УДК 519.81(075.8) ББК 22.171я73 Л63
Р е ц е н з е н т ы:
д-р технических наук, профессор Д.Х. Девятов;
д-р физико-математических наук, профессор А.Ф. Шориков
Лисьев Г.А.
Л63 Технологии поддержки принятия решений [электронный ресурс]:
учеб. пособие / Г.А. Лисьев, И.В. Попова. — 2-е изд., стереотип. — М. : ФЛИНТА, 2011. — 133 c.
ISBN 978-5-9765-1300-6
В учебном пособии представлены основы теории принятия решений, имитационные и агентно-ориентированной методологии, приводятся при- меры решения практических задач из области экономики и образования на основе указанных технологий. Изложение материала сопровождается большим количеством иллюстраций, предлагаются упражнения и вопросы для самоконтроля.
Работа ориентирована на студентов очного и заочного отделений, обучающихся по направлениям «Бизнес-информатика», «Прикладная ин- форматика», «Физико-математическое образование (Профиль – информа- тика)».
УДК 519.81(075.8) ББК 22.171я73
ISBN 978-5-9765-1300-6 Издательство «ФЛИНТА», 2011
ОГЛАВЛЕНИЕ
ПРЕДИСЛОВИЕ... 5
1. ОСНОВЫ ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ... 6
1.1. Принятие решений как процесс достижения целей при различных условиях...6
1.2. Методы принятия решений...12
1.2.1. Принятие решений на основе теории нечетких множеств и концепции «мягких» систем...12
1.2.2. Принятие решений в результате коллективного выбора...22
1.2.3. Метод анализа иерархий...26
ВОПРОСЫ И ЗАДАНИЯ... 30
2. ИНСТРУМЕНТАЛЬНАЯ ПОДДЕРЖКА ПРОЦЕССА ПРИНЯТИЯ РЕШЕНИЙ... 32
2.1. Общее описание...32
2.2. Имитационная модель взаимодействия экономики и системы образования...36
Основные параметры модели...36
Первый этап построения модели...37
Второй этап построения модели: динамика и стохастичность...40
2.3. Инструментальная поддержка группового выбора (ранжированием альтернатив)...51
2.4. Инструментальная поддержка метода анализа иерархий (трехуровневая иерархия) ...54
ВОПРОСЫ И ЗАДАНИЯ... 62
3. ПРИНЯТИЕ РЕШЕНИЙ НА ОСНОВЕ МУЛЬТИАГЕНТНОЙ ТЕХНОЛОГИИ... 63
3.1. Основы мультиагентной технологии... 63
3.2. Технология программной реализации интеллектуальных многоагентных систем...72
3.3. Примеры применения многоагентных систем... 79
3.3.1 Система рационирования капитала с использованием методов поддержки принятия решений...79
3.3.2 Мультиагентные обучающие системы...83
3.3.3 Мультиагентная система управления ресурсами виртуальной кафедры
...84
3.3.4. Мультиагентные системы Magenta Technology для лабораторного практикума и решения некоторых задач принятия решений...94
ВОПРОСЫ И ЗАДАНИЯ... 105
ИСПОЛЬЗОВАННЫЕ И ЦИТИРОВАННЫЕ ИСТОЧНИКИ... 106
ГЛОССАРИЙ... 109
ПРИЛОЖЕНИЕ 1 ... 117
Краткое описание языка программирования Matlab 6.5 ...117
Режим программирования...117
Оператор цикла с заданным числом повторений...118
Оператор переключения...118
Ввод с клавиатуры...119
Приостановка выполнения программы...119
Пример. Использование файла сценария и файла функции...120
ПРИЛОЖЕНИЕ 2 ... 122
Пример Разработки многоагантной системы на основе JADE (Java Agent Development Environment) ...122
Инструментарий JADE ...122
Возможности JADE...125
Прототип реализации агентной системы...126
1. Основы теории принятия решений
Теория принятия решений – дисциплина, изучающая процессы принятия решений и методы, которые используют управленцы, чтобы делать оптималь- ный выбор в ситуациях с высоким уровнем неопределенности и риска. Она за- нимается, с одной стороны, описанием того, как на практике решаются про- блемные ситуации, а с другой – разработкой стратегий, использование которых обеспечит принятие наилучших решений в будущем.
