«Л.А. ТРОФИМОВА, В.В. ТРОФИМОВ УПРАВЛЕНЧЕСКИЕ РЕШЕНИЯ (МЕТОДЫ ПРИНЯТИЯ И РЕАЛИЗАЦИИ) ИЗДАТЕЛЬСТВО САНКТ-ПЕТЕРБУРГСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА ЭКОНОМИКИ И ФИНАНСОВ 2011 2 ББК 65.290-2 Т 76 Трофимова Л.А. Т 76 ...»

Имитация, как метод решения нетривиальных задач, получила начальное развитие в связи с созданием ЭВМ в 1950–1960-х годах.

Можно выделить две разновидности имитации:

Метод Монте-Карло (метод статистических испытаний).

Метод имитационного моделирования (статистическое моделирование).

Виды имитационного моделирования. Агентное моделирование – относительно новое (1990–2000-е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот. Когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей – получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении ее отдельных активных объектов и взаимодействии этих объектов в системе. Агент – некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.

Дискретно-событийное моделирование – подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретнособытийное моделирование наиболее развито и имеет огромную сферу приложений – от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов. Основан Джеффри Гордоном в 1960х годах.

Системная динамика – парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии.

Метод основан Форрестером в 1950-х годах.

Популярные системы имитационного моделирования: AnyLogic; Arena;

eM-Plant; Powersim; GPSS.

Генетические алгоритмы (genetic algorithm). Генетический алгоритм (англ. genetic algorithm) – это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путем последовательного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Является разновидностью эволюционных вычислений (англ. evolutionary computation). Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.

«Отцом-основателем» генетических алгоритмов считается Джон Холланд (англ.

John Holland), книга которого «Адаптация в естественных и искусственных системах» (англ. Adaptation in Natural and Artificial Systems) является основополагающим трудом в этой области исследований.

Описание алгоритма. Задача кодируется таким образом, чтобы её решение могло быть представлено в виде вектора («хромосома»). Случайным образом создаётся некоторое количество начальных векторов («начальная популяция»). Они оцениваются с использованием «функции приспособленности», в результате чего каждому вектору присваивается определённое значение («приспособленность»), которое определяет вероятность выживания организма, представленного данным вектором. После этого с использованием полученных значений приспособленности выбираются вектора (селекция), допущенные к «скрещиванию». К этим векторам применяются «генетические операторы» (в большинстве случаев «скрещивание» – crossover и «мутация» – mutation), создавая таким образом следующее «поколение». Особи следующего поколения также оцениваются, затем производится селекция, применяются генетические операторы и т.д. Так моделируется «эволюционный процесс», продолжающийся несколько жизненных циклов (поколений), пока не будет выполнен критерий остановки алгоритма. Таким критерием может быть:

нахождение глобального, либо субоптимального решения;

исчерпание числа поколений, отпущенных на эволюцию;

исчерпание времени, отпущенного на эволюцию.

Генетические алгоритмы служат, главным образом, для поиска решений в очень больших, сложных пространствах поиска.

Таким образом, можно выделить следующие этапы генетического алгоритма:

1. Создание начальной популяции.

2. Определение (задание) функций приспособленности для особей популяции (оценивание).

Начало цикла:

1. Выбор индивидов из текущей популяции (селекция).

2. Скрещивание и/или мутация.

3. Вычисление функций приспособленности для всех особей.

4. Формирование нового поколения.

5. Если выполняются условия останова, то (конец цикла), иначе (начало цикла).

Создание начальной популяции. Перед первым шагом нужно случайным образом создать некую начальную популяцию; даже если она окажется совершенно неконкурентоспособной, генетический алгоритм все равно достаточно быстро переведет ее в жизнеспособную популяцию. Таким образом, на первом шаге можно особенно не стараться сделать слишком уж приспособленных особей, достаточно, чтобы они соответствовали формату особей популяции, и на них можно было подсчитать функцию приспособленности (Fitness). Итогом первого шага является популяция H, состоящая из N особей.

Отбор. На этапе отбора нужно из всей популяции выбрать определенную ее долю, которая останется «в живых» на этом этапе эволюции. Есть разные способы проводить отбор. Вероятность выживания особи h должна зависеть от значения функции приспособленности Fitness(h). Сама доля выживших s обычно является параметром генетического алгоритма, и ее просто задают заранее.

По итогам отбора из N особей популяции H должны остаться sN особей, которые войдут в итоговую популяцию H'. Остальные особи погибают.

Размножение. Размножение в генетических алгоритмах обычно половое – чтобы произвести потомка, нужны несколько родителей; обычно, конечно, нужны ровно два. Размножение в разных алгоритмах определяется по-разному – оно, конечно, зависит от представления данных. Главное требование к размножению – чтобы потомок или потомки имели возможность унаследовать черты обоих родителей, «смешав» их каким-либо достаточно разумным способом.

Вообще говоря, для того чтобы провести операцию размножения, нужно выбрать (1-s)p/2 пар гипотез из H и провести с ними размножение, получив по два потомка от каждой пары (если размножение определено так, чтобы давать одного потомка, нужно выбрать (1 – s)p пар), и добавить этих потомков в H'. В результате H' будет состоять из N особей. Почему особи для размножения обычно выбираются из всей популяции H, а не из выживших на первом шаге элементов H0 (хотя последний вариант тоже имеет право на существование)? Дело в том, что главный бич многих генетических алгоритмов – недостаток разнообразия (diversity) в особях. Достаточно быстро выделяется один-единственный генотип, который представляет собой локальный максимум, а затем все элементы популяции проигрывают ему отбор, и вся популяция «забивается» копиями этой особи. Есть разные способы борьбы с таким нежелательным эффектом;

один из них – выбор для размножения не самых приспособленных, но вообще всех особей.

