Глава 13 выбор или принятие решений

1. Характеристика задач принятия решений

Теория принятия решений представляет собой набор понятий и сис­тематических методов, позволяющих всесторонне анализировать про­блемы выбора и принятия решений, в том числе в условиях неопреде­ленности. Цель теории - совершенствование процесса принятия реше­ний.

Реализация выбора и принятия решений является одной из завер­шающих процедур системного анализа. За данной процедурой следу­ет внедрение результатов системных исследований. В процессе приня­тия решения реализуется цель системного анализа, которая была сфор­мулирована на соответствующих этапах проведения исследований: «Вы­бор является действием, придающим всей деятельности целенаправ­ленность. Именно выбор реализует подчиненность всей деятельности определенной цели или совокупности целей» [1]. Таким образом, при­нятие решений является обязательным, центральным этапом систем­ных исследований. Перед реализацией процесса выбора считаются выполненными два крайне важных этапа или процедуры системных исследований - определение целей системного анализа, для достиже­ния которых собственно и осуществляется выбор, и генерирование аль­тернатив, т.е. порождение множества альтернатив, на котором предстоит осуществить выбор. В этом случае принятие решений можно рассмат­ривать как операцию над множеством альтернатив, в результате выпол­нения которой множество сужается до подмножества выбранных аль­тернатив. В идеальной ситуации подмножество должно состоять из одной альтернативы. Эта ситуация желательна, но не всегда реализуе­ма. Итак, при выполнении процесса принятия решений осуществляется анализ альтернативных способов действия, приводящих к достижению заданных целей. Важным обстоятельством является также наличие критериев, с помощью которых осуществляется сравнение вариантов достижения целей. Задание критериев или мер эффективности позво­ляет определить степень, с которой заданные цели могут быть достиг­нуты с помощью различных способов действия. Для каждого способа действия возможные исходы описываются в единицах принятых мер эффективности.

Таким образом, для того чтобы приступить к решению задач вы­бора, необходимо сформировать и детально проанализировать пресле­дуемые системными аналитиками цели, задать исходное множество альтернатив, из которых требуется выбрать наиболее предпочтитель­ные, а также определить критерии оценки и сравнения любых альтер­натив. Ho даже при выполнении всех перечисленных условий проблема выбора не тривиальна и допускает существенно различающиеся под­ходы к своему решению. Сложность решения задач выбора обусловле­на их особенностями. Рассмотрим их.

1. Многоцелевой характер задач системного анализа. При проведе­нии системных исследований приходится стремиться к достижению различных частных целей. В общем случае цели могут быть противо­речивы. Продвижение по пути достиженияодной цели может приводить к ухудшению результатов по другим. В такой ситуации лицо, принима­ющее решение, неизбежно оказывается перед необходимостью выбо­ра между противоречивыми целями.

2. Воздействие фактора времени. Все важные последствия приня­того решения сразу не проявляются и нельзя указать конкретный мо­мент времени, когда можно наблюдать то или иное последствие.

3. Наличие неформализуемых понятий. Такие понятия как добрая воля, престиж, политические действия и тому подобные часто имеют место при проведении системных исследований, в особенности при ана­лизе социотехнических систем. Эти понятия являются неформализуе- мыми понятиями, которые существенно усложняют задачу принятия решений.

4. Неопределенность. Маловероятно, что в момент принятия реше­ния, т.е. выбора альтернативного действия, будут досконально извест­ны последствия каждой из альтернатив.

5. Возможность получения информации. Часто можно организовать работу по сбору информации об объекте исследования, которая может помочь в решении задачи выбора альтернативного способа действия. Однако следует учитывать, что собираемая информация всегда требу­ет затрат средств и времени и к тому же она практически всегда обла­дает ограниченной достоверностью.

6. Динамические аспекты процесса принятия решений. После того, как некоторое решение выработано и выбрана альтернатива, может оказаться, что задача не исчерпана до конца, и потребуется принять очередное решение через определенное время. Принятое решение MO- жет способствовать одним и препятствовать другим решениям, кото­рые будут приниматься в будущем. Важно распознать заранее такие динамические проблемы и увидеть, какие возможности могут открыть­ся в будущем благодаря тому или иному решению.

7. Влияние решений на структурные звенья объекта системных ис­следований. Некоторая выбранная альтернатива может повлиять на работу различных структурных элементов объекта системных иссле­дований, например коллектива исполнителей того или иного подразде­ления. Принятое решение может затруднять работу одних и способство­вать работе других коллективов исполнителей.

8. Коллективное принятие решений. Часто ответственность за вы­бор альтернативы несет не отдельное лицо, а группа исполнителей. Фактически для определенного круга задач нельзя четко разграничить функции иответственность лиц, принимающих решениепо некоторому кругу вопросов.

Сформулированные особенности задач принятия решений позволя­ют подойти к их классификации. В основу классификации задач приня­тия решений положены следующие принципы: число лиц, принимающих решение; вид показателя эффективности; уровень определенности ин­формации, на основании которой принимается решение; зависимость элементов модели проблемной ситуации от времени.

По признаку числа лиц, принимающих решение, различают задачи индивидуального, принимаемого одним лицом, и группового принятия решений, когда решения принимаются коллективным органом. При груп­повом выборе решений определяющую роль играет проблема согласо­вания индивидуальных предпочтений членов группы. Главной задачей на этом этапе является объединение предпочтений отдельных лиц в единое мнение. Степень согласованности целей при многостороннем выборе может варьироваться от полного совпадения интересов сторон {кооперативный выбор)до их противоположности(выбор в конфлик­тной ситуации).Возможны также промежуточные случаи, напримеркомпромиссный выбор, коалиционный выбор, выбор в условиях на­растающего конфликтаи т.д. Решение задачи объединения предпоч­тений отдельных лиц в единое мнение можно достичь в рамках теории

экспертного оценивания.

В зависимости от вида используемого показателя эффективности задачи принятия решений подразделяются на однокритериальные и мно­гокритериальные. Задачи с одним критерием называются скалярными, многокритериальные задачи - задачами с векторным критерием эф­фективности. Следует иметь в виду, что в задачах с несколькими кри­териями эффективности различные цели могут противоречить друг другу. Также необходимо учитывать, что критерии могут иметь как количественный, так и качественный характер.

По признаку степени определенности информации о проблемной ситуации различают задачи принятия решений с полностью заданной исходной информацией, требуемой для решения проблемы, и задачи в условиях наличия неопределенности. Задачи принятия решений в усло­виях определенности называются детерминированными задачами. Они характеризуются наличием полной и достоверной информации о про­блемной ситуации, критериях эффективности, ограничениях и послед­ствиях, реализующихся в процессе принятиятогоилииного решения.

Задачи принятия решений в условиях неопределенности характери­зуются наличием стохастической и нестохастической неопределеннос­ти.

Характерная особенность задач принятия решений в условиях нео­пределенности заключается в том, что исход операции зависит как от стратегии, выбираемой лицом, принимающим решения, так и от неопре­деленных факторов, не известных лицу, принимающему решения в мо­мент его выработки.

По признаку зависимости элементов модели проблемной ситуации от времени различают статические и динамические задачи. Элементы модели в динамических задачах зависят от функций времени, описы­вающих поведение динамических объектов, и тем самым значительно усложняют процедуры выработки решений.

Режим выбора может быть однократным (разовым) или повторя­ющимся, допускающим обучение на опыте.

Различные сочетания перечисленных вариантов и приводят к мно­гообразным задачам выбора, которые изучены не в одинаковой степе­ни. В зависимости от типа задач принятия решений используют различ­ные методы выработки решения. Рассмотрим некоторые методы и подходы к решению задач выбора и принятия решений.

2. Критериальный способ описания выбора

Наиболее развитым и чаще всего применимымпри решении задач выбора является критериальный подход. При применении данного под­хода предполагается, что каждую отдельно взятую альтернативу мож­но оценить численно, значением критерия. Тогда сравнение альтерна­тив сводится к сопоставлению соответствующихим чисел.

В зависимости от объекта и цели исследования критерии или пара­метры оптимизации могут быть весьма разнообразны. Чтобы ориен­тироваться в этом многообразии, введем некоторую классификацию. Итак, среди множества параметров оптимизации выделяют: экономи­ческие, технико-экономические, технологические, статистические, пси­хологические, эстетические и т.п. Примерами экономических парамет­ров могут служить прибыль, рентабельность, себестоимость; технико­экономических - производительность, надежность, долговечность; технологических - выход продукта, характеристики качества и пр.

Критерий или параметр оптимизации - это признак, по кото­рому оптимизируют процесс принятия решений.Критерий должен быть количественным, задаваться числом. Необходимо уметь измерять его при любой возможной комбинации воздействующих на исследуемую систему факторов. Множество значений, которые может принимать критерий (параметр оптимизации), называют областью его определе­ния. Области определения могут быть непрерывными и дискретными, ограниченными и неограниченными. Например, выход реакции - это параметр оптимизации с непрерывной, ограниченной областью опреде­ления. Он может изменяться от0 до100%. Число бракованных изде­лий, число кровяных телец в пробе крови-примеры параметров с дис­кретнойобластью определения,ограниченной снизу. Если нет способа количественного измерения результата, то приходится пользоваться подходом, называемым ранжированием (ранговым подходом). В этом случае параметрам оптимизации присваивается оценка - ранг по зара­нее выбранной шкале. Ранг - это количественная оценка параметра оптимизации. Она носит условный субъективный характер. Чаще все­го ранжирование используется в тех случаях, когда требуется оценить качественный признак. Ранговый параметр имеет дискретную область определения. В простейшем случае область содержит два значения (да

• нет, хорошо - плохо). Это может соответствовать способу оценки качества продукции, является она годной или бракованной. Другим при­мером субъективной оценки может служить оценка знаний на экзаме­не. Знание - абстрактный параметр. В этом случае оценка знания осу­ществляется путем проставления ранга, определенного, скажем, по пя­тибалльной шкале.

Для каждого физически измеряемого параметра оптимизации можно построить ранговый аналог. Потребность в построении такого аналога возникает, если имеющиеся в распоряжении исследователя численные характеристики неточны или неизвестен способ построения удовлетво­рительных численных оценок. При прочих равных условиях всегда нужно отдавать предпочтение физическому измерению, так как ранговый под­ход менее чувствителен и с его помощью трудно изучать тонкие эф­фекты.

Желательно, чтобы параметр оптимизации выражался одним чис­лом. Иногда это получается естественным образом, когда речь идет, скажем, о результатах измерения некоторым прибором. В ряде случа­ев приходится для определения параметра оптимизации производить вычисления.

Еще одно требование, связанное с количественной природой пара­метра оптимизации - однозначность в статистическом смысле. Задан­ному набору значений, воздействующих на исследуемую систему фак­торов, должно соответствовать одно определенное с точностьюдо ошибки эксперимента значение параметра оптимизации. Однако обрат­ное утверждение неверно: одному и тому же значению параметра мо­гут соответствовать разные наборы значений факторов.

Для успешного достижения цели исследования необходимо, чтобы параметр оптимизации действительно оценивал эффективность функ­ционирования системы в заранее выбранном смысле. Это требование является главным, определяющим корректность постановки задачи.

Следующее требование к параметру оптимизации - требование уни­версальности и полноты. Под универсальностью параметра оптимиза­ции понимается его способность всесторонне характеризовать объект. Универсальностью обладают обобщенные параметры оптимизации, которые строятся как функции от нескольких частных параметров. Желательно, чтобы параметр оптимизации имел физический смысл, был простым и легко вычисляемым. Требование физического смысла свя­зано с необходимостью последующей интерпретации результатов про­цедуры принятия решений.

Рассмотрим постановку задачи критериального выбора. Пусть х - некоторая альтернатива из множества X.Считается, что для всеххє X может быть задана функцияq(x), которая называетсякритерием или параметром оптимизации (критерием качества, целевой функци­ей, функцией предпочтения, функцией полезностии т.д.) и облада­ет тем свойством, что если альтернативаJc₁ предпочтительнее альтер­нативых₂(будем обозначать этоX₁ > X₁), тоq(x) > q(x₂) и обратно.

Выбор как максимизация критерия

Если теперь сделать еще одно важное предположение, что выбор любой альтернативы приводит к однозначно известным последствиям (т.е. считать, что выбор осуществляется в условиях определенности) и заданный критерий q(x) численно выражает оценку этих последствий, то наилучшей альтернативойх*является, естественно, та, которая об­ладает наибольшим значением критерия:

X^t= arg max q{х),при условии, чтохє X.

Задача определения оптимального решениях*,простая по постанов­ке, часто оказывается сложной для решения, поскольку метод ее ре­шения (да и сама возможность решения) определяется как характером множестваX,так и видом критерия. На возможность решения задачи оптимизации критерия оказывает влияние размерность вектора х и тип множестваX- является ли оно конечным, счетным или континуальным.

В свою очередь критерий может быть сформулирован в виде функции

или функционала.

Однако сложность определения наилучшей альтернативы на прак­тике существенно возрастает, так как оценивание любого варианта единственным числом обычнооказывается неприемлемым упрощени­ем. Более полное рассмотрение альтернатив приводит к необходимос­ти оценивать их не по одному, а по нескольким критериям, качественно различающимся между собой. При решении конкретных задач систем­ным аналитикам следует учитывать множество критериев: техничес­ких, технологических, экономических, социальных, эргономических и пр.

Итак, пусть для оценивания альтернатив используется несколько критериев q.(x), і = I ,...,р.Теоретически можно представить себе слу­чай, когда в множествеX окажется одна альтернатива, обладающая наибольшими значениями всехркритериев; она и является наилучшей. Однако на практике такие случаи почти не встречаются, и возникает вопрос, как же тогда осуществлять выбор.

Путь к единому параметру оптимизации часто лежит через обоб­щение. Из многих критериальных функций, определяющих альтернати­ву, трудно выбрать один, самый важный. Будем рассматривать ситуа­цию, когда необходимо множество критериальных функций свернуть в единый количественный признак. Каждый критерий в общем случае имеет свой физический смысл и свою размерность. Чтобы объединить различные критерии, прежде всего, приходитсявводитьдля каждогоиз них некоторую безразмерную шкалу. Шкала должна быть однотипной для всех объединяемых критериев - это делает их сравнимыми.

Сведение многокритериальной задачи к однокритериальной

Рассмотрим наиболее употребительные способы решения много­критериальных задач. Первый способ состоит в том, чтобы многокри­териальную задачу свести к однокритериальной. Это означает введе­ние суперкритерия, т.е. скалярной функции векторного аргумента:

Ч₀(х) = q_Q (?,(*), q₂(x),..., q_p{x)).

