Привет, сегодня поговорим про применение гибридных систем вычислительного интеллекта для выбора рационального варианта управленческого решения, обещаю рассказать все что знаю. Для того чтобы лучше понимать что такое применение гибридных систем вычислительного интеллекта для выбора рационального варианта управленческого решения , настоятельно рекомендую прочитать все из категории Вычислительный интеллект.

применение гибридных систем вычислительного интеллекта для выбора рационального варианта управленческого решения

СИСТЕМНЫЕ исследования в различных областях человеческой деятельности начали интенсивно развиваться в середине прошлого столетия, когда на базе теорий эффективности, игр, массового обслуживания и других теорий появилась синтетическая научная дисциплина - исследование операций. В результате этих исследований возникла теория систем, составной частью которой является теория принятия решений. С ее помощью достигнуты большие успехи, однако до сих пор решающее значение в исследовании и управлении сложными системами имеют традиционные приемы анализа, использующие опыт, интуицию и способности должностных лиц органов управления (ДЛ ОУ) к ассоциациям, т. е. то, что чрезвычайно плохо поддается описанию с помощью формальных математических методов.

В настоящее время теория принятия решений широко использует критериальный и ситуационный методы. При этом отличие ситуационного метода от критериального в том, что он устанавливает не факт неэквивалентности альтернатив, а факт эквивалентности текущей ситуации одной из ситуаций, занесенных в каталог.

Актуальность и широкое применение в настоящее время ситуационного метода вызвано следующими обстоятельствами:

в сложных системах и процедурах адекватное математическое описание процесса принятия решения либо отсутствует, либо громоздко;

алгоритмы принятия решения разрабатываются, в основном, для оперативного применения (работы в режиме реального времени), поэтому применение точных методов оптимизации, присущих критериальному подходу, вследствие их трудоемкости исключаются;

в ряде сложных практических задач решение вырабатывается в результате ряда последовательных итераций, поэтому при их реализации необходимо учитывать качественную информацию, исходящую от экспертов и представленную, в большинстве случаев, неформально.

Создание методов принятия решения трудноформализуемых задач (т.е. в задач которые не могут быть заданы в численной форме, цели которых не могут быть выражены в терминах точно определенной целевой функции, алгоритмического решения которых либо не существует, либо его нельзя применять в силу ограниченности вычислительных ресурсов), может быть обеспечено путем совершенствования инструментария ситуационного выбора, ориентированного на широкое применение эвристических методов. Эти методы должны хорошо вписываться в современную теорию принятия решений, непрерывно видоизменяясь под влиянием ее инструментария. В настоящее время совокупность таких эвристик, применительно к задаче выбора варианта решения, объединяется под общим названием - искусственный интеллект.

Анализ современного состояния теории принятия решений позволяет сделать следующие выводы:

Первый. Нельзя переоценивать значение математических методов и считать, что формальные методы математики являются универсальным средством решения задач в сфере управления военной, производственной, экономической и других видов деятельности.

Второй. Методы, основанные на результатах опыта и интуиции, будут актуальны еще продолжительное время.

Третий. Рассуждения правдоподобного характера (с позиции «здравого смысла») помогают сформировать математические модели, в основе которых лежит накопленный опыт разработки различных моделей. С формальной точки зрения эти математические модели можно рассматривать как некоторую систему аксиом. Другими словами, эти модели обладают совокупностью знаний, которые определяют взаимосвязь между различными наблюдениями явлений в соответствии с фундаментальной теорией, но не следующих непосредственно из нее. В последнее время такой подход становится общепринятым при проведении различных системных исследований в военной, экономической, социальной и других предметных областях.

Четвертый. Военные, экономические и социальные системы являются управляемыми, поэтому для них должна формироваться цель управления, что с очевидностью приводит к понятию программы, находящейся вне модели, процедуру формирования которой невозможно полностью формализовать. Кроме того, элементы эвристики присутствует и в понятии критерия качества (эффективности), которое позволяет выбрать рациональное решение из числа допустимых. Следовательно, эвристические процедуры и методы в системных исследованиях и в конкретных задачах имеют и будут иметь большое значение.

Пятый. Эвристические процедуры и методы, без которых нельзя представить себе функционирование сложных систем управления - это способы принятия решения, использующие накопленный и обобщенный опыт.

Шестой. Нельзя противопоставлять неформальные и строгие математические методы анализа, так как решение должно приниматься на основе сочетания обоих способов мышления.