Теория принятия решений сформировалась на базе научного менеджмен- та. В области принятия руководящих решений традиционно существовало своеобразное разделение труда, при котором ученые изучали, как следует управлять, а администраторы осуществляли управление на практике. Впервые модели теории принятия решений были использованы в исследованиях госу- дарственного управления в 1947 г., когда в журнале «Паблик администрейшн ревью» появилась статья Герберта Саймона «Поговорки управления». Саймон утверждал, что принятие решений – это суть процесса управления и что про- гресс в области менеджмента можно обеспечить, обучая руководителей мето- дам принятия рациональных решений, а не пытаясь изобрести какие-то идеаль- ные организационные структуры.
Теория принятия решений вышла на первый план в 1960-х гг., благодаря развитию менеджмента, исследований операций, вычислительной техники и системного анализа. Именно эта дисциплина, изучающая создание математиче- ских моделей реальности, оказала основное влияние на развитие компьютерно- го моделирования социальных процессов.
1.1. ПРИНЯТИЕ РЕШЕНИЙ КАК ПРОЦЕСС ДОСТИЖЕНИЯ ЦЕЛЕЙ ПРИ РАЗЛИЧНЫХ УСЛОВИЯХ
Человек в своей деятельности постоянно сталкивается с ситуациями, в которых ему приходится осуществлять выбор. Например, в магазине покупате- ли выбирают тот или иной товар. Для того чтобы добраться до нужного места в городе или стране мы выбираем маршрут и соответствующий вид транспорта.
Выпускник школы выбирает вуз, в котором он собирается учиться или место работы, если он намерен работать.
Руководители различных уровней и рангов постоянно вынуждены зани- маться формированием персонала, возглавляемых ими подразделений, выби- рать ту или иную стратегическую линию поведения, принимать конкретные хо- зяйственные и экономические решения.
Специалисты в самых разных областях науки и техники, занимающиеся разработкой всевозможных устройств и приспособлений, проектированием со- оружений, конструированием новых моделей и типов автомобилей, самолетов и т.п. так же всякий раз стремятся выбрать наилучшее инженерное, конструктор- ское или проектное решение.
Работники банков выбирают объекты для инвестирования, экономисты пред- приятий и фирм планируют оптимальную экономическую программу и т.д. и т.п.
Приведенный список практических задач выбора можно было бы про- должать и дальше. Ограничимся сказанным и выявим общие элементы, прису- щие всякой задаче выбора.
Прежде всего, должен быть задан набор решений, из которого следует осуществлять выбор. Обозначим его X и будем называть множеством воз- можных решений. Природа самих решений при этом не играет никакой роли;
это могут быть проектные решения, варианты поведения, политические или экономические стратегии и т.д.
Собственно выбор (или принятие) решений состоит в указании среди всех возможных такого решения, которое объявляется выбранным (наилучшим, или оптимальным), хотя в некоторых случаях происходит выбор не одного, а цело- го набора решений, являющегося определенным подмножеством множества возможных решений X.
Обычно считается, что оптимальным является такое возможное решение, которое наиболее полно удовлетворяет желаниям, интересам или целям лица, принимающего решение (ЛПР). Стремление ЛПР достичь определенной цели нередко удается в математических терминах выразить в виде максимизации
(или минимизации) некоторой числовой функции, заданной на множестве X .
Однако в более сложных ситуациях приходится иметь дело не с одной, а сразу с несколькими такими функциями. Так будет, например, когда какое-то явление, объект или процесс рассматривается с различных точек зрения и для формали- зации каждой точки зрения используется соответствующая функция. Если яв- ление рассматривается в динамике, поэтапно и для оценки каждого этапа при- ходится вводить отдельную функцию, в этом случае также приходится учи- тывать несколько функциональных показателей.
