Logo GenDocs.ru

Поиск по сайту:  


Загрузка...

Лекции по ТПР - файл АНАЛИЗ ЗАДАЧ И МЕТОДОВ ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ.doc


Лекции по ТПР
скачать (455.4 kb.)

Доступные файлы (5):

АНАЛИЗ ЗАДАЧ И МЕТОДОВ ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ.doc133kb.21.11.2007 15:33скачать
Введение в теорию диссонанса.doc79kb.21.11.2007 15:51скачать
классификация управленческих решений.doc71kb.21.11.2007 15:35скачать
Лекции по ТПР.docскачать
Основы принятия решений и ситуационного моделирования.doc101kb.21.11.2007 15:33скачать

содержание
Загрузка...

АНАЛИЗ ЗАДАЧ И МЕТОДОВ ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ.doc

Реклама MarketGid:
Загрузка...
ГЛАВА 1.
АНАЛИЗ ЗАДАЧ И МЕТОДОВ ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ


Задача принятия решений (ЗПР) - одна из самых распространенных в любой предметной области [1 - 7]. Ее решение сводится к выбору одной или нескольких лучших альтернатив из некоторого набора. Для того чтобы сделать такой выбор, необходимо четко определить цель и критерии (показатели качества), по которым будет проводиться оценка некоторого набора альтернативных вариантов. Выбор метода решения такой задачи зависит от количества и качества доступной информации. Данные, необходимые для осуществления обоснованного выбора, можно разделить на четыре категории: информация об альтернативных вариантах, информация о критериях выбора, информация о предпочтениях, информация об окружении задач.

^ 1.1. Эволюция теории принятия решений. ЭВМ в принятии решений

В своем развитии теория принятия решений прошла через три стадии.

На первой стадии развивался дескриптивный подход к принятию решений. Здесь усилия ученых были направлены на описание процесса выбора решений человеком в целях определения рационального зерна, характерного для всякого разумного выбора. В результате проведенных исследований оказалось, что большинство людей действуют интуитивно, проявляя при этом непоследовательность и противоречивость в своих суждениях. Положительным аспектом исследований в области дескриптивного подхода явилось то, что удалось дать достаточно четкий ответ на вопрос, что может и чего не может человек, решая задачу выбора [8].

На второй стадии исследователи разрабатывали нормативный подход к принятию решений. Однако и здесь их постигла неудача, поскольку идеализированные теории, рассчитанные на сверхрационального человека с мощным интеллектом, не нашли практического применения.

На третьей стадии был развит прескриптивный подход к принятию решений. Он оказался наиболее плодотворным, поскольку предписывал, как должен поступать человек с нормальным интеллектом, желающий напряженно и систематизированно обдумывать все аспекты своей задачи. Прескриптивный подход не гарантирует нахождения оптимального решения в любой ситуации, но обеспечивает выбор такого решения, которое не обременено противоречиями и непоследовательностями. Данный подход предъявляет к человеку серьезные требования по освоению методов и приемов теории принятия решений, а также предписывает проведение многочисленных вычислений, связанных с реализацией этих методов.

Первоначальным импульсом для применения ЭВМ в процессе принятия решений явилась необходимость проведения большого объема вычислений для получения обобщенной оценки путем синтеза всех плюсов и минусов по каждой альтернативе. На этом шаге решением ЗПР занимались специалисты, имеющие широкие знания как в области методов принятия решений, так и в программировании на ЭВМ.

Поскольку на практике указанное сочетание знаний является редким, возникла новая категория специалистов - аналитиков в области принятия решений. Аналитики владели методами принятия решений и навыками программирования и выступали в роли посредников между лицом, принимающим решение (ЛПР), и ЭВМ. Аналитик выполнял следующие функции: уточнял совместно с ЛПР постановку задачи, выбирал метод принятия решений, адекватный задаче, собирал необходимую статистическую и экспертную информацию, строил модель задачи, организовывал обработку накопленной информации на ЭВМ, представлял полученные результаты ЛПР и их интерпретировал.

Следующий шаг в применении ЭВМ для принятия решений был связан с созданием диалоговых систем, позволявших менять интересующие исследователя параметры заложенной в память ЭВМ модели задачи принятия решений, выбирать алгоритм поиска решения или его параметров, исследовать чувствительность полученного решения. Такие системы позволяли получать исчерпывающую информацию для всестороннего обоснования выбираемых решений.