Мутации. К мутациям относится все то же самое, что и к размножению:

есть некоторая доля мутантов m, являющаяся параметром генетического алгоритма, и на шаге мутаций нужно выбрать mN особей, а затем изменить их в соответствии с заранее определенными операциями мутации.

Искусственные нейронные сети (ИНС) – математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы.

Первой такой моделью мозга был перцептрон. Впоследствии эти модели стали использовать в практических целях, как правило, в задачах прогнозирования.

С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т.п. С математической точки зрения обучение нейронных сетей, это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть – способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.

Задача принятия решений и управление близка к задаче классификации.

Классификации подлежат ситуации, характеристики которых поступают на вход нейронной сети. На выходе сети при этом должен появится признак решения, которое она приняла. При этом в качестве входных сигналов используются различные критерии описания состояния управляемой системы.

Сами ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения – одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.

Этапы решения задач:

1) сбор данных для обучения;

2) подготовка и нормализация данных;

3) выбор топологии сети;

4) экспериментальный подбор характеристик сети;

5) экспериментальный подбор параметров обучения;

6) собственно обучение;

7) проверка адекватности обучения;

8) корректировка параметров, окончательное обучение;

9) вербализация сети с целью дальнейшего использования.

Следует рассмотреть подробнее некоторые из этих этапов.

Классификация ИНС. Классификация по типу входной информации: аналоговые нейронные сети (используют информацию в форме действительных чисел); двоичные нейронные сети (оперируют с информацией, представленной в двоичном виде).

Классификация по характеру обучения: обучение с учителем – выходное пространство решений нейронной сети известно; обучение без учителя – нейронная сеть формирует выходное пространство решений только на основе входных воздействий (такие сети называют самоорганизующимися); обучение с подкреплением – система назначения штрафов и поощрений от среды.

Классификация по характеру настройки синапсов: сети с фиксированными связями (весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи, при этом:, где W – весовые коэффициенты сети); сети с динамическими связями (для них в процессе обучения происходит настройка синаптических связей, то есть, где W – весовые коэффициенты сети).

Классификация по времени передачи сигнала. В ряде нейронных сетей активирующая функция может зависеть не только от весовых коэффициентов связей wij, но и от времени передачи импульса (сигнала) по каналам связи ij. По этому в общем виде активирующая (передающая) функция связи cij от элемента называют такую сеть, у которой время передачи ij каждой связи равна либо нулю, либо фиксированной постоянной. Асинхронной называют такую сеть, у которой время передачи ij для каждой связи между элементами u i и uj свое, но тоже постоянное.

Классификация по характеру связей:

1. Сети прямого распространения (Feedforward).

Все связи направлены строго от входных нейронов к выходным (примерами таких сетей являются перцептрон Розенблатта, многослойный перцептрон, сети Ворда).

2. Рекуррентные нейронные се.

Сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя (обратная связь). Рекуррентная сеть сеть Хопфилда «фильтрует» входные данные, возвращаясь к устойчивому состоянию и, таким образом, позволяет решать задачи компрессии данных и построения ассоциативной памяти. Частным случаем рекуррентных сетей является двунаправленные сети. В таких сетях между слоями существуют связи как в направлении от входного слоя к выходному, так и в обратном.

Классическим примером является Нейронная сеть Коско.

3. Радиально-базисные функции.

Искусственные нейронные сети использующие в качестве активационных функций радиально-базисные (такие сети сокращенно называются RBFсетями). Общий вид радиально-базисной функции:

где x – вектор входных сигналов нейрона, – ширина окна функции, (y) – убывающая функция (чаще всего, равная нулю вне некоторого отрезка).

Радиально-базисная сеть характеризуется тремя особенностями: 1. Единственный скрытый слой; 2. Только нейроны скрытого слоя имеют нелинейную активационную функцию; 3. Синаптические веса связей входного и скрытого слоев равны единице.

4. Самоорганизующиеся карты.

Такие сети представляют собой, соревновательную нейронную сеть с обучением без учителя, выполняющую задачу визуализации и кластеризации.

Эти сети являются методом проецирования многомерного пространства в пространство с более низкой размерностью (чаще всего, двумерное), применяются также для решения задач моделирования, прогнозирования и др. Они являются одной из версий нейронных сетей Кохонена. Самоорганизующиеся карты Кохонена служат, в первую очередь, для визуализации и первоначального («разведывательного») анализа данных. Сигнал в сеть Кохонена поступает сразу на все нейроны, веса соответствующих синапсов интерпретируются как координаты положения узла, и выходной сигнал формируется по принципу «победитель забирает все» – то есть ненулевой выходной сигнал имеет нейрон, ближайший (в смысле весов синапсов) к подаваемому на вход объекту. В процессе обучения веса синапсов настраиваются таким образом, чтобы узлы решетки «располагались» в местах локальных сгущений данных, то есть описывали кластерную структуру облака данных, с другой стороны, связи между нейронами соответствуют отношениям соседства между соответствующими кластерами в пространстве признаков.