Кроме того, необходимо учитывать и то, что каждая СВУ обладает следующими особенностями: нестационарностью (изменчивостью) отдельных параметров системы и стохастичностью своего поведения в целом; уникальностью и непредсказуемостью поведения системы в конкретных условиях; формированием различных вариантов поведения, что обусловлено наличием в системе активных элементов - людей; способностью саморегулироваться и адаптироваться к изменяющимся условиям; способностью и стремлением к целеобразованию (так как в системах с активными элементами цели формируются внутри самой системы).

Долгое время учет приведенных особенностей пытались описать с помощью классических систем искусственного интеллекта, т.е. Об этом говорит сайт https://intellect.icu . систем, основанных на символьных вычислениях и других формальных методах. Однако довольно скоро выяснилось, что с помощью символьной обработки информации, в большинстве случаев не удается решить прикладные задачи систем поддержки принятия решений (в первую очередь военного назначения), если для них невозможно получить всю необходимую информацию.

Как показали исследования, проведенные 1980 - 90-х годах, выходом в сложившейся ситуации является использование систем на основе вычислительного интеллекта (в зарубежной литературе - «мягкие вычисления» (Soft Computing)).

Под вычислительным интеллектом (ВИ) понимается научное направление, где решаются задачи искусственного интеллекта на основе новых нетрадиционных методов вычислений, а под технологией ВИ понимают совокупность новых методов и средств обработки знаний, документооборота, методов выработки и выбора альтернативных вариантов решений, объединенных в целостную технологическую систему для принятия и доведения решений до исполнителей. Эта совокупность предполагает, как правило, наличие развитого человеко-машинного интерфейса, системы (или элементов) ВИ и возможность использования электронных карт местности.

В настоящее время считают, что ВИ включает в себя следующие основные методы:

нейросетевые - использующие обучение, адаптацию, классификацию, системное моделирование и идентификацию систем на основе исходных данных;

нечеткой логики - основанные на теории нечетких множеств и обеспечивающей эффективные средства математического отражения неопределенности и нечеткости исходной информации, позволяющие построить модель, адекватную исследуемой предметной области;

генетические - использующие синтез, настройку и оптимизацию исследуемых систем с помощью специальным образом организованного случайного поиска и эволюционного моделирования.

Эти методы являются основными в ВИ, однако, необходимо заметить, что число новых методов примкнувших к ним в последнее время постоянно расширяется, не являясь строго определенным. Ниже перечислены наиболее значимые из них:

когнитивная компьютерная графика - методы визуализации данных, позволяющие активировать наглядно-образные механизмы мышления ЛПР, облегчающие принятие решения в сложной обстановке или нахождение решения сложной проблемы;

фрактальная геометрия; теория хаоса; нелинейная динамика.

На сегодняшний день существует достаточно большое количество разнообразных классификаций современных информационных технологий учитывающих парадигмы рассматриваемых предметных областей. Применительно к области военного управления можно предложить классификацию, приведенную на рисунке.

Основными характеристиками интеллектуальных систем (ИС) на базе ВИ, определяющими их применение в области военного управления, являются следующие:

способность к обучению и самообучению, т. е. способностью ИС на базе ВИ после предъявления входной информации самонастраиваться, обеспечивая получение выходной информации с требуемой точностью, в отличие от систем, основанных на символьных вычислениях не способных к самообучению в принципе;

способность к адаптации, т. е. быстро изменять свои параметры в соответствии с изменяющейся обстановкой;

«прозрачность» объяснения, т. е. представлять извлеченные из данных знания в понятном эксперту или ЛПР виде;

способность открывать новое, т. е. выявлять ранее неизвестные, скрытые связи и отношения в больших массивах числовой, текстовой и визуальной информации, прогнозировать появление новых процессов и тенденций;

Классификация современных информационных технологий

нелинейность, т. е. аппроксимировать сколь угодно сложные нелинейные функции с любой, заранее заданной точностью;

универсальность, т. е. решать широкий круг задач и быть свободной от каких-либо предположений относительно источника данных;

параллелизм, т. е способность парраллельной обработки информации;

устойчивость, т. е. способность продолжать выполнение задачи, сохраняя заданное качество решений, в условиях, когда повреждена часть ее структуры;

креативность, т. е. способность порождать новые (не встречающиеся при обучении) варианты решения задачи.