Суперкритерий позволяет упорядочить альтернативы по величине q_o, выделив тем самым наилучшую (в смысле этого критерия). Вид функцииq_o определяется тем, как мы представляем себе вклад каж­дого критерия в суперкритерий. Обычно для реализации данной проце­дуры используют аддитивные

или мультипликативные функции

Коэффициенты S_j обеспечивают безразмерность критериального значения (частные критерии могут иметь разную размерность, и тогда некоторые арифметические операции над ними, например сложение, не имеют смысла). Коэффициенты а₍,|3₍отражают относительный вклад частных критериев в суперкритерий.

Итак, при данном способе задача сводится к максимизации супер­критерия:

х‘ = arg max q₀ (q. (х),...,q_p (х)),при хє X.

Очевидные достоинства объединения нескольких критериев в один суперкритерий сопровождаются рядом трудностей и недостатков, ко­торые необходимо учитывать при использовании этого метода.

Рассмотрим примеры построения обобщенных критериальных по­казателей. Пусть рассматриваемая альтернатива характеризуется п частными критериальными функциямиq.(i=\, 2,..,р).Каждая из функ­цийq. имеет свой физический смысл и, чаще всего, свою размерность. Введем простейшее преобразование: набор данных для каждогоq. по­ставим в соответствие с самым простым стандартным аналогом - шкалой, на которой имеется только два значения:0 - брак, неудовлет­ворительное качество,1 - годный продукт, удовлетворительное качест­во. В ситуации, когда каждый преобразованный критерий принимает только два значения0 и1,естественно желать, чтобы и обобщенный критерий принимал одно из двух возможных значений, причем так, что­бы значение1 имело место тогда и только тогда, когда все частные критериальные показатели приняли бы значение равное1.Если же, хотя бы один из показателей принял значение, равное0, то и обобщенный критерий будет равным нулю. В этом случае для построения обобщен­ного критериального показателя естественно воспользоваться форму­лой

р

% =Гк

1=1

Иногда применяют запись

*

где <7₀- обобщенный критериальный показатель;q. -частные крите­риальные функции.

Если для каждого из частных критериев известен «идеал», к кото­рому нужно стремиться, то можно предложить следующий метод по­строения обобщенного параметра оптимизации (критериального пока­зателя). Пусть q_l0 - наилучшее (идеальное) значениеі-го критерия. Тогда(q. - q_i0)~ мера близости к идеалу. Поскольку при построении обоб­щенного критериального показателя необходимо, чтобы различные по­казатели были сопоставимы, надо привести их к безразмерному значе­нию. Это можно осуществить, отнормировав полученное отклонение следующим образом

(Я, ~Я_ЮУЯ_т-

Чтобы исключить влияние знаков, возведем последнее выражение в квадрат

((?,- - Я_ЮУ Я₁₀ У- Тогда обобщенный критериальный показатель можно записать

<7о ~<7,)Чо)².

/»1

Если все частные критерии совпадают с идеалом, то q₀ станет рав­ным нулю. В таком правиле определения обобщенного критериального показателя каждый частный критерий входит в формулу на равных пра­вах. На практике показатели бывают далеко не равноправны. Введем некоторые весовые коэффициенты а.,тогда правило определения обоб­щенного параметра можно записать в виде:

Qo = ^L^oc/((Ял“4,Vtfzo)², причем^a_j =1, а,>0.

(=1 ,=1

Задача определения значений весовых коэффициентов - это отдель­ная задача, она не входит в рамки обсуждения.

Если удается построить обобщенный критериальный показатель, то метод поиска оптимального решения будет аналогичен методу оптими­зации в случае единственного критерия. В зависимости от вида крите­риального показателя в качестве метода решения могут быть исполь­зованы прямые оптимизационные процедуры, в случае невозможности аналитического решения используются численные методы.

Условная максимизация

Вторым способом решения задач выбора в условиях наличия не­скольких критериальных показателей является сведение задачи к за­даче условной максимизации. Данный метод решения задач выбора целесообразно применять в тех случаях, когда заведомо известно, что частные критерии неравнозначны между собой, одни из них более важ­ны, чем другие. В этом случае происходит выделение основного, глав­ного критерия, остальные рассматриваются как вспомогательные, до­полнительные к выделенному. Такое разделение критериев позволяет сформулировать задачу принятия решений как задачу определения ус­ловного экстремума:

х' = arg(max f(x)/q_t(x) < C_i, і = I, 2,..., р),

где через/(jc) обозначен основной критерий;q.(x) - вспомогательные или второстепенные критериальные функции. В ограничениях могут иметь место различные сочетания знаков: от строгого равенства до строгого неравенства. Например, если вспомогательный критерий ха­рактеризует стоимость затрат, то разумнее задавать их верхний уро­вень и формулировать задачу с ограничениями в виде неравенств. Для решения задач в такой постановке разработаны специальные методы математического программирования, рассмотренные в гл.2 работы[57].

Нахождение паретовского множества

Следующий способ многокритериального выбора состоит в срав­нении альтернатив между собой по всем сформированным критериям и выделении подмножества наилучших альтернатив. В данном подхо­де отказываются от поиска одной единственной наилучшей альтерна­тивы. Решающее правило в этом случае строится на основе аксиомы

В. Парето, которая формулируется следующим образом: «Если в зада­че принятия решений частные критерии независимы по предпочтению и значение каждого из них желательно увеличивать, то из двух альтер­натив, характеризуемых набором частных критериев, предпочтитель­нее та, для которой выполняются соотношения q_u(x) > q_2i(x) по всемі, где первый индекс характеризует номер стратегии, второй индекс - номер частного критерия. То есть первая альтернатива предпочтитель­нее второй только в том случае, когда значения ее частных критериев не меньше значений частных критериев второй альтернативы. Если все значения частных критериев одной альтернативы равны значениям кри­териев другой, то альтернативы равнозначны». Таким образом, пред­почтение одной альтернативе перед другой можно отдавать только если первая по всем критериям лучше второй. Если же предпочтениехотя бы по одному критерию расходится с предпочтениемпо другому, то такие альтернативы признаются несравнимыми. В результате попарного сравнения альтернатив все худшие по всем критериям альтернативы от­брасываются, а все оставшиеся несравнимые между собой принима­ются. Если все максимально достижимые значения частных критери­ев не относятся к одной и той же альтернативе, то принятые альтерна­тивы образуют множество Парето и выбор на этом заканчивается. При необходимости выбора единственной альтернативы следует привлекать дополнительные соображения: либо корректировать систему предпоч­тений, либо обращаться к услугам экспертов, либо воспользоваться ме­тодами, рассмотренными ранее (построение обобщенного критерия или сведение задачи к задаче поиска условного экстремума).

3. Выбор в условиях неопределенности

Рассмотренные до настоящего времени задачи осуществления выбора формулировались таким образом, что последствия сделанного выбора предполагались однозначно определенными. Выбор одной из альтернатив был связан с известным однозначным следствием. В этом случае проблема выбора состояла в сравнении разных вариантов, т.е. альтернатив.

В реальной практике в большинстве случаев приходится иметь дело с более сложной ситуацией, когда выбор альтернативы неоднозначно определяет последствия сделанного выбора. Адекватное реальности описание проблемы практически всегда содержит различного рода нео­пределенности, отражающие то естественное положение, в котором находится исследователь: любое его знание относительно и неточно. Принято различать три типа неопределенностей. С одной стороны это неопределенности природы. К данному виду неопределенностей отно­сят факторы, неизвестные исследователю. Далее неопределенности про­тивника. Нередки ситуации, когда исследователь принимает решения в

условиях, при которых результаты его решений не строго однозначны. Они зависят от действий других лиц (партнеров, противников и т.п.), которые он не может учесть или предсказать. И, наконец, существуют так называемые неопределенности целей. Такая ситуация возникает в случае, когда при принятии решений формулируется несколько целей, которые в общем случае могут противоречить друг другу. В этом слу­чае мы приходим к многокритериальной задаче выбора. Подходы к принятию решения в условиях многокритериальной задачи рассмотре­ны в предыдущем параграфе.

Существует также классификация неопределенностей по соотноше­нию альтернатив и исходов. Различают неопределенности дискретного и непрерывного типа, стохастические и расплывчатые неопределенно­сти.

Рассмотрим следующую ситуацию: имеется набор возможных не­ходову є У, из которых один окажется совмещенным с выбранной аль­тернативой, но какой именно - в момент выбора неизвестно, а станет ясным позже, когда выбор уже сделан и изменить ничего нельзя. Бу­дем предполагать, что с каждой альтернативойхсвязано одно и то же множество исходовY, для разных альтернатив одинаковые исходы име­ют разное значение. В случае дискретного набора альтернатив и исхо­дов такую ситуацию можно изобразить с помощью матрицы, представ­ленной в табл.13.1:

Таблица 13.1

В этой матрице все возможные исходы образуют вектор у= (у_р..у_т), числаq.. выражают оценку ситуации, когда сделан выбор альтер­нативых.и реализовался исходу .Вконкретных случаях числаq.. мо­гут иметь различный смысл: это может быть «выигрыш», «потери», «платежи» и т.п. Если все строкиq. = {q_n,..., q_lm) при любыхі одинако­вы, то проблемы выбора нет. Если же строки матрицы различны, воз­никает вопрос, какую альтернативу предпочесть, не зная заранее, ка­кой из исходов реализуется.

Аналогичная ситуация возникает в случае, когда множества X иY непрерывны. В этом случае зависимость между альтернативами и ис­ходами задается в виде функцииq(x,у),хє X,ує Fe соответствующей постановкой вопроса о выборе х.

Введенных до настоящего времени параметров недостаточно для формальной постановки задачи выбора. При различной конкретизации этой задачи она приобретает различный смысл и требует различных методов решения. Методологической базой для решения такого рода задач является теория игр. Метод решения конкретной задачи будет зависеть от характера воздействующих на ситуацию факторов, не за­висящих от лица, принимающего решения. Здесь необходимо различать уже отмеченные ранее неопределенности природы и неопределеннос­ти противника. В задачах выбора с природной неопределенностью счи­тается, чтоисходыу= (у,,...,у_т)есть возможныесостояния природы. Желательность каждой альтернативых.зависит от того, каково состо­яние природы, но узнать это состояние исследователь сможет лишь

после того, как сделан выбор.

В задачах выбора с неопределенностью противника предполагает­ся, что исходы Y - это множество альтернатив, на котором выбор осу­ществляет второй игрок. В отличие от природной неопределенности игрок преследует свои интересы, отличные от интересов исследователя (пер­вого игрока). При этом матрицаQ = Ц^Ц,характеризующая оценки си­туаций с точки зрения системного исследователя или лица, принимаю­щего решения, выбирающегох,уже недостаточна для описания всей ситуации. Необходимо задать вторую матрицуU = ||и_л|[,описывающую систему предпочтений с позиции противника. Задание X, Y_tQviU назы­вается нормальной формой игры. Расхождение между матрицамиQ иU определяет степень антагонизма лица, принимающего решения, и его противника. Остановимся на анализе природных неопределенностей и неопределенностей противника.

Природные неопределенности

Рассмотрение природных неопределенностей начнем с примера. Пусть перед системным аналитиком стоит задача проложить маршрут океанского лайнера и распорядиться запасом горючего так, чтобы суд­но как можно быстрее дошло до пункта назначения. При этом извест­но, что время нахождения в пути будет существенно зависеть отпогод­ных условий на трассе в момент ее прохождения. В данном случае по­годные условия представляют собой природную неопределенность. Ситуация типична для ряда задач принятия решений. Рассмотрим ее

405

формализацию. Запишем целевую функцию, например время нахожде­ния судна в пути, в следующем виде

T = f{x, а),

где ає G_o-некоторый параметр, который заранее неизвестен. Выбор альтернативых,которая бы минимизировала значение целевой функции будет существенно зависеть от того, какое значение параметра а реа­лизуется в момент прохождения судна по трассе.Таким образом, гово­ря о природной неопределенности, имеем в виду, что выбор осуществ­ляется в условиях, когда целевая функция задана, но не совсем точно, а именно, она содержит неопределенный параметр. Постановка задачи выбора будет выглядеть следующим образом

T = Z(^a)-Mnin,.

При этом решение будет представлять собой функцию от парамет­ра а: х=х(а). Если никакой дополнительной информацией о факторе нео­пределенности а лицо, принимающее решение, не располагает, то ре­зультат оптимизации произволен. В реальных ситуациях информация о параметре а обычно имеет вида є G_a, гдеG_a - некоторое множество. Ho подобной информации также недостаточно для однозначного реше­ния задачи.Решениех= х(а) определяет лишь некоторое отображение множества неопределенности природных факторовG_a на множество альтернативX,которое естественно назвать множеством неопределен­ности результата. Множество неопределенности результата X- важная характеристика процедуры принятия решений, но его построение сопря­жено с большим объемомсложных вычислений.

Рассмотрим другой подход, который дает строгую оценку. Данный подход основан на применении принципа наилучшего гарантированного результата. Суть его состоит в следующем. Так как для любой альтер­нативы хсправедливо неравенство

тах_а /(х,а) > /(х,а),

то и для любого а є G_a будет справедливо соотношение

/’ = mm _д шах _af(x,a)> min_%f(x,a).

Число /*,определенное данным способом, называется гарантирован­ной оценкой, а соответствующая альтернативах ~ х* -гарантирован­ной стратегией в том смысле, что каково бы ни было значение пара­метранеопределенности а, выборх= х’гарантирует, что при любомa значение целевой функции будет не меньше, чем/*.

Выбор гарантирующей стратегии поведения - это рациональный способ принятия решений. В результате использования данной страте­гии лицо, принимающее решение, гарантирует исход, защищенный от всевозможных случайностей. Каковы бы ни были неконтролируемые факторы, в результате такого выбора обеспечивается значение целе­вой функции не меньше, чем/*.Данный результат может быть улуч­шен, если принять решение, связанное с определенным риском. Крите­рии принятия решений в условиях риска рассмотрим несколько позже.

Неопределенности противника

Перейдем теперь к описанию неопределенностей, связанных с су­ществованием активных партнеров или противников, действия которых лицо, принимающее решение, не может полностью контролировать.