Удобно рассматривать такие карты как двумерные сетки узлов, размещенных в многомерном пространстве. Изначально самоорганизующаяся карта представляет из себя сетку из узлов, соединенный между собой связями. Кохонен рассматривал два варианта соединения узлов – в прямоугольную и гексагональную сетку – отличие состоит в том, что в прямоугольной сетке каждый узел соединен с 4 соседними, а в гексагональной – с 6 ближайшими узлами. Для двух таких сеток процесс построения сети Кохонена отличается лишь в том месте, где перебираются ближайшие к данному узлу соседи.

Известные типы сетей: Персептрон Розенблатта; Многослойный перцептрон; Сеть Джордана; Сеть Элмана; Сеть Хэмминга; Сеть Ворда; Сеть Хопфилда; Сеть Кохонена; Когнитрон; Неокогнитрон; Хаотическая нейронная сеть;

Осцилляторная нейронная сеть; Сеть встречного распространения; Сеть радиальных базисных функций (RBF-сеть); Сеть обобщенной регрессии; Вероятностная сеть; Сиамская нейронная сеть; Сети адаптивного резонанса.

Методы искусственного интеллекта (Artificial intelligence). Искусственный интеллект (ИИ) (англ. Artificial intelligence, AI) – это наука о создании интеллектуальных машин и систем, особенно интеллектуальных компьютерных программ, направленная на то, чтобы понять человеческий интеллект.

При этом применяемые методы не обязательно должны быть биологически правдоподобны. Проблема состоит в том, что неизвестно какие вычислительные процедуры мы хотим называть интеллектуальными. А так как мы понимаем только некоторые механизмы интеллекта, то под интеллектом в пределах этой науки мы понимаем только вычислительную часть способности достигнуть цели в мире.

Различные виды и степени интеллекта существуют у многих людей, животных и некоторых машин, интеллектуальных информационных систем и различных моделях экспертных систем с различными базами знаний. При этом как видим такое определение интеллекта не связанно с пониманием интеллекта у человека – это разные вещи. Более того, эта наука моделирует человеческий интеллект, так как с одной стороны, можно изучить кое-что о том, как заставить машины решить проблемы, наблюдая других людей, а с другой стороны, большинство работ в ИИ вовлекают изучение проблем, которые требуется решать человечеству в промышленном и технологическом смысле. Поэтому исследователи ИИ свободны использовать методы, которые не наблюдаются у людей, если это необходимо для решения конкретных проблем.

Именно в таком смысле термин ввел Джон Маккарти в 1956 году на конференции в Дартмутском университете, и до сих пор, несмотря на критику тех, кто считает, что интеллект – это только биологический феномен, в научной среде термин сохранил свой первоначальный смысл, несмотря на явные противоречия с точки зрения человеческого интеллекта.

В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла – Саймона. Поэтому, несмотря на наличие множества подходов, как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем можно выделить два основных подхода к разработке ИИ:

нисходящий, семиотический – создание экспертных систем, баз знаний и систем логического вывода, имитирующие высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, восходящий, биологический – изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе более мелких «неинтеллектуальных» элементов.

Причем последний подход, как правило, является критикой первого подхода, а сам скорее не относится к науке о ИИ в смысле данном Джоном Маккарти – их объединяет только общая конечная цель.

Подходы к определению искусственного интеллекта. Единого ответа на вопрос чем занимается искусственный интеллект, не существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки. Обычно эти определения сводятся к следующим: тест Тьюринга; когнитивное моделирование; логический подход; агентно-ориентированный подход.

Кроме перечисленных существуют еще интуитивные подходы:

Самый общий подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём, в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт Писатели-фантасты часто предлагают ещё один подход: ИИ возникнет тогда, когда машина будет способна чувствовать и творить.

Так, хозяин Эндрю Мартина из «Двухсотлетнего человека» начинает относиться к нему как к человеку, когда тот создаёт игрушку по собственному проекту. А Дейта из Звёздного пути, будучи способным к коммуникации и научению, мечтает обрести эмоции и интуицию.

Если в основе работы СППР лежат методы искусственного интеллекта, то говорят об интеллектуальной СППР, или ИСППР.

Проблемы, решаемые с помощью методов ИИ:

1. Информационное обеспечение технологии смысловой обработки данных. Включает разработку компонент: информационного обеспечения сетевого взаимодействия; хранения и использования баз данных и знаний; интерпретации семантики текстов сообщений и документов; содержательного поиска текстовых документов и сообщений по запросам на естественном языке; осмысленного сетевого обмена.

2. Коннект-анализ потоков электронных сообщений корпоративных пользователей. Включает средства: быстрого составления картины связей между участниками обмена электронными сообщениями; выявления взаимосвязи между деятельностью субъектов электронных сообщений и конкретными ситуациями (экономическими, политическими, социальными, технологическими);

распознавания устойчивых системно-организованных структур и деловых созвездий и оценивания роли отдельных субъектов в их деятельности.

3. Взаимодействие «человек-машина» на естественном языке. Включает:

построение концептуальных моделей понятийной области пользователя, с применением семантических сетей и методов онтологий; создание интерфейса и интерактивной технологии взаимодействия экспертов и топ-менеджеров.

