CC BY
18
УДК 519.8
ИНТЕЛЛЕКТУАЛИЗАЦИЯ КАК ПУТЬ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ПРИНЯТИЯ РЕШЕНИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ
© 2007 г. Н.Ю. Уланова, А.В. Спесивцев, Ю.В. Тропинов
Введение
Задачи разработки и оценки управляющих решений во многих сферах деятельности справедливо относят к неструктурированным или слабоструктурированным. Наиболее разработанными для задач такого рода являются методологические подходы: логико-вероятностный, методы информационно-статистические и когнитивного анализа [1]. Однако в последнее время все большее внимание и ученых, и практиков привлекает метод формализации экспертной информации в виде аналитического выражения. При этом интеллектуализация выступает не как специально разрабатываемые приемы, а как естественный процесс формализации интеллектуальных знаний эксперта-профессионала [2, 3].
Целью данной статьи является рассмотрение интеллектуализации в вышеприведенном смысле как пути создания экспертных систем нового типа для повышения эффективности труда лиц, принимающих решения высокого уровня (ЛПР ВУ) в условиях неопределенности.
Информационные технологии интеллектуальных измерений
Информационные технологии интеллектуальных измерений (ИТИИ) в преломлении к экспертным оценкам с лингвистической интерпретацией можно представить в формализованном виде обобщенным уравнением [4]:
И, | {МХ,} = агяшт С^ {М х
4 е Э,
х а^тт С,| {Му,}| агятт С^ {М х.}| У, , (1)
У е Р, х, е X,
где И, | {МХщу х)} - мнение эксперта по измеряемому переменному на множестве метрологических характеристик, определяющих точность, надежность и достоверность результатов интеллектуального измерения на последовательно выполняемых этапах получения экспериментальных данных xi , знаний у и лингвистических решений
Здесь под понятием знаний имеется в виду его расширенное толкование применительно к экспертным оценкам и включает в себя: знания предметной области объекта измерений (ОИ); метрологические знания о качестве информации, характеризующей ОИ; системные знания о свойствах средств измерений (СИ), применяемых в данной предметной области; алгоритмические знания и метазнания по вопросам
моделирования как самих ОИ, так и организации систем интеллектуальных измерений. Таким образом, эксперт, в данном случае ЛПР ВУ, каждый раз при принятии решения выступает во многих качествах: «интеллектуальной базы знаний», «интеллектуального средства измерений», «интеллектуальной системы принятия решений».
Из обобщенного уравнения (1) следует, что познания эксперта должны быть всеобъемлющими, разносторонними и глубокими. Понятно, однако, и другое - в реальности эксперт обладает глубоко только профессиональными знаниями, а по специфичным вопросам он должен обращаться к инженерам знаний. Так, например, для моделирования технического состояния объекта или процесса методом формализации экспертной информации инженер знаний должен ознакомить эксперта с концепцией и методикой построения модели, а также помочь в реализации методики применительно к конкретной задаче. Разработанный одним из авторов экспресс-метод создания моделей [2] призван, таким образом, вооружить эксперта эффективной методикой формализации его знаний [3] в виде полиномиального уравнения для получения количественных оценок и выработки решения в нечетком пространстве, содержащем, как правило, и неколичественную (вербальную) информацию.
Продемонстрируем применение данной технологии на конкретном примере создания интеллектуальной информационно-диагностической системы оценки выгодности создания дополнительного запаса газа в магистральном газопроводе как «советчика ЛПР ВУ».
Методика построения системы
Принятие решения в условиях экстренной необходимости сверхлимитных поставок углеводородного сырья потребителю осуществляют, как правило, ЛПР ВУ. При этом им требуется информация качественно иного свойства: системной, емкой, компактной. Свойствами давать полное и оперативное представление об объекте на данный момент обладают только обобщенные (интегральные) показатели в многомерном факторном пространстве [2,3]. Алгоритм построения обобщенного показателя (рисунок) разработан путем синтеза теории планирования экспериментов и элементов теории нечетких множеств [2].
Применительно к построению рассматриваемой системы факторное пространство, определенное экспертом, имело входными переменными
Х1 - количество газа в трубе на данный момент времени, % от расчётного;
Х2 - температура газа в трубе на выходе компрессорной станции, оС;
Х3 - техническое состояние на участке от КС до следующей КС, качественная переменная;
Х4 - температура окружающей среды, оС;
Х5 - административный ресурс (степень необходимости создания запаса газа в трубе), качественная переменная.
Алгоритм построения прогностической модели в нечеткой среде
Выходная переменная У - оценка возможности создания дополнительного запаса газа на отдельном участке (% от имеющегося в трубе на данный момент времени).
