются непротиворечивыми.

В общем случае оценка коэффициента непротиворечивости эксперт ной информации, заданной матрицей взвешенных парных сравнений A, задается формулой µ = (max-n)/(n-1), где max – максимальное собственное значение матрицы A, n – размерность матрицы. В случае, когда µ 0,1, считается, что оценки эксперта непротиворечивы. Опыт показал, что ука занное требование мультипликативной транзитивности для оценки непро тиворечивости экспертной информации является весьма жестким. Кроме того, оно вступает в логическое противоречие с теми методами, в которых оценки степени предпочтительности задаются в вербальных шкалах. На пример, в известном методе анализа иерархий вербальная шкала имеет значений (от «слабой предпочтительности» до «абсолютной предпочти тельности»), которым соответствуют степени предпочтения 2,3,...,9. Но в этом случае требование транзитивности может нарушаться, несмотря на то, что в оценках эксперта нет никаких противоречий.

Пусть, например, эксперт считает, что объект 1 абсолютно предпоч тительнее всех остальных объектов, объект 2 абсолютно предпочтительнее всех объектов, за исключением 1-го, объект 3 абсолютно предпочтитель нее объектов 4,5,...,n и т.д. Легко видеть, что в данном случае требование мультипликативной транзитивности нарушается (например, a12 = 9, a23 = 9, следовательно, должно быть a13 = 99 = 81, но а13 = 9)), хотя эксперт абсо лютно непротиворечив.

Расчеты показывают, что оценка коэффициента µ в этом случае будет существенно больше 0,1 (n – число объектов):

n 3 4 5 6 7 8 9 10 15 20 0.28 0.44 0.55 0.62 0.68 0.72 0.75 0.78 0.86 0.90 0. Таким образом, данный подход оказывается не вполне адекватным действительной оценке непротиворечивости.

На наш взгляд, более обоснованным является подход, основанный на следующем формальном требовании к экспертной информации:

aik max{aij,a } для i, j, k jk Это требование совпадает с известным условием minmax-транзитив ности нечетких отношений предпочтения.

Тогда оценка степени непротиворечивости может быть определена как отношение S числа нарушений указанного выше условия к максималь но возможному числу таких нарушений Smax.

Можно доказать, что (n - 2)(n -1)n 2l - - Smax = min ;

- 2i)2 + (n n(n24 ), i= где n – число объектов;

l – число градаций на шкале относительных пред почтений;

= 4, если n – четное и 1, если n – нечетное.

Тогда коэффициент непротиворечивости экспертной информации оп ределяется следующим образом:

µ = 1 - S / Smax.

Он меняется от 0 до 1, причем нулевое значение означает абсолют ную противоречивость экспертных оценок, а единичное значение – абсо лютную непротиворечивость.

Рассмотренный подход был использован в Российском институте стратегических исследований и показал свою практическую эффектив ность и адекватность при обработке и анализе экспертной информации.

СИСТЕМА ЭРГОНОМИЧЕСКОГО ОЦЕНИВАНИЯ С АКТИВНЫМИ ЭЛЕМЕНТАМИ Абакумов Е.М., Хвастунов Р.М.

(МГТУ им. Н.Э. Баумана, Москва, e-mail:ema81@rambler.ru) В современных условиях эргономическая составляющая качества продукции машиностроения приобретает все большее значение. Потреби тели стремятся приобрести товары, удовлетворяющие их по своим техни ческим характеристикам. При приобретении товара требования к эргоно мичности не являются определяющими для потребителя, но становятся важными в процессе эксплуатации, поэтому эксперту, производящему оценку, необходимо учесть данные обстоятельства.

Для оценки эргономических свойств изделий существуют методиче ские рекомендации ВНИИТЭ, изданные в 1997 г. Нужно отметить большое преимущество данных рекомендаций перед предыдущими разработками в этой области. Однако можно предложить другие методы оценки эргоно мической составляющей качества продукции машиностроения, не отра женные в данных методических рекомендациях. Одним из таких методов может быть игровая процедура. Состав участников такой процедуры, по рядок взаимодействия и функциональные связи между ними могут быть следующими (рисунок 1). Активный участник исследования непосредст венно взаимодействует с оцениваемым объектом. Он находится в помеще нии, изолированном от других субъектов оценивания. Группа помех в произвольном порядке, неожиданно для активного участника, задает раз личные виды воздействий на него. В качестве воздействий могут высту пать такие факторы, как звуки, световые импульсы, запахи, движущиеся посторонние объекты, отказ элементов объекта оценки и т. д. Активный участник оценивания должен адекватно отреагировать на помехи, а имен но: продолжить работу, провести отключение объекта при невозможности дальнейшей работы, при необходимости попытаться устранить воздейст вующий фактор и т.д. Реакции оператора измеряются (например, при по мощи электрокардиографии или электроокулографии) и анализируются.

Группа усовершенствования проводит анализ реакций активного участни ка и разрабатывает рекомендации по улучшению эргономических свойств оцениваемого объекта. При помощи ЭВМ обрабатываются регистрируе мые данные, задаются некоторые виды воздействий и определяется адек ватность реакции оператора объекта оценивания. Ведущий эксперт управ ляет процессом проведения игровой процедуры и проводит окончательную оценку эргономических свойств изделия с учетом весомости единичных показателей качества, а также «цены ошибки» активного участника. Для всех участников процедуры оценивания разрабатываются целевые функ ции. При таком методе оценивания используется активная система с час тично антагонистическими целями взаимодействующих элементов.

Рис. 1. Схематическое изображение активных элементов в системе эргономического оценивания Применение игровых процедур позволит смоделировать реальную ситуацию использования объекта оценивания и выработать рекомендации по повышению эргономичности изделий. Несомненно, что данный метод можно использовать при оценке эргономического показателя качества ма шиностроительной продукции, особенно для изделий, в которых цена ошибки оператора может быть очень высокой.

ЧЕЛОВЕКО-МАШИННАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В РЕГИОНАЛЬНЫХ СИСТЕМАХ УПРАВЛЕНИЯ Бауман Е.В., Дорофеюк А.А., Покровская И.В., Чернявский А.Л.

(ИПУ им. В.А.Трапезникова РАН, Москва, e-mail: bau@ipu.rssi.ru) Рассмотрена методологическая и программно-алгоритмическая база человеко-машинной системы поддержки принятия решений для систем управления, имеющих территориальную структуру. Управление регио нальными системами имеет целый ряд специфических особенностей, учет которых позволяет повысить эффективность управления. К таким особен ностям, прежде всего, относится пространственное (территориальное) вза имодействие объектов, входящих в систему управления. Это транспорт ные, материальные, энергетические, миграционные и другие потоки между объектами – соседями;

наличие на территории одного объекта межрегио нальных предприятий или организаций, обслуживающих несколько сосед них объектов (межрайонные больницы, ТЭЦ, железнодорожные, авто транспортные, речные и морские узлы, и т.д.).

Для управления подобными объектами была разработана компью терная система «Аналитик» [1]. В системе «Аналитик» вся исходная ин формация (количественная, качественная, экспертная) об управляемых объектах представляется в виде куба данных «объект-показатель-время». В типовых задачах регионального управления приходится анализировать значения сотен показателей для десятков управляемых объектов и всё это для десятков моментов времени. Для качественного принятия решений в системе «Аналитик» используются специальные структурные методы анализа данных, позволяющие без существенных потерь производить «сжатие» такой информации. Для структуризации исходного набора показателей и получения так называемых интегральных показателей (число которых су щественно меньше числа исходных) используются алгоритмы экстре мальной группировки параметров, для структуризации объектов исполь зуются алгоритмы автоматической классификации [2]. Поскольку задачи регионального управления относятся к классу слабоформализованных, для классификационного анализа в системе «Аналитик» возможно использова ние алгоритмов размытой экстремальной группировки и размытой автома тической классификации [1].

Результаты классификации объектов в системе «Аналитик» отобра жаются на цветной карте соответствующего региона, при этом пользова тель может получить по каждому классу и по каждому объекту разнооб разные статистические характеристики, а также траектории изменения во времени значений показателей и принадлежности объектов к классам [1].

Разработаны специальные методы динамического классификаци онного анализа, позволяющие производить классификацию объектов в пространстве траекторий, где каждая траектория – это набор значений по казателя за выбранные моменты времени [3]. В результате получается не большое число хорошо интерпретируемых типов (классов) динамических рядов (траекторий). Такая классификация упрощает процедуру принятия решений, в частности вводится понятие «типовых решений» для соответ ствующих классов управляемых объектов.

Разработанные в рамках системы «Аналитик» методы структурно классификационного анализа использовались при создании нескольких региональных систем поддержки принятия решений. В работе в качестве примера рассмотрены система управления региональным здравоохра нением (на примере Новгородской области) [4] и система управления ре гиональным пассажирским автотранспортом (на примере Московской об ласти) [5].

Литература 1. Бауман Е.В., Дорофеюк А.А. Методика структурного анализа дан ных на базе системы «Аналитик». Труды Института проблем управ ления РАН, том Х, М., ИПУ РАН, 2000, с. 12-17.

2. Бауман Е.В., Дорофеюк А.А. Классификационный анализ данных.

Избранные труды Международной конференции по проблемам управления, том 1.- М.: СИНТЕГ, 1999, с. 62-67.

3. Бауман Е.В., Дорофеюк А.А. Методы динамического классификаци онного анализа данных. Труды Института проблем управления РАН, том Х, М., ИПУ РАН, 2000, с. 6-11.

4. Бауман Е.В.,Дорофеюк А.А.,Чернявский А.Л.,Медик В.А. Методы типологического анализа в задачах регионального управления (на примере областного здравоохранения). – Материалы международной научно – практической конференции «Управление большими систе мами». Москва, СИНТЕГ, 5. Блудян Н.О., Чернявский А.Л. Структурные методы совершенст вования управления региональным пассажирским автотранспортом.

М.: «Альфа-Мир», серия Транспорт, 2002. – 127 с.

ОЦЕНКА УРОВНЯ ЭКОЛОГИЧЕСКОЙ БЕЗОПАСНОСТИ ЗАПОВЕДНИКА Вализер П.М., Губко Г.В.

(Ильменский государственный заповедник им. В.И. Ленина УрО РАН, Миасс,Челябинская обл., e-mail: gala@ilmeny.ac.ru) 1.Модель заповедника Особо охраняемая природная территория со статусом заповедника является метасистемой, состоящей организационной системы с активными элементами и природного комплекса. Организационная система является субъектом управления, а природный комплекс объектом управления.

Управление производится набором управляющих воздействий.

Целью деятельности заповедника является сохранение разнообразия элементов природного комплекса и обеспечение естественного хода при родных процессов. Характеристикой состояния природного комплекса является совокупность показателей и параметров, которые могут служить для субъекта управления обратной связью, позволяющей принимать реше ния по корректировке управляющих воздействий. Кроме управляющих воздействий на природный комплекс оказывает действие набор случайных факторов внешней среды (внешних воздействий), меняющих его состояние и влияющих на эффективность и надежность управления. В методике бы строй оценки эффективности управления для заповедников (WWF), адап тированной к условиям России, рассматриваются следующие виды факто ров или внешних воздействий: загрязнение, охота (рыбалка), сбор дикоросов, туризм (любое неединичное посещение территории ), лесо пользование, сельское хозяйство (выпас скота, покосы. огороды), поселе ния (кордоны, поселки ), пользование недрами (сбор минералов),катастрофы (пожары, наводнения).

2. Надежность и эффективность управления Состояние природного комплекса описывается совокупностью пока зателей и параметров его элементов. Обозначим y A – состояние при родного комплекса, P() – множество его состояний, зависящее от управ ляющего воздействия M, принадлежащего допустимому множеству М.

Введем на множестве A M скалярный функционал K(, y): A M 1, который является критерием эффективности функционирования системы и отражает интересы управляющего органа. Критерий эффективности со поставляет значению пары «состояние–управление» число K() = = max K(, y), которое называется эффективностью управления M.

y=P() Задача синтеза оптимального управляющего воздействия заключается в выборе такого * M, на котором бы достигался максимум эффективно сти управления: * = arg max max K(, y). Предположим, что центру из M yP() вестна модель поведения природной системы с точностью до некоторого параметра (внешнего воздействия). Состояние природы отражает неполную информированность центра об объекте управления и внешних условиях его функционирования. Таким образом, состояние системы зави сит от управления и неопределенного параметра P = P(, ) [3].

Под надежностью механизма управления понимается его способность обеспечивать принадлежность основных параметров природного комплек са заданной области Предположим, что задано множество B A допустимых состояний природного комплекса и известна плотность p() распределения вероятно стей состояния природы. Тогда возможно рассчитать риск r(()) = Prob {P() (A \ B) }, как числовую характеристику надежности, определяемую вероятно стью выхода существенных параметров системы из допустимого множест ва при заданном управлении.

Таким образом, для заданного управления M существуют две ха рактеристики: его эффективность K() и надежность (точнее – риск) r().

Задачу (двухкритериальную) синтеза управлений можно формулировать либо как задачу синтеза управления, имеющего максимальную эффектив ность при заданном уровне риска (1), K() max M (1), r() r r() min M (2).

K() K либо как задачу синтеза управления, минимизирующего риск при задан ном уровне эффективности (2) [2].

3.Оценка уровня экологической безопасности заповедника Рассмотрим задачу минимизации риска при заданном уровне эффек тивности управления, для чего построим интегральную оценку риска на основе агрегирования локальных рисков [1], применив методологию фор мирования комплексных оценок.

В качестве исходных данных используется экспертная оценка воздей ствий и угроз (рисков) на природный комплекс заповедника [2].

Оцениваются дл якаждого типа воздействия следующие показатели:

сила, длительность, площадь и актуальность.