В настоящее время в связи с возросшими возможностями современных ЭВМ разработаны программные информационные системы, обеспечивающие поддержку процесса принятия решений на всех его фазах. Большинство систем принятия решений реализовано на персональных ЭВМ.

^ 1.2. Схема процесса принятия решений

Общая схема процесса принятия решений включает следующие основные этапы:

Этап 1. Предварительный анализ проблемы. На этом этапе определяются:

  • главные цели;

  • уровни рассмотрения, элементы и структура системы (процесса), типы связей;

  • подсистемы, используемые ими основные ресурсы и критерии качества функционирования подсистем;

  • основные противоречия, узкие места и ограничения.

Этап 2. Постановка задачи. Постановка конкретной ЗПР включает:

  • формулирование задачи;

  • определение типа задачи;

  • определение множества альтернативных вариантов и основных критериев для выбора из них наилучших;

  • выбор метода решения ЗПР.

Этап 3. Получение исходных данных. На данном этапе устанавливаются способы измерения альтернатив. Это либо сбор количественных (статистических) данных [9], либо методы математического или имитационного моделирования, либо методы экспертной оценки [10, 11]. В последнем случае необходимо решить задачи формирования группы экспертов, проведения экспертных опросов, предварительного анализа экспертных оценок.

Этап 4. Решение ЗПР с привлечением математических методов и вычислительной техники, экспертов и лица, принимающего решение. На этом этапе производятся математическая обработка исходной информации, ее уточнение и модификация в случае необходимости. Обработка информации может оказаться достаточно трудоемкой, при этом может возникнуть необходимость совершения нескольких итераций [12] и желание применить различные методы [13 - 16] для решения задачи. Поэтому именно на этом этапе возникает потребность в компьютерной поддержке процесса принятия решений, которая выполняется с помощью автоматизированных систем принятия решений.

Этап 5. Анализ и интерпретация полученных результатов. Полученные результаты могут оказаться неудовлетворительными и потребовать изменений в постановке ЗПР. В этом случае необходимо будет возвратиться на этап 2 или этап 1 и пройти заново весь путь. Решение ЗПР может занимать достаточно длительный промежуток времени, в течение которого окружение задачи может измениться и потребовать корректировок в постановке задачи, а также в исходных данных (например, могут появиться новые альтернативы, требующие введения новых критериев). Задачи принятия решений можно разделить на статические и динамические. К первым относятся задачи, которые не требуют многократного решения через короткие интервалы времени. К динамическим относятся ЗПР, которые возникают достаточно часто. Следовательно, итерационный характер процесса принятия решений можно считать закономерным, что подтверждает необходимость создания и использования эффективных систем компьютерной поддержки. ЗПР, требующие одного цикла, можно скорее считать исключением, чем правилом.

^ 1.3. Классификация задач принятия решений

Задачи принятия решений отличаются большим многообразием, классифицировать их можно по различным признакам, характеризующим количество и качество доступной информации. В общем случае задачи принятия решений можно представить следующим набором информации [8, 17, 18]:

<Т, A, К, X, F, G, D>,

где Т- постановка задачи (например, выбрать лучшую альтернативу или упорядочить весь набор);

А - множество допустимых альтернативных вариантов;

К- множество критериев выбора;

Х- множество методов измерения предпочтений (например, использование различных шкал);

F- отображение множества допустимых альтернатив в множество критериальных оценок (исходы);

G - система предпочтений эксперта;

D - решающее правило, отражающее систему предпочтений.

Любой из элементов этого набора может служить классификационным признаком принятия решений.

Рассмотрим традиционные классификации:

  1. ^ 1. По виду отображения F. Отображение множества А и К может иметь детерминированный характер, вероятностный или неопределенный вид, в соответствии с которым задачи принятия решений можно разделить на задачи в условиях риска и задачи в условиях неопределенности.

  2. ^ 2. Мощность множества К. Множество критериев выбора может содержать один элемент или несколько. В соответствии с этим задачи принятия решений можно разделить на задачи со скалярным критерием и задачи с векторным критерием (многокритериальное принятие решений).

  3. 3. Тип системы G. Предпочтения могут формироваться одним лицом или коллективом, в зависимости от этого задачи принятия решений можно классифицировать на задачи индивидуального принятия решений и задачи коллективного принятия решений.