В теории принятия решений особое место занимает изучение ситу­ации, в которой участвует много субъектов (много оперирующих сто­рон), причем каждый изних стремитсядостичь своей цели

/,(*Р-,*„)->тах,

и имеет для этого определенные возможности, которые описываются вектором Заметим, что формально такая ситуация включает в

себя проблему многокритериальное™, требующую определения векторах,при котором достигается максимум критериевJ_i(X). В самом деле, если отождествить цель каждого из субъектов с его критериемf_t(X), а в качестве описания множестваX принять условия

X₁=X₂=... = X^

то в результате будет получен частный случай задачи со многими ак­тивными партнерами. Общий случай ситуации со многими субъектами гораздо сложнее и требует для своего анализа целый ряд специфичес­ких гипотез. Поясним этона примере двухсубъектов.Итак, пусть два субъектаАиБ,располагающие возможностью выбора векторовхну, стремятсякдостижению своих целей, которые будем записывать в виде

/(x,j)-»max, cp(x,;y)-»irax, хв X, у в Y.

В частном случае может оказаться, что /(х,у) = -ф(х,у); такую ситуацию называют антагонистической. Антагонистические ситуации были предметом множества исследований и сделались основным объек­том изучения в теории игр. Чисто антагонистическая ситуация являет­ся в известном смысле вырожденной. Наиболее типичен конфликт, в котором интересы партнеров или противников не совпадают, но и не строго противоположны.

Общий случай нетождественности интересов (целей) партнеров (субъектов) называют конфликтом. При изучении конфликтных ситуа­ций, т.е. при изучении возможных способов выбора, удобно отождеств­лять исследователя с одним из субъектов. Условимся называть лицо, принимающее решение субъектомА.

В связи с тем, что исход выбора зависит от выбора субъекта Б, необходимопринять туили иную гипотезу о его поведении, которое, в свою очередь, будет зависеть от характера информированности субъек­таБ.Здесь возможно существование нескольких гипотез (нескольких случаев).

1. Каждый из субъектов не имеет никакой информации о выборе, который сделал другой субъект. В этом случае имеется возможность найти гарантированную оценку. Для субъекта Аона будет выражаться формулой

f' = max_xmin_yf(x,у), для субъектаБ- формулой

<р* =max_j,min_;t(p(j:,)').

Решая сформулированные задачи, определяют векторы х*иу*,ко­торые реализуют значения/*иф*. Такое решение означает, что сделав выбор х= х", лицо, принимающее решение, при любых условиях (лю­бом выбореує У) гарантирует, что значение целевой функции/(х, у) будет не меньше, чем/*.

В этой ситуации могут быть предложены различные варианты рис­ка. Например, имеется возможность принять гипотезу отом,что дру­гой субъект использует гарантирующую стратегиюу= у".Тогда необ­ходимо делать другой выбор:

/* = max,/(*,/).

В этом случае определяется вектор х = х¹и соответствующее зна­чение функции/=/¹. Приэтом/¹ >/,ноеслипротивник сделаетиной выбор, например,у= у¹,то может оказаться, что/(х¹,у¹)</*.В дан­ной ситуации следует иметь в виду, что риск есть риск, и если исследо­ватель сформулировал гипотезу и она оказалась неверной, то и резуль­тат может оказаться не тем, который ожидается.

2. Вторая ситуация характеризуется тем, что исследователь во время принятия решения имеет информацию о выборе субъекта Б,т.е. ему известно выбранное субъектомБзначениеу.

Тогда стратегию (выбор) х следует искать в виде функциих = х(у). Данная стратегия может быть определена эффективно, для этого тре­буется решить задачу оптимизации

/⁽²⁾ = max,/(*,>>).

Решая данную оптимизационную задачу, определяем искомую страте­гиюх = х(у). Для этого случая можно также вычислить гарантирован­ный результат (он будет отличен от/*):

/ =Hiinmax^/(х,у)

и во всех случаях / ^ /*.

Заметим, что выбирая свою стратегию - вектор х - лицо,принима­ющее решение, никак не можем повлиять на выбор, который сделал другой субъект.

3. Предположим теперь, что субъектБв момент принятия своего решения будет знать выбор лица, принимающего решение (субъектаЛ); например, субъектЛобязан сообщить свое решение субъектуБ.В этом случае исключается возможность оказать влияние на выбор, который сделает субъектБ.В самом деле, если исследователь знает целевую функцию субъектаБ,то естественно сделать предположение о том, что субъектБбудет делать выбор из условия

<р = max _у<р(х,у).

Решая данную задачу исследователь может определить отклик субъекта Бна свой выбор, который, согласно сформулированной гипо­тезе, будет оптимальной стратегией субъектаБ:

J = У(х)-

Теперь имеется возможность распорядиться выбором вектора х. Подставляя последнее выражение в формулу для целевой функции/(х, у), можно получить

f(x,y(x)) = F(x).

Свой выбор исследователь может сделать из условия

/<» =F(x).

Итак, информация о том, что субъект Ббудет знать выбор лица, при­нимающего решения, а также гипотеза о том, что субъектБвыберет свою оптимальную стратегию, позволяют так воздействовать на его выбор, чтобы он в максимальной степени соответствовал целям иссле­дователя.

Описанная ситуация достаточно часто встречается на практике и ей нетрудно придать ту или иную экономическую интерпретацию.Так, векторхможно отождествить с ресурсом, а функциюу= у(Х)назвать производственной функцией, которая описывает наивыгоднейший для субъектаБспособ использования ресурса. Таким образом, субъектуБ выделяется такое количество ресурса, чтобы его деятельность наилуч­шим образом соответствовала целям субъектаЛ.

Критерии сравнения альтернатив

Теория принятия решений в настоящее время представляет собой самостоятельную научную дисциплину. По данному направлению опуб­ликовано множество монографий [3], поэтому не имеет смысла подробно останавливаться на результатах данной теории. Изложим основопола­гающие идеи и подходы к решению задач теории принятия решений.

Центральным моментом данной теории является введение крите­рия для оценки выбираемого варианта. В силу неопределенности исхо­да требуется дать оценку сразу целой строке матрицы (см. табл.13.1). Имея такие оценки для всех строк, и сравнивая их, можно приступать к решению задачи выбора. Для этого требуется ввести критерии сравне­ния альтернатив.

Самым распространенным является уже рассмотренный ранее мак- симинный критерий, который гарантирует результат выбора по принци­пу «наименьшего из зол». Рассмотрим суть данного критерия приме­нительно к табл. 13.1 (матрица платежей). В каждой из строк матрицы определяем наименьший из выигрышейTaxnjq_tJ, который характеризует гарантированный выигрыш в самом худшем случае. Данное значение считаем оценкой альтернативых..Далее определяем альтернативуд:*,обеспечивающую наибольшее значение этой оценки:

х“= arg max₍ min. q_t].

Эта альтернатива называется оптимальной по максиминному кри­терию. Если платежную матрицу определить не через выигрыш, а че­рез проигрыш, то тот же принцип рассмотрения приводит к минимакс­ному критерию. Минимаксный критерий использует оценочную функ­цию, соответствующую позиции крайней осторожности. Правило выбора решения в соответствии с минимаксным критерием можно интерпре­тировать следующим образом: матрица платежей, на основании кото­рой осуществляется поиск оптимального решения, дополняется еще одним столбцом из наименьших результатов q._r каждой строки. Выб­рать надлежит те вариантыX_i, в строках которых стоят наибольшие значенияq_ir этого столбца.

Выбранные таким образом варианты полностью исключают риск. Это означает, что лицо, принимающее решение, не может столкнуться с худшим результатом, чем тот, на который он ориентируется. Какие бы условия ни сложились при развитии ситуации, соответствующий результат не может оказаться ниже q._r. Это свойство заставляет счи­тать минимаксный критерий одним из фундаментальных. В задачах системных исследований применительно к техническим системам дан­ный критерий находит наиболее широкое применение. Однако следует заметить, что положение об отсутствии риска стоит различных потерь. Осознавая данную ситуацию, в теории принятия решений предложено большое количество критериев, учитывающих всевозможные особен­ности конкретных задач и предпочтений субъектов, принимающих ре­шения. Это такие критерии как Байеса-Лапласа, Сэвиджа, Гурвица, Ходжа-Лемана, Гермейера и т.д. Детальное описание данных критери­ев можно найти, например, в[3].

Применение минимаксного критерия бывает оправдано в ситуаци­ях, которые характеризуются следующими обстоятельствами:

• о возможности появления внешнихсостояний ничегонеизвестно;

• приходится считаться с возможностью появления нескольких раз­личных по своему характеру негативных внешних состояний;

• решение реализуется лишь один раз;

• при принятии решения необходимо исключить любой риск,т.е.ни при каких условиях не допускается получать результат, меньший чем

4. Концепция риска в задачах системного анализа

Допущение пусть даже малой вероятности а принятия ошибочного решения не исключает возможности риска. Полное устранение риска при принятии решений практически даже и не требуется; мало того, определенная степень риска вводится сознательно, так как принятие решения без риска, например, с предельно пессимистической позиции, как правило, невыгодно. Однако при этом разумный риск следует отли­чать от риска азартного игрока. Любой риск, во-первых, должен учи­тываться по возможности полно, описываться количественными харак­теристиками и ограничиваться, а во-вторых, ни в коем случае не пре­вышать уровень, при котором результат достигается с достаточной на­дежностью. В качестве опорного для оценки риска принимается реше­ние, получаемое на основании минимаксного критерия, так как данное решение соответствует позиции крайней осторожности.

В литературе встречается различное понимание термина «риск» и в него иногда вкладывают довольно сильно отличающиеся друг от друга трактовки. Однако общим во всех этих представлениях является то, что под риском понимают неуверенность, произойдет ли нежелательное событие и возникнет ли неблагоприятное состояние. Проблемы риска, тем не менее, часто приходится решать, и выбор варианта решения в общем случае, так или иначе, связан с риском. Поэтому попытаемся найти такое определение риска, которое в достаточной степени соот­ветствовало бы содержанию рассматриваемых задач и в то же время отвечало бы общей концепции теории принятия решений.

С понятием риска часто связывается представление о возможных или грозящих событиях с катастрофическими последствиями и поте­рями. Отсюда следует точка зрения, что такого события следует из­бежать любой ценой. При ожидаемых потерях, связанных с жизнью и здоровьем, это представление выражено особенно резко, и оно ясно формулируется в соответствующих инструкциях, например по технике безопасности. Конечно, нужно четко сказать, что полностью свобод­ной от риска техники, несмотря на самые большие затраты, не суще­ствует. Однако техническим задачам далеко не всегда сопутствуют такие отягчающие обстоятельства. Ущерб вследствие решения, при­нятого с учетом риска, может оказаться ничтожно малым по сравне­нию с затратами на то, чтобы избежать такого ущерба. Учитывая не­обходимость количественных оценок,можно предложить следующую формулировку понятия риска: величина риска, связанная с реализацией нежелательного события или состояния, есть произведение величины последствий реализации события на меру возможности его наступле­ния.

Обозначим через Анекоторое нежелательное событие или состоя­ние, которое может произойти. Пусть данное событие характеризуется некоторой вероятностью наступленияP(A) и некоторыми последствия­миU(A). Тогда риск, связанный с наступлением событияЛ,будет опре­деляться следующим образом:

R(A) = U(A) P(A).

Последствие в принципе нежелательного события или состояния может в соответствиисосвоей величиной описываться и оцениваться специфическими параметрами. Диапазон при этом весьма широк - от экономических до этических ценностей. Мерой возможности наступле­ния события служит вероятностьq его наступления.

При угрозе материальным ценностям степень риска измеряют в денежном выражении. Если различные последствия нежелательного события одинаковы или очень велики, то для сравнения достаточно рассматривать одни соответствующие вероятности. Наряду с этим может быть угроза ценностям, которую нельзя выразить количествен­но, например, когда последствия события нельзя предусмотреть дос­таточно полно. Примером могут служить последствия выходаиз строя прибора, используемого в различных областях народного хозяйства, которые поставщик оценить не может. В этом случае мерой риска ос­таётся принять вероятность превышения предела нагрузки.При риске, связанном со здоровьем, последствия могут быть частично оценены количественно в таких категориях, как простой в работе или расходы на оплату подменяющего персонала и т.п. При риске, связанном с ле­тальным исходом, количественные оценки последствий в большинстве случаев отсутствуют. При существовании угрозы жизни люди в насто­ящее время почти всегда, тем не менее, работают. Особые проблемы возникают в случаях, когда опасность грозит и людям, и материальным ценностям одновременно, и желательно меру такого риска сравнить с другими рисками. Риск может быть явно связан с факторами, не под­дающимися учету. Так, эстетический вред, наносимый построенным сооружением уникальному ландшафту, практически невозможно оце­нить.

Заключительная оценка риска бывает проста, когда имеют дело только с угрозой материальным ценностям, а возможный ущерб выра­жен количественно. При угрозе материальным ценностям и невозмож­ности количественно выразить возможный ущерб нужноэтот ущерб оценить приблизительно и продолжать рассмотрение, мирясь с таким недостатком информации. Поскольку нецелесообразно идти на сколь угодно большие затраты, чтобы устранить риск полностью, нужно оце­нить угрозу людям. Субъективные оценкисильноотклоняютсяот из­вестных частот реализации тех или иных нежелательных событий. Зна­чения риска субъективно привлекательной деятельности обычно зани­жаются. Риск события, на которое оценивающему трудно или невозмож­но оказать влияние, наоборот, обычно переоценивается. Риск события катастрофического характера, как правило, тоже получает более вы­сокую оценку. Крометого, субъективные оценки меняютсясовреме­нем. В результате из-за этих некорректностей субъективные оценки не могут быть положены в основу технических решений.

Сравнение рассматриваемой рискованной ситуации с возникавши­ми в прошлом аналогичными ситуациями дает для оценки риска более надежные исходные данные. Проблема оценки этим, однако, все же не решается. В отдельных случаях, конечно, можно довольствоваться требованием, чтобы допустимый риск был заведомо ниже имевшего место в аналогичных ситуациях ранее. Ho в других случаях, особенно при очень высоком уровне затрат, проблема остается нерешенной. Тре­бование четко ограничить допустимые вероятности реализации неже­лательного события наталкивается на препятствия, обусловленные следующими положениями:

• такого рода границы должны быть независимыми от экономичес­ких затрат, но аналогичная независимость должна существовать так­же для угрозы безопасности людей и материальным ценностям;

• лицо, принимающее решения, должно для подобных границ прини­мать общее решение, учитывающее всю специфику частных случаев;

• одно лишь утверждение, что такие границы будут соблюдаться, может освободить лицо, принимающее решение, от обязанности ана­лизировать ситуацию дальше и направлять свои усилия на дальнейшее снижение угрозы безопасности людей. При этом возможны случаи, когда ценой очень небольших затрат опасность может быть еще больше сни­жена, а этим пренебрегают, поскольку границы уже установлены;

• утверждение, что выдерживаются определенные границы, пред­полагает качественное единство данных, что на самом деле недости­жимо, так как имеют место проблемы самого различного типа;

• ограничения допустимого риска зависят от времени и меняются с изменениями технических и экономических возможностей общества.