Угроза рассчитывается как произведение мощности воздействия на его длительность. Значения угроз разбиты на интервалы, для которых оп ределены категории, соответствующие величине угрозы.

В соответствии с перечнем угроз строится бинарное дерево рисков, определяются и экспертно настраиваются логические матрицы свертки, как процедуры агрегирования для вершин дерева, с учетом экспертной оценки актуальности каждой угрозы. Полученное дерево, позволяет полу чить интегральную оценку риска, по которой определяется уровень эколо гической безопасности заповедника. Если полученная оценка велика, то необходимо разработать механизмы управления, приводящие к минимиза ции риска [2] при заданной эффективности управления и минимальных ресурсах. Для расчета самого дешевого варианта получения заданного уровня риска применим алгоритмы 1 и 2, приведенные в [2].

Заключение Для представленной модели заповедника, описана 2-х критериальная задача синтеза управлений, минимизирующая риск при заданном уровне эффективности. По результатам экспертной оценки воздействий и угроз построено дерево рисков для природного комплекса заповедника, что по зволило оценить его экологическую безопасность. Применение алгоритма минимизации затраты на обеспечение комплекса управляющих воздейст вий, позволяющих минимизировать оценку риска при заданном уровне эффективности управления, позволило определить оптимальный набор управляющих воздействий для решения данной задачи.

Литература 1. Бурков В.Н., Грицианский Е.В,Дзюбко С.И., Щепкин А.В. Модели и механизмы управления безопасностью.М.:СИНТЕГ,2001. С.55-78.

2. Губко Г.В. Модели и механизмы управления особо охраняемыми природными территориями. Миасс.: Геотур, 2002. – 121 с.

3. Новиков Д.А.. Механизмы функционирования многоуровневых ор ганизационных систем. М.: Фонд «Проблемы управления», 1999. С.

79-90.

ПОСТРОЕНИЕ ГИБРИДНОЙ НЕЙРО НЕЧЕТКОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ КАЧЕСТВА ПРОДУКЦИИ Воронин В.С., Кузнецов Л.А.

(Липецкий государственный технический университет, Липецк, e-mail: kuznetsov@stu.lipetsk.ru, county@lipetsk.ru) Введение Прогноз (вычисление) значений характеристик качества по значениям входных величин необходим для управления технологией производства с целью придания продукции желаемых свойств [3]. Для сложных (много операционных) производств, таких как производство проката, точность прогнозирования ожидаемых характеристик качества продукции играет большое значение. Это обусловлено тем, что методы и модели прогно зирования характеристик качества могут использоваться для решения за дач анализа и синтеза технологий производства, а также для оценки адек ватности систем управления технологией производства.

1. Предпосылки построения гибридной нейросетевоймодели Применение моделей искусственных нейронных сетей для модели рования формирования свойств продукции предлагается в [3]. Далее в [2], сетевая модель получила развитие с помощью использования нечетких множеств для представления технологии и свойств. Однако нечеткому представлению информации более адекватно соответствуют гибридные нейронные сети, описанные в [1]. Поэтому можно ожидать, что исполь зование гибридных нейронных сетей может улучшить предложенную в [2] нейро – нечеткую модель.

2. Описание гибридной модели Для описания гибридной нейросетевой модели будем использовать термины и обозначения, введенные в [3].

Схема гибридной нейронной сети, моделирующей формирование свойств готовой продукции, приведена на рисунке 1. Каждый слой сети моделирует отдельную технологическую операцию (передел). Использу ются обозначения: xl технологические факторы реализации l-й операции, yl – характеристики качества полупродукта на выходе l-й операции, w – ха рактеристики исходного сырья, – операция перехода к нечетким значе ниям.

(xL ) (x2 ) (x1) yL = y yL- w = y0 y Слой L Слой 1 Слой … Рис. 1. Схема гибридной нейронной сети Проведя ряд математических преобразований, можно получить сле дующее выражение для характеристик качества готовой продукции (выхо да сети):

YL = L{CL L-1{CL-1L-2{ {C2 1(C1w (1), B1(x1)B2 (x2)} }BL-1(xL-1)}BL(xL)} где YL – вектор характеристик качества, C, B – вектора коэффициентов, – характеристика персептрона, – треугольная норма – треугольная конорма.

3. Заключение Построенная гибридная нейро-нечеткая модель может быть исполь зована для прогнозирования свойств готовой продукции в много операционных технологических процессах, в частности, в металлургии.

Кроме того, на основе предложенной модели можно разрабатывать модели управления качеством продукции.

Литература 1. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусст венные нейронные сети.: Учеб. пособие. – М.: Издательство физико математической литературы, 2001. 224 с.

2. Кузнецов Л.А., Воронин В.С. Нейро-нечеткая модель формирования свойств продукции в многооперационной технологии // Современные сложные системы управления / Сборник трудов международной на учно-технической конференции, 14-16 мая 2003., Воронеж, ВГАСУ.

3. Кузнецов. Л.А. Сетевая модель формирования свойств проката // Современные сложные системы управления / Сборник трудов меж дународной научно-технической конференции, 12-14 марта 2002., Липецк, ЛГТУ. С.169- НЕКОТОРЫЕ ОСОБЕННОСТИ ЭКСПЕРТНЫХ ОПРОСОВ В СОЦИАЛЬНО ПОЛИТИЧЕСКОЙ ОБЛАСТИ Горский П.В.

(Российский институт экономики, политики и права, Москва, e-mail: post@gorskiy.ru) Введение Экспертные опросы в социально-политической области, по мнению автора, стали особенно активно применяться, начиная с 1999 года. Основ ные цели опросов такого рода: оценка социально-политической и социаль но-экономической ситуации;

анализ выборной ситуации, вычисление элек торальных ресурсов кандидатов на выборные должности;

выявление потенциальных политических лидеров;

оценка инвестиционной привлека тельности проектов, состояния и перспектив развития бизнеса, персон и групп влияния, в регионах РФ и России в целом;

описание механизмов влияния, оценка значений и весов факторов (ресурсов) влияния, оценка групп влияния, факторов, влияющих на принятие решений персонами, группами влияния;

оценка сравнительной конкурентоспособности корпо раций, организаций, предприятий;

построение рейтингов персон и компа ний;

описание и оценка событий;

выработка рекомендаций по ведению информационных и выборных кампаний.

За прошедшее время автор принимал участие в проведении несколь ких сотен таких опросов.

1. Анализ достоверности данных Обработка данных выполнялась автором с использованием лицен зионного пакета статистической обработки SPSS. Имеющиеся в пакете средства разведочного анализа позволили решать, например, такие задачи как выявление «плохих» экспертов, выявление фальсификаций при подго товке анкет.

Однако, основным способом анализа достоверности данных может служить согласованность экспертных оценок. Хорошая подборка методов определения согласованности экспертных мнений, полученных в виде ранжировок, описана, например, в [1]. Если оценивать степень согласо ванности в процентах, то автором установлено, что достаточно хорошей степенью согласованности экспертных оценок в социально-политической области можно считать величину порядка 60% – 65%.

Выявилась проблема сравнения согласованности при проведении сходных опросов в нескольких регионах. Если экспертные мнения соби рать в виде баллов, то согласованность, вообще говоря, будет зависеть как от количества экспертов, так и от размаха шкалы. Если в разных регионах в опросах было задействовано разное количество экспертов, и в ходе опро сов использовались шкалы разной размерности, то возникает задача срав нения степени достоверности однотипных результатов, полученных в раз ных регионах.

2. Определение значимости факторов (ресурсов) В социально-политической области факторы, определяющие ситуа цию, часто называют «ресурсами». Распространенной практикой многих исследователей является требование к экспертам проставить непосредст венную оценку весам ресурсов. Вместе с тем, в теории экспертного оцени вания известно, что люди плохо дают прямые численные оценки важности ресурсов (факторов, критериев) [2]. Практика проведения экспертных оп росов показала, что процесс определения экспертами значений весов явля ется самой трудоемкой операцией опроса и на этой стадии вносится наи большее количество ошибок, существенно влияющих на достоверность информации. Выяснилось, что эксперты в явном виде не способны оце нить сравнительную важность факторов (ресурсов) даже в вербальных шкалах.

Оказалось, что наиболее удобно выявлять значения весов ресурсов методами регрессионного анализа. При этом сравнительно недавно поя вился метод, позволяющий рассчитать число градаций шкалы, которую фактически использовали эксперты, вне зависимости от исходного числа градаций используемой в опросе шкалы.

Литература 1. Литвак Б.Г. Экспертная информация: методы получения и анализа // М.: Радио и связь, 1981.

2. Ларичев О.И., Мечитов А.И., Мошкович Е.М., Фуремс Е.М. // Вы явление экспертных знаний. – М. Наука, 1989.

ПРИНЯТИЕ РЕШЕНИЙ И ЭКСПЕРТНЫЕ ОЦЕНКИ В КОНТРОЛЛИНГЕ Горчакова Л.С., Гуськова Е.А., Орлов А.И., Орлова Л.А., Русанова Г.В.

(МГТУ им. Н.Э.Баумана, Москва, e-mail:orlov@professor.ru) Сущность контроллинга Сегодня не существует однозначного определения понятия «контрол линг», но практически никто не отрицает, что это новая концепция управ ления, порожденная практикой современного менеджмента. Контроллинг (от англ. control – руководство, регулирование, управление, контроль) да леко не исчерпывается контролем. В основе этой новой концепции сис темного управления организацией лежит стремление обеспечить успешное функционирование организационной системы (предприятия, торговые фирмы, банки и др.) в долгосрочной перспективе [1].

Одной из главных причин возникновения и внедрения концепции контроллинга стала необходимость в системной интеграции различных аспектов управления бизнес-процессами в организационной системе. Кон троллинг обеспечивает методическую и инструментальную базу для под держки основных функций менеджмента: планирования, контроля, учета и анализа, а также оценки ситуации для принятия управленческих реше ний [2].

Контроллинг как концепция системы управления послужила ответом на изменения внешних условий функционирования организаций (предпри ятий). Произошла эволюция функций управления организацией. Планиро вание по отдельным аспектам трансформировалось в комплексное про граммно-целевое планирование, управление сбытом и продажами – в маркетинг, бухгалтерский и производственный учет – в систему контроля и регулирования. В целом наблюдаемая эволюция функций управления организацией с их интегрированием в систему контроллинга отражает ос новную тенденцию комплексного подхода к управлению.

Контроллинг ориентирован прежде всего на поддержку процессов принятия решений. Он должен обеспечить адаптацию традиционной сис темы учета на предприятии к информационным потребностям долж ностных лиц, принимающих решения, т.е. в функции контроллинга входит создание, обработка, проверка и представление системной управленческой информации. Контроллинг также поддерживает и координирует процессы планирования, обеспечения информацией, контроля и адаптации.

Система контроллинга должна обеспечивать сбор, обработку и пре доставление руководству существенной для принятия управленческих ре шений информации [3].

Информационно-аналитическая поддержка принятия решений Информационно-аналитическая поддержка процессов подготовки решений при управлении предприятием (т.е. контроллинг) опирается на различные эконометрические [4] и экономико-математические [5] методы.

Основные эконометрические методы – это статистические методы, методы экспертных оценок и методы теории нечеткости (размытости, расплывча тости). Большая часть этих методов опирается на вероятностно статистические модели. Отметим, что нечеткие множества в определенном смысле сводятся к случайным множествам. Соответствующие теоремы приведены в [4].

Как показывает опыт Института высоких статистических методов и эконометрики и кафедры «Экономика и организация производства», экс пертные оценки широко используются в контроллинге, стратегическом менеджменте, маркетинге, технико-экономическом анализе и в других об ластях прикладных организационно-экономических исследований, обычно совместно со статистическими методами. Например, с помощью метода парных сравнений сокращается первоначально сформированный набор переменных, а затем на основе оставшихся переменных проводится рег рессионный анализ.

Литература 1. Карминский А.М., Оленев Н.И., Примак А.Г., Фалько С.Г. Кон троллинг в бизнесе. Методологические и практические основы по строения контроллинга в организациях. – М.: Финансы и статистика, 1998. – 256 с.

2. Орлов А.И. Эконометрическая поддержка контроллинга. – Контрол линг. 2002. №1. С.42-53.

3. Орлов А.И., Гуськова Е.А. Информационные системы управления предприятием в решении задач контроллинга. – Контроллинг. 2003.

№ 1(5). С.52-59.

4. Орлов А.И. Эконометрика. Учебник для вузов. Изд. 2-е, исправлен ное и дополненное. – М.: Изд-во «Экзамен», 2003. – 576 с.

5. Орлов А.И., Федосеев В.Н. Менеджмент в техносфере: Учеб. посо бие для студ. высш. учеб. заведений. – М.: Издательский центр «Ака демия», 2003. – 384 с.

6. Орлов А.И. Теория принятия решений. Учебник для вузов. – М.: Эк замен, 2003 (в печати).

АНАЛИЗ И ПРОГНОЗИРОВАНИЕ СТРУКТУРЫ ДИНАМИЧЕСКИХ ОБЪЕКТОВ Дорофеюк А.А.

(ИПУ им. В.А.Трапезникова РАН, Москва, e-mail: adorof@ipu.rssi.ru) Поставлена задача структурного прогнозирования многомерных ди намических объектов как одна из задач классификационного анализа дан ных. Идея постановки этой задачи состоит в следующем. Пусть имеется N объектов, каждый из которых характеризуется набором из k параметров.

