СВА (системы выбора альтернативы) - интеллектуальные решающие системы, которые способны в диалоге с пользователем (ЛПР) на основе имеющихся данных, относящихся к данной предметной области, выполнять анализ и выбор по многим количественным и качественным критериям какой либо альтернативы из заданного множества и обосновывать решение поставленной задачи. Результатом работы СВА может быть упорядочение списка альтернатив, предпочтительность которых выражается некоторым числом (рангом). От ЛПР система должна получать информацию о предпочтительности критериев.
Первые пакеты класса СВА появились еще в середине 70-х годов, и с тех пор их структурная схема практически не изменилась. Традиционно СВА включает два главных компонента: базу данных и библиотеку алгоритмов анализа (рис.4.1).
Рис.4.1. Обобщенная структурная схема СВА
База данных содержит информацию об анализируемых объектах, а в библиотеке алгоритмов хранятся процедуры многокритериального сравнительного анализа информации на основе информации о предпочтении пользователя, вводимой или в виде весовых коэффициентов показателей, или в виде результатов парных сравнений важности показателей, или в виде опорных точек в пространстве решений, указывающих, что "этот вариант лучше того". Результатом работы алгоритмов является упорядоченный список сравниваемых альтернатив.
Наиболее развитые СВА, кроме того, обеспечивают:
- обоснованность определения весов критериев: СВА сама рассчитывает веса показателей (например, методом парных сравнений), основываясь на ответы пользователя на вопросы типа "какой из двух показателей важнее?";
- объяснение результатов анализа, что дает дополнительную информацию пользователю, повышая степень его доверия полученным результатам;
- восстановление или игнорирование недостающих значений данных, что повышает устойчивость системы к неполноте информации;
- учет зависимости показателей от каких-либо факторов, т.е. пользователь может задавать не значения показателей, а некоторые функции полезности.
Область применения СВА ограничивается задачами, в которых требуется поиск оптимальных решений на конечном множестве альтернатив. Связи СППР с внешним миром осуществляются через ЛПР, ставящего задачу и вводящего всю необходимую информацию для ее решения.
Примеры задач, решенных с помощью СВА [1]:
- оценка качества системы здравоохранения в регионах;
- анализ системы показателей качества продукции;
- тематическое планирование НИОКР;
- сравнительный анализ деятельности предприятий, отдельных подразделений предприятия, отрасли;
- выбор наиболее предпочтительного варианта конструкции.
Для решения задач прогнозирования, управления, или диагностики СВА практически не используются как из-за отсутствия связи с внешним миром, так и из-за специфического характера библиотеки алгоритмов.
Развитие методов искусственного интеллекта в 70-х и первой половине 80-х годов привело к появлению другого класса интеллектуальных систем - экспертных систем.
Экспертные системы - интеллектуальные решающие системы, которые способны в диалоге с пользователем (ЛПР) на основе накопления и переработки знаний, и данных, относящихся к данной предметной области, проводить экспертизу, вырабатывать совет по выбору действий, распознавать ситуации, ставить диагноз и обосновывать рациональные решения поставленной задачи. Обобщенная структурная схема ЭС приведена на рис. 4.2.
ЭС содержит базу знаний, базу данных, подсистему вывода, модуль приобретения знаний, модуль советов и объяснений и интерфейсы с исследуемой системой и пользователем (ЛПР).
База знаний содержит набор знаний в конкретной предметной области и механизм управления ими. Знания вводятся в систему через модуль приобретения знаний, с помощью которого можно извлекать информацию из окружающей среды и накапливать ее в памяти ЭС с целью использования. Этот же модуль выполняет функции поддержки базы знаний и дополнения ее при необходимости. Для генерации семантических решений неформализованных задач необходимо перерабатывать разнообразные знания из предметной области, которые разделяются на два вида: декларативные и процедурные.