Угроза безопасности людей чаще всего состоит из многих состав­ляющих риска, например, из основного существующего риска, риска вследствие ошибок и риска, на который идут сознательно при извест­ных условиях.

Любой математический алгоритм оценки риска должен исходить из того, что твердо установлен экономический эквивалент угрозы. Этот эквивалент должен быть обоснован в том смысле, что он соответству­ет затратам, которые общество при данных условиях может себе по­зволить, чтобы предотвратить или уменьшить угрозу. Необходимо вос­препятствовать тому, чтобы, с одной стороны, ценой больших затрат был уменьшен и без того незначительный риск, а с другой - чтобы оставался большой риск, который может быть устранен с небольшими затратами. Установить такой эквивалент - еще не значит добиться успеха. И при многоцелевых решениях эквивалент такого типа не уда­ется получить без влияния субъективных факторов. Темнеменее,эти эквиваленты делают более ясным риск при принятии решения и помо­гают лучше определить ответственность за выполненную оценку. Ре­шения, связанные с риском, всегда остаются для исследователя сомни­тельными, так как нельзя заранее определить затраты для четкого раз­деления во всех случаях оправданного и неоправданного риска. Про­контролировать, был ли оправдан данный риск, удается всегда только после наступления нежелательного события, и возможно это только при оправданных убытках.

Примеры формирования риска в задачах

системных исследований

Технический риск. Технические объекты подвергаются опасно­сти при возрастании нагрузки. Если при этом будет превзойден предел (например, прочности), произойдет выход объекта из строя. В данном частном случае под риском целесообразно понимать вероятность на­ступления определенного сочетания неблагоприятных событий. Риск целесообразно описывать вероятностью при следующих условиях:

а) если последствия выхода из строя объекта нельзя выразить эко­номическими показателями;

б) если экономические соображения играют подчиненную роль;

в) если экономические последствия важны, но не поддаются коли­чественной оценке;

г) если последствия столь велики,что без особых рассуждений нужно минимизировать вероятность выхода объекта из строя.

Технический риск характеризуется, таким образом, вероятностью превышения предела. Если X и Y - случайные переменные, причемX характеризует нагрузку,a Y- несущую способность, то для техничес­кого риска справедливо соотношение

R_m=p(X>Y).

Если существуют плотности распределения нагрузки и несущей спо­собности fjjc) иf_Y(y), то при независимостиX иY можно записать

О -

= J(J f_x(u-v)f_r(u)du)dv.

Если, кроме того, известна зависимость плотностей распределения от времени fjx, t)иf_Y(y, t),то получим

о -

^Rm = \ {\ f_x{u-v,t)f_Y(u,t)du)dv.

Зависимость плотности распределения нагрузки от времени отра­жает характер воздействия факторов во времени на исследуемый объект. Зависимость плотности распределения несущей способности от времени отражает процессы старения в самом исследуемом объекте.

Таким образом, задача определения техническогориска сводится к определению плотностей распределения нагрузки и несущей способно­сти.

Технико-экономический риск. В данном пункте рассмотрим случай, когда последствия при конкретных нагрузкеX и несущей спо­собностиY можно описать функциейh(x,y). На первый взгляд кажется важным рассмотреть критический случай, когдах > у,т.е. когда уро­вень нагрузки превышает несущую способность. Это условие можно было бы выразить в видеh(x, у) - 0 длях < уи однозначно оценить критический случайх>упростым утверждением,что приэтомh(x, у)= 1. Однако реальные данные из практики показывают, что первые призна­ки разрушения появляются еще до достижения нагрузкой несущей спо­собности, и, наоборот, в других случаях, при нагрузке, превышающей несущую способность, объект продолжает функционировать. Так что ограничение функцииh(x, у)всего двумя значениями0 и1 может ока­заться слишком грубым описанием. Определим технико-экономичес- кий рискR_e при независимости нагрузкиX и несущей способностиY и известных плотностях распределенияfj^x) и fjy) ожидаемых случай­ных величин следующим соотношением:

Л, = J J h(u,v)f_x(u)f_Y(v)dudv.

Для определенного данного значения хнагрузки условное матема­тическое ожидание риска равно

R_c(X)= J h(u,v)f_r(v)dv.

Угроза безопасности людей. Если при анализе безопасности тех­нических объектов существуют событияА.,при достижении которых возникает угроза здоровью обслуживающего персонала, описываемая количественно функцией потерьh(A), то для описания функции риска можно пользоваться выражениями, аналогичными тем, которые были получены для технико-экономического риска. Если функцию потерь сформировать не удается, то в качестве меры риска допустимо исполь­зовать вероятность наступления нежелательного события, как это было сделано в случае технического риска. Дополнительно следует, однако, рассмотреть еще ряд возможных случаев.

Угроза при эксплуатации технических средств определяется двумя категориями влияний - событиями, представляющими угрозу, и попа­данием в опасную зону. События, представляющие угрозу, и попадание в опасную зону - явления случайные. В предположении равномерности распределения событийво времениможно получить следующие выра­жения для вероятности наступления события, представляющего угрозу:

P(A) = —

T

и для вероятности попадания в опасную зону:

P(E) = —.

T

То есть вероятности выражаются как отношения интервалов вре­мени. Здесь приняты следующие обозначения: T_a - суммарная продол­жительность события, представляющего угрозу;Т_Е -продолжитель­ность пребывания в опасной зоне;T- рассматриваемый интервал вре­мени, для которого принимается решение.

Если событие А,представляющее угрозу, и пребывание в опасной зонеE независимы, то вероятность совместной реализации этих двух событийможно оценитьпо формуле

P(AnE) = P(A)P(E).

Эта формула говорит, что при данных значениях P(A) иP(E) следу­ет считаться с вероятностью совпадения опасностей, т.е. одновремен­ного наступления представляющего угрозу события и попадания в опас­ную зону в рассматриваемый отрезок времени. Однако отсюда не сле­дует, с какой вероятностью нужно ожидать реализации по меньшей мере одной угрозы. Поэтому при использовании величины как вероятности угрозы возможны серьезные ошибки в интерпретации рассматриваемых ситуаций.

5. Принятие решений в условиях стохастической неопределенности

При решении вопросов системных исследований, таких как проек­тирование автоматизированных систем, организация их эксплуатации и т.п. возникает большое количество задач, в основе которых лежат ве­роятностные модели объектов или процессов, описывающих исследуе­мые явления. Примерами таких задач являются задачи оценивания параметров эффективности и надежности технических средств, прогно­зирование поведения параметров системы, задачи, связанные с конт­ролем работоспособности и диагностикой неисправностей при функци­онировании систем и отдельных компонентов, задачи организации оп­тимального обслуживания технических средств, задачи обоснования срока службы отдельных элементов, узлов, подсистем. В большинстве случаев существуют естественные вероятностные модели, отражаю­щие реальный ход процессов динамического поведения объектов. Эти модели строятся на основе математических, физических или техничес­ких закономерностей, отражающих функционирование отдельных объек­тов, воздействие объектов друг на друга. В ряде случаев для построе­ния вероятностной модели используется объективная информация о поведении объектов в процессе эксплуатации. По результатам обработки этой информации с помощью специальных методов математической статистики производят построение зависимостей. Например, существу­ющие методы проверки статистических гипотез позволяют обоснованно подойти к выбору закона распределения некоторой случайной величины на основании реализовавшихся значений.

И, наконец, существуют ситуации, когда построение вероятностной модели происходит субъективно, на основании интуиции и опыта сис­темного аналитика. При построении вероятностной модели на основа­нии субъективной информации необходимо тщательно анализировать комбинации состояний динамических объектов, возможность появле­ния критических ситуаций, степень вероятности ситуаций. Необходимо также привлекать информацию о сходных процессах, результатах при­ближенных расчетов.

Следует заметить, что при построении вероятностных моделей про­цессов предпочтение следует отдавать моделям, учитывающим объек­тивные данные. Субъективные оценки необходимо применять, когда отсутствуют возможности для получения объективных данных. Одна­ко в некоторых задачах учет субъективных вероятностей наряду с объективной информацией бывает весьма полезным. При формирова­нии субъективных вероятностей исследователь должен постараться выразить вероятности рассматриваемых событий через вероятности бо­лее простых явлений, которые либо являются заданными, либо подда­ются объективной оценке или вычислению.

Общей чертой всех подобных задач является необходимость вы­бора на основании косвенных или прямых, но обязательно «зашумлен­ных» данных. Основным предположением для формализации решения задач такого типа является предположение о вероятностном характере экспериментальных данных.

Методологической основой для решения задач выбора в такой по­становке является теория оптимальных статистических решений. В основе данной теории лежит понятие статистической функции риска.

Рассмотрим постановку задачи. Будем считать заданным вероят­ностное распределение P на множестве возможных исходовY,причем значениеР(у)определено для каждого исходау.Предположим, что системный аналитик, не зная результата развития системы, должен принять решение, последствия которого зависят от этого результата (исхода). ПустьX множество всехвозможных решений, которые мо­жет принять исследователь. Положим, что в результате выбора реше­нияхи реализации исхода уисследователь получает доходг,принадле­жащий пространству всехвозможныхдоходові?. Понятие «доход» обыч­но определяют через полезность, которая служитдля численного вы­ражения предпочтений лица, принимающего решения.

Элементы множества R, которые названы доходами, могут быть весьма сложными объектами. Приведем примеры: множество билетов на различные концерты; множество возможных экономических состо­яний фирмы в определенный момент времени в будущем, измеряемых разностью ее денежных доходов в будущем и в настоящий момент; множество экономических состояний государства и т.д.

Рассмотрим пример, иллюстрирующий понятие дохода в задачах системных исследований. Пусть решается задача выбора варианта реализации структуры сложной системы. Группа проектировщиков дол­жна принять решение о выборе одного варианта реализации системы управления из нескольких рассматриваемых. В качестве множества доходов, получаемых от реализации того или иного варианта, могут служить денежные доходы, получаемые в результате внедрения сис­темы выработки и принятия управляющих воздействий с использова­нием конкретного варианта структуры системы по сравнению с тради­ционным способом управления. Под доходом может также понимать­ся длительность обработки запросов пользователей; длительность об­работки результатов функционирования отдельных подразделений, на­пример цехов; точность и достоверностьвыводов, полученных в резуль­тате реализации управляющих воздействий и т.д. Совокупность всех этих составляющих образует вектор дохода конкретного варианта реа­лизации структуры системы.

Для любого множества R у системного аналитика будут предпоч­тения к тем или иным доходам. В некоторых ситуациях эти предпочте­ния очевидны. Например, в случае денежных доходов, чем больше доход, тем он предпочтительнее.

Сложнее сформулировать предпочтение в случае, когда доход - векторная величина. При сравнении двух векторных доходов, если каж­дая компонента первого вектора представляется более желательной, нежели соответствующая компонента второго вектора, то предпочте­ниеотдается первому вектору. Если первый выгоднее только в отно­шении некоторых своих компонент, в то время как второй вектор пред­почтительнее по другим компонентам, то какому из этих векторов от­дать предпочтение, не очевидно. Для окончательного решения вопроса следовало бы приписать соответствующие веса отдельным компонентам.

При сравнении двух доходов г_{є R иг₂є R пишутг,-<г₂,еслиг₂предпочтительнееr_v иг,~г₂,еслиг,эквивалентенг₂,т.е. имеет место одинаковая выгодность. Еслиг_хне является более предпочтительным, чемГ₂,то пишутT₁ <Г₂.

Предполагается, что на основе своих предпочтений среди доходов системный аналитик может задать полное упорядочение множества R. Другими словами налагаются следующие условия.

1. Если г, иг₂- произвольные доходы из множестваR, то верно одно и только одно из следующих соотношений:

^rX < ^rI>г, Уг₂,г,= г₂.

2. Если ^r₂Hr_j- доходы изR, причемг_{ < г₂иг₂<г_г,тог₁ < г .

Наконец, будем предполагать, что не все доходы в R эквивалентны

между собой, т.е. исключается тривиальная ситуация, а именно, пред­полагается, что J₀ ■</₀хотя бы для одной парыS₀ є R, t₀ є R.

В большинстве задач аналитик не вполне свободен в выборе дохо­да. Обычно он может лишь выбрать из некоторого класса возможных распределений вероятностное распределение на R, согласно которому будет определен егодоход.

Например, ставится вопрос о выборе определенного технологичес­кого процесса из двух или более возможных таких процессов. Хотя до­ходы и можно точно выразить через производительность и издержки, производственные характеристики различных процессов могут быть описаны лишь вероятностью.

Другой пример. Системный аналитик хочет получить информацию о значении некоторого параметра. Его доход - это количество инфор­мации об этом значении, получаемое после эксперимента. Пусть онвыбирает эксперимент из некоторого класса доступных ему, но инфор­мация, которую он получит в каждом из экспериментов, носит случай­ный характер. В любой задаче такого рода аналитик производит выбор не непосредственно среди доходов из множестваR, а среди вероятно­стных распределений наR.

Вероятностное распределение на множестве доходов задают в том случае, когда величина, определяющая доход, имеет характер непре­рывной случайной величины. Так, в задаче выбора определенного тех­нологического процесса из нескольких возможных вариантов для каж­дого процесса могут быть известны средние характеристики. Однако в реальной эксплуатации характеристики технологического процесса могут изменяться в широких пределах. На них оказывает влияние ряд факторов, таких как наличие ресурсов для стабильной работы предпри­ятия, психологический климат в коллективе, состояние здоровья работ­ников, занятых в данном производстве и т.п. Таким образом, доход, получаемый от реализации конкретного варианта технологического про­цесса, будет величиной случайной, зависящей от большого количества факторов.