Изучается поведение объектов во времени, то есть в некоторые моменты времени для всех объектов производится измерение параметров-характе ристик. Вводится в рассмотрение k-мерное пространство параметров X, в котором j-ый объект в момент времени t представляется точкой xj(t). По следовательность точек xj(t1),..., xj(tn) является известной частью траекто рии j-го объекта. Для многих прикладных задач требуется прогнозировать не точные значения параметров, а лишь тип поведения объекта в рамках изучаемого множества объектов в момент времени tn+1. Другими словами необходимо прогнозировать структуру этого множества объектов. Для формализации этого понятия используется методология классификацион ного анализа данных [1] – в момент времени t1 производится автоматиче ская классификация N точек в пространстве X на небольшое (3-5) число классов r, каждый из которых и характеризует тип объекта, а вся класси фикация определяет структуру изучаемого множества объектов в момент t1. Моделью каждого класса является центр этого класса. Для каждой точ ки помимо принадлежности к конкретному классу вычисляются также расстояния до центров всех классов. Для такой постановки адекватным является использование размытой классификации, в этом случаезначения функций принадлежности конкретного объекта к каждому классуявляются аналогами расстояний от него до центров классов [1].

Вопрос содержательной интерпретации полученных классов (типов) решается экспертными методами. В момент времени t2 каждая точка клас сифицируется с помощью одного из алгоритмов распознавания образов с учителем. В работе использовался алгоритм метода потенциальных функ ций [2]. После того, как определена принадлежность точек к классам, про изводится пересчет центров. Для каждой точки с предыдущего шага пере считываются, а для каждой новой точки вычисляются значения функций принадлежности к классам (расстояния до новых центров классов). Такая процедура выполняется для всех n моментов времени. В итоге для каждого объекта получается последовательность (траектория) из n позиций. В каж дой позиции находится r+1 число, первое из которых – номер класса, к которому относился этот объект в соответствующий момент времени, а последующие числа – это значения функций принадлежности (расстояния до центров классов) в тот же момент времени. Требуется спрогнозировать номер класса (тип объекта), к которому будет относиться каждый объект в момент времени tn+1.

В качестве прогнозной модели для каждого объекта используется марковская цепь с r состояниями. Разработан алгоритм пересчета на каж дом шаге соответствующих переходных вероятностей с использованием информации о значениях функций принадлежности (расстояний до цен тров классов). Рассмотрена модификация процедуры прогнозирования, когда типология объектов задается заранее, например, экспертным спосо бом и в последующем остается неизменной.

Литература 1. Бауман Е.В., Дорофеюк А.А. Классификационный анализ данных. В сб.: «Избранные труды Международной конференции по проблемам управления. Том 1». М.: СИНТЕГ, 1999, с.62-67.

2. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенци альных функций в теории обучения машин. М.: Наука, 1970.

МИНИМАЛЬНЫЙ РАЗМЕР ОПЛАТЫ ТРУДА (МРОТ) КАК ИНСТРУМЕНТ СОЦИАЛЬНО ЭКОНОМИЧЕСКОЙ ПОЛИТИКИ Дорофеюк А.А., Лайкам К. Э., Чернявский А.Л.

(ИПУ им. В.А.Трапезникова РАН, Госкомстат РФ, Москва, e-mail: achern@ipu.rssi.ru) Одной из важнейших характеристик экономического и социального развития страны является уровень благосостояния населения. Обычно о нем судят по средним показателям: среднедушевому доходу, средней за работной плате и т.п. Однако не менее важной является и другая характе ристика – уровень социально-экономической дифференциации в обществе.

Значительный разрыв в уровне жизни между бедными и богатыми – это постоянный источник социальной напряженности. К сожалению, в по следние годы этот разрыв неуклонно растет.

Достаточно полную характеристику социально-экономической диф ференциации дают средние показатели заработной платы и доходов по 10 процентным («децильным») группам (средняя заработная плата – по груп пам работающих, среднедушевой доход – по группам всего населения). К сожалению, в статистических данных эти показатели непосредственно не отражаются. В работе предлагается методика расчета и краткосрочного (на 2 года) прогнозирования этих показателей.

В работе приводятся также расчеты доходов и расходов государ ственного бюджета при разных вариантах повышения минимального раз мера оплаты труда (МРОТ). Как известно, существующий на сегодня ми нимальный размер оплаты труда составляет 450 руб., что приблизительно в четыре раза меньше официально установленного прожиточного мини мума. Основная причина такой абсурдной ситуации заключается в том, что в настоящее время формально действует Единая тарифная сетка оплаты труда работников бюджетной сферы (ЕТС), согласно которой при повы шении минимальной тарифной ставки необходимо автоматически повы сить все остальные тарифные ставки в соответствии с установленными коэффициентами. Так при повышении МРОТ в три раза необходимо во столько же раз увеличить тарифные ставки всех разрядов существующей ЕТС, на это потребуется около 1 триллиона руб., что непосильно для бюд жета. Однако такое и даже большее повышение МРОТ оказывается вполне реальным, если учесть следующие два обстоятельства.

Во-первых, можно повысить оплату труда не всем категориям работ ников, а только нескольким, наиболее низкооплачиваемым. При этом уменьшится отношение максимальной тарифной ставки ЕТС к минималь ной, но резко уменьшатся и необходимые для повышения заработной пла ты расходы бюджета.

Во-вторых – и это главное – повышение МРОТ даст бюджету допол нительные доходы за счет увеличения налоговой базы. Дело в том, что в настоящее время многие негосударственные организации успешно укло няются от уплаты налогов, устанавливая своим работникам официальную зарплату на уровне МРОТ или чуть выше и тем самым выводя из налого обложения более 90% фактически выплачиваемой заработной платы. Оче видно, что повышение МРОТ позволит вывести из «тени» значительную часть заработной платы работников небюджетных организаций, и полу чить в результате существенные дополнительные налоговые сборы.

От дополнительно выплаченной заработной платы бюджет получает 13% подоходного налога, а от небюджетных организаций, по экспертным оценкам, еще и 10% за счет увеличения сбора налога на добавленную стоимость. Таким образом, дополнительные налоговые сборы в бюджет составят 13% от суммы прироста фонда оплаты труда в бюджетных орга низациях и 23% – в небюджетных. Кроме того, бюджет дополнительно получит 14% из 35,8% единого социального налога (ЕСН), а во внебюд жетные фонды поступят оставшиеся 21,8% ЕСН, что позволит повысить доходы населения – пусть не в виде заработной платы, а в виде пенсий и других социальных выплат.

В работе предлагается методика расчета доходов и расходов бюдже та, основанная на использовании данных Госкомстата РФ о распределении численности работников бюджетных и небюджетных организаций по раз мерам заработной платы. Так, например, проведенные расчёты показали, что для повышения МРОТ до 1000 руб. не только не потребуется выделе ния дополнительных бюджетных средств, но бюджет получит даже допол нительный доход в размере 0,9 млрд. руб. А при повышении МРОТ до 2000 руб. фонд оплаты труда бюджетников придется увеличить на 93, млрд. руб., а налоговые сборы увеличатся на 66, 4 млрд. руб. (71% расхо дов бюджета на повышение МРОТ) и из бюджета потребуется выделить около 27,4 млрд. руб. Даже после их выделения в бюджете консолидиро ванного правительства останется более 90 млрд. руб., которые можно ис пользовать для реализации пенсионной реформы, повышение уровня со циального страхования и т.п.

ЗАДАЧА ВЫБОРА ОПТИМАЛЬНОЙ СТАВКИ НАЛОГА И ЕЁ РЕШЕНИЕ МЕТОДАМИ МНОГОВАРИАНТНОЙ ЭКСПЕРТИЗЫ Дорофеюк А.А., Покровская И.В.

(ИПУ им. В.А.Трапезникова РАН, e-mail: ivp@ipu.rssi.ru) Проблема анализа, выявления особенностей и моделирования влия ния психологического фактора на собираемость налогов в РФ к настояще му моменту практически не изучена. В работе предложена модель поведе ния субъекта налогообложения, рассмотренная на примере налога на при быль. В качестве независимой переменной x, влияние которой на характе ристики налоговых поступлений будет изучаться, выберем ставку налога.

В качестве такой характеристики выберем функцию f(x) – долю от реаль ной (которая фактически может быть получена) прибыли, которая будет «показана» как полученная.

Очевидно, что f(0)=1, f(1)=0, то есть: если налог не взимается (x=0), то нет смысла «прятать» хоть какую-то часть прибыли;

и наоборот, если ставка 100% (x=1), то нет смысла вообще показывать прибыль.

Обычно функции такого типа аппроксимируют однопараметрическим семейством вида (1) f (x, ) = e-x, при соблюдении условий нормировки: f(0)=1, f(1)=0. В работе приведено семейство функций f(x, ), удовлетворяющее таким условиям. Теперь воз никает задача идентификации функции сокрытия налога для конкретных налогоплательщиков. Если бы эти функции были известны (то есть значе ния параметра ), то можно было бы поставить следующую оптимизаци онную задачу: Необходимо определить ставку налога xopt, обеспечи вающую максимальное поступление данного налога.

Обозначим через F(x) суммарные налоговые поступления при налого вой ставке x, через Bi реальную (без сокрытия) налоговую базу i–го налого плательщика, а через f(x, i) функцию сокрытия налога для i–го налогопла тельщика. Тогда оптимизационная задача формально записывается в виде N (2) F(x ) = max F(x) = max f (x, i ), opt Bi x x i= где N – общее число налогоплательщиков. Невозможно оценить значения i для каждого налогоплательщика в отдельности, но хорошо известно, что существует небольшое число стереотипов поведения при принятии реше ний подобного рода. Каждый такой стереотип зависит от большого числа факторов, многие из которых не поддаются измерению. Поэтому единст венно возможным способом реальной оценки функции f(x, i) является экспертное оценивание. Предложена методология выбора оптимальной ставки налога (на примере налога на прибыль).

Вначале производится структуризация (классификация) налогопла тельщиков с целью получения однородных групп (классов) налогопла тельщиков по стереотипам поведения в области налогообложения. Такую структуризацию необходимо проводить по косвенным параметрам, харак теризующим специфику социально-экономической деятельности иссле дуемых налогоплательщиков. Возможны два направления учета такой специфики – отраслевой и региональный. В работе обосновано исполь зование регионального направления, то есть необходимо построить такую классификацию регионов РФ, в которой вариабельность стереотипов внутри классов будет существенно меньше таковой во всей РФ. Это позво лит достаточно надежно и с приемлемой дисперсией оценивать для каждо го класса функцию f(x, ). Для этого предлагается использовать методы классификационного анализа данных [1]. После того, как классификация построена, для каждого класса находится типопредставитель – регион, соответствующая точка которого в X расположена ближе всего к центру класса. В каждом типовом регионе проводится экспертиза с целью полу чения экспертных оценок значения j, где j – индекс региона.

Для проведения такой экспертизы предлагается использовать методы многовариантной экспертизы, позволяющие получать надежные и стати стически значимые экспертные оценки [2]. В сложных случаях предлага ется использовать стратифицированный способ экспертного оценивания, когда для типового региона проводятся экспертные оценки отдельно по различным группам субъектов экономической деятельности (по формам собственности, отраслевому признаку, величине предприятия и т.д.). Для формирования соответствующей выборки можно воспользоваться методами стратифицированной выборки [3]. Итоговая оценка получается как средне взвешенная оценка с учетом «веса» каждого страта (каждой группы), то есть его доли в объеме собранного в регионе моделируемого налога:

n n j j (3) = vijij, vij = 1, j i=1 i= где ij- оценка для i–ой группы (страта) в j –ом регионе, vij – «вес» i–ой группы в j-м регионе для моделируемого налога. Теперь оптимизационная задача (2) принимает вид:

r (4) F(xopt ) = max F(x) = max f (x, ), B j j x x j= где j –индекс класса в классификации регионов, а Bj- реальная (без сокры тия) налоговая база для регионов j –го класса в целом, равная сумме анало n j гичных величин для регионов j-го класса: B =, где Bji – реальная j B ji i= (без сокрытия) налоговая база для j-го класса i-го региона, nj- число регио B (, t ) ji нов в j-ом классе, а B =, где B (, t ) – фактическая налого ji ji f[x(t, )] 0 j вая база j-го класса i-го региона за последний год. Теперь имеются все данные для решения оптимизационной задачи (4).

Литература 1. Бауман Е.В., Дорофеюк А.А. Классификационный анализ данных. В сб.: «Избранные труды Международной конференции по проблемам управления. Том 1». М.: СИНТЕГ, 1999, с. 62-67.

2. Дорофеюк А.А. Методы мультигрупповой многовариантной экс пертизы в задачах анализа и совершенствования организационных систем. Труды ИПУ РАН, том Х, М., ИПУ РАН, 2000, с.12-18.

3. Браверман Э.М., Литваков Б.М., Мучник И.Б., Новиков С.Г. Метод стратифицированной выборки в организации сбора эмпирических данных. Автоматика и телемеханика, №10, 1975, с. 65-78.

МЕТОДОЛОГИЯ АНАЛИЗА И РЕФОРМИРОВАНИЯ КРУПНОМАСШТАБНЫХ ОРГАНИЗАЦИОННЫХ СИСТЕМ С ИСПОЛЬЗОВАНИЕМ ПРОЦЕДУР ЭКСПЕРТИЗЫ И КЛАССИФИКАЦИОННОГО АНАЛИЗА Дорофеюк А.А., Покровская И.В., Чернявский А.Л.

(ИПУ им. В.А.Трапезникова РАН, e-mail: adorof@ipu.rssi.ru) Работа посвящена пограничной области, связанной с методами экс пертизы и консалтингом для анализа и реформирования крупномасштаб ных организационных систем. В существующих экономических и админи стративно-правовых условиях для таких систем невозможно эффективно использовать формальные методы идентификации, анализа и прогнозиро вания, а основным источником информации становится экспертная ин формация. Даётся краткий обзор существующих методов экспертизы, по лучения и обработки экспертных оценок. Традиционные методы экспертизы практически не работают при исследовании крупномасштаб ных организационных систем. Выделены основные причины этого: подав ляющее число экспертов – сотрудники исследуемой организации, то есть являются заинтересованными лицами;

нет явно сформулированных аль тернатив (например, проектов реформирования) – их выявление является одной из задач экспертизы;

имеется несколько принципиально различных точек зрения на способы и методы развития организации;

коллективному обсуждению мешают некоторые типы взаимоотношений экспертов (на пример, конфликтность);

субъективность и относительность понятия «компетентность эксперта».

