WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 16 |

Фактор неопределенности (Н) заключается в изменении информированности участников АС о существенных внутренних и внешних параметрах их функционирования (в том числе - в изменении неопределенности в субъективных оценках ситуации) в результате изменения состава системы, ее структуры (информационных и других связей между участниками АС) и т.д.

Организационный фактор (О) заключается в изменении отношения власти, то есть возможности влияния на деятельность элементов системы. В частности, власть как система поощрений и штрафов позволяет добиться преобладания коллективного интереса над индивидуальными целями.

Информационный фактор (И) заключается в изменении информационной нагрузки на участников АС и вызван, в первую очередь, объективной ограниченностью их способностей по передаче и переработке информации.

Взаимозависимость факторов отражена в таблице 1.

Факторы А Э Н О И А Э Н О И Таблица 1. Взаимозависимость между факторами Строки таблицы содержат факторы, которые оказывают влияние, столбцы - факторы, на которые оказывается влияние. Если на пересечении i-ой строки и j-го столбца стоит символ "°", то i-ый фактор не оказывает непосредственного влияния на j-ый, если стоит символ "•", то - оказывает.

В работе [363] получены достаточные условия идеального агрегирования в задачах стимулирования в трехуровневых АС, а также доказана произвольная децентрализуемость анонимных механизмов распределения ресурса, механизмов экспертизы, механизмов внутренних цен, а также некоторых механизмов страхования.

Возможные нарушения принципа единоначалия, то есть рассмотрение АС, в которых АЭ подчинен одновременно нескольким центрам, изучались при исследовании АС с распределенных контролем [363, 406]. Этот класс АС требует дальнейших систематических исследований.

6.3. Активные системы, функционирующие в условиях неопределенности В соответствии с введенной выше классификацией АС, функционирующие в условиях неопределенности могут быть классифицированы по: информированности участников (симметричная - С, асимметричная - А), типу неопределенности (внутренняя и внешняя) и виду неопределенности (интервальная, базовая и нечеткая). Перечисляя все возможные комбинации значений признаков классификации по этим основаниям, получаем двенадцать базовых моделей АС с неопределенностью, которые, совместно с базовой детерминированной моделью условно обозначим М1 - М13. Таблица 2 содержит описание этих базовых моделей, а также указание на те разделы теории управления, в которых они исследовались (ТК - теория контрактов, ИТИС информационная теория иерархических систем, ТР - теория реализуемости) и ссылки на основные работы, содержащие результаты изучения соответствующих моделей. Следует подчеркнуть, что в изучении АС с нечеткой неопределенностью ТАС обладает абсолютным приоритетом.

Приводимые в [382] результаты систематического исследования базовых задач стимулирования в АС с неопределенностью свидетельствуют, что в рамках базовых моделей (одноэлементных, статических) механизмов (задач) стимулирования возможен единый методологический подход (исходный принцип, охватывающий всю совокупность используемых методов) к решению задач анализа и синтеза систем стимулирования. Несмотря на многообразие изучаемых моделей, используемый подход заключается в единообразии их описания, общности технологии (совокупности методов, операций, приемов, этапов и т.д., последовательное осуществление которых обеспечивает решение поставленной задачи), и техники (совокупность навыков, приемов, умений, позволяющая реализовывать технологию) исследования, причем последняя основывается, как и детерминированная теория, на изучении множеств реализуемых действий и минимальных затрат на стимулирование. Поясним последнее утверждение, обобщив описание, технологию и технику построения и исследования Информ Тип Вид Разделы № ированн неопредел неопредел теории Основные работы ость енности енности управления М1 С - ТАС, ИТИС, См. раздел 4.

ТК М2 С внутр. инт. ТАС, ИТИС 113,123,153,276, М3 С внутр. вер. ИТИС М4 С внутр. неч. ТАС 28,М5 С внешн. инт. ТАС, ИТИС 123,153,М6 С внешн. вер. ТАС, ТК 84,119,152,154,229, 237,307,308,364, 367,377,381,М7 С внешн. неч. ТАС 365,366,372,М8 А внутр. инт. ТАС, ИТИС, См. раздел 5.

ТР М9 А внутр. вер. ТАС, ИТИС 336,371,410,М10 А внутр. неч. ТАС 372,М11 А внешн. инт. ТАС, ИТИС, 195,336,ТР М12 А внешн. вер. ТАС, ТК 152,307,М13 А внешн. неч. ТАС 372,Таблица 2. Модели АС с неопределенностью моделей механизмов стимулирования как в детерминированных активных системах, так и в АС с различными типами и видами неопределенности.