Декларативные знания представляются, как правило, на профессиональном естественном языке и отображают общее устройство предметной области, но не содержат в явном виде описания конкретных процедур поиска решений в каких-либо ситуациях. Например: описание системы, описание ситуаций, описание внешней по отношению к системе среды.
Процедурные знания - это сведения о совокупности конкретных процедур, этапов или шагов поиска целесообразных решений в новой ситуации, представленные либо на профессиональном естественном языке, либо на некотором формализованном языке. Например: законы сохранения массы, энергии, импульса и момента количества движения; законы термодинамики; алгоритмы построения моделей по экспериментальным данным.
База данных содержит всю необходимую для принятия решения фактографическую информацию в виде некоторых структур данных; слова, векторы, массивы, файлы, списки, абстрактные типы данных.
На основе этих данных с помощью процедурных знаний подсистемой вывода (поиска решений) отыскиваются оптимальные или рациональные решения, последовательность которых приводит к поставленной цели. В большинстве случаев решения принимаются непосредственно по продукционным правилам, имеющим вид: слева - описание ситуации, справа - предлагаемое решение.
Интерфейс с исследуемой системой обеспечивает получение информации из внешнего мира, получаемой с помощью измерительной системы, и с помощью экспертов - специалистов высокой квалификации в данной предметной области.
Интерфейс с пользователем служит для организации правильной передачи ответов пользователю - лицу, принимающему решение, или некоторой подсистеме, принимающей решение в автоматическом режиме.
Кроме того, ЭС способна давать не только заключение, но и представлять различные комментарии, прилагаемые к этому заключению, и объяснять его мотивы. Это упрощает понимание пользователем смысла заключения. Эти функции реализует модуль советов и объяснений.
Перечисленные функции в реальных ЭС могут быть усилены или расширены, но состав структурных элементов в реальных условиях изменится незначительно.
Примерами задач, решенных с помощью ЭС, могут служить:
1) решение задач по управлению, контролю, диагностике и прогнозированию в энергетике (система СПРИНТ) в энергетике;
2) разработка новых веществ с заданными свойствами, планирование экспериментов, оптимизация компоновки оборудования производств, структурно-параметрический синтез ресурсосберегающих технологических систем;
3) синтез систем различного назначения по заданным требованиям;
4) медицинская диагностика.
ЭC большей частью используются в областях приложений описательных наук. Они основаны на логико-лингвистических моделях представления знаний, представляющих собой набор правил действий (решений) в определенных ситуациях, каждая из которых характеризуется набором признаков. Если возникает ситуация, с которой эксперт никогда не встречался, ЭС отказывается выносить решение.
Системы ситуационного управления - это интеллектуальные решающие системы, вырабатывающие в режиме диалога с пользователем - лицом, принимающем решения (ЛПР), управляющие решения на основе накопления и переработки информации о структуре, свойствах и характеристиках функционирования сложных объектов, для которых в настоящее время частично или полностью не существует полных математических моделей. Обобщенная структура такой системы приведена на рис.4.3.
Рис.4.3. Структурная схема системы ситуационного управления
Система содержит интерфейс с объектом управления, кодер, декодер, анализатор, базу данных, базу знаний, симулятор, подсистему решения и интеллектуальный интерфейс с пользователем.
Система работает следующим образом. Описание текущей ситуации, складывающейся на объекте управления, поступает на вход системы от измерительной подсистемы через интерфейс с объектом. В декодере поступающая информация преобразуется в код ситуации в соответствии с некоторым правилом. Например:
if (xj > sup xjдоп) then (sj = 01), else
if (xj < inf xjдоп) then (sj = 10), else (sj = 00)
где sj - двухбитовый код j-й переменной состояния S ={s1,s2,...,sn},соответствующий значениям "включить", "выключить" или "оставить без изменения"; sup xjдоп, inf xjдоп - соответственно, верхняя и нижняя границы допустимых значений переменной xj, j=1,...,n.