Исходя из этого и учитывая определённый практический опыт кон салтинговой деятельности, была разработана методология коллективной многовариантной экспертизы, а также методы и процедуры её реализую щие [1]. Суть этой методологии состоит в следующем:

1. Коллективная экспертиза проходит в нескольких независимых экс пертных комиссиях.

2. Число комиссий должно быть не менее числа различных точек зре ния.

3. В каждую комиссию входят эксперты придерживающиеся одной и той же точки зрения.

4. В одну и ту же комиссию входят неконфликтующие и, по возможно сти, не связанные другими клановыми взаимоотношениями эксперты.

5. В каждую комиссию входят эксперты компетентные с точки зрения членов этой же комиссии («условно компетентные»).

6. Предложения каждой комиссии проходят перекрестную экспертизу в других комиссиях.

7. Формирование комиссий, проведение экспертизы и представление ре зультатов ЛПР осуществляется специальной консалтинговой группой (специалисты по экспертизе и управлению, не имеющих своих инте ресов в исследуемой проблеме).

Разработаны алгоритмы и процедуры решения всех перечисленных задач, многие из которых существенно используют методы классификаци онного анализа данных [2].

Разработана методология и конкретные процедуры работы эксперт ных комиссий, в том числе процедура перекрёстной экспертизы, позво ляющая выявить все преимущества и недостатки предложений, подготов ленных в различных комиссиях.

Разработанная методология коллективной многовариантной экспер тизы использовалась при решении целого ряда прикладных задач, в том числе: развитие системы регионального здравоохранения;

анализ и рефор мирование регионального пассажирского автотранспорта;

совершенство вание межбюджетных отношений федерального центра и субъектов РФ;

совершенствование налоговой политики и системы сбора налогов;

анализ и совершенствование системы управления ряда крупных предприятий и организаций.

Литература 1. Покровская И.В., Дорофеюк А.А., Чернявский А.Л. Методы кол лективной многовариантной экспертизы и их практическое исполь зование. Труды международной конференции «Современные слож ные системы управления», Старый Оскол, Изд-во «Тонкие наукоемкие технологии», 2002, стр. 122 – 127.

2. Бауман Е.В., Дорофеюк А.А. Классификационный анализ данных. В сб.: «Избранные труды Международной конференции по проблемам управления. Том 1». М.: СИНТЕГ, 1999, с.62-67.

ДОГОВОРЫ С ТОЧКИ ЗРЕНИЯ ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ Зинченко В.И., Лысаков А.В., Матвеев А.А., Сухачев К.А.

(ИПУ им. В.А.Трапезникова РАН, Москва) Доклад посвящен установлению соответствия между теоретико игровыми моделями договоров и задачей о торге.

Рассмотрим следующую модель. Пусть имеется множество I = {1, 2, …, n} агентов, X – множество альтернатив, ui: X – функция полезности i-го агента, i I. Агентами в данном случае являются субъек ты, участвующие в заключении сделки (договора) и заинтересованные в ее результатах. Альтернатива представляет собой вариант договора, оцени ваемый каждым агентом в соответствии с его функцией полезности. Ра циональность агентов отражается их стремлением к максимизации своих целевых функций.

Пусть множество возможных полезностей (utility possibility set) имеет вид U = {(u1, u2, …, un) n | ui ui(x), i I, x X}. Фиксированное рас пределение полезностей u’ U, соответствующее отказу от заключения договора, называется угрозой (threat) или альтернативой status quo. Усло вие индивидуальной рациональности означает, что полезность i-го агента должна быть не менее u’i, i I.

В рамках теоретико-игрового подхода x = (y, R), где y A – действие исполнителя, R 0 – стоимость договора (сумма, выплачиваемая заказчи ком исполнителю). Целевая функция заказчика предполагается равной разности между его доходом H(y) и выплатами исполнителю:

(y, R) = H(y) – R, а целевая функция исполнителя – разности между стоимостью договора и затратами c(y): f(y, R) = R – c(y).

Определим функцию коллективного благосостояния (Social Welfare Function) W: U (ФКБ). Задача принятия решений заключается в выбо ре распределения полезностей, максимизирующего функцию коллективно го благосостояния:

(1) W(u) max.

uU Исследуем, какими свойствами может и должна (с нормативной точ ки зрения – см. ниже) обладать ФКБ. ФКБ называется (строго) возрастаю щей, если из того, что ui1 (>) ui2, i I, следует, что W(u1) (>) W(u2). Если ФКБ является строго возрастающей, то решение задачи (1) является Паре то-оптимумом. Можно на ФКБ также накладывать требования симметрич ности (относительно перестановок агентов), вогнутости и т.д. Примерами наиболее распространенных ФКБ являются следующие: утилитарная ФКБ:

Wu(u) = ;

обобщенная утилитарная ФКБ: Wu(u) = (ui ), где u i gi iI iI {gi()} – возрастающие вогнутые функции;

эгалитарная (максиминная) ФКБ: We(u) = min {u1, u2,,…, un};

обобщенная эгалитарная ФКБ:

We(u) = min {1 u1, 2 u2,,…, n un}, где {i} – неотрицательные константы.

Частным случаем обобщенной утилитарной ФКБ (в которой gi(ui) = ln (ui – ' ui’), i I) является ФКБ Нэша: WN(u) = - ui ).

ln(ui iI Задачей торга (Nash bargaining problem [5]) называется совокупность (U, u’). Ее решением u* = F(U, u’) называется отображение F: U n U, ставящее в соответствие множеству возможных полезностей и угрозе рас пределение полезностей агентов. Решение задачи торга обычно ищется в терминах ФКБ, максимизация которой (см. задачу (1)) приводит к реше нию u*, удовлетворяющему тем или иным свойствам.

Аксиоматический подход в теории принятия решений в общем случае заключается в задании набора аксиом, однозначно определяющего соот ветствующее правило принятия решений. Другими словами, в рамках это го подхода набор аксиом должен давать необходимые и достаточные усло вия существования единственного (или отсутствия вообще) правила принятия решений.

В задаче торга правило принятия решений определяется ФКБ.

Дж. Нэшем доказано [5], что единственным решением, удовлетворяющим следующим аксиомам: индивидуальной рациональности (Individual Ration ality: ui* u’i, i I);

оптимальности по Парето (Pareto-optimality);

незави симости от линейного преобразования полезности (Independence from Lin ear Transformations: если множество W получено из множества U линей ным преобразованием полезности: wi = ai ui + bi, ai > 0, i I, то F(W, w’) = a u* + b W;

независимости о посторонних альтернатив (Inde pendence from Irrelevant Alternatives: если u* W, u’ W, W U, то из u* F(U, u’) следует, что u* = F(W, u’);

симметричности (Symmetry: если множество возможных полезностей симметрично относительно переста новок агентов и все угрозы одинаковы, то одинаковы и полезности аген тов), является ФКБ Нэша.

Развитию и обобщению этого результата посвящена многочисленная литература [2, 4, 6 и др.]). С точки зрения настоящего исследования можно констатировать, что полученные в рамках аксиоматического подхода ре зультаты теории принятия решений могут быть использованы для опреде ления (быть может, посредством явного задания ФКБ – см. ниже) конкрет ных параметров договора, то есть точки внутри области компромисса.

В рамках теоретико-игровой модели аналогом ФКБ является сумма целевых функций заказчика и исполнителя [1, 1], следовательно, решени ем задачи (1) является действие исполнителя, максимизирующее разность между доходом заказчика и затратами исполнителя:

(2) y* = arg max {H(y) – c(y)}.

yA Величину (3) = H(y*) – c(y*) можно интерпретировать как «прибыль» системы в целом – максимальный суммарный результат (в единицах полезности), который может быть дос тигнут при взаимодействии данных заказчика и исполнителя.

Обозначим «угрозы» u’1 = min H(y), u’2 = min c(y) (единица обозна yA yA чает первого игрока – заказчика, двойка – второго игрока – исполнителя).

Тогда в терминах теории принятия решений задача определения парамет ров договора заключается в нахождении полезностей u1 и u2, удовлетво ряющих следующим ограничениям:

(4) ui u’i, i = 1, 2, (5) u1 + u2 =.

Если, как это делается обычно в моделях стимулирования [1], пред положить, что резервные полезности равны нулю, то есть u’1 = u’2 = 0, то получаем, что стоимость договора R должна удовлетворять следующему соотношению:

(6) R [c(y*);

H(y*)].

Отметим, что решение (6) задачи (4)-(5) в общем случае отличается от решения, даваемого ФКБ Нэша. Одна из причин этого различия заключа ется в том, что в теоретико-игровой модели договорных отношений рас сматривается иерархическая игра типа Г2 [1] с побочными платежами, в которой стоимость договора является функцией от действий исполнителя:

R = (y), : A 1. В моделях же теории принятия решений рассматри + вается «обычная» игра, исходом которой является некооперативное равно весие Нэша.

Таким образом, с точки зрения теории принятия решений задача тор га заключается в нахождении такой альтернативы, которая обеспечивала бы эффективное по Парето равновесие Нэша игры участников договора, удовлетворяющее условиям индивидуальной рациональности. Множество таких равновесий может интерпретироваться как область компромисса – множество альтернатив (или распределений полезности), с которым ап риори согласны все стороны договора. Конкретные параметры договора – точка компромисса, принадлежащая области компромисса, определяется в теории принятия решений аксиоматически, то есть – введением ФКБ, удовлетворяющей тем или иным свойствам. Процедуру выбора точки ком промисса называется механизмом компромисса [1].

В теоретико-игровых моделях задача определения параметров дого вора заключается в нахождении такой альтернативы, которая обеспечивала бы эффективное по Парето равновесие иерархической игры участников договора, удовлетворяющее условиям индивидуальной рациональности.

Множество таких равновесий (4)-(6) является областью компромисса, а выбор точки компромисса определяется используемым механизмом ком промисса. Механизмы компромисса в теоретико-игровых моделях дого ворных отношений могут, в том числе, использовать аксиоматические подходы теории принятия решений.

Следовательно, ключевым отличием теоретико-игровых моделей до говорных отношений, от задачи о торге (исследуемой в теории принятия решений), является то, что в первом случае договор моделируется иерар хической игрой, в которой стоимость договора является функцией от дей ствий исполнителя.

Литература 1. Гаврилов Н.Н., Колосова Е.В., Лысаков А.В., Новиков Д.А., Цветков А.В. Теоретико-игровые модели договорных отношений / Труды Инженерно-экономического института. М.: Изд-во Рос. экон.

акад., 2000. – 428 с., стр. 103 – 113.

2. Мулен Э. Кооперативное принятие решений: аксиомы и модели. М.:

Мир, 1991. – 464 с.

3. Новиков Д.А. Стимулирование в организационных системах. М.:

Синтег, 2003. – 312 с.

4. Kalai E., Smorodinsky M. Other solutions to the Nash bargaining prob lem // Econometrica. 1975. Vol. 43. P. 513 – 518.

5. Nash J.F. The bargaining problem // Econometrica. 1950. Vol. 18. P. – 162.

6. Thomson W. Cooperative models of bargaining / Handbook in Game Theory. N.Y.: North-Holland, 1994. Chapter 35. P. 1237 – 1248.

ЭКСПЕРТНЫЕ ТЕХНОЛОГИИ В УПРАВЛЕНИИ Литвак Б.Г.

Экспертные оценки сегодня можно отнести к одному из наиболее востребованных направлений научных исследований. Теория и практика управления современными организациями в значительной степени исполь зуют технологии экспертного оценивания, базирующиеся на экспертной информации. Это объясняется тем, что обеспечить принятие эффективного управленческого решения могут только опыт и профессиональные знания высококвалифицированных специалистов – экспертов, как в конкретной предметной области, так и непосредственно в области управления.

Возросло практическое значение экспертных оценок. Технологии экспертного оценивания и анализа данных сегодня, пожалуй, самая важная интеллектуальная составляющая процесса управления. Объекты эксперт ной оценки имеются во всех без исключения областях практической дея тельности человека.

Что же сделано за последние годы в области экспертного оценивания и в каковы перспективы его развития?

Четко прослеживаются 3 основные направления работ:

- теоретическое исследование и разработка методов анализа и обра ботки экспертной информации и анализа данных;

- теоретическое исследование и разработка экспертных технологий, непосредственно используемых в процессе управления;

- практическое применение экспертных оценок в различных областях практической деятельности.

Исследования в области экспертного оценивания привели к созданию и развитию дискретного или алгебраического анализа экспертной инфор мации и статистического анализа экспертной информации, что в значи тельной мере способствовало созданию необходимой теоретической базы.

Статистический анализ экспертной информации был представлен ос новополагающими работами Ю.Н. Тюрина, А.И. Орлова, Д.С. Шмерлинга, Г.А. Сатарова, Т.А. Пригариной-Казанской и другими.

Остановимся более детально на дискретном или алгебраическом ана лизе экспертной информации, во многом способствовавшего развитию теории количественных и качественных измерений. К этому направлению исследований относится и развитие теории принятия решений, в т.ч. кол лективных, на основе количественных и качественных измерений, про блемы группового выбора, оценки надежности и точности экспертных из мерений и т.д. К числу основных проблем, которые решаются в рамках дискретного анализа относятся, в частности:

- установление соответствия между основными видами шкал теории измерений и основными видами бинарных отношений: линейного порядка, частичного, эквивалентности и т.д.;

- введение так называемых метризованных отношений, позволивших, в частности, распространить указанное соответствие не только на качественные, но и на количественные измерения экспертной ин формации.

