Современные технологии построения систем поддержки принятия решений Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 519.712.2

С.Н. Щеглов

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ ПОСТРОЕНИЯ СИСТЕМ ПОДДЕРЖКИ

ПРИНЯТИЯ РЕШЕНИЙ*

Введение. Особое внимание в современных интеллектуальных информационных системах уделяется различным областям человеческой деятельности, где накоплено много данных. Но данные, сами по себе, не имеют практической ценно, . систем в настоящее время предъявляют серьезные требования к результатам ис, -боткой. Их интересуют заключения, помогающие в изучении комплексных задач и в принятии важных решений [1]. Интеллектуальные системы, такие как экспертные ,

системы увеличивают производительность и облегчают выполнение сложных задач. Они также обеспечивают поддержку, когда информационный поток неполный или «нечеткий» [2]. Интеллектуальные системы могут использоваться индивиду, -. -держки решений (ИСПР) является наличие в них, по крайней мере, одной модели. Основной идеей является осуществление анализа системы на модели реальной .

Общая архитектура информационно-аналитической системы. Особое внимание в современных интеллектуальных информационных системах уделяется разработке и использованию новых гибридных технологий позволяющих эффективно работать с нечеткой или неполной входной информацией в процессе выработки и принятия решений по различным текущим вопросам. К таким технологиям можно отнести нечеткие генетические и эволюционные алгоритмы, нейросетевые модели и алгоритмы, методы интеллектуального извлечения данных, методы кластерного анализа данных.

Современный уровень развития аппаратных и программных средств с некоторых пор сделал возможным повсеместное введение баз данных оперативной информации на разных уровнях управления. В процессе своей деятельности промышленные предприятия, корпорации, ведомственные структуры, органы государственной власти и управления накопили большие объемы данных. Они хранят в себе большие потенциальные возможности по извлечению полезной аналитиче-, ,

, .

Полная структура информационно-анадитической системы [3, 4], построенной на основе хранилища данных, показана на рис. 1. В конкретных реализациях отдельные компоненты этой схемы могут отсутствовать.

Данная архитектура является общепринятым пониманием места и роли различных технологий обработки данных.

* Работа выполнена при поддержке: РФФИ (гранты № 08-01-00473, № 06-01-00272), РНП 2.1.2.3193, РНП 2.1.2.2238, г/б № Т.1.04.01.

Рис. 1. Общая архитектура информационно-антиттеской системы (ИАС)

Информационно-анадитические системы, создаваемые для использования лицами, принимающими решения, являются простыми в применении, но ограниченными по функциональным возможностям. Такие статические системы называются Информационными системами руководителя (ИСР), или Executive Information Systems (EIS). Они содержат в себе предопределенные множества запросов и, будучи достаточными для повседневного обзора, неспособны ответить на все вопросы к имеющимся данным, которые могут возникнуть при принятии решений. Время ожидания в данном случае достаточно велико, что не всегда приемлемо. Таким ,

.

Динамические СППР (DSS) ориентированы на обработку нерегламентиро-ванных запросов аналитиков к данным [4]. Работа аналитиков с этими системами заключается в интерактивной последовательности формирования запросов и изучения их результатов.

Динамические СППР могут действовать не только в области оперативной аналитической обработки (OLAP), но и осуществлять поддержку принятия управленческих решений на основе накопленных данных. Такой подход может использоваться в следующих областях:

1. Область детализированных данных. Это область действия большинства , .

СУБД достаточно хорошо справляются с возникающими здесь задачами. Общепризнанным стандартом языка манипулирования реляционными данными является SQL. - ,

пользователя в задачах поиска детализированной информации, могут использоваться в качестве надстроек, как над отдельными базами данных транзакционных , .

2. Область агрегированных показателей. Комплексный взгляд на собранную в хранилище данных информацию, ее обобщение, агрегация, и многомерный анализ являются задачами систем оперативной аналитической обработки данных (OLAP).