4. Контент-анализ предметной области. Включает применение инструментария онтологий и семантических сетей, обеспечивающих: формальное и концептуальное описание терминов предметной области и отношений между ними; построение онтологий в сетевых структурах; определение общего и персонального словарей участников информационного обмена; совместное использование людьми и программными интеллектуальными агентами общего понимания структуры информации; повторное использование знаний в предметной области; автоматизированный анализ знаний в предметной области.

5. Представление и управление знаниями. Включает: возможность ИС аккумулировать в логическом виде знания экспертов в различных предметных областях; автоматизированное извлечение знаний из нормативных документов, учебников, справочников, отчетов исследований; автоматизированный синтез советов; выполнение классификации; представление знаний в логической форме для автоматической обработки; объяснение пользователю решения задачи.

7.3. Управление на базе ситуационных центров Чтобы дать определение «ситуационный центр», необходимо предварительно разобраться с понятием ситуация. Само это слово используется повседневно в самых разных смыслах, порой неотделимых от таких понятий, как состояние, событие, процесс, положение и т.д.

Ситуация – совокупность обстоятельств, положение, обстановка24.

Ситуация – одноактность и неповторимость наступления множества событий, стечения всех жизненных обстоятельств и положений, открывающихся восприятию и деятельности человека25.

Ситуация есть принуждение к принятию решения, свобода же состоит в выборе решения26.

Ситуация – это то, что создает систему и предшествует ей, а также то, что определяет состояние системы и наличествует в ней, кроме того, это то, что приводит к распаду системы или ее преобразованию. Ситуации – «кокон», который «обволакивает» системы27.

Из словаря Ожегова.

http://ru.wikipedia.org/wiki/Ситуация Жан Поль Сартр «Человек обречен на свободу».

Солодухо Н.М. Манифест ситуационного движения // Ситуационные исследования. Выпуск 1: Ситуационный подход. – Казань, 2005.

Проблемная ситуация (от греч. problema – задача, задание и лат. situatio – положение) – 1) содержащее противоречие и не имеющее однозначного решения соотношение обстоятельств и условий, в которых разворачивается деятельность индивида или группы; 2) психологическая модель условий порождения мышления на основе ситуативно возникающей познавательной потребности, форма связи субъекта с объектом познания. Проблемная ситуация характеризует взаимодействие субъекта и его окружения, а также психическое состояние познающей личности, включенной в объективную и противоречивую по своему содержанию среду28.

Проблемная ситуация – осознание, возникающее при выполнении практического или теоретического задания, того, что ранее усвоенных знаний оказывается недостаточно, и возникновение субъективной потребности в новых знаниях, реализующейся в целенаправленной познавательной активности29.

Основоположники отечественной школы ситуационного управления Ю.И. Клыков и Д.А. Поспелов в своих ранних работах явно отождествляют ситуацию с состоянием. Под ситуацией (дискретной совокупностью) там понимается множество транзактов (оперативных элементов), расположенных в определенных точках статической системы. Позднее авторы расширяют это понятие, добавляя в него информацию о связях между объектами и их функционировании. Подразумевается также наличие причинно-следственных связей, которые могут выражаться множеством последовательных событий или процессов. В этом смысле ситуация кардинально отличается от состояния и события, соответствующих только одному моменту времени.

Важно отметить, что ситуация всегда представляет собой некую оценку (анализ, обобщение) множества данных. Более того, эта оценка является субъективной, так как она зависит от средств и методов обобщения, применяемых конкретным человеком. Можно выделить два важных свойства ситуации: множественность и неоднородность исходных данных.

Кроме этого, ситуации могут быть: статические, описываемые с помощью состояния (устойчивого и временного) и постоянных свойств и отношений, и динамические, описываемые с помощью событий, состоящих из результатов и происшествий, и процессов.

Суммируя все приведенные формулировки, мы можем определить ситуацию следующим образом.

Ситуация есть оценка (анализ, обобщение) совокупности характеристик объектов системы и связей между ними, которые находятся в постоянных и причинно-следственных отношениях, зависящих от произошедших событий и протекающих процессов.

Ситуационная система. Обобщенное описание системы с помощью ситуаций называется ситуационной моделью (СМ). В связи с этим все ситуационные системы можно называть системами ситуационного моделирования (ССМ).

Психологический словарь http://psychology.net.ru/dictionaries/psy.html?word= http://psi.webzone.ru/st/087400.htm Под ССМ будем понимать комплекс программных и аппаратных средств, которые позволяют хранить, отображать, имитировать или анализировать информацию на основе СМ.

Классификация ситуационных систем. По назначению ССМ можно подразделить на три основных класса:

1. Системы ситуационного отображения информации (ССОИ):

o ситуационные центры отображения (СЦО), 2. Системы динамического моделирования ситуаций (СДМС),:

3. Аналитические ситуационные системы (АСС):

o системы ситуационного управления (ССУ), o аналитические ситуационные центры (АСЦ), o экспертные системы реального времени (ЭС РВ).

Основной задачей СЦО является построение наглядных образов ситуаций, которые возникают в предметной области, для принятия управленческих решений. СЦО обязательно включает: (1) оперативный состав, решающий некоторую совокупность задач; (2) информационные модели и картины весьма сложных, комплексных, динамических ситуаций реального мира; (3) ситуационные залы управления (наблюдения), оснащенные мощной вычислительной средой.