- аксиоматическое введение мер близости на множестве отношений различного вида;

- аксиоматическое определение и разработка алгоритмов отыскания результирующих отношений с использованием мер близости, ис следования в области теории принятия коллективных решений и проблем группового выбора;

- установление связи между аксиоматикой определения результи рующего отношения и аксиоматикой коллективного выбора Эрроу и корректности выбора в качестве результирующего отношения ме дианы Кемени;

- анализ и определение согласованности, непротиворечивости, точно сти экспертных оценок и многое другое.

К этим направлениям исследований относятся и работы автора.

Определение результирующего отношения (результата работы экс пертной комиссии) удалось свести к объективизированной процедуре – решению соответствующих оптимизационных задач. Спектр таких опти мизационных задач оказался достаточно широким: от задачи о назначени ях, для решения которой существуют эффективные алгоритмы с полино миальной сходимостью до NP-полных задач.

Задача об отыскании медианы Кемени оказалась эквивалентной зада че о триангуляции матрицы, что впервые было доказано И.Ф. Шахновым и А.Р. Белкиным, М.Ш. Левиным. Ими также были предложены эффектив ные эвристические алгоритмы решения этой задачи. Значительны резуль таты в области группового выбора, полученные Б.Г. Миркиным.

Основы теории выбора создавались учеными Института проблем управления во главе с М.А. Айзерманом, Ф.Т. Алескеровым, А.В. Мали шевским. Аксиоматизация правил выбора Борда и других решающих пра вил была осуществлена П.Ю. Чеботаревым. Теория турниров нашла разви тие в работах В.С. Левченкова.

Значительный вклад в создание и развитие теории принятия решений был внесен работами О.И. Ларичева, в теорию многокритериальных реше ний В.В. Подиновским и М. Гафтом.

Теория активной экспертизы создавалась и развивалась в работах В.Н. Буркова и Д.А. Новикова. Теория многомерного шкалирования раз вивалась в работах Г.А. Сатарова, А.Ю. Терехиной, Каменского.

Следует отметить также результаты, полученные Г.Г. Азгальдовым, А.И. Субетто, Р.М. Хвастуновым, Э.П. Райхманом, которые привели к соз данию нового направления исследований – квалиметрии.

Значителен вклад в создание и развитие методов экспертного прогно зирования и оценки точности экспертных измерений Ю.В. Сидельникова.

Использование метода экспертных оценок в инвестиционном процессе осуществлено А.Д. Цвиркуном. Информационные технологии в эксперт ном оценивании создавались П.В. Горским, Д.А. Абдрахимовым и многи ми другими. Автором совместно с П.В. Горским созданы автоматизиро ванные системы экспертного оценивания (АСЭО), наряду с экспертными системами (ЭС) и системами поддержки принятия решений (СППР), отно сящиеся к классу интеллектуальных информационных систем.

Задачи и перспективы, стоящие перед теорией экспертного оценивания, как основным инструментарием теории управления организациями, сего дня, практически, не ограничены. Это подтверждается, в частности, В.И.

Арнольдом, показавшим целесообразность развития математики в направ лении создания и изучения так называемых «мягких» моделей, которые являются основным объектом изучения теории экспертного оценивания.

Технологии экспертного оценивания находят сегодня применение, практически, во всех областях деятельности. Но особое значение приобре тают экспертные технологии, составляющие основу процесса управления, поскольку от того, насколько управление будет эффективным во многом зависит эффективность функционирования организации любого уровня от малого предприятия до государства в целом. Это определяет востребован ность экспертных технологий, а, значит, дополнительную значимость при обретают исследования по их развитию и совершенствованию.

МАРКОВСКИЕ ПРОЦЕССЫ ПРИНЯТИЯ РЕШЕНИЙ: ЭКСПЕРТНО СТАТИСТИЧЕСКИЙ ПОДХОД Мандель А.С.

(ИПУ им. В.А.Трапезникова РАН, Москва, e-mail: manfoon@ipu.rssi.ru) 1. Постановка задачи Рассматривается однородный марковский процесс принятия решений [1] с дискретным временем на конечно-шаговом интервале длины N. Про цесс характеризуется наблюдаемой фазовой траекторией {xn, n=0, 1,..., N} и набором принимаемых на каждом шаге решений {dn, n=0, 1,..., N-1}. Пред полагается, что xnX={x(1),x(2),...,x(K)} n 0, N и dnD={d(1),d(2),...,d(L)} n 0, N -1. Критерием выбора последовательности управляющих реше ний {dn, n=0, 1,..., N-1} является достижение минимума аддитивного функ N- ционала G = (xn, dn ), где E – символ математического ожидания, а Egn n= {gn(xn,dn), n=0, 1,..., N-1}, – заданный набор функций одношаговых потерь при известном состоянии xn и выбранном решении dn. Подобными функцио налами описываются разнообразные задачи управления производством и запасами, а также задачи оптимизации надежности резервированных систем.

В ховардовской постановке матрица вероятностей перехода на каж дом шаге n процесса зависела только от выбранного решения dn. В данной работе рассматривается случай, когда переходные вероятности зависят еще и от вектора неизвестных параметров = {1, 2,..., M}. А именно, когда вероятность перехода на n-м шаге из состояния x(i) в состояние x(j) задается функцией ij(dn, ) i, j1, K.

2. Решение задачи: экспертно-статистический подход Для решения задачи предлагается воспользоваться байесовым подхо дом, когда в результате взаимодействия с экспертами до начала процесса принятия решений строится априорное распределение вектора параметров, то есть выбирается некоторое распределение F0( ), A, где A – мно жество возможных значений вектора параметров. При переходе на пер вом шаге из начального состояния x(i) в состояние x(j) для построения апо стериорного распределения F1( ) можно воспользоваться формулой ij(d0, )dF1( ) (1) dF1( ) =.

ij (d0, )dF1( ) Аналогичные формулы можно выписать для любого шага процесса.

Предположим теперь, что вектор Z – некоторая достаточная статистика априорного распределения. Как нетрудно доказать, для некоторых попу лярных классов распределений и соответствующих прикладных проблем достаточную вектор-статистику можно подобрать так, чтобы при переходе к апостериорному распределению апостериорное распределение принад лежало тому же классу распределений, что и априорное. В задачах опти мизации надежности такие распределения, как правило, можно выбирать из класса биномиальных. При этом переход сопровождается изменением значения достаточной статистики. В результате, если к описанию соответ ствующего процесса принятия решений добавить значение достаточной статистики Z на n-м шаге, то есть величину Zn, то для решения задачи управления с расширенным на вектор Zn описанием состояния можно вы писать уравнения динамического программирования.

При дальнейшем развитии идеи экспертно-статистического подхода [2,3] применительно к решению рассматриваемой задачи необходимо осуществить «прорезание» дополнительных «окон наблюдения», которые позволили бы эксперту осуществлять более широкие корректировки про цесса управления (т.е. в данном случае принимаемых решений и форми руемых в процессе оценок вектора ) в связи с зафиксированными им и экспертно-статистической системой изменениями.

Литература 1. Ховард Р.А. Динамическое программирование и марковские процес сы. М.: Сов. Радио, 1964. 192 с.

2. Мандель А.С. Экспертно-статистические системы в задачах управления и обработки информации: часть I // Приборы и системы управления, 1996. №12.

3. Мандель А.С. Экспертно-статистические системы в задачах управления и обработки информации: часть II // Приборы и системы управления, 1997. №1.

КОММУНИКАЦИОННАЯ ТЕХНОЛОГИЯ РАЗРЕШЕНИЯ ЦЕЛЕВЫХ ПРОТИВОРЕЧИЙ ПОРТФЕЛЯ ПРОЕКТОВ Мироненко А.С.

(Тверской государственный технический университет, Тверь, e–mail: tvu@tstu.tver.ru) Предмет исследования – технология коммуникационных взаимодей ствий участников проектов для разрешения целевых противоречий в управлении портфелем проектов. Объект исследования – проблемные (це левые противоречия) и конфликтные ситуации (взаимодействия) в рамках портфеля проектов. Актуальность исследования высока в части социально значимых проектов, цели, а значит, и целевые противоречия, которых трудно формализуются. Технология может быть использована как инстру мент информационного управления портфелем проектов.

Технология разрабатывается на базе общей методологии разрешения целевых противоречий с использованием инструментария «дерева» целей, подхода Светлова В.А. к структурному и динамическому моделированию конфликта. В настоящее время технология находится на этапе проектиро вания.

Исходные позиции разрабатываемой технологии:

1. Целевые противоречия в рамках портфеля проектов обусловлены ограниченностью ресурсов (средств) для достижения целей проектов и рассогласованием отдельных целей с общими целями портфеля проектов.

2. Взаимная идентификация участников проектов обуславливает ото бражение объективно существующей проблемной ситуации в субъектив ную форму конфликтной ситуации.

3. Конфликтные взаимодействия могут создать новую проблемную ситуацию или способствовать ее пониманию участниками и разрешению.

Для (позитивного) развития конфликтной ситуации в ситуацию разрешен ного конфликта необходима коммуникационная технология (см. рис. 1).

4. Разрешение целевых противоречий включает процедуры построе ния и использования общей системы средств и процедуры трансформации конфликтной ситуации в бесконфликтную (неразрушающую). Причем, общая система средств понимается как компромиссная общая цель участ ников проектов, обладающих противоречивыми целями;

а конфликт – как состояние отрицательной обратной связи (отношений) между участника ми, стимулирующее развитие возможностей реализации целей участников.

Рис. 1. Позиционирование коммуникационной технологии 5. Использование унифицированного инструментария моделирова ния. Для формализации целевых противоречий целесообразно использо вать инструментарий «дерева» (графа) целей участников проектов, для структурного моделирования конфликтов – инструментарий "дерева" (графа) выборов (стратегий) участников. Указанный инструментарий пе реводится в компактную форму таблиц предпочтений и таблиц выборов.

6. Для разрешения целевых противоречий и конфликтных ситуаций целесообразно использовать:

– с позиции моделирования, динамическую теорему анализа и разре шения конфликтов под авторством Светлова В.А. для управления транс формацией конфликтной ситуации;

– с позиции коммуникационных взаимодействий, циклическую тех нологию, состоящую из системы коммуникационных взаимодействий в рамках следующих задач: достижение совместной согласованной деятель ности (на основе целевых моделей участников);

конструирование общей системы средств;

конструирование общей системы средств на основе под хода «инверсии интересов»;

причем последним средством достижения компромисса является создание независимого экспертного совета. Техно логия способствует компромиссу на основе взаимного понимания сторон (их интересов, обоснованности их требований).

НЕЛИНЕЙНЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ КАТАСТРОФ В СЛОЖНЫХ ДИНАМИЧЕСКИХ СИСТЕМАХ Нижегородцев Р.М.

(ИПУ им. В.А.Трапезникова РАН, Москва, e-mail: bell44@rambler.ru) Развитие сложных динамических систем характеризуется наличием неоднородностей различного типа и периодическим наступлением ката строфических состояний, приводящих к качественным изменениям в этих системах. Замечательный факт заключается в том, что динамика сложных систем различной природы описывается сходными количественными за кономерностями, на основе которых могут быть сделаны прогнозы воз никновения катастроф. В частности, статистический анализ показывает [1], что поведение значимых параметров состояния ряда сложных динами ческих систем накануне катастрофы выражается уравнением (1)I(t) = A+B(tc-t)[1+C cos( ln(tc-t) - )] где t – текущее время, tc – время наступления катастрофы.

Обозначив ln(tc – t) = p(t), перепишем (1) в виде (2)I(p(t)) = k1+k2ep(t)+ k3ep(t) cos( p(t) - )] Зависимость функции I от введенного параметра p (от «логарифмиче ски замедляющегося» времени), характеризуемая функцией (2), достаточ но прозрачна. Эту зависимость выражает Теорема 1. Решением дифференциального уравнения d I dI (3) - 2 +( + 2)I = rep + s dp dp где > 0,, r, s – вещественные константы, выступает функция вида (2), в которой k3 и – произвольные постоянные интегрирования.

В [3] обозначен другой путь идентификации функции I(t), а именно – предлагается искать ее в качестве решения дифференциального уравнения вида d2I + sb(tc - tk ) dI rcI dt (4) (tc - tk )=, k2 = + = f.

2 + 2 dt Вообще говоря, параметры b, c и внешняя сила f в уравнении (4) яв ляются функциями от t. Однако значительный интерес представляют слу чаи, когда коэффициенты b и c суть постоянные или слабопеременные ве личины.

Теорема 2. Функция I(t) вида (2) удовлетворяет уравнению (4) при b = 2 – 1, c = 2 + 2, f(t) = k1 + k22(tc – t).

При исследовании данного уравнения интересен также случай, когда переменному трению противостоит периодическая внешняя сила, в осо бенности в ситуациях, когда частота действия этой силы в некотором смысле близка к частоте собственных колебаний системы. Уравнение (4) представляет собой уравнение Эйлера, и если его правая часть является квазиполиномом в комплексной области, то его решение тоже представля ет собой квазиполином [2, c. 112].

Варьируя правую часть уравнения (4), можно получать принципиаль но различные модели поведения сложных динамических систем, имеющие определенный физический, технический или экономический смысл, в за висимости от природы рассматриваемой системы.

Исследование выполнено при поддержке Российского фонда фунда ментальных исследований, проект № 03-06-80083а.

Литература 1. Воробьев Ю.Л., Малинецкий Г.Г., Махутов Н.А. Управление рис ками. Реальность и надежды //Международная конференция по про блемам управления (29 июня – 2 июля 1999 года): Сб. пленарных докладов. М., 1999. С. 139-144.

2. Лизоркин П.И. Курс дифференциальных и интегральных уравнений с дополнительными главами анализа. М.: Наука, 1981. – 384 с.