^ Задачи принятия решений в условиях определенности. К этому классу относятся задачи, для решения которых имеется достаточная и достоверная количественная информация. В этом случае с успехом применяются методы математического программирования, суть которых состоит в нахождении оптимальных решений на базе математической модели реального объекта. Основные условия применимости методов математического программирования следующие:

  1. Задача должна быть хорошо формализована, т. е. имеется адекватная математическая модель реального объекта.

  2. Существует некоторая единственная целевая функция (критерий оптимизации), позволяющая судить о качестве рассматриваемых альтернативных вариантов.

  3. Имеется возможность количественной оценки значений целевой функции.

  4. Задача имеет определенные степени свободы (ресурсы оптимизации), т. е. некоторые параметры функционирования системы, которые можно произвольно изменять в некоторых пределах в целях улучшения значений целевой функции.

^ Задачи в условиях риска. В тех случаях, когда возможные исходы можно описать с помощью некоторого вероятностного распределения, получаем задачи принятия решений в условиях риска. Для построения распределения вероятностей необходимо либо иметь в распоряжении статистические данные, либо привлекать знания экспертов. Обычно для решения задач этого типа применяются методы теории одномерной или многомерной полезности. Эти задачи занимают место на границе между задачами принятия решений в условиях определенности и неопределенности. Для решения этих задач привлекается вся доступная информация (количественная и качественная).

^ Задачи в условиях неопределенности. Эти задачи имеют место тогда, когда информация, необходимая для принятия решений, является неточной, неполной, неколичественной, а формальные модели исследуемой системы либо слишком сложны, либо отсутствуют. В таких случаях для решения задачи обычно привлекаются знания экспертов. В отличие от подхода, принятого в экспертных системах, для решения ЗПР знания экспертов обычно выражены в виде некоторых количественных данных, называемых предпочтениями.

^ Выбор и нетривиальность задач принятия решений. Следует отметить, что одним из условий существования задачи принятия решений является наличие нескольких допустимых альтернатив, из которых следует выбрать в некотором смысле лучшую. При наличии одной альтернативы, удовлетворяющей фиксированным условиям или ограничениям, задача принятия решений не имеет места.

Задача принятия решений называется тривиальной, если она характеризуется исключительно одним критерием К и всем альтернативам Аi приписаны конкретные числовые оценки в соответствии со значениями указанного критерия (рис. 1.1 а).



Рис. 1.1. Выбор альтернативы при одном критерии:
а - в условиях определенности;
б - в условиях неопределенности;
в - в условиях риска

Задача принятия решений перестает быть тривиальной даже при одном критерии К, если каждой альтернативе Аi соответствует не точная оценка, а интервал возможных оценок (рис. 1.1 б) или распределение f(К/Аi) на значениях указанного критерия (рис. 1.1 в).

Нетривиальной считается задача при наличии нескольких критериев принятия решений (рис. 1.2) независимо от вида отображения множества альтернатив в множество критериальных оценок их последствий.



Рис. 1.2. Выбор альтернативы с учетом двух критериев:
а - в случае непрерывной области альтернатив;
б - в случае дискретных альтернатив

Следовательно, при наличии ситуации выбора, многокритери-альности и осуществлении выбора в условиях неопределенности или риска задача принятия решений является нетривиальной.

^ 1.4. Классификация методов принятия решений

Существует множество классификаций методов принятия решений, основанных на применении различных признаков [10, 19 - 23]. В табл. 1.1 приведена одна из возможных классификаций, признаками которой являются содержание и тип получаемой экспертной информации.

Таблица 1.1

^ Классификация методов принятия решений

п/п

Содержание информации

Тип информации

Метод принятия решений

1

Экспертная информация не требуется

 

Метод доминирования [24, 25]
Метод на основе глобальных критериев [26, 27]

2

Информация о предпочтениях на множестве критериев

Качественная информация
Количественная оценка предпочтительности критериев
Количественная информация о замещениях

Лексикографическое упорядочение [24,25]
Сравнение разностей критериальных оценок [22,24]
Метод припасовывания [24]
Методы "эффективность-стоимость" [24,28]
Методы свертки на иерархии критериев [29,30]
Методы порогов [24, 31]
Методы идеальной точки [24]
Метод кривых безразличия [10,24] Методы теории ценности [10, 24]

3

Информация о предпочтительности альтернатив

Оценка предпочтительности парных сравнений

Методы математического программирования [32,33]
Линейная и нелинейная свертка при интерактивном способе определения ее параметров [34]