В процессах принятия решений (ППР) участвуют несколько сторон или активных агентов, влияющих своими действиями (решениями или отказом от решений) на общую проблемную ситуацию. Для конкретизации процедур ППР необходимо определиться с агентами, их целевыми установками и возможным комплексом альтернатив (области допустимых решений – по терминологии ис- следований операций). Введем несколько определений.
Опр. 1: Управление (control) – процедура (процесс) принятия и реализа- ции решений.
Опр. 2: Принятие решений (decision making) – целевой выбор на множе- стве альтернатив.
Опр. 3. Альтернатива (alternative) – вариант, одна из двух или более возможностей.
В основе процесса принятия решений лежит модель рационального выбо- ра. Согласно ей, процесс принятия любого решения проходит следующие ста- дии.
1. Определение проблемы, подлежащей решению. Выделяются основ- ные составляющие части проблемы, и описывается их отношение друг к другу.
2. Сбор фактов. Факты должны собираться как можно более объективно
и беспристрастно.
3. Определение множества возможных решений. Опираясь на полу-
ченные данные, следует описать все способы, которыми можно решить данную проблему.
4. Анализ возможных решений. Используя математический аппарат, сравниваются вероятные достоинства и недостатки каждого из возможных ре- шений.
5. Выбор лучшей стратегии. Все варианты выстраиваются от наиболее до наименее предпочтительного, и выбирается наилучший.
Решение считается рациональным, если оно увеличивает благосостояние того, кто его принял, в большей степени, чем любой другой возможный вари- ант. Под «благосостоянием» здесь подразумевается все, что имеет ценность, например, чувство удовлетворения или радость от достижения цели. Однако чаще всего оно связывается с получением доходов и измеряется в денежных единицах.
Процесс принятия решений может происходить в различных условиях, и соответственно этому будет различаться по степени «интеллектуализации»
процедур и набору методов.
Будем различать условия:
1) условия определенности (детерминированность);
2) частичная неопределенность (стохастичность);
3) полная неопределенность («дурная» стохастичность – термин Е.С.
Вентцель).
Условия определенности
В этих условиях множество альтернатив определено полностью, т.е. зада- ны границы этой области и возможно создание критериев, позволяющих про- вести отбор альтернатив.
Сюда относятся классические оптимизационные задачи в условиях одно- критериальной и многокритериальной оптимизации. Здесь также рассматрива- ются множество Парето. К этим задачам можно отнести задачи группового од- нократного выбора на множестве фиксированных альтернатив с разными пред- почтениями «выборщиков» (процедуры голосования).
Сложности ППР в подобных ситуациях могут возникнуть из-за следую- щих причин:
1) «большая» размерность области допустимых значений (области при-
нятия решений). Простой перебор вариантов не может быть реализо- ван даже при автоматизации процедур перебора;
2) различные предпочтения «выборщиков» могут быть не согласованы в ситуации выбора одной альтернативы из нескольких и проведение
«выборов» или принятие решения становится нетривиальной задачей;
3) в многокритериальных задачах (даже при линейных ограничениях на область допустимых значений) изменение важности (приоритета) кри- териев может привести изменения области оптимальных значений.
Последние две причины обусловлены предпочтениями ЛПР и, следова- тельно, носят субъективный характер.
Частичная неопределенность
В этих условиях обычно известны вероятности наступления тех или иных событий в заданной области альтернатив, или, в более общем случае, проведе- ны оценки вероятностей, оценки границ множества альтернатив. Принятие ре- шений в этой ситуации можно рассматривать как стохастическую оптимизацию
(принятие решений в условиях риска). Достаточно «простые» ситуации ППР
возникают в матричных играх, когда известны варианты действий противников и вероятности «выигрышей» для каждого варианта решения. Задача является практически неопределенной при однократном выборе (игре) и может обладать статистической устойчивостью при многократном повторении.