Полученный код S поступает в анализатор, который отыскивает в базе знаний некоторый типовой класс ситуаций, которому соответствует текущая ситуация S. Попадание ситуации в некоторый типовой класс свидетельствует о том, что в условия этой ситуации можно можно использовать заранее подготовленное решение по управлению, которое также хранится в базе знаний.
В базе знаний хранятся продукционные правила вида
IF (s1ÎS; s2ÎS;....smÎS)Ù(s1ÏS; s2ÏS; ... snÏS), then D(S) ® U(S) else ®"правило для S не пригодно".
Здесь D(S) - оператор преобразования ситуации S в решение U(S). Это решение передается в подсистему решения.
Правила в базе знаний носят общий и эвристический характер. Если подсистема решения обнаруживает, что определен класс ситуаций, для которого имеется соответствующее правило, то решение через интерфейс сообщается пользователю и выводится через декодер в интерфейс с объектом управления. В декодере полученное решение преобразуется в управляющую программу, передаваемую в исполнительную подсистему, реализующую управляющие воздействия на объект управления.
В случаях, когда текущая ситуация S не является типовой, имеющиеся правила не могут быть использованы для выработки решения. В этом случае подсистема решения пробует подобрать для S решение, используя регноз и прогноз, реализуемые в симуляторе после моделирования. Подсистема решения определяет наиболее приемлемое для S решение по управлению и записывает вновь сформированное правило в базу знаний. Если решение не отыскивается, то подсистема решения через интеллектуальный интерфейс обращается к эксперту и фиксирует его указания в памяти симулятора.
Интеллектуальный интерфейс служит для связи системы с пользователем. Интерфейс используется в процессе обучения системы, передачи ей знаний от различных внешних источников и для контроля за работой системы.
Область применения таких систем пересекается с областью применения ЭС, но и имеет существенно отличительную часть. В отличительную часть входят задачи дискретного управления достаточно сложными системами; прогнозирование и диагностика состояния дискретных систем, как технических, так и организационных.
Примерами эффективного использования таких систем могут служить:
- планирование работ (оперативно-календарное планирование производства, составление графиков работы или циклограмм гибких производственных систем и сборочно-конвейерных линий, пуск-останов производства при проведении текущего и капитального ремонта, планирование материально-технического снабжения предприятия, погрузочно-разгрузочных работ и т.п.);
- управления сложными промышленными комплексами (отдельными предприятиями, регионами и т.п.) в условиях неполной информации, сложными техническими системами (газотранспортными, энергоснабжения, трубопроводными системами магистрального транспорта химических продуктов);
- управление техническим оборудованием (специальным подвижным оборудованием в районах нефтедобычи, управление обжигом во вращающихся клинкерных печах).
Парадоксально, но основанные на знаниях системы, работающие в плохо формализованных областях, построены крайне формализованным образом. Суть парадокса в том, что такие системы не "не знают" общего закона поведения системы, а перечисляют множества конкретных решений для множества ситуаций. Поэтому такие системы не могут оказать эффективной поддержки решения задач управления конкретными системами или прогнозирования и диагностики их состояния. Для решения этих задач необходима оценка закона поведения системы, то есть построения ее теоретической модели. Это возможно только путем включения в состав интеллектуальной системы подсистемы моделирования, тесно связанной с различными источниками информации об исследуемой системе и способной выявить наиболее существенные отношения между характеристиками ситуаций, иными словами, построить приближенную формальную модель предметной области.
Так, например, известные системы медицинской диагностики построены на основе ЭС, содержащей продукционные правила типа if-правил. Диагноз такими системами выносится без учета особенностей общего состояния здоровья человека, его особенностей, на основе оценки истинности элементарных высказываний: соответствует ли тот или иной показатель здоровья пациента норме или нет. Но норма для каждого пациента различны и предрасположенность его к различным заболеваниям также различна. Неучет таких особенностей приводит к тому, что получаемый диагноз может оказаться истинным только для некоторого "среднего" человека, но хорошо известно, что среднего человека вообще не существует. Включение в состав автоматизированной системы медицинской диагностики модели состояния здоровья пациента, входы которой определяются как прошлыми, так и текущими показателями здоровья, позволила существенно повысить качество диагноза заболеваний.