3. Нижегородцев Р.М. Анализ и прогнозирование катастроф в слож ных динамических системах //Проблемы управления безопасностью сложных систем: Материалы VII международной конференции. М., 1999. С. 18-20.

СРЕДНЕСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ДИНАМИКИ МАКРОЭКОНОМИЧЕСКИХ ПАРАМЕТРОВ ПРИ ПОМОЩИ ГАРМОНИЧЕСКИХ ТРЕНДОВ Нижегородцев Р.М.

(ИПУ им. В.А.Трапезникова РАН, Москва, e-mail: bell44@rambler.ru) Цикличность макроэкономических процессов предполагает возмож ность аппроксимации ряда динамических макропараметров (ВВП на душу населения, конечное потребление, отношение денежной массы к ВВП и т.д.) при помощи гармонических трендов, т.е., в частности, функций вида w(x) = kx + l + rcos(x+).

Целый ряд процессов, характеризующихся линейно-гармонической дина микой, может быть обоснованно классифицирован в зависимости от ам плитуды r и частоты, а также линейного наклона k выделенного тренда.

Данный метод аппроксимации позволяет осуществлять прогнозирова ние соответствующих параметров на основе значений полученного тренда.

Пусть y(t) – ряд статистических данных, w(t) – аппроксимационная кривая (тренд). Фактическое отклонение статистических данных от тренда, таким образом, вычисляется по формуле:

y(n) = y(n) – w(n).

Прогнозное отклонение следующего, (n+1)-го, значения данного па раметра y высчитывается по значениям четырех последних отклонений и составит:

*y(n+1) = 1/10*(4y(n)+3y(n–1)+2y(n–2)+ y(n–3)).

При этом прогнозное значение данного параметра можно найти, при бавив найденное отклонение от тренда к трендовому значению (n+1)-го года:

y*(n+1) = w(n+1) + *y(n+1).

При прогнозировании на дальнейший период вычисленный прогноз считаем свершившимся фактом, т.е. присоединяем посчитанное значение y*(n+1) к массиву статистических данных. Затем точно так же считаем отклонение *y(n+2) по отклонениям четырех лет, предшествующих про гнозируемому году. Наконец, прибавляя найденное отклонение *y(n+2) к трендовому значению w(n+2), получаем результат – прогнозное значение y*(n+2). Данный метод прогнозирования эффективен при расчете средне срочных прогнозов – на срок до 3-4 лет (половина продолжительности промышленного цикла).

Подобный метод прогнозирования, применявшийся ранее для логи стических трендов, которыми описывались параметры уровня жизни насе ления [1, 2], дает возможность спрогнозировать «перелом» (изменение характера динамики) как самого аппроксимирующего тренда, так и откло нений от него истинных значений прогнозируемого параметра. Подобным же образом может быть осуществлен прогноз при помощи трендовых тра екторий любого вида, но этот вид должен быть задан экзогенно, он не мо жет являться результатом проделанного алгоритма.

Исследование выполнено при поддержке Российского фонда фунда ментальных исследований, проект № 03-06-80083а.

Литература 1. Нижегородцев Р.М., Абашкина Е.О. Динамика рынка труда в Рос сии и среднесрочное прогнозирование реального потребления мето дом локальных логистических трендов //Тенденции и перспективы социокультурной динамики: Материалы к Международному симпо зиуму, посвященному 110-й годовщине со дня рождения П.А. Соро кина/Под ред. Ю.В.Яковца. М., 1999. С. 241-250.

2. Нижегородцев Р.М., Абашкина Е.О. Логистические модели дина мики рынка труда и экономическая безопасность регионов России //Проблемы регионального и муниципального управления: Материа лы II международной конференции. М., 2000. С. 88-91.

АНАЛИЗ РАНЖИРОВОК МЕТОДАМИ ТЕОРИИ ВАЖНОСТИ КРИТЕРИЕВ Подиновский В.В.

(Академия труда и социальных отношений, Москва, e-mail: podinovski@nccom.ru) В настоящее время метод экспертных оценок широко используется для анализа получаемой от специалистов информации с целью подготовки и выбора рациональных решений. Однако при решении практических за дач возникает сложность с обоснованным выбором метода обработки их значений. Одна из причин указанной сложности состоит в том, что для каждого вида экспертных оценок существует, как правило, несколько ме тодов их агрегирования, и под каждый из них подведена своя, зачастую весьма солидная, теоретическая база. Однако научно обоснованных реко мендаций по выбору одного метода из многих имеющихся, к сожалению, нет: каждый, как правило, имеет свои достоинства и свои недостатки. И поэтому пользователь осуществляет выбор метода, исходя из личного вку са и опыта с учетом наличия подходящих компьютерных программ. Но разные методы очень часто приводят и к несовпадающим результатам. А в итоге и выработанные рекомендации оказываются тоже разными.

Один из возможных подходов к анализу экспертных оценок, позволя ющий преодолеть указанную трудность [1, 2], основан на теории важности критериев [2, 3]. Этот подход предполагает осуществление не полного, а лишь частичного поэтапно пополняемого агрегирования значений эксперт ных оценок, основанного на использовании вначале более простых и по тому весьма надежных решающих правил, и лишь затем, при необходи мости, привлечение правил более сложных, но и менее надежных [4]. В докладе этот подход рассматривается применительно к одному из наибо лее распространенных видов экспертных оценок – ранжировкам.

Согласно сформулированному общему подходу, агрегирование ис ходных ранжировок в одну групповую осуществляется поэтапно: вначале получается частичная ранжировка, которая постепенно пополняется («до страивается»). Поскольку каждый объект Оj характеризуется вектором xj = j j = (, …, ) рангов, выставленных ему m экспертами, то частичные ран x1 xm жировки удобно представлять при помощи бинарных отношений строгого предпочтения и безразличия на множестве всех возможных векторов тако го рода. Вначале целесообразно взять самое простое и надежное реша ющее правило – вводящее отношение Парето. Далее можно привлечь ка чественную информацию о компетентности экспертов, выраженную (не строгой) ранжировкой, в которой эксперты расположены по убыванию их компетентности, и использовать соответствующее решающее правило из теории качественной важности критериев [3]. Затем, при необходимости, можно воспользоваться более сильной, например, количественной инфор мацией о компетентности экспертов, представленной вектором коэффици ентов их компетентности и использовать соответствующее решающее пра вило из теории количественной важности критериев [4]. Если для решения задачи полученной частичной ранжировки недостаточно, то придется за вершить агрегирование – построить полную ранжировку всех объектов, например, согласно взвешенным суммам их рангов. При этом будет из вестно также, какие пары объектов оказались сравнимыми на основании более простых и надежных решающих правил, а какие – на основании бо лее сложных и потому менее надежных.

Описанная техника анализа ранжировок применялась для обработки экспертных оценок в Центре прикладных политических исследований «ИНДЕМ» [1], в том числе для анализа ранжировок прогнозных сценариев развития России, упорядоченных по вероятности (возможности) их осу ществления (реализации). Оказалось, в частности, что иногда частичная ранжировка позволяет по содержательным соображениям разделить изна чально несогласованную группу экспертов на две согласованные подгруппы.

Литература 1. Подиновский В.В. Анализ экспертных оценок методами теории важности критериев. Методическая записка (рукопись). М.:

ИНДЕМ, 1999. – 12 с.

2. Подиновский В.В., Раббот Ж.М. Анализ экспертных оценок метода ми теории важности критериев // Научно-техническая информация, сер. 2. 2000, № 2. С. 22 – 26.

3. Подиновский В.В. Аксиоматическое решение проблемы оценки важ ности критериев в многокритериальных задачах принятия решений / Современное состояние теории исследования операций. М.: Наука, 1979. C. 117 – 149.

4. Подиновский В.В. Количественная важность критериев // Автома тика и телемеханика. 2000, № 5. – С. 110 – 123.

5. Гафт М.Г., Подиновский В.В. О построении решающих правил в за дачах принятия решений // Автоматика и телемеханика. 1981. № 6. С.

128 – 138.

ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ РАЗВИТИЯ ЦЕЛЕЙ АКТИВНОЙ СИСТЕМЫ Потрашкова Л.В.

(Харьковский государственный экономический университет, Харьков, e-mail: lv7@ukr.net) Управление активными системами базируется на согласовании целей активных элементов и управляющего органа. При этом сама система целей является изменяющейся во времени и развивающейся. Понятие целевого состояния как результата взаимодействия возможностей и интересов, где интерес трактуется как осознанная потребность в ресурсах, объективно необходимых для поддержания жизнедеятельности и развития субъекта, уже указывает на путь изменения целей через осознание субъектами своих потребностей в результате получения дополнительной информации.

Исходя из этого, появляется задача исследования и моделирования процессов развития целей активных систем, а также влияния данных про цессов на принятие решений активными элементами различных уровней иерархии. Для решения данной задачи в докладе предложен подход к иссле дованию развития системы целей производственно-экономических систем (ПЭС), в основе которого лежат следующие концептуальные положения.

1. Развитие системы целей ПЭС означает изменение целей в направ лении учета новых потребностей субъектов и/или потребностей новых субъектов системы и внешней среды, приводящее к изменению наилучше го курса действий ПЭС.

При этом даже если ПЭС не декларирует взаимосвязи системы своих целей с интересами определенных категорий экономических субъектов, данная взаимосвязь проявляется на практике.

В качестве примера развития системы целей предприятия можно рас смотреть переход от использования критерия прибыли к критерию добав ленной стоимости. Добавленная стоимость является источником прибыли, оплаты труда и налогов, т.е. позволяет учесть интересы собственников предприятия, наемных работников и государства в лице налоговых орга нов. При фиксированной структуре распределения дохода, полученного в результате реализации созданной на предприятии добавленной стоимости, целевые функции собственников, персонала и государства согласованы между собой и с глобальной целевой функцией развития экономической системы региона в том смысле, что их точки оптимума совпадают и соот ветствуют точке максимума добавленной стоимости.

2. Возможность развития системы целей обеспечивается развитием ПЭС, т.е. увеличением возможностей ПЭС удовлетворять свои желания, желания других систем и субъектов, связанных с ней. С другой стороны, развитие ПЭС должно быть подготовлено развитием ее системы целей.

3. Развитие системы целей формализуется через развитие системы экономических показателей, описывающих деятельность ПЭС.

4. В рамках исследования процессов развития целей в дополнение к понятию «ценной» информации (то есть той, которая способствует дости жению поставленных целей), следует рассматривать также понятие «раз вивающей» информации, то есть той, которая способствует развитию сис темы целей.

5. Можно выделить 2 основных типа развития системы целей: а) че рез изменение перечня учитываемых интересов экономических субъектов (то есть через смену приоритетов);

б) через расширение перечня учиты ваемых интересов и, следовательно, увеличение количества критериев.

Увеличение количества критериев в общем случае сужает множество удовлетворяющих им альтернатив и увеличивает множество несравнимых альтернатив (оптимальных в смысле Парето). Для снятия возникающей неопределенности в процессе принятия решений привлекается дополни тельная субъективная информация, основанная на опыте и интуиции лица, принимающего решение (ЛПР). Таким образом, при развитии системы целей типа «б» повышается роль ЛПР как активного элемента, имеющего свои интересы и цели.

6. Постановка избыточных целей может привести к некомпенси руемой целевой неопределенности, а также растрате потенциала системы и ее разрушению.

На основе изложенного можно сделать вывод о необходимости ис пользования в процедуре принятия решений по управлению активными производственно-экономическими системами средств, предназначенных для преодоления целевой неопределенности в условиях развития целей. С другой стороны, на этапе формирования целей ПЭС необходимо исполь зовать методы моделирования для выявления приемлемого множества ин тересов экономических субъектов, которые должны быть учтены.

Исследование влияния развития целей ПЭС на принятие решений ак тивными элементами приобретает особую актуальность в условиях транс формационных процессов, протекающих на уровне экономики глобально го, национального или локального масштаба.

ПРОБЛЕМЫ ВЗАИМОДЕЙСТВИЯ СПЕЦИАЛИСТОВ ПРИ ПОСТАНОВКЕ И РЕШЕНИИ ЗАДАЧИ Проклашкин Д.Н.

(МФТИ, Москва, e-mail:dimapr@fromru.com) Введение Современное предприятие зачастую становится объектом для иссле дования и описания различными специалистами. Исследования происхо дят с различными целями. Строятся модели различных процессов с раз личной глубиной детализации. Над построением моделей работают аудиторы, консультанты, бухгалтера, технические специалисты и т.д. Ка ждая группа специалистов имеет свой индивидуальный язык – язык бух галтера, язык управленца, стандарты описания процессов – IDEF0, IDEF3, ER, DFD и т.д. При попытке решить задачу, затрагивающую области дея тельности нескольких групп приходится сталкиваться с различными про блемами. В том числе проблема взаимодействия и совместного описания.

Данная работа призвана систематизировать подход к организации взаимодействия разных специалистов при решении одной общей задачи.

1. Термины - Специалист.

- Язык, используемый специалистами.

- Область работы специалиста, описываемая языком или несколькими языками.

- Область задачи – часть модели, на которой задана задача.

2. Представление задачи Любую возникающую задачу можно представить в виде набора об ластей, на которых она задается.

На рис 1. схематично представлена задача в виде пирамиды. Каждая из плоскостей является определенной областью задачи. Начало постанов ки задачи происходит на самой верхней плоскости. С помощью стрелок обозначено распространение постановки задачи на следующие уровни, которыми инициаторы задачи вообще говоря могут и не владеть.

Рис. 1. Представление задачи по областям.

В свою очередь каждый специалист, описывая ту или иную область задачи, пользуется лишь своим языком, своим набором терминов. Это оз начает, что в случае пересечения областей работы специалистов между собой на какой-либо области задачи, для одного и того же объекта спе циалисты будут использовать разные термины или одинаковые терины для разных объектов. Это может привести к получению некорректного резуль тата при решении поставленной задачи. Ошибка в работе может произойти на любом этапе, будь это этап постановки, или этап решения, или даже на первоначальном этапе формулировки задачи.