То же можно сказать и в случае решения задачи выбора варианта структуры системы управления. Допустим, что проектные документы гарантируют некоторые характеристики качества функционирования системы, такие как быстродействие системы, объем информации, пе­редаваемой по каналам связи, объемы памяти и т.д. Ho необходимо отдавать отчет в том, что эти характеристики являются средними. Они могут существенно меняться в зависимости от характеристик конкрет­ных технических средств, например, характеристик надежности. Так, частые отказы одной системы приводят к снижению характеристик ка­чества, в то время как надежная работа другой системы позволяет поддерживать ее характеристики качества на достаточно высоком уров­не. В данном случае вектор дохода, получаемого от эксплуатации сис­темы, будет величиной случайной, зависящей от вероятности безотказ­ной работы технических средств (впрочем, как и от ряда других фак­торов).

Функции полезности

Таким образом, величина дохода, получаемого от реализации того или иного варианта решения, является случайной величиной, зависящей от различных факторов. В случае благоприятного стечения факторов можно получить максимальный доход от выбора определенной альтер­нативы. В случае неблагоприятного стечения факторов получают ми­нимальный доход. Естественно, что будет некоторое количество про­межуточных доходов, зависящих от вероятности реализации того или иного набора факторов.

Поскольку доходы могут иметь различное выражение (денежное вы­ражение дохода, быстродействие системы, объем памяти и т.п.) необ­ходимо обеспечить возможность их сравнения. Как было указано ра­нее нужно иметь систему предпочтений, систему весовых коэффици­ентов, с помощью которых можно было бы производить сравнение ва­риантов реализации различных альтернатив, когда они описываются век-

торными системами доходов. В качестве такой системы предпочтений выступает функция полезности. Для всякого распределения P є 91 и всякой вещественной функцииq на множествеR обозначим черезE(g/P) математическое ожидание функцииq (если оно существует) относитель­но распределенияР.Другими словами

E(g/p) = ]g(r)dP(r). _v

А

Вещественная функция g, заданная на множествеR ,называется функцией полезности, а для любого доходаг є R числоg(r) называется полезностьюг.Для всякого распределенияP є 91 числоE(g/P) называ­ют полезностьюP или средней полезностью.

Определение функции потерь

Рассмотрим теперь пространство X всех возможных решенийх,аR пространство всех возможных доходовг,которые может получить исследователь в результате решенияхи исходау.Доход изR ,получа­емый исследователем при решениихи исходеуобозначим черезо(х, у). Будем считать заданным вероятностное распределениеP на пространстве исходовY, причем значениеР(у)определено для каждого исходау. Предположим также, что на множествеR задана функция полезности.

Для всякого вероятностного распределения P_x, для которого функ­цияg интегрируема, среднюю полезностьEigIP_x)можно вычислить по формуле

^E(g/ р_х) = jg(o(x,y))dP(y).

R

Тогда задача исследователя будет состоять в выборе решения х, максимизирующегоE(g/P_x).

В задачах принятия решения каждому доходу re R принято сопос­тавлять не полезность, а потери. Функция потерь определяется равен­ством

Цх, у)= -g(a(x, у)).

При любом (х,у)числоL(x,y) представляет собой ущерб исследо­вателя от принятия решениях,в случае, когда реализовался исходу. ПустьP - вероятностное распределение исходау.При всяком реше­ниихсредний ущербр(Р,^) называется риском и определяется по фор­муле

р(Р,лО = jb(x,y)dPy.

Y

В этом случае системный аналитик должен стремиться к выбору ре­шения х,минимизирующего риск р(Р,х).Таким образом, сформирова­но правило выбора решения в случае, когда на пространстве исходов задано распределение вероятностей.

Задачи решения с наблюдениями

Рассмотрим задачи решения, в которых исследователь перед тем как выбрать решение из множества X,наблюдает значение случайной величины или случайного вектораz, связанного с исходом у. Наблюде­ниеz дает исследователю некоторую информацию о значении у, кото­рая помогает ему принять рациональное решение. Будем полагать, что для всех ує Кзадано условное распределениеz.

Поскольку решение исследователя зависит от наблюдаемого зна­чения z, он должен выбрать решающую функцию8, задающую для любого возможного значенияz є Z решение8(z) є X.В этом случае функция риска будет определяться равенством

p(y,S) = £{L[F,5(z)]} = \\L[y>b{zy[f(zly)h(y)dg{z)dp(y).

YZ

Термин «риск» здесь как и ранее относится к среднему ущербу. Для каждого решения хє X р(у,8) обозначает риск от принятия решения х. Распределениеh(y) называется априорным, так как оно задает распре­деление у до проведения наблюдения надz.

Цена наблюдения

В задачах принятия решений наблюдение случайной величины z связано с определенными затратами, которые должны учитываться аналитиками, проводящими системные исследования, при расчете риска от принятия решающей функции, использующей результаты наблюде­нияz. Это обстоятельство играет особенно важную роль в случае, ког­да аналитику надо решить, какую из нескольких случайных величин предпочтительнее наблюдать, или ответить на вопрос, производить ли наблюдения вообще. Пустьс(у, z) обозначает цену наблюдения значе­нияz из множестваZ. Тогда, еслиh(y) есть априорнаяплотность рас­пределения случайной величины у, то средняя цена наблюдения равна

^(у.г)} = J Jc(y,z)f(z/y)h(y)dg(z)dp(y).

YZ

Будем предполагать, что для цены с(у, z) верно предположение о средней полезности.Иными словами, будем считать, что эта цена вы-

423

ражена в соответствующих единицах отрицательной полезности так, что существенным является лишь среднее значение вероятностного рас­пределения цены.

Общим риском от наблюдения z и принятия решающей функции5 называется сумма рискар{у,5) и средней цены наблюденияE{с(у,z)}.Системный аналитик должен выбрать наблюдениеz из некоторого класса доступных наблюдению случайных величин и соответствующую реша­ющую функцию5(z) є X,минимизирующую общий риск. Условное рас­пределениеупри известном значенииz называется апостериорным рас­пределениему,так как оно задает распределениеупри зафиксирован­ном значенииz.

Сформировав общий риск от наблюдения можно решать задачу о необходимости проведения наблюдений. Если общий риск от наблюде­ния оказывается меньше, чем риск р(Р, х),получаемый без проведения дополнительных наблюдений, то наблюдения есть смысл проводить, если же общий риск оказывается больше рискар(Р, х),то организовы­вать дополнительные наблюдения смысла не имеет. Таким образом, организовывать наблюдения имеет смысл лишь в том случае,коїда цена наблюдения меньше выигрыша, получаемого за счет поступления но­вой информации.

В рассмотренных задачах делалось предположение о том, что на пространстве решений Xипространстве исходовYзаданы соответству­ющие распределения. Если вид закона распределения определяющего параметра считается известным, то применение описанных процедур осуществляется согласно приведенным формулам. Если же информа­ции о виде закона распределения у исследователя нет, приходится от­казываться от применения параметрического подхода. Здесь важно отметить, что приходится отказываться от необходимости знать вид распределения, а не от того, что выборка подчинена какому-то, пусть неизвестному, но существующему, закону распределения. Предположе­ние о статистичности наблюдений остается в силе. В этом случае для описания распределения на множествах решений и исходов следует применять непараметрические методы.

Незнание функционального вида распределения не означает, что ис­следователь ничего не может сказать о свойствах распределения. Ре­зультаты специально организованных наблюдений, информация, получен­ная из эксплуатации объекта системного анализа, на этапе его реаль­ного функционирования, служит основой для построения непараметри­ческих процедур, решающих задачу выбора. Методы обработки ста­тистических данных с использованием непараметрических процедур рассмотрены ранее [56].

Остановимся на сложностях, которыенеобходимо осознавать при решении реальных задач выбора, т.е. коща теоретические методы при­меняются на практике. Неудачное или неправильное применение ста­тистических методов к решению реальных проблем может привести к отрицательному результату. Причины неправильного применения ста­тистических методов известны. Рассмотрим их

1. Статистический вывод по своей природе случаен, поэтому он никогда не может быть абсолютно достоверным. Поэтому при реше­нии задач выбора любая процедура должна сопровождаться оценкой характеристик ее качества. При оценке параметра необходимо вычис­лять точность, характеризуемую, например, дисперсией. При проверке гипотез необходимо оцениватьмощность критерия, спомощью которо­го осуществляется проверка,вычислять ошибки первого и второго рода. При повышении требований к качеству принимаемых решений необходимо организовать дополнительные исследования объекта сис­темного анализа и тем самым увеличивать объем информации, на ос­новании которой осуществляется принятие решения. Статистический вывод может быть ошибочным, но всегда имеется возможность варь­ировать характеристики ошибок.

2. Качество решения, принимаемого с помощью процедур статис­тического вывода, существенно зависит от информации, поступающей на вход. Какие данные в модель заложить, такое решение и получим. В реальной эксплуатации сложных систем встречаются ситуации, коща обслуживающий персонал умышленно скрывает информацию, не запи­сывая все события, происходящие с объектами в оперативные журна­лы. Например, персонал не заинтересован в ведении журналов учета отказов объектов, так как эффективность функционирования объектов напрямую связана с материальными вознаграждениями персонала. Если они будут записывать все отказы, то это повлечет за собой лишение премий. Естественно, что принятие решений, связанные с планирова­нием деятельности предприятия на основании такой неполной информа­ции будет заведомо содержать ошибку.

3. Отрицательный результат применения теории статистических выводов может быть получен в тех случаях, когда природа явлений, относительно которых принимается решение, не имеет статистическо­го характера. Иными словами встречаются ситуации, когдастатисти­ческой обработке подвергаются данные, не имеющие статистической природы. Иногда этот факт трудно проверить, особенно при малых объе­мах выборки. Выяснению факта наличия статистической природы рас­сматриваемых явлений или процессов следует уделять специальноевнимание при организации наблюдений или экспериментов.

4. Снижение качества ожидаемых статистических решений может быть связано с использованием моделей, которые не адекватны опи­сываемым явлениям или процессам. Например, неправомерно приме­нять классические параметрические регрессионные модели в случае, когда ошибка не подчиняется гауссовскому распределению, неправо­мерно применять модели дисперсионного анализа к негауссовским дан­ным. Часто встречаются ситуации, когда модели, построенные для одних объектов, работающих в условиях воздействия одного комплек­са факторов, переносятся на объекты-аналоги, функционирование кото­рых осуществляется при воздействии совершенно другого комплекса факторов. Смена условий функционирования объектов может привести к неадекватности построенной модели.

5. Неудовлетворительный результат применения процедур статис­тического вывода может иметь место также тогда, когда правильное применение процедуры вывода неверно интерпретируется. Интерпре­тация статистических результатов лежит вне статистики, за неправиль­ную интерпретацию нельзя осуждать статистику.

В заключение данного параграфа укажем, что в статистических задачах выбора неопределенность бывает двух типов. Первый тип нео­пределенности связан со стохастической природой явлений и процес­сов, на основании которых решается задача выбора. Имеется и другая неопределенность, связанная с выбором моделей для описания случай­ного характера данных, на основании которых осуществляется проце­дура принятия решений. Например, исследователю заранее неизвестно какое именно распределение из некоторого множества порождало экс­периментальные данные. Для решения такого типа задач применяются методы проверки статистических гипотез, которые снижают уровень неопределенности,HO полностью еенеустраняют.

6. Выбор при нечеткой исходной информации

Идея нечеткого представления информации

Проблемы принятия решений применительно к функционированию сложных систем занимают в настоящее время особое место в инфор­мационных технологиях. Математические методы широко применяются для описания и анализа сложных экономических, социальных и других систем. Теория оптимизации создала совокупность методов, помогаю­щих при использовании ЭВМ эффективно принимать решения при изве­стных и фиксированных параметрах. Значительные успехи имеются и в том случае, когда параметры - случайные величины с известными законами распределения. Трудности возникают, когда параметры сис­тем или ее составных элементов оказываются неопределенными, хотя, может быть, и не случайными, и когда они в то же время сильно влия­ют на результаты решения.

Специалисты часто сталкиваются с необходимостью расчетов при наличии в уравнениях нечетко заданных параметров или неточной тех­нологической информации. Такого рода ситуации могут возникать как вследствие недостаточной изученности объектов, так и из-за участия в управлении человека или группы лиц. Особенность систем такого рода состоит в том, что значительная часть информации, необходимой для их математического описания, существует в форме представлений или пожеланий экспертов. Ho в языке традиционной математики нет объек­тов, с помощью которых можно было бы достаточно точно отразить нечеткость представлений экспертов.

При построении формальных моделей чаще всего пользуются де­терминированными методами и тем самым вносят определенность в те ситуации, где ее в действительностинесуществует. Неточность задания тех или иных параметров при расчетах практически не прини­мается во внимание или, с учетом определенных предположений и до­пущений, неточные параметры заменяются средними или средневзве­шенными значениями. Однако обычные количественные методы ана­лиза систем по своей сути мало пригодны и не эффективны для систем, при описании параметров которых используется нечеткая информация. Для систем, сложность которых превосходит некоторый пороговый уро­вень, точность и практический смысл становятся почти исключающи­ми. Именно в этом смысле точный количественный анализ в реальных экономических, социальных и других систем, связанных с участием человека, не имеет требуемого практического значения.

Иной подход опирается на предпосылку о том, что элементами мышления человека являются не числа, а элементы некоторых нечет­ких множеств или классов объектов, для которых переход от «принад­лежности к классу» к «непринадлежности» не скачкообразен, а непре­рывен. Традиционные методы недостаточно пригодны для анализа по­добных систем именно потому,чтоониневсостоянии охватить нечет­кость человеческого мышления и поведения.

Теория нечетких (размытых) множеств была впервые предложена американским математиком Лотфи Заде в 1965 г. и предназначалась для преодоления трудностей представления неточных понятий, анали­за и моделирования систем, в которых участвует человек.

Для обращения с неточно известными величинами обычно приме­няется аппарат теории вероятностей. Однако случайность связана с нео­пределенностью, касающейся принадлежности некоторого объекта к обычному множеству. Это различие между нечеткостью и случайнос­тью приводит к тому, что математические методы нечетких множеств совершенно не похожи на методы теории вероятностей. Онивомногих отношениях проще вследствие того, что понятию вероятностной меры в теории вероятностей соответствует более простое понятие функции принадлежности в теории нечетких множеств. По этой причине даже в тех случаях, когда неопределенность в процессе принятия решений может быть представлена вероятностной моделью, обычно удобнее оперировать с ней методами теории нечетких множеств без привлече­ния аппарата теории вероятностей.