Перечисленные характеристики в разной степени присущи каждой из ИС использующей конкретный метод ВИ, в связи с чем, все они имеют сильные и слабые стороны, позволяющие создавать из них гибридные интеллектуальные системы, соединяющие положительные свойства как отдельных ИС на базе ВИ, так и существующих классических методов. При этом составные части такой гибридной системы не конкурируют друг с другом а создают синергетический эффект взаимного усиления своих достоинств и ослабления недостатков. Так, например, представление знаний в нейронных сетях (НС) в виде матриц весов не позволяет провести анализ полученных результатов, в то время как в системах вывода на базе нечетких правил, результаты интерпретируются как обратные протоколы вывода. НС обучаются с помощью универсального алгоритма, в котором трудоемкое извлечение знаний заменяется подготовкой достаточной по объему обучающей выборки. Для нечетких систем вывода извлечение знаний включает в себя сложные процессы формализации понятий, определение функций принадлежности и формирования правил вывода. В то же время нечеткие НС обучаются как обычные НС, а их результаты объясняются как в системах нечеткого вывода.

Ядром гибридной ИС на базе ВИ, по результатам проведенных в России и за рубежом исследований, вероятнее всего, будет являться НС, опережающая другие системы ВИ по таким параметрам, как способность к обучению, обобщению и адаптации. Исходя из этого, для решения задач классификации и кластеризации, многомерной оптимизации, визуализации, понижения размерности, принятия решения на основе неполных и неточных данных и т.д., в случае необходимости, можно использовать интегрированные с НС экспертные и нечеткие системы, генетические алгоритмы, когнитивную компьютерную графику, фракталы, теорию хаоса, нелинейную динамику и т.д. Кроме того, возможно использование такой гибридной И С на базе ВИ для замены сложных расчетных методик (не работающих как в режиме реального времени, так и с неполными и неточными данными), путем обучения ее на уже имеющихся результатах; построения моделей различных предметных областей, на основе накопленных массивов экспериментальных данных, без их аналитического описания; решения различных трудно и неформализуемых задач.

Необходимо отметить, что под гибридизацией ИС в настоящее время понимается интеграция методов и технологий на таком уровне, который предполагает создание новых методов, использующих понятия объединяемых базовых методов. При этом компоненты гибридной ИС должны обеспечивать такие ее свойства, как управление неопределенностью, обучаемость и самоадаптацию.

Пример построения и использования простейшей гибридной ИС на основе нейронной сети Хэмминга и алгоритма анаморфирования (преобразование, трансформирующее визуальный образ, построенный в евклидовой метрике, в визуальный образ, построенный на основе выбранного показателя анаморфирования), относящемуся к методам когнитивной компьютерной графики, можно рассмотреть на примере создания системы инженерных заграждений (СИЗ) в оборонительной операции (ОО).

Хорошо известно, что принятие решения на создание СИЗ в ОО состоит не только из чрезвычайно сложного и трудоемкого этапа предварительного формирования вариантов решения (исходного множества альтернатив) экспертами и/или ЛПР, но и не менее трудоемкого и ответственного этапа - этапа выбора наиболее похожего варианта решения из исходного множества альтернатив с учетом поставленной задачи, сложившейся обстановки, имеющихся сил и средств. Это требует постоянного поиска новых методов и технологий, разрешающих, в общем случае, противоречие между увеличением информационной трудоемкости подготовки и выбора варианта решения и выделяемым для этого временем.

Выбор варианта решения на создание СИЗ в ОО всегда связан с необходимостью получения и анализа обширной и специфической информации. В основном это сведения о характеристиках местности в пределах полосы боевых действий и объектах, расположенных на ней, результаты оценки проходимости, защитных свойств местности, анализа дорожной сети и т. п. Причем на уровне Начальника инженерных войск (НИВ) может использоваться обобщенная, усредненная (с учетом возможного разброса) информация, что обеспечивает оперативность принятия решения при сохранении его заданной достоверности.

В качестве одного из источника исходных данных в рассматриваемой задаче используются топографические карты, несущие ограниченную информацию, различные электронные карты местности (ЭКМ), а дополнительную информацию об отдельных участках местности получают в ходе воздушной или наземной разведки.

Принцип работы предлагаемой гибридной системы состоит в следующем.

Первое. Нейронная сеть выбирает из библиотеки заранее созданных визуальных образов (оформленных на электронной карте местности (ЭКМ) графических частей решения, с рассчитанной для каждого варианта пояснительной запиской) принятия решения на создание СИЗ в 00 одного варианта решения, наиболее соответствующего реально сложившейся обстановке. Выбор НС Хэмминга обуславливается тем, что эта многослойная сеть ассоциативной памяти с отрицательными фиксированными связями между отдельными слоями характеризуется меньшим количеством производимых вычислений и объемом используемой оперативной памяти компьютера в задачах классификации визуальных образов. Смысл ее работы состоит в нахождении библиотечного визуального образа с минимальным расстоянием Хэмминга (числом отличающихся значений в двух бинарных векторах) до поданного на вход варианта решения на создание СИЗ в соответствии со сложившейся обстановкой, с активизацией только одного выхода сети, наиболее соответствующего этому образу.