Как расширение матричной теории игр в теории принятия решений рас- сматриваются коалиционные игры. В таких «играх» основной целью становит- ся не получение выигрыша, а распределение этого выигрыша между участни- ками коалиции.
В этой ситуации также рассматриваются теория массового обслуживания1
(теория очередей) и Марковские процессы2.
В СМО выделяются:
- потоки заявок, имеющие заданные (оцененные) вероятностные распре- деления;
- набор сервисов (обслуживающих устройств) с фиксированными харак- теристиками (время обслуживания, вероятность отказа в обслуживании);
- выходной поток (обслуженные заявки).
В зависимости от сочетаний выделенных компонентов, а также их харак- теристик, различаются одноканальные, многоканальные, многоступенчатые СМО с отклонением заявок или обязательным обслуживанием всех заявок.
Статистические характеристики могут быть приняты на основе теорети- ческих моделей (равномерное распределение, распределение Пуассона, распре- деление Вейбулла и др.), а могут быть определены на основе статистических экспериментов (реальных или имитационных).
Для выявления стабильных характеристик конкретных СМО обычно ис- пользуются методы имитационного моделирования, когда на вход модели пода- ется многократно поток заявок в соответствии с выбранным теоретическим рас- пределением, в результате чего накапливаются соответствующие статистики.
Полная неопределенность
Решение в этих ситуациях приходится принимать, когда:
1) множество альтернатив неопределенно или его границы нечеткие и расплывчатые или они меняются по неизвестным законам;
1 ТМО – теория массового обслуживания; ММО – модели массового обслуживания; СМО – системы массового обслуживания).
2 Марковский процесс – случайный процесс, эволюция которого после любого заданного значения временно́го параметра t не зависит от эволюции, предшествовавшей t, при условии, что значение процесса в этот момент фиксировано (иначе говоря: «будущее» процесса не за- висит от «прошлого» при известном «настоящем»).
2) поведение оппонентов или поведение составных частей системы, влияющих на принятие решения, непредсказуемо, т.к. нет исходных данных;
3) целевые установки на момент принятия решений неопределенны.
В таких ситуациях различают следующие особенности:
1) неопределенность от неинформированности. Самый простой тип неоп-
ределенности, снимается поиском дополнительной информации;
2) недостаточность теоретических и практических знаний, снимается спе- циально направленными исследованиями.
3) отсутствие знаний (информации) о данной области [24].
Снятие неопределенности заключается в локализации таких областей и выдвижении гипотез.
Обычно методы принятия решений в условиях частичной или полной не- определенности стараются свести к вероятностным методам или теориям, по- строенным с применением вероятностной меры.
Различают следующие подходы к моделированию или оценке неопреде- ленности:
1) оптимистический подход – вводимые оценки области альтернатив или
поведения оппонентов ориентируются на большую вероятность наступления благоприятных условий.
2) пессимистический подход – большую значимость имеют возможные неблагоприятные события.
3) нейтральный подход – оценки развития систем проводятся на основе равномерного распределения возможных негативных и позитивных событий.
Принятие решений в организациях
В организациях решение редко бывает результатом мыслительной дея- тельности отдельного индивида, гораздо чаще в принятии решений участвует целая группа. Процессы группового мышления очень сильно отличаются от тех, которые описывает теория рационального выбора.
Во-первых, различия в интересах и ценностях между людьми, состав- ляющими группу, делают само понятие «рационального выбора» расплывча- тым. Ценности, которые будут иметь одни и те же исходы для разных дейст- вующих лиц, могут существенно различаться. Нормы, управляющие функцио- нированием организации, также часто затрудняют принятие оптимальных ре- шений: наиболее компетентный член группы нередко занимает в ней подчи- ненное положение и его голос не играет большой роли при разработке страте- гии. Наконец, цели и потребности организации и составляющих ее частей чаще всего носят сложный и даже противоречивый характер, что опять же делает мо- дели, ориентированные на рационального индивида, малоприменимыми3.