Динамическое моделирование (имитация) ситуаций возможно путем решения: прямой задачи (специализированные СДМС) – задание исходных данных с последующим анализом возникающих ситуаций в ССОИ и АСС, или обратной задачи (адаптивные СДМС) – по описанию возможных ситуаций, их связей и очередности возникновения с помощью имитационного (динамического) моделирования определить исходные данные.

Системы ситуационного управления (ССУ) реализуют принцип, который предполагает, что количество состояний системы велико, число возможных решений и ситуаций ограничено, а решение принимается в зависимости от ситуации, т.е. на основании исходных данных необходимо определить ситуацию и принять соответствующее решение. Отметим, что не все автореферирующие программы можно считать аналитическими, а только те, которые обобщают и оценивают информацию. Среди АСС выделяют статические, динамические и многопоточные системы. Многопоточные приложения работают в реальном времени и анализируют информацию из большого количества разнородных источников. По своим задачам и функциям они приближаются к экспертным системам реального времени (ЭС РВ). Аналитические ситуационные центры (АСЦ) являются системой оперативной аналитической обработки большого количества взаимосвязанной информации.

Ситуационный центр и его структура. В самом общем виде ситуационным центром (комнатой или залом) можно назвать помещение, где наблюдается текущая или анализируется возможная ситуация. Такое определение является не точным, т.к. ему удовлетворяет любая комната с наблюдателем и телевизором, передающим новости о ситуации в стране. Если же в такой комнате имеется еще и радио, телефон, факс, компьютер и географическая карта, то это будет персональный СЦ.

Если поставить акценты на рассмотрении технического и программного оснащения, то можно сформулировать следующие определения: «техническое»

определение СЦ – помещение, оснащенное мощной и современной презентационной техникой; «программное» определение СЦ – среда, которая позволяет проводить анализ с помощью множества различных программ и информационных технологий. Такие системы лучше называть центрами поддержки принятия решения или аналитическими центрами.

Для ответа на вопросы о том, кто или что формирует ситуации и кто осуществляет их анализ предлагается СЦ делить на внешние (для оценки ситуации по взаимодействию с внешней средой) и внутренние (для оценки ситуации о взаимодействии внутренних структурных подразделений на уровне отображения, моделирования, анализа или управления).

Структура Ситуационного центра, как и любой информационной системы, включает функциональную структуру и различные виды обеспечения (информационного, математического, технического, организационного, кадрового, лингвистического и т. д.).

Функциональная структура СЦ обязательно предусматривает наличие трех базовых модулей, которые отвечают за динамическое (имитационное) моделирование поведения как внешней и внутренней среды, так и за их взаимодействие. Важное значение имеет информационная инфраструктура, состоящая из совокупности программ и информационных потоков, обеспечивающих функционирование базовых модулей и среды визуализации СЦ. Сюда входят все виды ССМ, рассмотренные выше. Отличительной чертой любого СЦ является наличие в нем геоинформационной системы.

История становления СЦ. Первый ситуационный центр для первых лиц государства был создан под руководством Стаффорда Бира в конце 70-х годов.

В настоящий момент в мире существует около трехсот ситуационных центров, используемых правительствами различных стран, а также руководителями крупных корпораций. Так, президента США обслуживают пять СЦ. Несколько десятков СЦ существует в Европе, например в Норвегии их 10. Один из самых технически оснащенных СЦ находится в распоряжении правительства Германии и служит для углубленного анализа социальных, экономических и политических проблем30.

В России одним из первых прообразов СЦ стал оперативный штаб по ликвидации последствий Чернобыльской катастрофы в 1986 году. На основе отПо данным http://ta.interrussoft.com/s_centre.html работанных в нем решений был создан ситуационный центр руководства Министерства по чрезвычайным ситуациям.

Еще один ситуационный центр был создан в 1994 году в Совете безопасности при президенте. Он достаточно успешно функционирует по сей день.

Этот центр позволяет осуществлять мониторинг, моделирование последствий, анализ событий, которые происходят в экономике, социальной сфере, в области национальной безопасности, помогая, таким образом, вырабатывать решения.

В феврале 1996 года был введен в строй ситуационный центр в резиденции президента. Это достаточно сложный программно-мультимедийный комплекс: три экрана размером 1,5x2 м, более десятка рабочих станций (студий нелинейного монтажа, графических станций, компьютеров для подготовки презентаций), мощный сервер, который хранит огромные объемы информации, а также набор различных инструментальных средств, позволяющих обрабатывать информацию и представлять ее президенту. При анализе ситуации президентом материал оперативно дополняется новыми данными, компьютер обрабатывает информацию и визуализирует на экране результаты моделирования. На их основе вырабатываются решения, которые доводятся до исполнителей средствами того же ситуационного центра.

Классификация ситуационных центров. Ситуационные центры можно классифицировать по ряду признаков.

По масштабу СЦ делятся на:

стратегические СЦ, решающие сложные, масштабные, ответственные задачи, направленные на структурную и функциональную перестройку;

оперативные СЦ, решающие задачи автоматической передачи оперативной информации в ситуационную модель, которая дает первому лицу возможность оперировать «модулями» своего бизнеса в персональные СЦ, решающие задачи экспресс-оценки ситуации, оперативного доступа к управляемому объекту и позволяет первому руководителю всегда «быть в курсе событий» независимо от времени, места (и даже в известном смысле состояния) управляющего субъекта.