Полученный обработкой экспертных оценок по алгоритму (рисунок) обобщенный показатель имеет вид
У = 26,00 - 7,97 X! + 5,63 Х3 + 9,38 Х5 - 1,88 XX -- 1,88 Х3Х4 - 1,88 XX - 2,34 ХХХ4 , (2)
где приведены только значимые коэффициенты.
Как следует из анализа факторного пространства, и независимые, и зависимая переменные обладают вышеперечисленными свойствами, причем представлены они не только в количественном, но и в качественном виде. Уравнение (2) является базой знаний для низшего уровня иерархической системы, поскольку характеризуют запас газа на одном участке. Обычно же магистральные газопроводы, контролируемые коммерческими предприятиями «Регионгаз», состоят из нескольких участков. Тогда, зная возможные запасы для каждого из участков, представляется целесообразным оценить благоприятность ситуации (У2) на данный момент времени в целом.
Например, применительно к условиям ООО «Нов-городрегионгаз», контролирующем четыре участка примерно по 100 км каждый, база знаний для второго уровня системы приняла вид
У2 = 0,4375 + 0,0625 Х1 + 0,0875 Х2 +
+ 0,1375Х3 + 0,1625Х4 , (3)
где в качестве независимых переменных выступают оценки по (2) для рисунка.
Степень выгодности ситуации (в долях единицы) в виде оценок по (3) используется ЛПР ВУ в реальном масштабе времени для принятия решений.
Обсуждение результатов
Проверка адекватности получаемых по разработанной интеллектуальной экспертной системе оценок выгодности сложившейся на данный момент ситуации по возможности поставок сверхлимитного газа потребителю в виде системы уравнений (2) и (3) проходила на действующем магистральном газопроводе и показала ее высокую эффективность: в 100% случаев реальной необходимости дополнительных поставок система оценивала их как выгодные. Естественно, что адекватность проявлялась в совпадении не количественных оценок, а ситуационных, поскольку при возможном большем запасе потребитель выбирал только необходимое ему количество газа.
Традиционные методы таких оценок, основанные на расчетных формулах газовой динамики, часто не обладают необходимыми для принятия решения свойствами оперативности. К тому же ошибки косвенных определений, к сожалению, подчиняются закону их накопления, так что с учетом распределенности объекта на многие сотни километров и связанной с этим
«нечеткостью» представительность получаемых количественных значений недостаточно высока. Однако этому обстоятельству не уделяется должного внимания в расчетах и при принятии решений.
Вообще говоря, полученная система, как и другие методы оценки, являются косвенными измерениями возможного дополнительного запаса газа. Кроме того, для ЛПР ВУ превалирующим во многих случаях оказывался фактор Х5 - административный ресурс, в понятие которого вкладывается и неопределенность конъюнктуры рынка, и «телефонное право» вышестоящих органов, и еще многое другое, учесть которое математическими формулами невозможно в принципе. Однако точность прогнозных оценок по каждому из участков и ситуации в целом экспертом постулируется заранее на выбираемой им же шкале зависимой переменной и удовлетворяющей таким образом условиям решения задачи прогнозирования.
С введением разработанной интеллектуальной диагностической системы оценки возможности создания дополнительного запаса газа в магистральном газопроводе у ЛПР ВУ появляется инструмент для «проигрывания» ситуаций с целью выбора наиболее приемлемого варианта решения. В таком случае в про-
странстве всех возможных экономических решений представляется возможным выделить область принятия эффективных экономических решений.
Литература
1. Мартыщенко Л.А., Шумейко Н.С., Шумейко А.В., Несмеянов Д.А. Методологические подходы к оценке устойчивости сложных систем // Моделирование и анализ безопасности и риска в сложных системах: Тр. Между-нар. науч. школы МА БР - 2002 (Санкт-Петербург, 2-5 июля, 2002 г.). - СПб., 2002. С. 422-430.
2. Спесивцев А.В. Управление рисками чрезвычайных ситуаций на основе формализации экспертной информации / Под ред. проф. В.С. Артамонова. СПб., 2004.
3. Тропинов Ю.В., Спесивцев А.В., Тропинова Н.Ю., Дом-шенко Н.Г. Перспективы интеллектуализации баз знаний АСУ газотранспортных систем методом формализации экспертной информации // Сб. докладов. IX Междунар. конф. по мягким вычислениям и измерениям БСМ 2006, Санкт-Петербург, 2006. Т. 2. С. 79-82.
4. Недосекин Д.Д., Прокопчина С.В., Чернявский Е.А. Информационные технологии интеллектуальных измерительных процессов. СПб., 1995.
Санкт-Петербургский государственный горный институт
(технический университет) 6 марта 2007 г.