4

Информация о предпочтениях на множестве критериев и о последствиях альтернатив

Отсутствие информации о предпочтениях; количественная и/или интервальная информация о последствиях. Качественная информация о предпочтениях и количественная о последствиях
Качественная (порядковая) информация о предпочтениях и последствиях
Количественная информация о предпочтениях и последствиях

Методы с дискретизацией неопределенности [8,26]
Стохастическое доминирование [8,10,22]
Методы принятия решений в условиях риска и неопределенности на основе глобальных критериев [8, 35]
Метод анализа иерархий [36]
Методы теории нечетких множеств [7, 13, 14, 15, 17, 37]
Метод практического принятия решений [8, 24]
Методы выбора статистически ненадежных решений [8,38]
Методы кривых безразличия для принятия решений в условиях риска и неопределенности [8]
Методы деревьев решений [8,37]
Декомпозиционные методы теории ожидаемой полезности [8, 10,11]

Используемый принцип классификации позволяет достаточно четко выделить четыре большие группы методов, причем три группы относятся к принятию решений в условиях определенности, а четвертая - к принятию решений в условиях неопределенности. Из множества известных методов и подходов к принятию решений наибольший интерес представляют те, которые дают возможность учитывать многокритериальность и неопределенность, а также позволяют осуществлять выбор решений из множеств альтернатив различного типа при наличии критериев, имеющих разные типы шкал измерения (эти методы относятся к четвертой группе).

В свою очередь, среди методов, образующих четвертую группу, наиболее перспективными являются декомпозиционные методы теории ожидаемой полезности, методы анализа иерархий и теории нечетких множеств. Данный выбор определен тем, что эти методы в наибольшей степени удовлетворяют требованиям универсальности, учета многокритериальности выбора в условиях неопределенности из дискретного или непрерывного множества альтернатив, простоты подготовки и переработки экспертной информации.

Охарактеризовать достаточно полно все методы принятия решений, относящиеся к четвертой группе, в рамках данной работы невозможно, поэтому в дальнейшем рассматриваются только три подхода к принятию решений в условиях неопределенности, которые получили наиболее широкое воплощение в системах компьютерной поддержки, а именно: подходы, основанные на методах теории полезности, анализа иерархий и теории нечетких множеств.

^ 1.5. Характеристика методов теории полезности

Декомпозиционные методы теории ожидаемой полезности получили наиболее широкое распространение среди группы аксиоматических методов принятия решений в условиях риска и неопределенности.

Основная идея этой теории состоит в получении количественных оценок полезности возможных исходов, которые являются следствиями процессов принятия решений. В дальнейшем на основании этих оценок можно выбрать наилучший исход. Для получения оценок полезности необходимо иметь информацию о предпочтениях лица, ответственного за принимаемое решение.

Парадигма анализа решения может быть сведена к процессу, включающему пять этапов [10].

Этап 1. Предварительный анализ. На этом этапе формулируется проблема и определяются возможные варианты действий, которые можно предпринять в процессе ее решения.

Этап 2. Структурный анализ. Этот этап предусматривает структуризацию проблемы на качественном уровне, на котором ЛПР намечает основные шаги процесса принятия решений и пытается упорядочить их в виде некоторой последовательности. Для этой цели строится дерево решений, (рис.1.3).



Рис. 1.3. Фрагмент дерева решений

Дерево решений имеет два типа вершин: вершины-решения (обозначены квадратиками) и вершины-случаи (обозначены кружочками). В вершинах-решениях выбор полностью зависит от ЛПР, в вершинах-случаях ЛПР не полностью контролирует выбор, так как случайные события можно предвидеть лишь с некоторой вероятностью.

Этап 3. Анализ неопределенности. На этом этапе ЛПР устанавливает значения вероятности для тех ветвей на дереве решений, которые начинаются в вершинах-случаях. При этом полученные значения вероятностей подлежат проверке на наличие внутренней согласованности.

Для получения значений вероятности привлекается вся доступная информация: статистические данные, результаты моделирования, экспертная информация и т. д.

Этап 4. Анализ полезности. На данном этапе следует получить количественные оценки полезности последствий (исходов), связанных с реализацией того или иного пути на дереве решений. На рис. 1.3 показан один из возможных путей - от начала до точки G.

Исходы (последствия принимаемых решений) оцениваются с помощью функции полезности фон Неймана - Моргенштерна [39], которая каждому исходу rk ставит в соответствие его полезность и(rk). Построение функции полезности осуществляется на основе знаний ЛПР и экспертов.