многомерные СУБД, либо применяются реляционные технологии. Во втором случае заранее агрегированные данные могут собираться в БД звездообразного вида. Агрегация информации производится одновременно в процессе сканирования детализированных таблиц реляционной БД.

3. Область закономерностей. Интеллектуальная обработка производится методами интеллектуального анализа данных (ИАД, Data Mining), главными задачами которых являются поиск функциональных и логических закономерностей в на, , -денные аномалии и/или прогнозируют развитие некоторых процессов.

В настоящее время оформился ряд новых концепций хранения и анализа данных [4-6]:

1. Хранилища данных, или Склады данных (Data Warehouse).

2. Оперативная аналитическая обработка (On-Line Analytical Processing, OLAP).

3. Интеллектуальный анализ данных - ИАД (Data Mining).

OLAP Data Warehouse

- Data Mining. -

антом является комплексный подход к их внедрению.

Концепция хранилищ данных (Data Warehouse). Для того чтобы существующие хранилища данных способствовали принятию управленческих решений, информация должна быть представлена аналитику в нужной форме, то есть он должен иметь развитые инструменты доступа к данным хранилища и их обработки.

В основе концепции Хранилищ Данных лежат две основополагающие идеи:

1. ( архивы, данные из традиционных СОД, данные из внешних источников) в едином , .

2.

данных используемых для решения задач анализа.

Рассмотрим структурную схему СППР на основе двухуровневого хранилища . ( . 2) предоставления информации в рамках компании.

Рис. 2. Двухуровневое хранилище данных

Для поддержки такой архитектуры необходима выделенная команда профессионалов в области хранилищ данных. Это означает, что вся организация должна согласовать все определения и процессы преобразования данных.

Преимущества:

♦ Данные хранятся в единственном экземпляре.

♦ Минимальные затраты на хранение данных.

♦ Отсутствуют проблемы, связанные с синхронизацией нескольких копий

.

♦ Данные консолидируются на уровне предприятия, что позволяет иметь единую картину бизнеса.

:

♦

пользователей или групп пользователей.

♦ Возможны проблемы с пр оизводительностью системы.

♦

.

Кроме единого справочника метаданных, средств выгрузки, агрегации и согласования данных, концепция Хранилищ Данных подразумевает: интегрированность, неизменчивость, поддержку хронологии и согласованность данных. И если, два первых свойства (интегрированность и не изменчивость) влияют на режимы анализа данных, то последние два (поддержка хронологии и согласованность) существенно сужают список решаемых аналитических задач.

Без поддержки хронологии (надичия исторических данных) нельзя говорить о решении задач прогнозирования и анализа тенденций. Но наиболее критичными и , , .

Основным требованием аналитика, является не столько оперативность, сколько достоверность ответа. Но достоверность, в конечном счете, и определяется согласованностью. Пока не проведена работа по взаимному согласованию значений данных из различных источников, сложно говорить об их достоверности.

Концепция Витрин Данных (Data Mart). Концепция Витрин Данных имеет ряд несомненных достоинств:

♦ Аналитики видят и работают только с теми данными, которые им реально

.

♦ Целевая БД Витрины Данных, максимально приближена к конечному

.

♦

, .

♦ Для реализации Витрин Данных не требуются высоко мощная вычисли.

, . , -

формационной системы с мало контролируемой избыточностью, но не предлага-

,

.

Возможная структурная схема СППР с использованием независимых витрин данных представлена на рис. 3. Независимые витрины данных часто появляются в крупных организациях с большим количеством независимых подразделений, имеющих свои собственные отделы информационных технологий.

В настоящее время применяется объединенная концепция Хранилищ Данных и Витрин Данных, в которой предлагается использовать Хранилище Данных в качестве единого интегрированного источника данных для Витрин Данных.