В государственных учреждениях лица, ответственные за принятие реше- ний, всегда вынуждены также иметь в виду политические соображения. Даже
3 Исторический пример принятия группового решения, обернувшегося катастрофой – запустить содержавший существенные неисправности космический корабль "Челленджер" – приводят Халт и Уолкотт
необходимые программы и законы часто становятся объектом жарких дискус- сий, переговоров и компромиссов. Примером может служить Акт о налоговой реформе 1986 г. (США). В первоначальной редакции предполагалось отменить налоговые льготы для лиц, владеющих домами, купленными в кредит. С пози- ции рационального выбора это решение представлялось абсолютно разумным, так как обеспечивало казне значительные поступления и отменяло по существу государственную поддержку людей со средним и выше среднего достатком.
Однако в прошедшей слушания версии вычитание из подоходного налога до- мовладельцев сумм, идущих на погашение процентов по кредиту, было сохра- нено даже для тех, кто имеет два дома. Наблюдатели связали это с тем обстоя- тельством, что большинство конгрессменов имело как раз два дома – один в своем родном штате, а другой – в Вашингтоне.
Многие исследователи пытались преодолеть недостатки модели рацио- нального выбора, изучая, как на самом деле принимаются решения в повсе- дневных ситуациях. Наиболее известны концепции, предложенные Гербертом Саймоном, Чарльзом Линдбломом, Амитаи Этциони и Джеймсом Марчем.
Герберт Саймон утверждал, что принятие решений, полностью соответ- ствующих идеалам рациональности, невозможно по многим причинам: органи- зации никогда не имеют достаточно времени и средств, чтобы собрать действи- тельно все необходимые данные и предсказать все вероятные исходы, а воз- можности человеческого мозга не позволяют рассматривать проблему сразу со всех сторон. Саймон назвал эти условия «условиями ограниченной рациональ- ности». Он утверждал, что в них наиболее эффективной стратегией принятия решений является выбор первого вполне удовлетворительного варианта, даже если известно, что он не является оптимальным.
Чарльз Линдблом констатировал, что все организации, особенно относя- щиеся к государственной системе, склонны к принятию осторожных и умерен- ных решений. Радикальные меры, даже если они формально абсолютно рацио- нальны, имеют тенденцию создавать внутреннюю нестабильность. Реформы, когда они все же происходят, осуществляются не сразу, а постепенно – не- большими шагами, каждый из которых меняет положение вещей не очень су- щественно, и поэтому не несет в себе риска совершить какую-нибудь фаталь- ную ошибку.
Амитаи Этциони предложил модель, названную им «смешанным скани- рованием» и представляющую собой компромисс между инкрементализмом и рациональным выбором. Он основывался на том соображении, что не все про- блемы одинаково важны, и не во всех случаях попытка принять подлинно оп- тимальное решение оправдана по чисто экономическим причинам. Политикам, как утверждал Этциони, следует определить, какие задачи для них наиболее существенны, и пытаться их решить как можно более рационально. Однако по- сле того как стратегические решения приняты, более мелкие тактические во- просы можно решать и на основании принципа, описанного Линдбломом.
Джеймс Марч предложил еще одну версию того, как происходит приня- тие решений в организациях – по так называемому принципу "мусорного вед- ра". Согласно его концепции, все определяется случайным сочетанием (подоб-
но разного рода мусору в ведре) людей, ресурсов и обстоятельств. То, какая стратегия будет выбрана, зависит от значения всех этих переменных в момент, когда выбор стал актуальным. Как мы видим, образ, нарисованный Марчем, не имеет ничего общего с характеристикой организации как субъекта рациональ- ной деятельности. Можно рассматривать описанный им процесс как наносящий вред организациям ввиду отсутствия системного подхода, либо обеспечиваю- щий решение наиболее важных проблем в результате ловкого использования удачного момента.
Итак, теория решений предлагает средства анализа проблем и поиска пу- тей выхода из них, но не дает окончательных, а тем более однозначно «пра- вильных» ответов. Ее использование позволяет сравнивать сильные и слабые стороны разных вариантов выбора, но сам выбор остается за людьми.