3. Язык взаимодействия Для решения проблемы взаимодействия необходимо создать язык взаимодействия. В данном случае под языком понимается совокупность терминов правил и моделей, которыми оперируют специалисты. Этот язык не должен быть простым сложением всех языков специалистов, как это может показаться на первый взгляд. В работе предлагается алгоритм по строения такого языка. Использование данной модели позволит заранее спрогнозировать затраты по формированию нужной группы специалистов для решения задачи. Позволит гарантированно избежать проблем взаимо действия специалистов и довести работу над задачей до конца.

Литература 1. Маклаков С.В. Моделирование бизнес-процессов. М.: Диалог МИФИ, ДВУХУРОВНЕВАЯ МОДЕЛЬ МНОГОКРИТЕРИАЛЬНОЙ ОЦЕНКИ КАЧЕСТВА ИНФОРМАЦИОННЫХ СИСТЕМ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ Рыков А.А., Рыков А.С.

Множественность вариантов реализации информационных систем (ИС), разнообразие условий, в которых должны функционировать систе мы, оценка качества систем по нескольким характеристикам – все это ус ложняет решение задачи оценки и выбора наиболее эффективного вариан та системы.

Примерами характеристик, по которым оценивается качество ИС, мо гут служить такие, как коэффициент готовности и среднее время восста новления наиболее важных типовых трактов между отдельными элемен тами ИС, время установления соединения при передаче данных с установлением соединения, при попытке доступа к услугам передачи ре чевой или факсимильной информации и т. п. Значения характеристик мо гут зависеть как от варианта ИС, так и от режима работы системы, напри мер ее загруженности. Режимы работы ИС могут интерпретироваться как состояния внешней среды. Эти состояния среды порождают неопределен ность, так как заранее неизвестно, в каком состоянии будет находиться система.

Неопределенность, заключающаяся в наличии нескольких различных величин оценки одной и той же характеристики в зависимости от состоя ний среды, приводит к необходимости решения задачи оценки значений характеристик качества и выбора наилучшего варианта ИС. Методы пре одоления неопределенности для однокритериальных задач рассмотрены в докладе [1]. Кроме того, реальная оценка качества ИС проводится по не скольким характеристикам и порождает многокритериальную задачу.

В докладе рассмотрена проблема многокритериальной оценки и оп тимизации значений характеристик качества ИС в условиях неопределен ности. Предложена двухуровневая модель описания характеристик качест ва ИС в виде статистической модели принятия решений в условиях неопределенности на нижнем уровне и детерминированной модели приня тия решений на верхнем уровне. Статистическая модель на нижнем уровне использует комбинированный критерий оценки вариантов проекта ИС [2].

Детерминированная модель принятия решений на верхнем уровне исполь зует принципы оптимальности [2] для выбора наилучшего варианта ИС.

Двухуровневая модель принятия решений в условиях неопределенности В данной модели предполагается наличие:

1) множества решений X = {x1,...,xn} (варианты проектов ИС), одно из которых необходимо принять ЛПР;

2) множества состояний среды S={s1,...,sm}, ЛПР известно априорное рас пределение вероятностей p={p1,...,pm} на элементах sjS состояний среды;

3) множества характеристик W={w1,...,wq}, описываемых функциями полезности Uk=||uk(xi,sj)||, k=1,...,q, если ЛПР исходит из условия максими зации значений характеристики, или данная функция трактуется как функ ция потерь, если ЛПР исходит из условия минимизации характеристики.

Функции полезности Uk используются для оценки характеристик сис темы, описывающих полезность, выигрыш, эффективность, вероятность достижения целевых событий и т. д., в противоположность этому функция потерь Uk применяется для выражения потерь, проигрыша, сожалений, ущерба, риска и т. д. Вид функции определяется ЛПР.

Задача принятия решений состоит в выборе ЛПР наилучшего вариан та xiX с помощью решения двухуровневой задачи оптимизации – на верхнем уровне решается задача:

(1) найти F(x()) = max F(xi ()) = max F(y1(xi ()),..., yq (xi ())), xiX xiX если Uk – функция полезности, или (2) найти F(x ()) = min F(xi ()) = min F(y1(xi ()),..., yq (xi ())), xiX xiX если Uk – функция потерь, где функция качества F(xi())=F(y1(xi()),...,yq(xi())) строится на основе принципа оптимальности, выбираемого ЛПР;

на нижнем уровне для k=1,...,q для каждого xiX при [0,1] определяются функции (критерии) yk(xi()) оценки качества характеристик wkW для соответствующей функции полезности или потерь Uk=||uk(xi,sj)||, априорного распределения вероятностей p={p1,...,pm} состояний среды sjS, j=1,...,m:

yk (xi ()) = (1- ) y1k (xi ) - y2 k (xi ), m где y1k (xi ) = f1k (uk (xi,s ),p) = uk (xi,s ), j p j j j= m y2 k (xi ) = f2 k (uk (xi,s ),p) = (uk (xi,s ) - y1k (xi )) p.

j j j j= В результате решения задач (1) или (2) получаем множество решений, зависящее от параметра [0,1]. Окончательный выбор лучшего решения осуществляет ЛПР. По его желанию можно выбрать одно значение и получить одно решение задачи.

Неопределенность оценки решений на нижнем уровне связана с тем, что неизвестно точно, в каком состоянии находится среда. Для преодоле ния данной неопределенности использован комбинированный критерий принятия решений yk(xi()) [1], являющийся взвешенной суммой критерия Байеса-Лапласа y1k(xi) и критерия среднего квадратического отклонение функции полезности (потерь) y2k(xi), с помощью которого каждое из реше ний xiX, описываемое вектором (uk(xi,s1),..., uk(xi,sm)), получает скаляр ную оценку и тем самым снимается неопределенность оценки решений.

Для однозначного описания модели принятия решений в докладе описаны принципы оптимальности, из котрых ЛПР выбирает подходящий для решения задачи (1) или (2).

Для иллюстрации предложенных модели и методов рассмотрен пример по выбору лучшего проекта ИС, оцениваемого по двум характеристикам: по среднему времени восстановления наиболее важных типовых трактов между отдельными элементами ИС и по времени установления соединения при передаче данных с установлением соединения, при попытке доступа к услу гам передачи речевой или факсимильной информации.

Предложенный в докладе подход к многокритериальной оценке харак теристик ИС в условиях неопределенности может иметь дальнейшее разви тие за счет использования более сложных методов построения комбиниро ванных критериев оценки на нижнем уровне решения задачи оптимизации и применения более гибких принципов оптимальности на верхнем уровне.

Основной особенностью дальнейшего совершенствования подхода и соот ветствующих методов является стремление предложить ЛПР инструментарий, позволяющий наиболее точно отразить предпочтения ЛПР при сравнении вариантов. Эффективная реализация подхода возможна только с помощью построения диалоговой компьютерной системы, включающей все необходи мые методы и позволяющей в диалоге получать необходимые решения.

Литература 1. Рыков А.А., Рыков А.С. Модель оценки характеристик качества информационных систем в условиях неопределенности // в настоящем сборнике.

2. Рыков А.С. Методы системного анализа: Многокритериальная и нечеткая оптимизация, моделирование и экспертные оценки. М.:

Экономика, 1999. 192 с.

МОДЕЛЬ ОЦЕНКИ ХАРАКТЕРИСТИК КАЧЕСТВА ИНФОРМАЦИОННЫХ СИСТЕМ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ Рыков А.А., Рыков А.С.

Задачу оценки качества и надежности вариантов системотехнических решений информационных систем (ИС) приходится решать как на пред проектных стадиях создания ИС, так и в процессе их создания и эксплуа тации. На каждом этапе необходимо оценивать качество ИС, соответствие замыслу, заданным или желаемым требованиям.

Множественность вариантов реализации ИС, разнообразие условий, в которых должны функционировать системы, оценка качества систем по нескольким характеристикам – все это усложняет решение задачи оценки и выбора наиболее эффективного варианта системы [1, 2].

Примерами характеристик, по которым оценивается качество и надеж ность ИС, могут служить такие, как коэффициент готовности и среднее время восстановления наиболее важных типовых трактов между отдельными эле ментами ИС, время установления соединения при передаче данных с установ лением соединения, при попытке доступа к услугам передачи речевой или факсимильной информации и т. п. Значения характеристик могут зависеть как от варианта ИС, так и от режима работы системы, например ее загруженности.

Режимы работы ИС могут интерпретироваться как состояния внешней среды.

Эти состояния среды порождают неопределенность, так как заранее не из вестно, в каком состоянии будет находиться система. Наличие нескольких различных величин оценки одной и той же характеристики в зависимости от приведенных факторов приводит к необходимости решения задачи оценки значений характеристик качества и выбора наилучшего варианта ИС.

В докладе предложена модель описания характеристики качества ИС в виде статистической модели принятия решений в условиях неопределенно сти при различной априорной информации, описаны критерии выбора наи лучшего варианта, предложено построение комбинированного критерия и выбор на его основе наиболее предпочтительного варианта проекта ИС.

В рассматриваемой модели предполагается наличие:

1) множества решений X={x1,...,xn} (варианты проектов ИС), одно из которых необходимо принять лицу, принимающему решения (ЛПР);

2) множества состояний среды S={s1,....,sm}, ЛПР не известно, в каком конкретном состоянии находится или будет находиться среда;

3) функции полезности U=||uij||=||f(xi,sj)||, если ЛПР исходит из условия ее максимизации, или функции потерь V=||vij||=||f(xi,sj)||, если ЛПР исходит из условия ее минимизации.

Функция полезности U используется для оценки характеристик сис темы, описывающих полезность, выигрыш, эффективность, вероятность достижения целевых событий и т. д., в противоположность этому функция потерь V применяется для выражения потерь, проигрыша, сожалений, ущерба, риска и т. д. Заметим, что вид функции определяется ЛПР.

Задача принятия решений состоит в выборе ЛПР наилучшего варианта xiX (или строки матрицы), имеющего наибольшую полезность (ui*j= = max U = max ui j = max f (xi,s ) ) или наименьшие потери (vi*j= min V = j xiX xiX xiX xiX = min vi j = min f (xi,sj) ), в зависимости от смысла характеристик, которые xiX xiX оцениваются функцией.

Трудность решения задачи выбора связана с тем, что неизвестно, в каком состоянии находится среда. Будем предполагать, что ЛПР известно априорное распределение вероятностей p={p1,...,pm), определенное на мно m жестве A = p : 0 p 1, = 1 на элементах sjS состояний среды.

j p j j= Эта ситуация определяет «поведение» среды во многих практических задачах принятия решений в условиях риска.

Для окончательного преодоления неопределенности применяют специ альные критерии принятия решений, с помощью которых каждое из решений xiX, описываемое вектором (ui1,...,uim)=(f(xi,s1),...,f(xi,sm)), получает скаляр ную оценку.

Для рассматриваемой ситуации предложено использовать известные критерии принятия решений: критерий Байеса-Лапласа, критерий мини мума среднего квадратического отклонения функции полезности (потерь) и новый комбинированный критерий, являющийся объединением (сверт кой) критерия Байеса-Лапласа и критерия среднего квадратического от клонение функции полезности (потерь) на основе принципа абсолютной уступки [1].

Для иллюстрации рассмотрен пример применения предложенных критериев для решения задачи по выбору лучшего проекта ИС, оценивае мого по среднему времени восстановления наиболее важных типовых трактов между отдельными элементами ИС.

В докладе изложен только один подход к оценке характеристик ИС в условиях неопределенности на основе статистических моделей. Дальней шее развитие этого подхода лежит в использовании более сложных мето дов построения комбинированных критериев. Например, можно использо вать методы, разработанные для построения критериев идентичности для решения задач параметрической идентификации [2]. Другое направление совершенствования связано с диалоговым получением априорной инфор мации о состоянии среды от экспертов, обработкой ее с помощью методов теории нечетких множеств и построением диалоговых нечетких моделей принятия решений [1].

Литература 1. Рыков А.С. Методы системного анализа: Многокритериальная и нечеткая оптимизация, моделирование и экспертные оценки. М.:

Экономика, 1999. 192 с.

2. Рыков А.С., Лановец В.В. Диалоговые методы конструирования комбинированных критериев идентичности в задачах параметрической идентификации // Труды II международной конференции «Идентификация систем и задачи управления» SICPRO’2003, Москва, Институт проблем управления. М., 2003. С.

1639–1662.

ЭКСПЕРТНЫЕ АЛГОРИТМЫ ОЦЕНКИ КАЧЕСТВА ИНФОРМАЦИОННЫХ СИСТЕМ А.А. Рыков, А.С. Рыков Решение задачи оценки качества системотехнических решений и определения рациональных системотехнических вариантов построения информационных систем (ИС) невозможно без синтеза знаний и опыта экспертов, специализирующихся в различных областях создания соответ ствующих больших информационных систем. Задачу оценки качества ва риантов системотехнических решений ИС приходится решать как на пред проектных стадиях создания ИС, так и в процессе их создания. На каждом этапе создания ИС необходимо с единой позиции оценивать их качество, соответствие замыслу, заданным или желаемым требованиям.

Качество ИС может быть оценено по группам укрупненных потреби тельских свойств и эксплуатационных характеристик. Каждая из групп описывается, в свою очередь, частными свойствами, характеристиками, контрольными показателями. Не все свойства и характеристики ИС могут быть измерены в результате физического эксперимента. Источником ин формации о многих частных свойствах и характеристиках вариантов сис темы являются эксперты. Для повышения надежности экспертной инфор мации часто приходится прибегать к групповой оценке.