Рис. 3. Независимые витрины данных

В таком случае возможно следующее многоуровневое решение:

♦ первый уровень - общекорпоративная БД на основе РСУБД с нормализованной или слабо нормализованной схемой (детшизированные данные);

♦ второй уровень - БД уровня подразделения (или конечного пользовате-

), ( );

♦ третий уровень - рабочие места конечных пользователей, на которых непосредственно установлен аналитический инструментарий;

♦ постепенно становится стандартом де-факто, позволяя наиболее полно реализовать и использовать достоинства каждого из подходов:

♦ компактное хранение детализированных данных и поддержка очень боль-

, ;

♦ простота настройки и хорошие времена отклика, при работе с агрегиро-

, .

Реляционная форма представления данных, используемая в центральной об, -

.

базами. И, хотя такая центральная система, обычно, не сможет обеспечить оперативного режима обработки аналитических запросов, при использовании новых способов индексации и хранения данных, а так же частичной денормализации таблиц, время обработки заранее регламентированных запросов (а в качестве таких, можно рассматривать и регламентированные процедуры выгрузки данных в мно-) .

В свою очередь, использование многомерных СУБД в узлах нижнего уровня обеспечивает минимальные времена обработки и ответа на нерегламентированные запросы пользователя. Кроме того, в некоторых многомерных СУБД имеется возможность хранить данные как на постоянной основе (непосредственно в многомерной БД), так и динамически (на время сеанса) загрузить данные из реляционных БД (на основе регламентированных запросов).

, ,

, . -

,

. , , время отклика может оказаться достаточно продолжительным, такое решение обеспечивает высокую гибкость и требует более дешевых аппаратных средств

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Городецкий В.К, Самойлов В.В., Малое АХ). Современное состояние технологий извлечения знаний из баз и хранилищ данных // Новости искусственного интеллекта, №3, 2002. - С. 3-13.

2. Башм аков AM., Башмаков И А. Интеллектуальные инфо рмационные технологии. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2005.

3. . ., . . . - .: -

, 2000.

4. Christopher J. Date. The Database Relational Model: A Retrospective Review and Analysis: A Historical Account and Assessment of E. F. Codd's Contribution to the Field of Database Technology. Addison Wesley Longman, 2000.

5. Спирли Э. "Корпоративные хранилища данных. Планирование, разраотка и реализация. Т.1". Издательство: Вильямс 2001. ISBN 5-8459-0191-X.

6. Devlin B., "Data warehouse: from architecture to implementation". Addison Wesley Longman, Inc. 1997. ISBN 0-201-96425-2.

УДК 321.3

П.В. Сороколетов

ПРИНЦИПЫ И НЕЧЕТКИЕ АЛГОРИТМЫ АНАЛИЗА МОДЕЛЕЙ ПРИНЯТИЯ РЕШЕНИЙ*

. -

венные системы характеризуются отсутствием всей или частичной необходимой , . приводит к невозможности и затруднению практического применения существующих систем и методов поддержки принятия решений [1, 2].

При решении комплексных задач энергетики, проектирования, системного анализа, теории игр, где существует понятие «проклятия размерности» анализи-, -вать постановку и условия задачи, а также понятие решения. Тогда исходная задача тре, . -ществляется с помощью комплекса методов и алгоритмов. Если существует некий ,

между собой, которые приводят к оптимальному использованию ресурсов, то го, .

, , , -разованию исходных величин и удовлетворению условий задачи [3, 4].

Использование нечетких исходных данных является одним из способов расширения сферы применения формальных методов, в частности, теории ожидаемой , -, . подходы к анализу решений на основе не только нечеткой, но и ограниченной ин-, .

Принятием решений считают множество альтернатив в условиях определенности, позволяющих получать, однозначные, непротиворечивые, корректные решения

*

Работа выполнена при поддержке: РФФИ (гранты № 08-01-00473, № 06-01-00272), РНП 2.1.2.3193, РНП 2.1.2.2238, г/б № Т.1.04.01.