Тоже самое можно отметить и для технических систем. Решение, выдаваемое системами ситуационного управления или экспертными системами опираются только на некоторые общие правила без учета особенностей поведения технической системы, состояния его агрегатов, оборудования, сырья и т.п.
Поэтому решение задач управления конкретными системами, реализуемых на конкретном оборудовании и в конкретных условиях, или решение задач прогнозирования состояний таких систем для некоторого будущего отрезка времени или решение задачи диагностики, принимаемые с помощью таких интеллектуальных систем часто оказываются не эффективными.
Основной причиной их неэффективности является слишком общий характер используемой ими информации. Так, экспертные системы построены на основе продукционных правил, ситуация в которых учитывается набором дискретных значений ограниченного множества признаков, а не основе закономерностей функционирования конкретного объекта; системы ситуационного управления используют такие же правила, а модели дискретных процессов используются для прогноза отклика системы на принимаемое решение, возможности таких систем определяются полнотой охвата множества возможных ситуаций, закономерности функционирования конкретного объекта такими системами также не учитываются.
Решения тогда получаются верными, когда они принимаются с учетом конкретной ситуации, в которой приходится принимать решение. Отсюда следует необходимость моделирования ситуаций - моделирования систем и процессов. Основными препятствиями на этом пути являются: полная или частичная априорная неопределенность системы; отсутствие эффективных методов формализации таких систем, функционирующих, как правило, в среде разнотипных переменных; отсутствие методологии анализа слабоструктурированных систем и процессов.
Эффективность применения СППР можно повысить путем использования интегрированной системы поддержки принятия решения (ИСППР), включающей подсистему моделирования.
Для поддержки решения трудноформализуемых задач - прогнозирование состояния сложной системы (не обязательно технической) в условиях неопределенности; управление сложными системами в условиях неопределенности; диагностика причин неправильного функционирования сложной системой (технической и нетехнической) и др. необходима новая структура интеллектуальной системы – ИСППР (рис.4.4)..
Рис.4.4.. Структура ИСППР
Интегрированная интеллектуальная система, обеспечивающая поддержку решений задач, требующих повышенных объемов знаний для их решения, должна удовлетворять следующим требованиям.
1. Быть способна к обучению, то есть уметь извлекать информацию из окружающей среды, повышать их уровень и накапливать полученные знания о данной предметной области в базе знаний (БЗ) с целью их использования для решения недостаточно формализованных задач.
2. Собирать и накапливать информацию о поведении системы в базе данных (БД) с целью ее использования для обучения ИСППР.
3. На основе информации, накопленной в БЗ и БД, моделировать ситуацию, в которой приходится принимать решения.
4. Оценивать качество принимаемых решений с учетом всех заданных критериев с использованием полученных моделей.
5. Своевременно отслеживать изменение ситуации, в которой приходится принимать решение.
6. Восстанавливать или игнорировать недостающие данные, то есть должна быть устойчивой к неполноте исходной информации.
Всем этим требованиям может удовлетворять ИСППР, имеющая следующую структуру (рис.4.4). В отличие от рассмотренных традиционных интеллектуальных систем ИСППР содержит подсистему моделирования и расширенный состав базы знаний, включающий: средства информационной поддержки построения формальных моделей системой моделирования и средства поддержки получения рациональных решений с использованием формальных моделей подсистемой поиска решений.
Подсистема моделирования предназначена для построения формальной модели исследуемой системы с целью повышения уровня интерпретации имеющейся информации, что позволяет решать задачи управления, прогнозирования и диагностики состояния сложных систем и процессов. Модель строится в виде совокупности частных моделей различного типа и мониторной подсистемы синтеза модели из множества частных на основе информации о конкретной ситуации, в которой принимается решение.