Подход на основе теории нечетких множеств является, по сути дела, альтернативой общепринятым количественным методам анализа сис­тем. Он имеет три основные отличительные черты:

• вместо или в дополнение к числовым переменным используются нечеткие величины и так называемые «лингвистические» переменные;

• простые отношения между переменными описываются с помощью нечетких высказываний;

• сложные отношения описываются нечеткими алгоритмами.

Такой подход дает приближенные, но в то же время эффективные

способы описания поведения систем, настолько сложных и плохо опре­деленных, что они не поддаются точному математическому анализу. До работ JI. Заде подобная качественная информация, по существу, просто терялась - было непонятно, как ее использовать в формальных схемах анализа альтернатив. Теоретические же основания данного под­хода вполне точны и строги в математическом смысле и не являются сами по себе источником неопределенности. В каждом конкретном случае степень точности решения может быть согласована с требова­ниями задачи и точностью имеющихся данных. Подобная гибкость составляет одну из важных черт рассматриваемого метода. Для реаль­ных сложных систем характерно наличие одновременно разнородной информации:

• точечных замеров и значений параметров;

• допустимых интервалов их изменения;

• статистических законов распределения для отдельных величин;

• лингвистических критериев и ограничений, полученных от специа- листов-экспертов ит.д.

Наличие в сложной многоуровневой иерархической системе управ­ления одновременно различных видов неопределенности делает необ­ходимым использование для принятия решений теории нечетких мно­жеств, которая позволяет адекватно учесть имеющиеся виды неопре­деленности.

Соответственно и вся информация о режимах функционирования под­систем, областях допустимости и эффективности, целевых функциях, предпочтительностиодних режимов работы перед другими, о риске работы на каждом из режимов для подсистем и т.д. должна быть пре­образована к единой форме и представлена в виде функций принадлеж­ности. Такой подход позволяет свести воедино всю имеющуюся нео­днородную информацию: детерминированную, статистическую, лингви­стическую и интервальную.

Разработанные в настоящее время количественные методы приня­тия решений помогают выбирать наилучшие из множества возможных решений лишь в условиях одного конкретного вида неопределенности или в условиях полной определенности.Ктому же, большая часть су­ществующих методов для облегчения количественного исследования в рамках конкретных задач принятия решений базируется на крайне упрощенных моделях действительности и излишне жестких ограниче­ниях, что уменьшает ценность результатов исследований и часто при­водит к неверным решениям. Применение для оперирования с неопре­деленными величинами аппарата теории вероятности приводит к тому, что фактически неопределенность, независимо от ее природы, отожде­ствляется со случайностью, между тем как основным источником нео­пределенностивомногих процессах принятия решений является нечет­кость или расплывчатость.

В отличие от случайности, которая связана с неопределенностью, касающейся принадлежности или непринадлежности некоторого объекта к нерасплывчатому множеству, понятие «нечеткость» относится к клас­сам, в которых могут быть различные градации степени принадлежно­сти, промежуточные между полной принадлежностью и непринадлеж­ностью объектов к данному классу.

Вопрос выбора адекватного формального языка является очень важным, поэтому следует отметить преимущества описания процесса принятия решений в сложной многоуровневой иерархической системе на основе теории нечетких множеств. Этот язык дает возможность адек­ватно отразить сущность самого процесса принятия решений в нечет­ких условиях для многоуровневой системы, оперировать с нечеткими ограничениями и целями, а также задавать их с помощью лингвисти­ческих переменных. Поэтому математический аппарат теории нечет­ких множеств принят в настоящее время как основной аппарат описа­ния многоуровневых иерархических систем и процессов принятия ре­шений в сложных системах.

Одним из важных направлений применения этого нового подхода является проблема принятия решений при нечеткой исходной информа­ции. Здесь появляется возможность сузить множество рассматривае­мых вариантов или альтернатив, отбросив те из них, для которых име­ются заведомо более приемлемые варианты или альтернативы, подоб­но тому, как это делается при использовании принципа Парето.

Терминология теории нечетких множеств

В традиционной прикладной математике множество понимается как совокупность элементов (объектов), обладающих некоторым общим свойством. Например, множество чисел, не меньших заданного числа, множество векторов, сумма компонент каждого из которых не превос­ходит единицы, и т.п. Для любого элемента при этом рассматриваются лишь две возможности: либо этот элемент принадлежит данному мно­жеству (т.е. обладает данным свойством), либо не принадлежит (т.е. не обладает данным свойством). Таким образом, в описании множе­ства в обычном смысле должен содержаться четкий критерий, позво­ляющий судить о принадлежности или непринадлежности любого эле­мента данному множеству.

Понятие нечеткого множества - попытка математической форма­лизации нечеткой информации с целью ее использования при построе­нии математических моделей сложных систем. В основе этого поня­тия лежит представление о том, что составляющие данное множество элементы, обладающие общим свойством, могут обладать этим свой­ством в различной степени и, следовательно, принадлежать данному множеству с различной степенью. При таком подходе высказывания типа «элемент принадлежит данному множеству» теряют смысл, по­скольку необходимо указать «насколько сильно» или с какой степенью рассматриваемый элемент принадлежит данному множеству.

Один из простейших способов математического описания нечетко­го множества - характеризация степени принадлежности элемента множеству чисел, например, из интервала [0, 1]. ПустьX - некоторое множество элементов (в обычном смысле). Нечетким множествомС вX называется совокупность пар вида (х,Ц_с(х)),гдех є X, аЦ_с(х)- функция, называемая функцией принадлежности нечеткого множества

С, данная функция принимает значения из интервала [0,1]. Функцией принадлежностиназывается функция, которая позволяет вычислить степень принадлежности произвольного элемента универсального мно­жества к нечеткому множеству. Значение|1_с(х) этой функции для конк­ретногоX называется степенью принадлежности этого элемента нечет­кому множеству С. Каквидноизэтого определения, нечеткое множе­ство полностью описывается своей функцией принадлежности.

Обычные множества составляют подкласс класса нечетких мно­жеств. Действительно, функцией принадлежности обычного множества В cz X является его характеристическая функция

Tl, X є В;

[О,xf? В.

В соответствии с определением нечеткогомножества обычное мно­жествоВможно также определить как совокупность пар вида (х, |1_й(х)).Таким образом, нечеткое множество представляет собой более широ­кое понятие, чем обычное множество, в том смысле, что функция при­надлежности нечеткого множества может быть, вообще говоря, произ­вольной функцией или даже произвольным отображением.

Задачи достижения нечетко определенной цели

Рассмотрим подход к решению задач выбора, в которых находит при­менение теория нечетких множеств. Основным предположением в дан­ном подходе является допущение о том,что цели принятия решений и множество альтернатив рассматриваются как равноправные нечеткие подмножества некоторого универсального множества альтернатив. Это позволяет определить решение задачи в относительно простой форме.

Пусть X- универсальное множество альтернатив, т.е. универсаль­ная совокупность всевозможных выборов лица, принимающего реше­ния. Нечеткой целью вX является нечеткое подмножество, которое будем обозначатьG. Описывается нечеткая цель функцией принадлеж­ности(x_G: X —>[0, 1]. Допустим, чтоXпредставляет собой числовую ось. Тогда нечеткой целью принятия решений может быть нечеткое множество типа «величинахдолжна быть примерно равна 5» или «желательно, чтобы величинахбыла значительно больше10» и т.п. Бу­дем полагать, что присутствующие в подобных описаниях нечеткие понятия вполне точно описаны функциями принадлежности соответству­ющих нечетких множеств.

Чем больше степень принадлежности альтернативы хнечеткому множеству целей,т.е. чем больше значение|Х_с(х), тем больше степень достижения этой цели при выборе альтернативы х в качестве решения.

Нечеткие ограничения или множества допустимых альтернатив также описываются нечеткими подмножествами множества X.В при­веденном примере, когдахэлемент числовой оси, нечеткие ограниче­ния могут иметь, например, такой вид<«не должно быть много боль­ше 30», «хдолжно быть не слишком большим» и т.п. Как и прежде, здесь полагается, что приведенные в качестве примера понятия описаны фун­кциями принадлежности соответствующих нечетких множеств, которые будем обозначать|1_с(х).

Более общей является постановка задачи, в которой нечеткие цели и ограничения представляют собой подмножества различных множеств. Пусть, как и выше, X -множество альтернатив и пусть задано одно­значное отображениеф:X —>Y, под элементами множестваY будем понимать оценки показателей качества или эффективности системы. Нечеткая цель при этом будет задаваться в виде нечеткого подмноже­ства множества оценокY, т.е. в виде функцииц._с: Y->[0, 1].

Задача при этом сводится к прежней постановке, т.е. к случаю, ког­да цель - нечеткое подмножество X,с использованием следующего

приема. Определим нечеткое множество альтернатив |х_с,обеспечива­ющих достижение заданной целиц_с.Это множество представляет со­бой прообраз нечеткого множества[L_c при отображении ф, т.е.

H₀(X) = H_c (ф(х)), X є X.

После этого исходная задача рассматривается как задача дости­жения нечеткой цели |i_G при заданных нечетких ограничениях.

Перейдем теперь к определению решения задачи достижения не­четкой цели. Грубо говоря, решить задачу, означает достичь цели и удов­летворить ограничениям, причем в данной нечеткой постановке следу­ет говорить непросто о достижении цели, а о ее достижении стойили иной степенью, также следует учитывать и степень выполнения огра­ничений. В излагаемом подходе оба этих фактора учитываются следу­ющим образом. Пусть некоторая альтернативахобеспечивает дости­жение цели (или соответствует цели)CO степеньюH_cC^x), ^иудовлетво­ряет ограничениям (или является доступной) со степеньюц_с(х). Тоща полагается, что степень принадлежности этой альтернативы решению задачи равна минимальному из этих чисел. Иными словами, альтерна­тива, допустимая со степенью, например0,3, с той же степенью при­надлежит нечеткому решению, несмотря на то, что она обеспечивает достижение цели со степенью, равной, например,0,8.

Таким образом, нечетким решением задачи достижения нечеткой цели называется пересечение нечетких множеств цели и ограничений, т.е. функция принадлежности решений (I_dOc) имеет вид

(i_D(x) = тт{(х₀(*),(х_с(х)}.

При наличии нескольких целей и нескольких ограничений нечеткое решение описывается функцией принадлежности:

Если различные цели и ограничения отличаются по важности и за­даны соответствующие коэффициенты относительной важности целей X.,и ограниченийV.,то функция принадлежности решения задачи опре­деляется выражением

М-с(х) — min{A,jH_G1(x),..., X_n\i_Cn, V₁Ix_ci (х),..., V_mIi_0nI.

Один из наиболее распространенных в литературе способов реше­ния задач выбора при нечеткой исходной информации состоит в выборе альтернативы, имеющей максимальную степень принадлежности нечет­кому решению, т.е. альтернативы, реализующей правило

шах_геХ[i_D(x) = max,,* min{|i_G(x),|i_c(*)} .

Следует подчеркнуть,что техника, развиваемая в работахJI. Заде и его последователей, основывается на использовании функций принад­лежности. Эти функции всеща являются гипотезами! Они дают субъек­тивное представление исследователя об особенностях анализируемой операции, о характере ограничений и целей исследования. Это всего лишь новая форма утверждения гипотез, которая открывает и новые возмож­ности.

В заключение данного параграфа следует отметить, что различие между нечеткостью и случайностью приводит к тому, что математи­ческие методы нечетких множеств совершенно не похожи на методы теории вероятностей. Онивомногих отношениях проще вследствиетого, что понятию вероятностной меры в теории вероятностей соответству­ет более простое понятие функции принадлежности в теории нечетких множеств. По этой причине даже в тех случаях, когда неопределенность в процессе принятия решений может быть представлена вероятност­ной моделью, обычно удобнее оперировать с ней методами теории не­четких множеств без привлечения аппарата теории вероятностей.

Получение во всех этих моделях решений в нечеткой форме позво­ляет довести до сведения специалиста, принимающего решение, что если он согласен или вынужден довольствоваться нечеткой формули­ровкой проблемы и нечеткими сведениями о модели,тоон должен быть удовлетворен и нечетким решением задачи.

7. Проблема оптимизации и экспертные методы принятия решений

Рассмотренные до настоящего времени задачи выбора заключались в том, чтобы в исходном множестве альтернатив найти оптимальные. Задача нахождения оптимальной альтернативы заключается в поиске экстремума заданного критерия эффективности. То есть считается, что исследователем сформирован критерий, который выступает в качестве способа сравнения вариантов решения. Предполагается также, что наряду с критерием имеются ограничения, которые также оказывают влияние на результат выбора. Причем следует иметь в виду, что при изменении ограничений при одном и том же критерии результат выбора может оказаться другой.

Идея оптимальности является центральной идеей кибернетики. Понятие оптимальности вошло в практику проектирования и эксплуа­тации сложных технических систем, получило строгое и точное пред­ставление в математических теориях, широко используется в админи­стративной практике. Данное понятие сыграло важную роль в форми­ровании системных представлений. Осознавая ведущую роль оптими­зационного подхода при решении задач выбора, следует остановиться наряде ограничений, которые необходимо осознавать при применении данного подхода. Охарактеризуем их.

1. Оптимальное решение часто оказывается чувствительным к не­значительным изменениям в условиях задачи. В результате изменения условий или предположений, при которых формировалась модель зада­чи принятия решений, могут получиться выводы, существенно отлича­ющиеся друг от друга. В связи с этим в теории оптимальности разви­вается такое направление как исследование устойчивости решения, а также анализ результатов решения на чувствительность к изменению входных параметров, условий и предположений.

2. При решении практических задач оптимизации следует учиты­вать, что анализируемая система имеет взаимосвязи с другими систе­мами, а зачастую она является подсистемой какой-либо гиперсистемы. В связи с этим требуется увязывать цели анализируемой системы с целями других систем и в особенности с глобальными целями гиперси­стемы. В этом случае постановка задачи оптимизации для анализиру­емой системы может иметь подчиненное значение по отношению к по­становкам задач для других систем. Тогда задача сведется к задаче локальной оптимизации. В этом случае локальная оптимизация может привести к результату, отличающемуся от того, который потребуется от системы при оптимизации целевых функцийгиперсистемы. Отсюда следует вывод, что необходимо увязывать критерии анализируемой си­стемы с критериями других систем и, в особенности, гиперсистемы.