По целевой направленности:

СЦ контроля. Основной задачей является наблюдение за состоянием сложного объекта или системы;

СЦ управления. Главная цель – постоянное и активное управление кризисный СЦ. Активная работа СЦ осуществляется только при возникновении экстренных (кризисных) ситуаций;

СЦ обучения. Направлены на обучение оперативного и обслуживающего пepcoнaла, подготовку специалистов для работы в условиях функционирования СЦ;

многоцелевой СЦ. Сочетает в себе возможности различных центров.

По точности описания решаемых задач:

слабо детерминированные. Характеризуются высокими уровнями неопределенности и субъективности воспринимаемой ситуации:

высокая степень хаотичности ситуации, незаконченность постановки задачи, информационная открытость проблемы, слабая стереотипность обучающих примеров и другие факторы;

детерминированные. Характеризуются высоким уровнем риска и объективностью воспринимаемой информации;

сильно детерминированные. Высокий уровень определенности, когда почти достоверно известна реакция на то или иное управляющее воздействие.

По составу систем ситуационного моделирования СЦ делятся на:

СЦ наблюдения (отображения);

полнофункциональные СЦ (совмещают функции отображения, моделирования и анализа ситуаций).

По размещению:

стационарные СЦ, привязанные к конкретным помещениям, где происходит анализ ситуаций;

мобильные СЦ, разворачивающиеся на месте событий, в конкретном регионе;

виртуальные СЦ используют современные каналы связи, с помощью которых присутствие персонала в СЦ достигается на программном уровне (виртуально), за счет повышения мобильности не только технических средств, но и оперативного состава.

По способу отображения ситуационной информации:

коллективный. В СЦ установлен только экран коллективного пользования;

индивидуальный. Использование в СЦ только индивидуальных экранов;

коллективно-индивидуальный. Использование в СЦ экранов различного типа.

По универсальности:

специальные СЦ. Предназначен для решения узкого круга задач данной предметной области;

настраиваемые СЦ. Решения, предназначенные для широкого использования.

Помимо рассмотренных выше можно использовать следующие дополнительные классификационные признаки: по предметной области, по времени принятия решения, по количеству помещений, по количеству оперативного персонала, по степени автоматизации оценки ситуации, по используемым технологиям, по составу технических средств, по уровню защиты и др.

Состав ситуационно-аналитического центра. Помещения СЦ традиционно разделяются на несколько основных зон: зал в котором проходят совещания ЛПР и приглашенных экспертов; аналитические центры, расположенные рядом или удаленные от ситуационных комнат; операторские комнаты. Архитектурно ситуационный центр может располагаться в одной или нескольких комнатах, зале или отдельном здании. На рис. 7.7 в качестве примера показано примерное расположение основных помещений ситуационного центра.

Рис. 7.7. Пример планировки помещений СЦ:

1 – ситуационный зал; 2 – операторская; 3 – зал аналитиков; 4 – техническое помещение для размещения оборудования; 5 – техническая зона для обслуживания видеостены Интеллектуальным ядром ситуационно-аналитического центра является комплекс взаимосвязанных моделей, основными из которых являются:

Динамическая модель социально-технического или природного образования, решающего задачу собственного выживания и развития в окружающей его социальной и природной среде и способного не только адаптироваться к требованиям внешней среды, но и целенаправленно воздействовать на нее. При функционировании модели учитываются не только технические аспекты объектов управления, но также их особенности.

Индикаторные модели критериального пространства, с которым взаимодействуют через свои входные и выходные информационные потоки все остальные модели ситуационного центра.

Модели выявления проблемных ситуаций, раннего предупреждения и разработки мероприятий по их парированию и ликвидации негативных последствий.

Информационные модели объектов управления на основе интерактивных баз знаний, которые представляются в ориентированном на руководителя виде и позволяют моделировать ситуацию, вырабатывать и представлять варианты оперативных решений и протоколов их разработки, осуществлять доведение принятых документов до руководителей и исполнителей, участвующих в решении конкретной проблемы, а также осуществлять текущий контроль за ходом выполнения программ.

Система искусственного интеллекта для поддержки принятия долгосрочных и оперативных решений различного уровня на основе многосторонней стратегической компьютерной информации, как средства поиска оптимального решения для всех заинтересованных сторон, в соответствии с имеющимися у них ресурсами, возможностями и складывающимися условиями.

Модель гибкого социально-экономического мониторинга, способного адаптироваться к динамике развития проблемной ситуации.

Модель управления психической и физической активностью населения, способная оперативно представлять поведение людей, в зависимости от сложившейся ситуации, с учетом их психофизиологических особенностей.

Аппаратное обеспечение СЦ чаще всего включает в себя:

1. Системы мультиэкранного отображения данных на экран коллективного пользования (видеостена, проекционная установка) могут быть различного вида (электронные карты, видеоизображения, графики и диаграммы, текстовая документация в электронном виде). Благодаря модульной конструкции система может конфигурироваться индивидуально под конкретные помещения и задачи. Ключевым свойством экрана коллективного пользования является разрешение и, соответственно, информационная емкость, позволяющая представлять на одном экранном поле множество «окон», содержащих полноценные изображения от множества источников.