На современном этапе развития теории принятия активно обсуждаются следующие задачи: системный подход при принятии решений, современные методы принятия решений и проблема горизонта планирования.
1.2. МЕТОДЫ ПРИНЯТИЯ РЕШЕНИЙ
1.2.1. Принятие решений на основе теории нечетких множеств и концепции «мягких» систем4
Нечеткие множества и вычисления, построенные на их основе, расширя- ют понятие вероятностных мер на логику или операции над множествами.
«Адекватное» описание явлений и процессов реальной жизни в терминах
и моделях нечеткой логики и «мягких» систем позволяет снять частичную не- определенность в процедурах принятия решений.
Этапы развития научного направления «мягкие вычисления»
Термин «мягкие вычисления» (soft computing) введен в 1994 году амери- канским ученым Л. Заде5 и интерпретируется следующим образом:
Мягкие вычисления = нечеткие системы + нейронные сети + генети- ческие алгоритмы
В обоснование формулы мягких вычислений приводятся свойства мягкой интеллектуальной системы, которые обеспечиваются её компонентами:
Мягкая интеллектуальная система = управление неопределенностью + обучаемость + самоадаптация
Выбранная терминология объясняется тем, что мягкие системы, такие как нечеткие нейронные сети с генетической настройкой параметров, демонстри- руют взаимное усиление достоинств и нивелирование недостатков отдельных методов. Нейронные сети обучаются с помощью универсального алгоритма, т.е. трудоемкое извлечение знаний заменяется сбором достаточной по объему
4 По материалам [31]
5 Более подробную информацию о Л. Заде можно получить в Wikipedia или на портале Университета Беркли (США): http://www.cs.berkeley.edu/~zadeh/
обучающей выборки. Для нечетких систем вывода извлечение знаний включает в себя сложные процессы формализации понятий, определение функций при- надлежности, формирование правил вывода.
В то же время нечеткие нейронные сети обучаются как обычные нейрон- ные сети, но их результаты объясняются как в системах нечеткого вывода.
В 90-е годы были разработаны различные варианты гибридных интеллек- туальных систем. Мягкие вычисления позволили объединить в единую техно- логию управление неопределенностью, обучение и адаптацию.
Таблица 1 Отличия между биологическими нейронными сетями и ЭВМ на
архитектуре фон Неймана
Машина фон Неймана Биологическая нейронная система
Сложный Простой
Высокоскоростной Низкоскоростной Процессор
Один или несколько Большое количество Отделена от процессора Интегрирована в процессор
Локализована Распределенная Память
Адресация не по содер- жанию
Адресация по содержанию Централизованные Распределенные Последовательные Параллельные Вычисления
Хранимые программы Самообучение Надежность Высокая уязвимость Живучесть Специализация Численные и символьные
операции
Проблемы восприятия Строго определенная Плохо определенная Среда функциони-
рования Строго ограниченная Без ограничений
Эволюционные вычисления (ЭВ) (генетические алгоритмы) – обоб- щающий термин, используемый для описания компьютерных систем на ос- нове вычислительных моделей эволюционных процессов в качестве базовых пи разработке и эксплуатации. В основе моделирования лежит концепция подражания эволюционным процессам отбора (селекции), мутации и воспро- изводства (репродукции), которые определяются поведением индивидуумов в изменяющихся условиях окружающей среды. Эволюционные вычисления создают популяции структур, которые развиваются в соответствии с поиско- выми операторами, называемыми правилами отбора, и, в соответствии с ге- нетическими операторами, представленными операциями рекомбинации и мутации.
Каждый индивидуум в популяции занимает свое место согласно его соот- ветствию условиям среды. Посредством рекомбинации и мутации обеспечива- ется основной набор для дальнейшего воспроизводства индивидуумов. С точки
зрения биологии указанные алгоритмы упрощены, но достаточно сложны для реализации и представляют собой поисковые механизмы адаптации.
Моделирование эволюции по аналогии с природными (естественными) системами в настоящее время можно условно разбить на две категории.