Этап 5. Процедуры оптимизации. Оптимальная стратегия действий (альтернатива, путь на дереве решений) может быть найдена с помощью вычислений, а именно: максимизации ожидаемой полезности на всем пространстве возможных исходов. Одно из условий постановки задачи оптимизации - наличие адекватной математической модели, которая связывает параметры оптимизации (в данном случае это альтернативные варианты действий) с переменными, входящими в целевую функцию (функция полезности). В методах теории полезности такие модели имеют вероятностный характер и основаны на том, что оценка вероятности ожидаемого исхода может быть использована для введения числовых оценок возможных вероятных распределений на конечном множестве исходов.

Задача выбора наилучшего решения в соответствии с аксиоматикой теории полезности [10] может быть представлена следующим образом:



где и(К) - многомерная функция полезности;

К- точка в критериальном пространстве;

f(K/A) - функция плотности условного от альтернативы А распределения критериальных оценок.

Построение функций полезности является основной и наиболее трудоемкой процедурой методов теории полезности, после этого с помощью такой функции можно оценить любое количество альтернатив.

Процедура построения функции полезности включает пять шагов.

^ Шаг 1. Подготовительный. Главная задача здесь - подбор экспертов и разъяснение им того, как следует выражать свои предпочтения.

Шаг 2. Определение вида функции. Функция полезности должна отражать представления ЛПР и экспертов об ожидаемой полезности возможных исходов. Поэтому множество исходов упорядочивается по их предпочтительности, после чего в соответствие каждому возможному исходу необходимо поставить предполагаемое значение ожидаемой полезности. На этом шаге выясняют, является ли функция полезности монотонной, убывающей или возрастающей, отражает ли она склонность, несклонность или безразличие к риску и т. п.

Шаг 3. Установление количественных ограничений. Здесь определяется интервал изменения аргумента функции полезности и устанавливаются значения функции полезности для нескольких контрольных точек.

Шаг 4. Подбор функции полезности. Необходимо выяснить, являются ли согласованными количественные и качественные характеристики, выявленные к данному моменту. Положительный ответ на этот вопрос равнозначен существованию некоторой функции, которая обладает всеми требуемыми свойствами. Если последует отрицательный ответ, то возникает проблема согласования свойств, что предполагает возврат на более ранние шаги.

Шаг 5. Проверка адекватности. Необходимо убедиться в том, что построенная функция полезности действительно полностью соответствует истинным предпочтениям ЛПР. Для этого применяются традиционные методы сравнения расчетных значений с экспериментальными.

Рассмотренная процедура соответствует задаче со скалярной функцией полезности. В общем случае последняя может быть векторной величиной. Это имеет место, когда ожидаемую полезность невозможно представить единственной количественной характеристикой (задача со многими критериями). Обычно многомерная функция полезности представляется как аддитивная или мультипликативная функция частных полезностей. Процедура построения многомерной функции полезности еще более трудоемка, чем одномерной.

Таким образом, методы теории полезности занимают промежуточное место между методами принятия решений в условиях определенности и методами, направленными на выбор альтернатив в условиях неопределенности. Для применения этих методов необходимо иметь количественную зависимость между исходами и альтернативами, а также экспертную информацию для построения функции полезности. Эти условия выполняются не всегда, что накладывает ограничение на применение методов теории полезности. К тому же следует помнить, что процедура построения функции полезности трудоемка и плохо формализуема.

В настоящее время методы теории полезности достаточно хорошо освещены в отечественной научной и учебной литературе [2, 8, 10, 11, 22]. Особого внимания заслуживают работы отечественных ученых: А. М. Дуброва, Б. А. Лагоши, Е. Ю. Хрусталева [40], а также Н. В. Князевского и В. С. Князевской [41]. На основе этих методов реализованы разнообразные компьютерные системы. Наибольшую популярность приобрела промышленная диалоговая система "Альтернатива - Ф", реализующая методы теории полезности и обеспечивающая решение задач многокритериального выбора в условиях определенности, риска и неопределенности [8].

С учетом сказанного в настоящем учебнике представлены наиболее универсальные и менее освещенные в отечественной учебной литературе подходы к принятию решений в условиях неопределенности. Наиболее подробно нами будут рассмотрены автоматизированные методы анализа иерархий и теории нечетких множеств, а также методология по их применению для решения экономических задач.


Скачать файл (455.4 kb.)

Поиск по сайту:  

© gendocs.ru
При копировании укажите ссылку.
обратиться к администрации
Рейтинг@Mail.ru