Построение формальных моделей исследуемой системы обеспечивает повышение уровня данных; обучение ИСППР путем приобретения и запоминания определенного опыта, накапливаемого в процессе функционирования исследуемой системы; интерпретацию информации, выдаваемой датчиками; решение задач прогноза и регноза (восстановления причин, приведших к текущему состоянию системы).
Во время разработки прикладной ИСППР такие модели могут использоваться вместо объектов реального мира для имитации показаний датчиков. На этапе эксплуатации прикладной ИСППР такие модели используются подсистемой поиска решений, что позволяет:
- выработать наиболее рациональные значения управляющих воздействий, осуществить в некотором смысле оптимизацию исследуемого процесса, прогнозирование состояний, диагностику неисправностей и т.п.;
- повысить устойчивость к неполноте данных путем подстановки модельных значений переменных при невозможности получения реальных значений (выход из строя датчика или длительное время реакции на запрос);
- осуществить прогноз развития ситуаций и моделирование путей развития процессов, приведших к возникновению текущей ситуации (регноз);
- осуществить верификацию показаний датчиков во время работы системы.
Для получения эффективных решений в подсистему поиска решений могут быть включены процедуры, связанные с формированием гипотез, прогнозом развития ситуаций и регнозом.
База данных содержит необходимые фактографические данные о системе или процессе. Обычно данными служат конкретные значения величин, используемых в решении, а также описания объектов, связей, ситуаций, событий.
База знаний, кроме традиционного для интеллектуальных систем содержимого, дополнительно содержит знания предметной области для формирования гипотез, используемых при решении задач моделирования, и, полученные с помощью подсистемы моделирования, частные формальные модели, знания о накопленном опыте решения задач заданного класса.
ИСППР работает в двух режимах: 1) обучения (настройки на решение проблемы, реализуемого подсистемой обучения) и 2) рабочем, в котором в зависимости от конкретной ситуации и поставленной проблемы система вырабатывает совет или заключение, сопровождая их объяснением полученных выводов.
Одна из основных проблем - обучение ИСППР - решается с помощью подсистемы моделирования и подсистемы приобретения знаний. При обучении могут быть поставлены, по крайней мере, две цели. Первая - извлечение информации из среды, вторая - повышение её уровня и структурирование.
Первая цель достигается с помощью формирования обучающей выборки данных, выявления наиболее информативных признаков системы, статистического анализа данных и т.п.
Вторая цель достигается с помощью моделирования исследуемой системы на основе имеющейся априорной информации и обучающей выборки: построения частных формальных моделей отдельных подсистем, а затем - общей модели путем создания дерева моделей на основе имеющейся информации о структуре исследуемой сложной системы.
Большинство обучающихся систем, разработанных до настоящего времени, ориентировано на использование алгоритмов статистического анализа различных данных. В предлагаемой системе обучение реализуется путем построения моделей, основанного на информационных методах, методах теории нечетких множеств, нечеткой логики и теории принятия решений на основе формальных моделей в сочетании с эвристическими методами.
Подсистема поиска решений строится на основе алгоритмов оптимизации, использующих приближенные модели (модели с ограниченной погрешностью). Совокупность решений, обеспечивающих целенаправленное поведение исследуемой системы (ИС), вырабатывается на основе информации о текущем состоянии всех подсистем ИС, множества заданных критериев и условий функционирования ИС и эвристических знаний.
Окончательные решения вырабатываются лицом, принимающим решение, предлагающим варианты и осуществляющим выбор среди различных альтернатив, который выполняется на основе оценивания множества критериев, отражающих различные цели, являющиеся зачастую несоизмеримыми и противоречивыми. Всю информацию, необходимую для такого выбора подготавливает ИСППР. При этом человеку отводится роль ЛПР, формирующего задачу, выполняющего анализ результатов с помощью ИСППР и принимающего окончательное решение.