К первой относятся алгоритмы моделирования биологических систем, ко- торые успешно используются для задач структурной и функциональной опти- мизации. Это эволюционные алгоритмы, такие как эволюционное программи- рование (Evolutionary Programming), генетические алгоритмы (Genetic Algo-
rithms) и эволюционные стратегии (Evolution Strategies). Вторая категория
представлена системами, называемыми искусственная жизнь (Artificial Life).
Парадигма вычислительного интеллекта (искусственного)
Искусственный интеллект (ИИ) – это новое направление информатики, предметом изучения которого является любая интеллектуальная деятельность человека, подчиняющаяся заранее известным законам. Образно это направле- ние называют «старшим сыном информатики», так как многие нерешенные ею задачи постепенно находят свое решение в рамках искусственного интеллекта.
Большинство интеллектуальных технологий являются анализирующими или диагностирующими. Интеллектуальные методы, синтезирующие новые из- делия, редки, поэтому для решения задач структурного и функционального синтеза велико значение генетических алгоритмов, с развитием которых может быть создана действительно интеллектуальная система автоматизированного проектирования вместо многочисленных систем автоматизации проектных ра- бот(САПР), которые используют экспертную систему на ранних стадиях разра- ботки. С помощью генетических алгоритмов системы стохастической оптими- зации успешно ищут профиль детали, размещают элементы на плоскости и пространстве, компонуют и трассируют реальные технические объекты. В гиб- ридных системах благодаря генетическим алгоритмам производят оптимизаци- онную настройку функций принадлежности нечетких множеств, которые зада- ются параметризованной функцией формы. Применяя ЭВ, оптимизируют и со- став больших баз нечеткой продукции, и структуру нейронной сети для генети- ческих нечетких нейронных сетей.
Причины формирования гибридных систем, которые составляют основ- ное содержание вычислительного интеллекта, носят технологический приклад- ной характер. Более фундаментальной причиной развития вычислительного ин- теллекта является необходимость интеграции в единой системе восприятия и логической (символьной) обработки.
Специфические задачи для вычислительного интеллекта:
разумный робот, способный выполнять домашние дела или вести ав- томобиль по городским улицам с интенсивным движением;
переводчик с одного естественного языка на другой, сохраняющий смысл текста;
обработчик текстов, выполняющий качественное реферирование или аннотирование текстов на естественном языке;
робот, распознающий образы сложных пространственных объектов, в том числе по плоским, зашумленным, искаженным образам;
робот, решающий новые задачи и способный к самообучению.
Решение подобных задач основано на свойствах вычислительного ин- теллекта: восприятие (Perception based theory) и мышление (Computing with words).
Особенностью перечисленных проблем является т.н. организованная сложность. Задачи с малым числом переменных, с высокой степенью детер- минизма, решаемые с помощью аналитики, обычно в виде систем дифференци- альных уравнений, называют задачами организованной простоты. Задачи с большим числом переменных, проявляющихся случайным образом, решаемые с помощью статистических методов (имитационное моделирование), называ- ются задачами неорганизованной сложности.
Подход к решению интеллектуальных задач, так, будто это механические системы, описываемые дифференциальными уравнениями, эффекта не дает, поскольку вступает в действие принцип несовместимости Л. Заде: с ростом сложности систем человеческая способность делать точные утверждения о них падает.
В области вычислительного интеллекта за ключевые единицы интеллек- туальной работы мозга принимаются не числа и не слова, а нечеткие метки, способные обобщать информацию. Поток информации, поступающий в мозг через сенсоры, обобщается таким образом, что становится возможным прибли- женное решение задачи.
В сфере вычислительного интеллекта в широком смысле разрабатывают методологическую схему, содержащую неполную, нечеткую и неточную ин- формацию, но решающую задачи организованной сложности. В узком смысле производят поиск гибридизации интеллектуальных технологий, обладающих преимуществами по сравнению с их автономным использованием.