3. При использовании оптимизационного подхода не следует отож­дествлять цели системы и критерии, с помощью которых решается задача выбора. Критерий и цель относятся друг к другу как модель и оригинал. Многие цели трудно или даже невозможно количественно описать. Количественный критерий является лишь приближением цели. Критерий характеризует цель лишь косвенно, иногда лучше, иногда хуже, но всегда приближенно.

4. В постановке задачи оптимизации наряду с критериями не менее важную роль играют ограничения. Даже небольшие изменения ограни­чений существенно сказываются на результате решения. Еще более разительный эффект можно получить, исключая одни ограничения и добавляя другие. Отсюда требуется сделать вывод о необходимости тщательного анализа всех условий, при которых решается задача вы­бора. Если при постановке задачи не проведен должным образом ана­лиз условий и в результате не сформирован в полном объеме набор ог­раничений, это может наряду с оптимизацией критерия привести к не­предвиденным сопутствующим эффектам.

Подводя итог сказанному, можно сформулировать отношение к идее оптимизации с позиций системного анализа. Оно состоит в следующем: оптимизация - это мощное средство повышения эффективности, HO использовать его следует все более осторожно по мере возрастания сложностипроблемы. Многиезадачи системных исследований могут быть достаточно хорошо формализованы, сведены к математическим моделям, позволяющим ставить и решать оптимизационные задачи. Однако даже после преодоления сложностей формализации системотех­нических проблем остаются некоторые особенности, которые сказыва­ются на результате решения. А именно, это неустойчивость оптималь­ных решений, сильная чувствительность к изменению условий, и нео­днозначность постановки многокритериальных задач. Меры преодоле­ния данных обстоятельств состоят в проведении анализа решения на чувствительность, всяческое использование априорной информации с целью повышения уровня достоверности моделей, рассмотрение опти­мальных альтернатив по нескольким различным сверткам критериев.

При исследовании социотехнических систем, коща необходимо по­мимо чисто технических вопросов решать организационные и соци­альные проблемы, ситуация существенно усложняется.Учет подобно­го типа вопросов не поддается полной формализации. Следовательно, оптимизационные задачи, которые удается поставить при исследовании сложных систем, неизбежно являются заведомо приближенными, еслиотносятся к системе в целом, либо имеют частичный, подчиненный характер, если описывают хорошо структурированные подсистемы. Ввиду этого оптимизация в системных исследованиях не конечная цель, а промежуточный этап работы. Чем сложнее система, тем осторож­нее следует относиться к ее оптимизации. При исследовании сложных систем неизбежно возникают проблемы, выходящие за пределы фор­мальных математических постановок задач. В ряде случаев, по мере необходимости обращаются к услугам экспертов, т.е. лиц, чьи сужде­ния,опыт и интуиция могутпомочь в решении проблемной ситуации.

Основная идея экспертных методов состоит в том, чтобы исполь­зовать интеллект людей, их способность искать решение слабо форма­лизованных задач. При организации работы группы экспертов необхо­димо учитывать, что интеллектуальная деятельность людей во многом зависит от внешних и внутренних условий. Поэтому в методиках орга­низации экспертиз и проведении экспертных оценок специальное внима­ние уделяется созданию благоприятных условий и нейтрализации фак­торов, неблагоприятно влияющих на работу экспертов.

Важную роль в организации работы экспертов играют факторы пси­хологического характера. Прежде всего, эксперты должны быть осво­бождены от ответственности за использование результатов эксперти­зы. Дело нетолько втом,чтолицо, принимающее решения, недолжно возлагать ответственности на других, но и в том, что сама ответствен­ность накладывает психологические ограничения на характер выбора, а этого на стадии оценки альтернатив желательно избегать. Следует также принимать во внимание, что решение, принимаемое экспертом, может зависеть от межличностных отношений с другими экспертами, а также от того, известна ли его оценка другим лицам. На ход экспер­тизы могут повлиять и такие факторы, как личная заинтересованность эксперта, его необъективность, личностные качества. С другой сторо­ны, сложность проблем, решаемых в задачах системных исследований, обычно выходит за рамки возможностей одного человека. В этих усло­виях коллективная деятельность открывает дополнительныевозмож­ности для взаимного стимулирования экспертов.

Поскольку взаимодействие между экспертами может как стимули­ровать, так и отрицательно сказываться на их деятельности, в разных случаях используют методики проведения экспертиз, имеющие различ­ные степень и характер взаимного влияния экспертов друг на друга. Известны следующие методы проведения экспертиз: анонимные и от­крытые опросы и анкетирование, совещания, дискуссии, деловые игры, мозговой штурм ит.п.

В последнее время с целью оказания помощи эксперту в принятии решения развиваются человеко-машинные системы, так называемые системы «искусственного интеллекта». Развитие систем такого типа идет по нескольким направлениям, а именно, разрабатываются базы знаний и экспертные системы и системы поддержки принятия решений. В системах такого типа лицу, принимающему решение, предоставляет­ся помощь в поиске наилучшего решения. Математическое и программ­ное обеспечение таких систем строится на базе набора формализован­ных процедур, которые лицо, принимающее решение, может использо­вать в любой момент и в любой степени.

8. Коллективный или групповой выбор

В ходе решения задач системного анализа единоличное принятие решения является скорее исключением, чем правилом. Более реальна ситуация, когда решение принимается группой лиц. Причем интересы отдельных личностей в данной группе могут полностью совпадать (ко­оперативный выбор), быть противоположными (конфликтная ситуация), и могут иметь место промежуточные случаи, создаваться коалиции, достигаться компромиссы в процессе переговоров и т.п. При группо­вом выборе решений определяющую роль играет проблема согласова­ния индивидуальных предпочтений лиц, участвующих в процессе их при­нятия. В данной ситуации ставится задача выработки некоторого ре­шения, которое согласует индивидуальные выборы, выражает в каком- то смысле общее мнение и принимается за групповой выбор. Вполне естественно, что данное решение должно быть функцией индивидуаль­ных выборов. Причем различным принципам согласования будут соот­ветствовать совершенно различные функции. Теоретически данные функции могут быть произвольными, учитывать не только индивидуаль­ные выборы, но и другие факторы, в том числе и случайные события. Главный вопрос состоит в том, чтобы правильно отобразить в данной функции особенности конкретного варианта реального группового вы­бора.

При принятии решения коллективом участников, особенно в ситуа­ции переговоров и посредничества, лица, принимающие решение, редко обладают одинаковой исходной информацией, придерживаются одних и тех же ценностных концепций. Однако даже самая разнородная груп­па может прийти к соглашению, если ее члены с уважением относятся к многообразию точек зрения, склонны учиться друг у друга, обмени­ваться информацией. Важным условием успешного принятия консоли­дированного решения является согласованное принятие некоторых про­цедур переговоров и условий посредничества. Остановимся на основ­ных принципах выработки и принятия решений в условиях коллективно­го выбора.

В первую очередь следует остановиться на таком аспекте как роль системы ценностей в анализе решений. Известно, что системы ценно­стей могут быть различными. Наиболее известными и имеющими широкое распространение в практической деятельности являются две крайние системы, называемые технократическая и гуманистическая. В зависимости от того, какого из ценностных критериев придерживает­ся лицо, принимающее решение, будут сформированы гипотезы и кон­цепции, закладываемые в основу процедур принятия решений. С другой стороны, существуют ценности, универсальные для всего человечества: глобальная ответственность, терпимость, стремление к истине и позна­нию и т.д. Поэтому при принятии коллективного решения следует по­стараться воспринять возможные неоднозначные представления о ра­циональности, уметь выслушать противоположную сторону, а не под­вергать позицию оппонента критике и сравнительному анализу. Таким образом, во главу угла ставится проблема рациональности принимае­мого решения.

Рассмотрим некоторые модели рациональности. При классифика­ции различных подходов к рациональному принятию решений необходимо, прежде всего, различать целостный и аналитический подходы. Целос­тная схема принятия решений использует умение воспринимать явле­ние в целом, не выделяя составные части или информацию. Даже если для дальнейшего анализа такое выделение необходимо, оно производится только после того, как явление распознано целиком. Рациональность таких решений может быть подвергнута сомнению, поскольку различ­ные эвристики и интуиция играют здесь определяющую роль. Это ста­вит вопрос о том, как надо понимать саму концепцию рациональности. Любая общая концепция может быть сначала сужена и в этом урезан­ном виде значительно усовершенствована с помощью абстрактных построений и математической теории, исследующей лишь определен­ные аспекты концепции. Однако такое сужение и частичное развитие концепций может нанести значительный ущерб прикладным исследо­ваниям, поэтому предпочтительнее использовать термин «рациональ­ность» в его первоначальном, более широком смысле. Рациональное решение вовсе не должно использовать всю имеющуюся информацию, оно не обязано быть оптимальным, оно должно только учитывать воз­можные последствия и не причинять ущерба интересам лица, принима­ющего решение, хотя реальные результаты в коллективе могут быть и нежелательными. В качестве разумного компромисса можно говорить о различных степенях рациональности: о суперрациональности (или воз­можности разрешить известные парадоксы рациональности), об опти­мизационной рациональности, о приемлемой рациональности, процедур­ной рациональности и т.д. Если следовать такому широкому пониманию вопроса, то адаптивно формируемое решающее правило может приво­дить к вполне рациональным решениям, а изучение эффективности раз­личных решающих правил и выбор одного из них представляют собой весьма перспективную задачу. Более того, можно утверждать, что боль­шинство повседневно принимаемых решений связано именно с целост­ным подходом, и он часто оказывается предпочтительным при долго­срочной перспективе.

Однако решения, принимаемые при недостатке информации и изме­няющихся условиях, часто требуют аналитического подхода, т.е. сис­тематической оценки возможных альтернатив и соответствующих ис­ходов, а затем выбора одной из них. Известен целый ряд аналитичес­ких моделей принятия решений. Наиболее широко употребимой явля­ется модель максимизации полезности. Заслуживает упоминания так­же программно-целевой подход, разработанный В.М. Глушковым, Г.С. Поспеловым, В.А. Ириковым и др. и опирающийся на реальные про­цессы принятия плановых решений.

Модель максимизации полезности наиболее сильно развита теоре­тически, имеет подробное математическое обоснование и поэтому вос­принимается повсюду как разумная схема аналитического принятия решений. Однако как в теоретическом, так и в эмпирическом плане эта схема приводит к парадоксам.

Некоторые из них означают, что стратегия максимизации полезно­сти не гарантирует рационального поведения в игровых моделях с не­нулевой суммой. Следует также отметить, что одна из основополагаю­щих аксиом теории полезности - аксиома независимости от непричас­тных альтернатив - не подтверждается экспериментальными данны­ми и опровергается более глубоким анализом.

Модель приемлемых решений возникла в результате критики опти­мизационного подхода. Реальная практика принятия решений такова: руководители больших организаций, различных институтов, инженеры, проектирующие новые технические устройства, и даже обычные потре­бители на рынках никогда не прибегают к полной оптимизации из-за нехватки информации и времени. Вместо этого они адаптивно, в про­цессе обучения, формируют уровни достижимости, которыедолжны обеспечиваться удовлетворительными, приемлемыми решениями.

В качестве более подходящего описания процесса принятия реше­ний можно принять модель квазиприемлемого поведения, в которойлицо, принимающее решение, проявляет тенденцию к оптимизации,HO может в силу ряда причин отказаться от оптимизации, обеспечив себе адап­тивно формируемые уровнидостижимости.

В программно-целевой модели предполагается, что некоторые цели или программы (фактически уровни достижимости) имеют больший приоритет и должны быть реализованы, а задача состоит в том, чтобы распределить или увеличить ресурсы, преодолеть возможные препят­ствия и изменить другие уровни достижимости, с тем, чтобы обеспе­чить реализацию приоритетных программ. Соответствующая матема­тическая модель используется многими исследовательскими группа­ми в разных странах в качестве схемы для описания рационального, целенаправленного поведения. С формальной точки зрения эта схема не противоречит идее максимизации полезности, поскольку приоритет­ные цели всегда можно использовать в качестве ограничений и макси­мизировать полезность на множестве допустимых распределений ре­сурсов. Ho по существу данная модель представляет принципиально отличную методологию, которая ближе к модели приемлемых решений. Например, соответствующая модификация целевого программирования может удовлетворительно моделировать программно-целевые действия. Ho эта же схема может описываться и моделью квазиприемлемого поведения: достаточно предположить, что некоторые уровнидостижи­мости могут быть более приоритетными и менее изменяемыми.

Рассмотрим постулаты многосторонней рациональности. Если даже формальные схемы принятия решений отражают различные методоло­гические представления о рациональности, то как можно объяснять достижение соташений при принятии решений в условиях конфликта интересов? Очевидно, должны быть веские причины для согласования интересов. Сформулируем их в виде постулатов многосторонней раци­ональности, которые следует учитывать при построении интерактивных систем принятия решения.

1. Постулат ограниченной неосведомленности и взаимного обуче­ния. При анализе или обсуждении решений не следует предполагать наличие полной информации или рациональных прогнозов; напротив, необходимо признать собственную (возможно, ограниченную) неосве­домленность и быть готовым к взаимному обучению, чтобы устано­вить общую, приемлемую для всех информационную основу. Любая фор­мализация процессов принятия решений при наличии многосторонней ра­циональности должна учитывать аспект взаимного обучения.

2. Постулат уважения к чужому мнению. Обучение при многосто­ронней рациональности должно базироваться на уважении к культурным ценностям и представлениям о рациональности, существующим у дру­гих участников процесса. В частности, формализация процессов приня­тия решений в этих ситуациях должна допускать параллельную интер­претацию, предусматривающую наличие разных представлений о ра­циональности. He следует принимать свое представление о рациональ­ности как единственно правильное.

3. Постулат законного протокола. При наличии многосторонней ра­циональности необходимым условием получения взаимно приемлемых решений является соглашение о правилах поведения в данной ситуации. Если, например, одна из сторон в двусторонних переговорах настаива­ет на сохранении за ней ведущей позиции, а вторая сторона с этим не соглашается, то шансов на принятие взаимно приемлемых решений нет. Таким образом, организационную структуру процесса коллективного принятия решений не следует принимать как данную: ее необходимо предварительно обсуждать и согласовывать.

4. Постулат справедливого посредничества. Если при наличии многосторонней рациональности имеется посредник или же использу­ется какой-либо механизм посредничества, то следует тщательно об­судить и согласовать принципы и условия такого посредничества.