После описания модели, то есть задания в соответствии с введенными выше параметрами модели и системой классификаций задач управления в АС класса исследуемых активных систем, определяется рациональное поведение АЭ: на основании известных предпочтений АЭ на множестве результатов деятельности (эти предпочтения зависят от используемого центром механизма управления) и имеющейся информации о неопределенных факторах (взаимосвязи между действиями АЭ и результатами его деятельности) определяются предпочтения АЭ на множестве его стратегий (действий и/или сообщаемых оценок). В случае интервальной неопределенности этот переход осуществляется с использованием принципа МГР, в случае вероятностной (нечеткой) неопределенности целевая функция АЭ на множестве результатов его деятельности совместно с распределением вероятностей (нечеткой информационной функцией) индуцирует на множестве допустимых стратегий целевую функцию - ожидаемую полезность (индуцированное нечеткое отношение предпочтения (НОП) и т.д.).

Множество выбора (решений игры) при заданном множестве стратегий и предпочтениях АЭ, выражаемых, например, его целевой функцией, НОП и т.д., определяется стандартным образом. В случае, если множество выбора состоит более, чем из одного элемента, необходимо доопределить однозначно (используя ГБ или МГР) выбор АЭ. Этот выбор будет зависеть от механизма управления, эффективность которого задается значением целевой функции центра на множестве выбора АЭ (если предпочтения центра зависят от неопределенных параметров, то необходимо найти его детерминированную индуцированную систему предпочтений).

Следует отметить, что структура предпочтений центра и АЭ (возможность ранжирования стратегий) в большинстве случаев позволяет определять выбор (недоминируемые стратегии) достаточно тривиально.

Имея критерий сравнения эффективностей различных систем стимулирования на их допустимом множестве, задача синтеза в АС с неопределенностью (и в детерминированных АС - см. выше) формулируется следующим образом: найти допустимую систему стимулирования, имеющую максимальную эффективность. Все трудности при решении этой задачи (поиска точки в области функционального пространства, максимизирующей заданный функционал, переменные которого в свою очередь сложным образом зависят от искомой функции) возникают потому, что она в общем случае не может быть сведена к какой-либо стандартной задаче оптимизации. В детерминированном случае свойства решения (которое является скачкообразной или компенсаторной системой стимулирования) дается теоремой Ю.Б. Гермейера [276]. В ряде АС с неопределенностью удается дискретные задачи стимулирования свести к тем или иным известным оптимизационным (см. обзоры [152, 153, 371]). Высокая вычислительная сложность алгоритмов численного решения дискетных задач и отсутствие возможности анализа зависимости оптимального решения от параметров модели, приводят к необходимости разработки методов получения именно аналитического решения. Поэтому основной акцент в ТАС делается именно на поиск аналитического решения задачи синтеза.

Лобовой поиск аналитического решения, как правило, не приводит к успеху - в большинстве случаев приходится "угадывать" решение, а затем доказывать его оптимальность, благо, что эвристические принципы угадывания, да и техника формального доказательства для различных моделей АС, имеют много общего.

Техника доказательства большинства результатов использует анализ множества реализуемых действий - тех действий АЭ, которые он выбирает (гарантированно или по ГБ) при заданной функции стимулирования. Критерий сравнения различных систем стимулирования по эффективности может быть сформулирован в терминах множеств реализуемых действий: чем "шире" множество действий, реализуемых системой стимулирования, тем в рамках ГБ выше ее эффективность (двойственным подходом является сравнение минимальных затрат на стимулирование по реализации фиксированного действия) [382].

Поэтому оптимальная система стимулирования (точнее - их класс) имеет максимальное множество реализуемых действий.

Следовательно, для того, чтобы доказать оптимальность некоторого класса систем стимулирования достаточно показать, что не существует другой допустимой системы стимулирования, имеющей большее множество реализуемых действий. Этот подход оказывается плодотворным не только при доказательстве оптимальности, но и при исследовании свойств решения, влияния неопределенности и т.д.

Более того, в рамках каждой из перечисленных выше базовых моделей М1-М13 возможны различные постановки задачи стимулирования - прямые и обратные, первого и второго рода, с различными представлениями целевых функций участников АС и т.д. В то же время, опыт их исследования свидетельствует, что достаточно исследовать полностью одну из них - решение остальных задач данного класса требует лишь незначительных модификаций.

В качестве иллюстрации использования единства предложенного подхода сформулируем общую для всех моделей АС с неопределенностью последовательность их исследования, включающую следующие этапы:

1. Описание модели: определение целевых функций и допустимых множеств, их свойств, а также порядка функционирования и информированности участников АС и т.д.