Необходимые средства визуального отображения информации подбираются в зависимости от размеров помещения и его конфигурации. Это могут быть системы прямой и обратной проекции, видеостены, плазменные и ЖКэкраны, интерактивные доски. Также может быть реализована возможность воспроизведения видео и графических материалов с различных источников, таких как DVD-проигрыватели, компьютеры и т.д.

2. Средства видеоконференц-связи включают систему озвучивания и видеонаблюдения и позволяет передавать видеоизображение и звук участникам совещания или конференции вне зависимости от их места положения. Система озвучивания является одним из важнейших элементов конференц-зала. Основное требование к ней – это четкость воспроизведения речи и равномерность ее звучания по всему залу. В ее состав входят дискуссионная система, усилитель мощности, акустические системы и источники звука. Дискуссионная система обеспечивает удобную работу участников совещания с помощью индивидуальных пультов и автоматическое наведение видеокамеры на выступающего.

3. Электронные средства оперативного ввода и вывода графических данных используются для моделирования и анализа возможного развития ситуаций, построения прогнозов и невозможно без соответствующего программного обеспечения и вычислительных мощностей. Компьютерный парк, в данном случае, в значительной мере определяется задачами СЦ, но, даже если сложное моделирование не входит в текущие задачи, машинный парк СЦ легко может достигать десятков единиц, так как в его состав входят графический контроллер, рабочие станции подготовки и ввода/вывода информации, серверы хранения данных и т.п.

4. Интерактивный дисплей, предназначенный для нанесения в ходе обсуждения рассматриваемых ситуаций пометки на сенсорном экране штатными графическими средствами.

5. Интегрированные системы управления, необходимые для технологически сложных комплексов, где для грамотного управления состоянием системы требуется одновременное переключение множества устройств. Использование интегрированных систем управления дает возможность контролировать всё оборудование СЦ с экрана универсальной сенсорной панели. В ИСУ задаются целые сценарии, когда при нажатии всего одной кнопки на сенсорной панели система выполняет целый ряд управляющих действий. Например, осуществляется переключение входов-выходов коммутаторов сигналов, подключаются источники, активируется система конференцсвязи и т.д. Все необходимые сценарии работы оборудования заранее программируются специалистами СЦ. Пользователь видит только интуитивно понятный интерфейс управления системами СЦ. Он активирует соответствующий сценарий работы оборудования простым прикосновением к сенсорной панели.

Распределенный ситуационный центр. Увеличивающийся темп жизни, рост числа потенциально опасных, техногенных и природных катаклизмов, активное развитие информационных технологий приводит к значительному росту информационных потоков, что приводит к появлению огромных массивов различных данных, которые требуют высокой скорости обработки, необходимой для оперативного реагирования на происходящие события и принятие верных управленческих решений. Современным инструментом, решающим задачи структурирования, анализа получаемой информации, сокращения времени для принятия решений является создание распределенного ситуационного центра.

Распределенный ситуационный центр (РСЦ) чаще всего представляет собой сеть ситуационных центров (ССЦ).

Распределенные ситуационные центры позволяют руководителям ведомств, администраций, крупных коммерческих предприятий наладить эффективное управление и непрерывный обмен информацией со всеми структурными подразделениями при проведении различных производственных мероприятий, решении текущих задач и ликвидации чрезвычайных ситуаций вне зависимости от их места нахождения.

Основные задачи ССЦ:

мониторинг состояния объекта управления;

поддержка оперативных решений, в т.ч.:

o прогнозирование развития ситуации на основе анализа поступающей информации;

o моделирование последствий управленческих решений, на базе использования;

o информационно-аналитических систем;

o экспертная оценка принимаемых решений и их оптимизация.

управление ликвидацией чрезвычайных и кризисных ситуаций;

руководство сложными производственными мероприятиями;

проведение плановых выездных мероприятий;

руководство и управление событиями удаленно и непосредственно на координация работы и обмен информацией между стационарными и подвижными центрами управления;

обеспечение комфортабельных условий работы для должностных лиц и персонала, в том числе на месте события.

РСЦ включает в свой состав стационарные ситуационные центры, мобильные пункты управления и виртуальные ситуационные центры.

Стационарный ситуационный центр может быть реализован как элемент распределенной инфраструктуры СЦ, так и отдельно.

Мобильные пункты управления – это мобильный ситуационный центр, предназначен для повышения эффективности управления непосредственно на месте события, в том числе ликвидации последствий ЧС, оснащен современным инфокоммуникационным оборудованием и обеспечивает оперативное перемещение и развертывание, а также комфортные условия для работы и отдыха персонала. Мобильный пункт управления может быть создан на базе различных транспортных средств: автобусов, железнодорожных вагонов, автомобилей повышенной проходимости, самолетов, катеров и т.д. Дальнейшим развитием идеи мобильного пункта управления является создание виртуального ситуационного центра на базе распределенной группы экспертов.

Виртуальные ситуационные центры предназначены для повышения эффективности, качества и скорости принятия решений и основаны на методике управления коллективным разумом распределенной группы экспертов и строятся на основе информационных технологий дистанционного взаимодействия, в т.ч. процессов поиска, сбора, анализа потоков информации и использования методов гибридного интеллекта.