Пример описания неопределенности с помощью нечеткого множества6
Понятие «богатый» часто используется при обсуждении социально- экономических проблем, в том числе и в связи с подготовкой и принятием ре- шений. Однако очевидно, что разные лица вкладывают в это понятие различное содержание. Сотрудники Института высоких статистических технологий и эко- нометрики провели в 1996 г. социологическое исследование представления раз- личных слоёв населения о понятии «богатый человек».
Мини-анкета опроса представлена на рисунке 1.
В дальнейшем вместо полного наименования категорий будем опериро- вать буквами, например «в» – категория, «б» категория и т.д.
Всего было опрошено 74 человека, из них 40 – научные работники и пре- подаватели, 34 человека – не занятых в сфере науки и образования, в том числе
5 рабочих и 5 пенсионеров. Из всех опрошенных только один считает себя бо-
6 См. 23
гатым. Несколько типичных ответов научных работников и преподавателей приведено в табл.2, а аналогичные сведения для работников коммерческой сфе- ры – в табл.3.
Рис. 1. Анкета
Разброс ответов на первый вопрос – от 1 до 100 млн. руб. в месяц на че- ловека. Результаты опроса показывают, что критерий богатства у финансовых работников в целом несколько выше, чем у научных (см. гистограммы на рис.2 и рис.3 ниже).
Таблица 2 Типичные ответы научных работников и преподавателей
Ответы на вопрос 3 Ответы на вопрос 1, млн. руб./чел.
Ответы на во- прос 2
Пол
Кандидат наук 1 д ж
Преподаватель 1 в ж
Доцент 1 б ж
Учитель 10 в м
Старший научный сотруд- ник
10 д м
Инженер-физик 24 д ж
Программист 25 г м
Научный работник 45 г м
Анкета.
При каком месячном доходе (в млн. руб. на одного чело- века) Вы считали бы себя богатым человеком?__________
2. Оценив свой сегодняшний доход, к какой из категорий Вы себя относите:
а) богатые;
б) достаток выше среднего;
в) достаток ниже среднего;
г) бедные;
д) за чертой бедности?
Опрос показал, что выявить какое-нибудь конкретное значение суммы, которая необходима «для полного счастья», пусть даже с небольшим разбро- сом, нельзя, что вполне естественно. Как видно из таблиц 1 и 2, денеж- ный эквивалент богатства колеблется от 1 до 100 миллионов рублей в месяц.
Подтвердилось мнение, что работники сферы образования в подавляющем большинстве причисляют свой достаток к категории "в" и ниже (81% опрошен- ных), в том числе к категории «д» отнесли свой достаток 57%.
Таблица 3 Типичные ответы работников коммерческой сферы
Ответы на вопрос 3 Ответы на вопрос 1
Ответы на во- прос 2
Пол
Вице-президент банка 100 а ж
Зам. директора банка 50 б ж
Начальник кредитного отдела 50 б м Начальник отдела ценных бу-
маг 10 б м
Главный бухгалтер 20 д ж
Бухгалтер 15 в ж
Менеджер банка 11 б м
Начальник отдела проектиро-
вания 10 в ж
Со служащими коммерческих структур и бюджетных организаций иная картина: «г» – категория 1 человек (4%), «д» – категория 4 человека (17%), «б»
– категория – 46% и 1 человек «а» – категория.
Пенсионеры, что не вызывает удивления, отнесли свой доход к категории
«д» (4 человека), и лишь один человек указал «г» – категорию. Рабочие же от- ветили так: 4 человека – «в», и один человек – «б».
Для представления общей картины в табл.4 приведены данные об ответах работников других профессий. Прослеживается интересное явление: чем выше планка богатства для человека, тем к более низкой категории относительно этой планки он себя относит.
Таблица 4 Типичные ответы работников различных профессий
Ответы на вопрос 3 Ответы на вопрос 1
Ответы на вопрос 2
Пол
Работник торговли 1 б ж
Дворник 2 в ж
Водитель 10 в м
Военнослужащий 10 в м
Владелец бензоколонки 20 б ж