Рассмотрим теперь способы формирования функции, принимаемой за групповой выбор. Один из наиболее распространенных принципов со­гласования - правило большинства: принятой всеми считается альтер­натива, получившая наибольшее число голосов. Правило большинства привлекательно своей простотой и демократичностью, но имеет осо­бенности, требующие осторожного обращения с ним. Прежде всего,оно лишь обобщает индивидуальные предпочтения, и его результат не яв­ляется критерием истины. Только дальнейшая практика показывает, правильным или ошибочным было решение, принятое большинством голосов; само голосование - лишь форма согласования дальнейших дей­ствий. Во-вторых, даже в простейшем случае выбора одной из двух аль­тернатив может возникнуть ситуация, когда правило большинства не сра­батывает, например, происходит разделение голосов поровну при чет­ном числе голосующих. Это порождает варианты: «председатель име­ет два голоса», «большинство простое(51%)»,«подавляющее большин­ство (около 3/4)»,«абсолютное большинство (близкое к 100%)»,нако­нец, «принцип единогласия (консенсус, право вето)».

ЗАКЛЮЧЕНИЕ

Системный анализ как наука проходит этап становления. В настоя­щее время отсутствуют работы, в которых были бы проанализированы и обобщены подходы и концепции разных авторов по процедурам про­ведения системных исследований, дано обобщенное представление о развиваемых методах и применяемых моделях, даны рекомендации по выбору подхода к организации и проведения исследований в конкрет­ных условиях.

Характеризуя современное состояние системных исследований, следует отметить, что они включают три вида деятельности:

• научное исследование вопросов, связанных с проблемой;

• формирование способов разрешения проблемной ситуации;

• внедрение в практику результатов, полученных в ходе исследова­ний.

В системном анализе находят органичное объединение теория и практика, наука и искусство, творческий подход и алгоритмичность действий, формализация и эвристика. В конкретном исследовании со­отношение между этими компонентами может быть самым различным. Системный аналитик должен быть готов привлечь к разрешению про­блемной ситуации любые необходимые знания и методы. В случае, если он сам не владеет какими-то процедурами, он должен найти исполни­теля и выступать в качестве организатора исследования, носителя цели и методологии выполнения всех работ.

Предметом системных исследований являются три типа систем: технические, природные и социотехнические. Наибольшую трудность для анализа представляют собой системы третьего типа. Это обуслов­лено преобладанием в них субъективного над объективным, эвристи­ческого над формальным. Важным отличием данных систем от сис­тем других типов является ярковыраженная зависимость их от време­ни, подверженность влиянию под воздействием процедур проводимого анализа, их видоизменение в процессе проведения исследований.Про­цедуры, лежащие в основе системного анализа, помогают создать ди­намическую модель системы и с ее помощью спланировать и органи­зовать действия всех участников анализа, направленные на достиже­ние конечной цели исследования.

Системный анализ - дисциплина синтетическая. Она использует ме­тоды, модели и результаты различных теоретических курсов. Ho, не­смотря на использование в своем арсенале самых современных мето­дических разработок имеется ряд проблем, которые до сих пор не на­шли своего разрешения. Это является следствием того, что объектом системных исследований являются сложные системы. Остановимся на некоторых направлениях, которым уделяется повышенное внимание исследователей, и которые требуют дальнейшей проработки.

Во-первых, отметим такую проблему как построение динамичес­ких моделей сложных систем. Необходимость учета особенностей фун­кционирования сложных систем требует привлечения самых современ­ных достижений математических дисциплин. Например, для того что­бы учесть профилактическое обслуживание и возможность восстанов­ления работоспособности системы, приходится привлекать методы теории восстановления и решать интегральные уравнения Вольтерра 2- го рода. Для описания использования запасных частей в работе отдель­ных элементов и подсистем применяются методы теории массового обслуживания. Следует также отметить, что изменение предположений о характере происходящих процессов в системе может привести к измене­нию математического аппарата, привлекаемого к формированию модели.

Второе направление связано с обработкой информации и подготов­кой исходных данных и параметров разрабатываемых моделей. В ка­честве исходной информации для формирования входных параметров модели используется информация, получаемая в процессе функциони­рования систем. Эти данные, как правило, представляют собой либо данные статистической природы, либо нечисловой природы. Последнее особенно характерно для социотехнических систем. В итоге возникает необходимость в разработке методов обработки результатов наблюде­ний указанного типа. Для анализа данных нечисловой природы исполь­зуются процедуры теории нечетких множеств. Для анализа статисти­ческих данных находят применение робастные методы и непарамет­рические методы оценивания.

В качестве еще одного направления исследования, требующего вни­мания системных аналитиков, отметим разработку эвристических про­цедур на этапе анализа и прогнозирования развития проблемной ситуа­ции или поведения системы под воздействием самой процедуры сис­темного анализа.

Отмеченные направления не охватывают всех проблемных вопро­сов, но на взгляд автора являются наиболее актуальными на сегодняш­ний день.

Подводяокончательный итог, отметим, что с практической сторо­ны системный анализ есть теория и практика улучшающего вмешатель­ства в проблемную ситуацию, с методологической стороныон имеет прикладную направленность, ориентированную на изменение окружаю­щей действительности.

ЛИТЕРАТУРА

1. Перегудов Ф.И., Тарасенко Ф.П.Введение в системный анализ. - М.: Высшая школа,1989.-367 с.

2. Альтшулер Г.С.Алгоритм изобретения.-М.: Московский рабочий,1973.

3. Зарипов PX. Машинный поиск вариантов при моделировании творческого процесса.-М.: Наука,1983.

4. Богданов А.А.Всеобщая организационная наука (тектология) В 3-х т. - М.,1905-1924. Т.З.

5. BertalanjfyL. An Outline of General System Theory//British J. For Phil, of Sci. - 1950.- V. I. - №2.-P. 134-165.

6. ВинерH. Кибернетика.-М.: Сов.радио,1968.

7. Винер Н.Кибернетика и общество. - М.:ИЛ, 1958.

8. Пригожин И., Стенгерс И.Порядок из хаоса. - М.:Прогресс,1986.

9. МоисеевН.Н.Математические задачи системного анализа. -М.: Наука.1981. -488 с.

XQ. Дегтярев Ю.И.Системный анализ и исследование операций.-М.:Высшая школа,1996.-335 с.

11. Антонов А.В.Проектирование систем.-Обнинск: ИАТЭ,1996.-157 с.

12. Методологические проблемы кибернетики: В2-х т. - М.: МГУ,1970.

13. Caamu Т.Математические методы исследования операций. -М.: MO,1963.

14. Исследование операций. Методологические основы и математические ме­тоды. Пер. с англ. /Под ред. Дж. Moydера, С. Элмаграби.- М.: Мир,1981. -712с.

15. Исследование операций. Модели и применения./Лф.с англ. под ред. Дж. Моудера, С. Элмаграби.- М.:Мир,1981.-677 с.

16. ОстрейковскийВ.А.Теория систем. - М.: Высшая школа,1997.-240 с.

17. Волкова В.H., Денисов А.А.Основы теории систем и системного анализа. - СПб.:Изд-во СПбГТУ,1997.-510 с.

18. Зинченко В.П.Человеческий интеллект и технократическое мышление.//Ком- мунист,-1988,- №3.-С.96-104.

19. Холл А.Опыт методологии для системотехники.-М.: Сов. Радио,1975.

20. Мамиконов А.Г.Проектирование АСУ — М.: Высшая школа,1987. - 303 с.

21. Максимей И.В.Имитационное моделирование на ЭВМ. - М.:Радио и связь,1988.-232 с.

22. Барзилович Е.Ю., Каштанов В.А.Некоторые математические вопросы тео­рии обслуживания сложных систем. - М.: Радио и связь,1971.

23. Ackoff R.I. The mismatch between educational systems and requirements for successful management. // Wharton Alumni Magazine. - Spring,1986. - P. 10 -12.

24. Checkland P. Rethinking a System Approach. In: Tomlison R., Kiss I. (Eds.) «Rethinking the Process of Operation and System Analysis». - Pergamon Press, 1984.-P 43-66.

25. Gharajedaghi J., AckoffR.L. Toward Systemic Education of System Scientists./ /SystemsReseach. -1985.-V. 2.-№ I.-P. 21 -27.

26. Электронные вычислительные машины: В 8 кн. Кн.8. Решение прикладных задач: Практ. пособие длявузов/zl. Г. Дъячко, Н.М. Когдов; Под ред. А.Я. Савель­ева.- М.:Высшая школа,1993. -158 с.

27. Вентцелъ Е. С., Овчаров Л.А.Теория случайных процессов и ее инженерные приложения. - М.:Наука,1991.- 384 с.

28. Левин В.И.Логическая теория надежности сложных систем. - М.:Энерго- атомиздат,1985.-129 с.

29. Надежность и эффективность в технике: Справочник: В 10 т. Т.4: Методы по­добия в надежности/Яодобщ. Ред. В.А. Мельникова, Н.А. Северцева-Ы.:Ма­шиностроение,1987.-280 с.

30. Антонов А.В., Острейковский В.А.Оценивание характеристик надежности элементов и систем ЯЭУ комбинированными методами. - М.: Энергоатомиз- дат,1993.-368 с.

31. Антонов А.В.Об одном методе проверки однородности информации в слу­чае параметрического оценивания характеристик надежности.//Надежность и контроль качества.-1993 - №10. - С.20 -32.

32. Крамер Г. Математические методы статистики. - М.: Мир,1975

33. Египко В.М.Организация и проектирование систем автоматизации научно- технических экспериментов. - Киев:Наукова думка,1978.

34. Заде Л.Понятие лингвистической переменной и его применение к приня­тию приближенных решений. М.: Мир,1976. -168 с.

35. Антонов А.В., Чепурко В.А.Планирование эксперимента: Учеб. пособие. - Обнинск: ИАТЭ,1999. -100 с.

36. Мостеллер Ф., ТьюкиДж.Анализ данных и регрессия. Вып.1.- М.: Финан­сы и статистика,1982.-315с.

37. ШаракшанэА.С., ЖелезноеИ.Г., Ивницкий В.А.Сложные системы. -М.: Выс­шая школа,1977.-261 с.

38. Скрипник В.М., Назин А.Е., Приходько Ю.Г., БлаговещенскийЮ.К.Анализ надежности технических систем по цензурированным выборкам. - М.:Радио и связь,1988,- 184 с.

39. Закс Ш.Теория статистических выводов. - М.: Мир,1975 -776 с.

40. ХэйДж.Введение в методы байесовского статистического вывода. - М.: Фи­нансы и статистика,1987. -335 с.

41 .Де Гроот М.Оптимальные статистические решения. - М.:Мир,1974. -492 с.

42. Антонов А.В., Острейковский В.А., Петренко А.А.Метод учета априорной информации при определении надежности оборудования ядерных энергетичес­ких установок. Препринт ФЭИ-1280. - Обнинск: ФЭИ, 1982.-12с.

43. Моррис У.Наука об управлении. Байесовский подход. - М.:Мир,1971. — 304 с.

44. Parzen E. On estimation of a probability density function and mode//Annals of Mathematical Statistics. -1962.-33. - P. 1065 -1076.

45. Rozenblatt M. Remark on some nonparametric estimates of a density function// Annals of Mathematical Statistics. -1956. - 27. - P. 832 - 837.

46. ДевройЛ., ДъерфиЛ. Непараметрическое оценивание плотности. LI-подход: Пер.с англ.-М.: Мир, 1988.-408 с.

47. Ченцов Н.Н. Оценка неизвестной плотности распределения по наблюдени­ям//Докл. АН СССР. - Т. 147 .-С. 45-48.

48. Островский Е.И. Экспоненциальные оценки для случайных полей и их при­менения. - Обнинск: ИАТЭ, 1999. - 350 с.

49. Ивченко Г.И., Каштанов В.А., Коваленко И.Н. Теория массового обслужи­вания.-М.: Высшая школа, 1982.-256 с.

50. Банди Б. Методы оптимизации. Вводный курс /Пер. с ант. - М.: Радио и связь, 1988.-128 с.

51. Проблемы методологии системного исследования. - М.: Мысль, 1970. - 456 с.

52. Системные исследования. Методологические проблемы. - М.: Наука, 1979. - 384 с.

53. Системные исследования. Методологические проблемы. - М.: Наука, 1981. - 384 с.

54. Системные исследования. Методологические проблемы. - М.: Наука, 1985. - 360 с.

55. Системные исследования. Методологические проблемы. - М.: Наука, 1987. - 495 с.

56. Антонов А.В. Системный анализ. Методология. Построение моделей: Учеб. пособие по курсу «Системный анализ». - Обнинск: ИАТЭ, 2001.-272 с.

57. Антонов А.В. Системный анализ. Математические модели и методы: Учеб. пособие по курсу «Системный анализ». - Обнинск: ИАТЭ, 2002. -114 с.

58. Мушик Э., Мюллер П. Методы принятия технических решений: Пер.с нем. - М.:Мир, 1990.-208 с.

59. Вентцелъ Е. С., ОвчаровЛ.А. Теория случайных процессов и ее инженерные приложения. - М.: Наука, 1991.

60. Оптимизация числа запасных элементов оборудования, важных для безопас­ности АЭС /Антонов А.В., Пляскин А.В., Чепурко В.А. Il Методы менеджмента качества. - 2001. - № 8. - С. 27 - 30.

61. Байхельт Ф„ Франкен П. Надежность и техническое обслуживание. Матема­тический подход. -М.: Радио и связь, 1988.-392 с.

62. Мак-Кракен Д., Дорн У. Численные методы и программирование на фортра­не.-М.: Мир, 1977.-584 с.

63. ХеммингР.В. Численные методы. -М.: Наука, 1972.-400 с.

64. Бахвалов Н. С., Жидков Н.П., Кобельков Г.М. Численные методы. - М.: Лабо­ратория Базовых Знаний, 2001. - 632 с.

65. Васильев Ф.П. Численные методы решения экстремальных задач. -М.: На­ука, 1988.-552с.

66. Копченова Н.В., Марон И.А. Вычислительная математика в примерах и зада­чах.-М.: Наука, 1972.-367 с.

67. Надежность и эффективность в технике: Справочник. Т.8: Эксплуатация и ре- монт.//7оЭред. В.И.Кузнецова и Е.Ю.Барзиловича. - М.: Машиностроение, 1990.

68. Барлоу Р., Прошан Ф. Статистическая теория надежности и испытания набе- зотказность/Пер. с англ. — М.: Наука, 1984.

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ 5