2. Определение рационального поведения АЭ в рамках рассматриваемой модели: задание процедуры (метода) устранения неопределенности и рационального выбора АЭ (определение множества решений игры - множества реализуемых действий).

3. Определение эффективности механизма стимулирования и формулировка, собственно, задачи синтеза оптимального механизма стимулирования.

4. Решение задачи синтеза: поиск аналитического решения и/или разработка алгоритмов численного решения задачи и исследование их свойств: сходимости, сложности и т.д.

5. Нахождение необходимых и достаточных условий оптимальности.

6. Анализ оптимального решения:

а) свойства оптимального решения и множества реализуемых действий, содержательные интерпретации;

б) влияние неопределенности на эффективность и свойства оптимального механизма стимулирования;

в) влияние параметров модели и определения рационального поведения на эффективность и свойства оптимального механизма стимулирования, в том числе - анализ устойчивости оптимального решения.

7. Исследование частных случаев (при усилении предположений и допущений о параметрах и свойствах модели АС) и возможностей обобщения (соответственно, при ослаблении).

8. Исследование устойчивости решений и адекватности модели моделируемой системе.

9. Внедрение модели: корректировка, разработка рекомендаций по практическому использованию, создание вычислительных средств, автоматизированных систем поддержки принятия решений и имитационных моделей.

Итак, этапы 1-3 включают описание АС и постановку задачи, этапы 4-5 соответствуют аналитическому и/или численному решению задачи, этапы 6-8 - исследованию модели и свойств оптимального решения, этап 9 - внедрению и практическому использованию результатов исследования.

Обнадеживающим представляется тот факт, что оптимальными в базовых моделях оказываются достаточно "простые" системы стимулирования11. Так, результаты теоретического исследования подтверждают высокую эффективность следующих широко распространенных на практике систем стимулирования (см. их подробное описание в четвертом разделе): - скачкообразных (Стипа), компенсаторных (К-типа) и пропорциональных (L-типа) [299, 363, 382]. Отдельно следует отметить, что ни в одной из базовых моделей пропорциональные системы стимулирования (L-типа) не доминируют скачкообразные и компенсаторные.

Таблица 3 содержит сводку результатов теоретического исследования задач стимулирования в АС с неопределенностью (см.

подробное описание, а также вводимые предположения в [382]): для базовых моделей М1-М13 (за исключением М3 и М9, которые на сегодняшний день недостаточно полно исследованы, быть может - в силу затруднений в их содержательных интерпретациях) указаны оптимальные системы стимулирования ((ОСС) - "и" означает одновременно, "или" означает - в зависимости от вводимых предположений), соотношение между эффективностями K и гарантированными эффективностями Kg стимулирования в АС с неопределенностью и соответствующих детерминированных АС (Kи Kg0), изменение эффективности (гарантированной эффективности) с ростом неопределенности ("" - возрастает, " " - убывает, " " может как возрастать, так и убывать).

Отдельного обсуждения заслуживает влияние неопределенности на эффективность управления АС, так как возможность использования единого подхода к анализу базовых моделей механизмов управления (стимулирования) в АС с различными типами и видами неопределенности позволяет сделать ряд общих выводов о роли неопределенности в управлении АС. В детерминированной активной системе оптимальным оказывается целое множество систем стимулирования - от наиболее "жестких" – Например, хрестоматийной моделью вероятностной АС, в которой легко удается получить аналитическое решение задачи управления, стала модель простого активного элемента [84,99,110,174,237].

№ ОСС K/K0 Kg/Kg0 KKg М1 С и К 1 М2 С и К 1 М4 С или К М5 К 1 М6 С или К 1 М7 С или К 1 М8 С М10 С и К 1 М11 С и К 1 М12 С или К М13 С 1 Таблица 3. Результаты исследования задач стимулирования в АС с неопределенностью скачкообразных до наиболее слабых - компенсаторных. Все задачи стимулирования в АС с неопределенностью, рассматриваемые в ТАС, удовлетворяют принципу соответствия: при предельном переходе ("стремлении" неопределенности к "нулю") они переходят в детерминированные АС, а их оптимальные решения - в оптимальные решения соответствующих детерминированных задач стимулирования. Причем в большинстве случаев оптимальными оказываются "граничные" системы стимулирования - С-типа или Ктипа. Таким образом, множество оптимальных систем стимулирования в АС с неопределенностью является подмножеством (иногда собственным) систем стимулирования, оптимальных в соответствующих детерминированных активных системах.

Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 16 |



© 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.