Технологии виртуальных ситуационных центров базируются на оптимизации следующих трех факторов интеллектуальной деятельности распределенной группы экспертов:

организационный фактор – готовность к инновациям, работа в группе, гибкость, адаптация и др.;

информационные технологии – сетевые коммуникации, управление данными, знаниями и информацией, системы гибридного интеллекта;

человеческий фактор – управление знаниями, креативность, информационная культура, интуитивное мышление, мотивация, целеустремленность и др.

Вопросы для повторения 1. Схема процесса принятия управленческого решения.

2. Характеристики информационных революций 3. Системы поддержки принятия решений (СППР) на базе экспертных систем. Состав экспертной системы.

4. Системы поддержки принятия стратегических управленческих решений на базе корпоративных (интегрированных) информационных 5. Характеристики СППР по E. Turban.

6. Классификация СППР по P. Haettenschwiler и D.J. Power.

7. Архитектура функциональной СППР.

8. Архитектура СППР на основе витрины независимых данных.

9. Архитектура СППР на основе двухуровневого и трехуровневого 10. СППР, использующие методы информационного поиска.

11. СППР, использующие методы интеллектуального анализа данных.

12. СППР, использующие методы извлечения (поиска) знаний в базах 13. СППР, использующие методы рассуждения на основе прецедентов.

14. СППР, использующие методы имитационного моделирования.

15. СППР, использующие генетические алгоритмы.

16. СППР, использующие искусственные нейронные сети.

17. СППР, использующие методы искусственного интеллекта.

18. Отличительные признаки понятий: ситуация, проблемная ситуация, ситуационная система, система ситуационного моделирования (ССМ). Классификация ССМ.

19. Ситуационный центр: структура и состав.

20. Классификация ситуационных центров.

21. Аппаратное обеспечение ситуационных центров.

22. Отличительные признаки распределенных и виртуальных ситуационных центров.

ЛИТЕРАТУРА

Основная 1. Шеметов П.В. и др. Управленческие решения: технология, методы и инструменты: Учебное пособие. – М.: Омега-Л, 2011. – 398 с.

2. Афоничкин А.И., Михайленко Д.Г. Управленческие решения в экономических системах: Учебник для вузов. – СПб.: Питер, 2009. – 480 с.

3. Трофимова Л.А., Трофимов В.В. Управленческие решения. – СПб.: Изд-во СПбГУ ИТМО, 2011. – 192 с.

Дополнительная 1. Акофф Р. Искусство решения проблем. – М., 1982.

2. Брунер Р.Ф. и др. Краткий курс МВА (пер. с англ.). – М.: Олимп-Бизнес, 2005. – 384 с.

3. Гертер Гите. Принятие решений. Да? Нет? Или что-то третье? / Пер. с нем. – Харьков: Гуманитарный Центр, 2008.

4. Дафт Р. Теория и практика организации для психологов и экономистов.

Управлять организацией правильно. Как? – СПб.: Прайм-ЕВРОЗНАК, 2009.

5. Дэ Боно Э. Латеральное мышление // Пер. с англ. П.А. Самсонов. – Минск:

ООО «Попурри», 2005.

6. Информационные системы и технологии в экономике и управлении: Учебник / Под ред. проф. В.В. Трофимова. – М.: Высшее образование, 2009.

7. Информационные технологии: Учебник / Под ред. проф. В.В. Трофимова. – М.: Изд-во Высшее образование. 2011.

8. Коротков Э.М. Концепция российского менеджмента – М.: ДеКА, 2004.

9. Лапыгин Ю.Н., Лапыгин Д.Ю. Управленческие решения: Учебное пособие. – М.: Эксмо, 2009. – 448 с.

10. Лаукс Гельмут. Основы организации: управление принятием решений (пер.

с нем.). – М.: Сервис, 2006. – 600 с.

11. Песоцкая Е.В., Русецкая О.В., Трофимова Л.А. Менеджмент: Учебник для бакалавров / Под ред. проф. А.Н. Петрова. – М.: Юрайт, 2011. – 641 с.

12. Саймон Г. Теория принятия решений в экономической теории о науке и поведении /Теория фирмы / Под. ред. Гальперина В.М. – СПб.: Экономическая школа, 1999. – 54-72 с.

13. Сио К.К. Управленческая экономика / Пер. с англ. – М.: ИНФРА-М, 2000.

14. Смирнов А.А. Разработка управленческих решений: Учебник для вузов. – М.: ЮНИТИ-ДАНА, 2000.

15. Урубков А.Р. Курс МВА по оптимизации управленческих решений: Практическое руководство по использованию моделей линейного программирования. – М.: Альпина Бизнес Букс, 2007.

16. Шевырев А.В. Креативный менеджмент: синергетический подход. – Белгород: ЛитКараВан, 2007.

17. Эффективное принятия решений / Пер. с англ. – М.: Альпина Бизнес Брукс, 18. Янсен Ф. Эпоха инноваций. – М., 2002.

Трофимова Людмила Афанасьевна Трофимов Валерий Владимирович

УПРАВЛЕНЧЕСКИЕ

РЕШЕНИЯ

(МЕТОДЫ ПРИНЯТИЯ И РЕАЛИЗАЦИИ)

Подписано в печать 19.12.11. Формат 60х84 1/16.

Усл. печ. л. 11,9. Тираж 130 экз. Заказ 589. РТП изд-ва СПбГУЭФ.

Издательство СПбГУЭФ. 191023, Санкт-Петербург, Садовая ул., д. 21.