Второе. Для устойчивой работы НС библиотечные визуальные образы принятия решения на создание СИЗ в 00 и входной визуальный образ, отражающий сложившуюся обстановку, преобразовывается при помощи алгоритма анаморфирования, причем за показатель анаморфирования принимается время задержки на элементах СИЗ. Неустойчивость работы НС, в общем случае, может быть вызвана тем обстоятельством, что различные библиотечные варианты решения, состоящие из площадных фигур - элементов СИЗ, могут иметь одинаковое или близкое расположение составляющих элементов с разным значением времени задержки на каждом из них. НС не сможет классифицировать входной визуальный образ, если мера подобия между ним и библиотечными визуальными образами будет одинаковой или достаточно малой, поэтому будет вынуждена принимать решение на основе случайного выбора между ними. В результате анаморфирования геометрическая форма всех элементов всех визуальных образов будет изменяться, а их показатели анаморфирования становиться равными. Это преобразование обеспечит отличие всех библиотечных визуальных образов друг от друга и как следствие - устойчивую работу НС, возможность проведения анализа свойств элементов СИЗ в пространстве выбранного показателя анаморфирования (в частности, задержки на элементах СИЗ), разработку сценариев развития боевых действий и соответствующую каждому из них эволюцию СИЗ.

В результате подачи на вход описанной гибридной системы варианта решения, выработанного ДЛ ОУ и соответствующий реально сложившейся обстановке, на выходе системы будет представлен один из библиотечных вариантов решения, максимально похожий на входной вариант решения и соответствующая ему пояснительная записка с расчетами СИЗ. Также на ЭКМ будут показаны отличия выбранного нейронной сетью библиотечного варианта решения на создание СИЗ в 00 от входного, выработанного ДЛ ОУ.

После оценки полученного варианта решения и его уточнения, он представляется в качестве предложений должностному лицу (НИВ), принимающему решение на создание СИЗ. Если позволяет обстановка и бюджет времени, то уточняемый вариант может многократно подаваться на вход гибридной системы до получения рационального варианта решения на создание СИЗ в 00.

Предложенная гибридная система позволяет на порядок сократить время принятия решения ДЛ ОУ, использовать накопленный опыт и неформальные знания, учитывать интуицию экспертов при составлении библиотеки вариантов решений. Однако необходимо принимать во внимание и тот факт, что работа по составлению такой библиотеки является достаточно сложной задачей, требующей проведения дополнительных исследований и должна осуществляться в ходе заблаговременного планирования оборонительной операции.

Захаров И.Г. Обоснование выбора. Теория практики. - СПб.: Судостроение, 2006. 232 С.

Разумов О.С, Благодатских В.А. Системные знания: концепция, методология, практика. - М.: Финансы и статистика, 2006. 400 С.

Фролов Ю. В. Интеллектуальные системы и управленческие решения. -М.: МШУ, 2000. 294 С. Балыбердин Б. А., Пенкин О.М., Полунин А, И. Проблемные вопросы создания и внедрения новых информационных технологий в автоматизированных системах военного назначения. -М.: Вооружение. Политика. Конверсия, 2001. 146 С.

Тарков М. С. Нейрокомпьютерные системы: Учебное пособие - М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний. 2006. 140 С.

Галушкин А.И., Иванов В.В., и др. Некоторые концептуальные вопросы развития нейрокомпьютеров - Зарубежная радиоэлектроника, №2, 1997. С. 3 - 10.

Хайкин С. Нейронные сети: полный курс. 2-е изд. Пер. с англ. М.: Издательский дом «Вильяме», 2006. 1104 С.

К сожалению, в одной статье не просто дать все знания про применение гибридных систем вычислительного интеллекта для выбора рационального варианта управленческого решения. Но я - старался. Если ты проявишь интерес к раскрытию подробностей,я обязательно напишу продолжение! Надеюсь, что теперь ты понял что такое применение гибридных систем вычислительного интеллекта для выбора рационального варианта управленческого решения и для чего все это нужно, а если не понял, или есть замечания, то не стесняйся, пиши или спрашивай в комментариях, с удовольствием отвечу. Для того чтобы глубже понять настоятельно рекомендую изучить всю информацию из категории Вычислительный интеллект

Ответы на вопросы для самопроверки пишите в комментариях, мы проверим, или же задавайте свой вопрос по данной теме.