Рациональное использование информации, получаемой от экспертов, возможно после преобразования ее в форму, удобную для дальнейшего анализа. Основная цель обработки экспертной информации – получение обобщенных данных и выявление новой информации, содержащейся в скрытой форме в экспертных оценках. Для обработки результатов груп пового экспертного оценивания свойств и характеристик традиционно применяют методы математической статистики, основанные на осред нении данных [1].

Среди множества задач обработки экспертной информации выделим две задачи, имеющие важное значение:

– построение групповой обобщенной оценки объектов на основе инди видуальных оценок экспертов;

– определение согласованности мнений экспертов, выделение подгрупп экспертов с согласованными мнениями.

В докладе описываются несколько алгоритмов обработки экспертной информации, оказавшихся эффективными при обработке экспертной ин формации для оценки качества системотехнических решений построения ИС и составивших алгоритмическую основу специальной системы обра ботки экспертных оценок для оценки качества ИС.

Алгоритмы построения групповой оценки на основе индивидуальных оценок экспертов Выбор величин коэффициентов компетентности экспертов зачастую сложен и носит субъективный характер. Для преодоления этой трудности предлагается подход, основанный на вычислении коэффициентов компе тентности по апостериорным данным, т. е. по результатам экспертной оценки систем.

Основной идеей подхода является предположение о том, что компе тентность экспертов должна оцениваться по степени согласованности их индивидуальных оценок с групповой оценкой объектов. Вычисление ко эффициентов компетентности основано на итеративной процедуре коррек тировки коэффициентов компетентности. На каждой итерации вычисляет ся взвешенная групповая оценка каждой системы. Затем вычисляются отклонения индивидуальных оценок экспертов от групповой оценки и ко эффициенты компетентности экспертов, оценки которых близки к группо вым оценкам, повышаются, а коэффициенты компетентности экспертов, оценки которых далеки от групповых оценок, понижаются.

Алгоритм выделения подгрупп экспертов с согласованными мнениями При построении групповых оценок по индивидуальным экспертным оценкам встречаются ситуации, когда в экспертной группе присутствует более одного мнения. В этом случае усреднение оценок экспертов по всей группе приводит к неправильным оценкам. Нужно решать задачу опре деления подгрупп экспертов со сходными мнениями и определять груп повые оценки для каждой из подгрупп. Для рассматриваемого случая предлагается следующий подход.

За основу принято использование дисперсионного коэффициента конкордации. Данный коэффициент позволяет оценивать согласованность мнений экспертов в группе. Задача выявления подгрупп с согласованными мнениями сводится к заданию уровня согласованности мнений экспертов и выделению подгрупп, удовлетворяющих выбранному уровню согласо ванности, путем объединения экспертов в соответствующие подгруппы.

Система обработки экспертных оценок Рассмотренные алгоритмы использовались при обработке экспертной информации при оценке качества различных вариантов системотехни ческих решений при создании крупномасштабных ИС.

Система обработки экспертных оценок имеет блочную (модульную) структуру. Это позволяет расширять возможности системы путем добав ления новых модулей по обработке экспертной информации к существу ющей структуре системы без серьезных ее изменений.

Система включает основные алгоритмы, традиционно используемые при обработке экспертных оценок [1].

В дальнейших исследованиях планируется объединить данную систе му с диалоговой системой многокритериальной оценки качества ИС.

Литература 1. Рыков А.С. Методы системного анализа: Многокритериальная и не четкая оптимизация, моделирование и экспертные оценки. М.: Эко номика, 1999. 192 с.

КВАЛИМЕТРИЧЕСКИЙ АНАЛИЗ КАК СИСТЕМА СОВЕРШЕНСТВОВАНИЯ ОРГАНИЗАЦИИ УЧЕБНОГО ПРОЦЕССА В ТЕХНИЧЕСКОМ ВУЗЕ Симонова А.С, Хвастунов Р.М.

(МГТУ им. Н.Э. Баумана, Москва) Совершенствование системы образования в последнее время приоб рело особую актуальность в связи с вступлением страны и общества в ры ночную экономику. Это обусловило появление значительного числа пуб ликаций, посвященных разработке систем оценивания и повышения качества образовательного процесса.

Авторами предприняты попытки, применить для этой цели разрабо танный специалистами МГТУ им. Н.Э. Баумана метод «Квалиметри ческого анализа (КА)». Последний представляет собой систему активно взаимодействующих элементов с неантагонистическими, частично совпа дающими целями.

Взаимодействующими элементами системы являются:

- администрация института (деканат);

- руководство отдельных кафедр;

- преподавательский состав кафедр;

- студенты.

КА выполняют в следующей последовательности:

1. формируют целевые функции элементов системы;

2. находят необходимые количественные оценки составляющих целе вых функций;

3. находят возможные управляющие воздействия и их «цену»;

4. взаимодействующие элементы, осуществляя последовательно эле менты управления (воздействия) друг на друга, находят зону много критериального оптимума и вырабатывают оптимальные решения.

Например, в разработанной авторами системе, целевая функция эле мента «студенты» имела вид (рис. 1).

Выработанные рекомендации были использованы деканатами и руко водством кафедры для устранения ряда негативных факторов. Опыт рабо ты авторов показал, что КА может быть применен для совершенствования организации учебного процесса в техническом вузе.

Нужны дополнительные занятия по англий скому языку Факторы Недостаток современных учебно-методических организа- пособий ции учебно- Отсутствие доступа в Internet на кафедре го процесса У многих студентов отсутствует интерес к дис циплинам Пропуск занятий студентами Опоздания студентов на занятия Рис.1.

НАХОЖДЕНИЕ КОЭФФИЦИЕНТОВ ВАЖНОСТИ ОБЪЕКТОВ НА ОСНОВЕ ИНТЕРВАЛЬНО ЗАДАННЫХ РЕЗУЛЬТАТОВ ИХ ПАРНЫХ СРАВНЕНИЙ Шахнов И.Ф.

(ВЦ РАН, Москва) Задача нахождения коэффициентов важности объектов на основе их парных сравнений неоднократно рассматривалась в различных постанов ках и в отечественной и в зарубежной литературе. Однако до недавнего времени исследовался лишь тот случай, когда результаты попарных срав нений выражаются в виде точно заданных числовых величин, т.е. в виде “точечных” оценок. Наиболее известным и весьма широко используемым методом обработки подобных матриц “точечных” оценок является метод Т. Саати, согласно которому в качестве коэффициентов важности объектов предлагается брать соответствующие компоненты собственного вектора (отвечающего максимального собственному числу) матрицы точечных результатов парных сравнений. Модель Т. Саати в методологическом от ношении является перенесением модели Бернса для решения задачи “о лидере кругового турнира”, когда результаты парных сравнений выража ются с помощью тернарной шкалы с градациями “лучше”, “хуже”, “равноценно”, – на случай, когда результаты каждого попарного сравнения описывается числом, выражающим “во сколько раз один объект важнее другого” [1]. Используемые в этих методах модели являются феноменоло гическими. Фигурирующие в них коэффициенты важности или “итерированные силы” объектов служат скорее вспомогательным средст вом для ранжирования рассматриваемых объектов, чем выражением дей ствительно количественной степени превосходства (важности) объектов.

Более естественным, на наш взгляд, представляется излагаемый ниже под ход, пригодный как для интервально, так и точечно заданных результатов парных сравнений объектов [2].

1. Постановка задачи Рассматривается конечное множество объектов Y1, Y2,…, Yn, различающихся между собой по степени проявления интересующего нас свойства C. Обозначим через yi степень проявления свойства C у объекта Yi. Предполагается, что результаты парных сравнений объектов Yi, Yj от носительно проявления у них свойства C представлены в виде интерваль ных числовых оценок a yiy-1 aij1;

aij, a 0 ;

i, j = 1, n ;

i j.

ji j ji Исходя из неравенств (1) требуется разработать метод нахождения * точечных оценок y1, y*, y* степени проявления у объектов Y1, Y2,…, Yn 2 n свойства C. При этом желательно сократить до разумного минимума элементы субъективизма, привносимые в предлагаемый метод.

2. Метод решения задачи.

Матрица ||aij|| по определению называется согласованной, если систе ма неравенств (1) имеет хотя бы одно решение. Множество решений сис темы (1), если таковые существуют, образует в положительном ортанте R+ n-мерного пространства переменных (y1,…, yn) некоторый конус L.

n Любой луч, выходящий из начала координат и принадлежащий конусу L, является решением системы (1).

Пусть матрица ||aij|| является согласованной. В этом случае проблема заключается в выборе луча y*из конуса L. В настоящей работе в качестве искомого решения предлагается принять “центральный” луч конуса L. Под “центральным” понимается тот луч, который получается в пределе при равномерном сближении всех границ конуса L. Данный процесс предлага ется осуществлять посредством сужения интервалов (1) (при условии, что матрица ||aij|| остается согласованной) за счет равномерного сближения концов этих интервалов. Если исходная матрица интервальных оценок ||aij|| является несогласованной, то сначала производится одновременное рав номерное расширение всех интервалов до того момента, пока получаю щаяся матрица ||aij|| не станет согласованной. Для согласованной матрицы ||aij|| далее отыскивается центральный луч полученного таким образом конуса L, который и является искомым решением y*для исходной матри цы ||aij||. Практическое нахождение центрального луча сводится к хорошо изученной стандартной задаче теории графов: вычислению матриц макси мальных весов путей в ориентированных взвешенных графах.

3. Заключение.

Предложенный метод отличается рядом достоинств. Укажем на неко торые из них.

1. Если исходная матрица оценок ||aij||, как это часто бывает на прак тике, оказывается несогласованной, то искомое решение y* может иметь место лишь при некоторой корректировке значений по крайней мере неко торых из элементов этой матрицы. В процессе нахождения центрального луча в данном случае автоматически осуществляется не только нахожде ние тех конкретных оценок, которые являются причиной несогласованно сти матрицы ||aij||, но и указывается величина их минимально необходимой коррекции. Это представляется весьма существенным моментов при рабо те с экспертами, определяющими интервалы (1) и допустимость той или иной коррекции.

2. Экспертам зачастую бывает трудно описать результаты парных сравнений с помощью числовой шкалы. В этом случае обычно использует ся шкала в виде упорядоченных качественных градаций степени проявле ния интересующего свойства. Затем каждой градации приписывается оп ределенное количественное значение, т.е. строится количественная шкала, которая применяется далее для нахождения соответствующих количест венных точечных и интервальных оценок (1). Поэтому крайне важным всегда является вопрос о том, в какой степени получаемые по тому или иному методу итоговые результаты зависят от используемой количествен ной шкалы. Оказывается, что в то время как результаты упорядочения (ранжирования) объектов по методу Бержа и Т. Саати инвариантны только по отношению к умножению используемой количественной шкалы на по ложительную константу, ранжирование объектов по методу центрального луча инвариантно в более широком классе преобразований – по отноше нию к любому положительному степенному преобразованию первона чально использованной количественной шкалы. Это, естественно, повы шает доверие к получаемым результатам ранжирования.

В заключение отметим, что описанный метод без каких-либо измене ний применим и обладает вышеуказанными достоинствами и в случае то чечных оценок.

Литература 1. Брук Б.Г., Бурков В.Н. Методы экспертных оценок в задачах упо рядоченных объектов // Изв. АН СССР. Техн. кибернетика. 1972. № 3.

С. 29-39.

2. Шахнов И.Ф. Модель для обработки результатов попарных сравне ний объектов, задаваемый в виде интервальных оценок // Электрон ная техника. Серия “Экономика и системы управления”. 1990. № 4. С.

33-39.

НАПРАВЛЕНИЯ РАБОТЫ КОНФЕРЕНЦИИ Секция 1. Базовые модели и механизмы теории активных систем Сопредседатели секции – д.ф-м.н., проф. Кононен ко А.Ф., д.т.н., проф. Новиков Д.А.

Секция 2. Принятие решений и экспертные оценки Сопредседатели секции – д.т.н., проф.

Дорофеюк А.А., д.т.н., проф. Литвак Б.Г.

Секция 3. Прикладные задачи теории активных систем Сопредседатели секции – д.т.н., проф. Ириков В.А., д.т.н., проф. Щепкин А.В.

Секция 4. Управление финансами Сопредседатели секции – д.т.н., проф. Ерешко Ф.И., д.т.н., проф.Цвиркун А.Д.

Секция 5. Управление безопасностью в сложных системах Председатель секции – д.т.н., проф. Кульба В.В.

ПРОГРАММНЫЙ КОМИТЕТ:

Бурков В.Н. – председатель (Москва).

Алескеров Ф.Т. (Москва);

Баркалов С.А. (Воронеж);

Воропаев В.И. (Москва);

Горгидзе И.А. (Тбилиси);

Дорофеюк А.А. (Москва);

Ерешко Ф.И. (Москва);

Еременко Ю.И. (Старый Оскол);

Заруба В.Я. (Харьков);

Ириков В.А. (Москва);

Киселева Т.В. (Новокузнецк);

Кононенко А.Ф. (Москва);

Кузнецов В.Н. (Тверь);

Кузнецов Л.А.

(Липецк);

Кулжабаев Н.М. (Алматы);

Кульба В.В. (Москва);

Литвак Б.Г. (Москва);

Новиков Д.А. (Москва);

Палюлис Н.К. (Вильнюс);

Прангишвили И.В. (Москва);

Фокин С.Н. (Минск);

Цвиркун А.Д.

(Москва);

Щепкин А.В. (Москва);

Юсупов Б.С. (Ташкент);

Bubnit sky Z. (Wroclaw);

James G. (Coventry) ОРГАНИЗАЦИОННЫЙ КОМИТЕТ:

Бабиков В.М., Балабаев А.И., Буркова И.В., Динова Н.И., Дзюбко С.И., Комаровская Л.Н., Новиков Д.А. (председатель).

Pages:     | 1 ||



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.