1. АНАЛИЗ СОСТОЯНИЯ ИССЛЕДУЕМОГО ВОПРОСА
1.1 Анализ разработанных систем поддержки принятия решений для управления производством
Анализируя существующие средства имитационного моделирования, можно сделать вывод, что наиболее широко распространены проблемно- ориентированные системы и системы, разработанные для использования в конкретном производстве, призванные решать заранее определенные, конкретные.задачи. В качестве типичных примеров таких систем можно назвать систему моделирования робототехнических устройств ROBCAD; пакет имитации механических систем ADAMS; системы имитации бизнес-процессов, к числу, которых;относятся ReThink, ProSim и SPARKS; систему оперативного управления цехом FOBOS, а также систему Ithink, предназначенную для моделирования фондовых потоков.
Для моделирования данных дискретнык систем были использованы такие программные продукты как GPSS, SIMSCRIPT II, Arena (и входящий в ее состав язык.имитацнонного моделирования SIMAN), Process Charter и др.
Одним из примеров вышеперечисленных систем служит модель имитации работы конвейера на компьютере при его неравномерной загрузке.
Для определения эксплуатационных характеристик конвейера наиболее эффективно использовать статистическое исследование с помощью компьютерного моделирования работы конвейера на языке GPSS ( General Purpose System Simula). Для построения модели необходимо выделить события, отражающие особенности работы конвейера, и подобрать соответствующие блоки GPSS, имитирующие эти события. Каждый блок модели является источником информации, с помощью которой контролируется процесс моделирования при различных условиях загрузки и разгрузки, изменениях типов груза, скорости ленты и др. Для имитации неравномерной загрузки конвейера коробками по времени использованы динамические объекты GPSS-кванты и алгоритм программы моделирования работы ленточного конвейера.[ ] Результаты моделирования дают широкий спектр характеристик, которые могут быть использованы для определения оптимального режима работы.
1.2 Анализ методов моделирования производственных участков
Для моделирования производственных участков применяются различные методы. Приведем некоторые из них:
- математическое моделирование;
- имитационное моделирование;
- структурное моделирование;
- символьное имитационное моделирование и др.
Одним из основных требований, предъявляемых к подсистемам оперативно-календарного планированин (ОКП) в гибких производственных комплексах (ГПК) механической обработки, является точность формируемого расписания работ отдельных гибких производственных модулей и вссго ГПК в целом. Точность любой модели, как правило, зависит от полноты ее представления, адекватности условиям реальной производственной системы. В большинстве моделей ОКП расписание традиционно строилось относительно основного класса обслуживающих устройств – гибких производственных модулей (ГПМ). Модель расписания, методика и алгоритм его формирования с учетом процессов переналадок ГПМ при выполнении различных партий деталей (так называемых партия-операций) и влияния других технологических факторов представлены в работе [ ]. Данное расписание строится из предположения, что количество транспортных средств (робокары, роботизированные тележки и др.), применяемых для перевозки партия-операций между отдельными ГПМ, ГПМ и складом, является наперед заданной известной и достаточной величиной. В то же время, в большинстве случаев, при формировании оптимального расписания работы ГПК необходимо учитывать транспортные средства (ТС), как обслуживающие устройства в обшей модели планирования. В связи с этим возникает необходимость в разработке обобщенной математической модели ОКП для ГПК механической обработки.
На множестве номенклатуры деталей, представленном множеством единиц планирования (ЕП), которыми являются партия-операции, М и множеством обслуживающих устройств, представленных множеством ГПМ и ТС – N и R, необходимо составить оптимальное расписание. Графическая интерпретация произвольной модели расписания для случая М(3 * 3), N(3) и R(2) представляется диаграммой Гантта. Как видно из диаграммы, основными потерями времени для каждого ГПМ в расписании ГПК являются:
– потери времени, связанные с наличием операций переналадок в ГПМ при поступлении новых партия-операций деталей;
– потери времени, связанные с ожиданием партий деталей, находящихся в требуемый момент на обработке на предыдущей операции;
– потери времени, связанные с ожиданием партий деталей, находящихся в процессе транспортирования;
– потери времени, связанные с занятостью транспортных средств;
- суммарное время простоя к-го ГПМ при обработке ЕП еij,. Тогда обобщенная математическая модель задачи ОКП имеет следующий вид:
где m > 1; n>= 1; r>= 1; a = const – величина партии запуска ЕП;
t eij > О – время, отводимое на выполнение ЕП еij на к-м ГПМ;
Рi>=1 – количество операций на i-й детали;
Фnk – фонд времени работы к-го ГПМ на горизонте планирования;
Фrl – фонд времени работы L-го ТС на горизонте планирования;
Zi – количество заявок для L-го ТС на горизонте планирования.
Горизонтом оси планирования можст быть восьмичасовая смена.
Выражение (1) представляет собой функционал задачи в обобщенном виде, отражающий основные потери времени, а выражение (2) представляет собой ограничение по фонлу времени работы ГПМ; выражение (3) отражает ограничение по фонду времени ТС; выражение (4) отражает выполнение условии предшествования для всех ЕП; выражение (5) отражает условие предшествования дли ТС (ТС в том случае может обслужить заявку, если она на временной оси данного ТС не пересекается с любой другой заявкой, обслуживаемой данным ТС); выражение (6) представляет собой обобшенный состав дополнительных ограничений (ограничении по директивным срокам выпуска деталей и т.п.), что характеризует открытость математической модсли.
Время обслуживании любым г-м ТС очередной заявки е , состоит из подготовительного времени , которое прсдставляет собой время подхода ТС к требуемому ГПМ, времени загрузки - разгрузки ГПМ партией деталей и заключитсльного времени– времени отхода ТС на промежуточную i-ю позицию.
Алгоритм формирования расписания ГПК для данной задачи, относящейся к классу Р-полных задач комбинаторного характера. представлен в работе [ ].
Обобщенный критерий задачи (1) в процессе молелирования заменяется одним из следующих конкретных критериев в зависимости от требований производства:
Таким образом, полученное расписание работы ГПК на заданном горизонте планирования и при текущем состоянии технологических ресурсов, является оптимальным. При включении дополнительных обслуживающих устройств модель может быть дополнена ограничениями на данные устройства.
Символьный аппарат моделирования - формализм имитационного моделирования- разрабатывался с целью вобрать в себя лучшие свойства тех и других схем моделирования.
Базовым понятием, на которое опирается разработанный аппарат, является сообщение. Оно отражает какое-либо событие, происходящее в модели. Над сообщениями выполняются следующие операции: хранение, обработка, прием и рассылка.
Для представления динамики отдельного моделируемого процесса используется структура, названная злементарным действием (ЭД).
В качестве концептуальной схемы ЭД выбрана абстрактная система типа условие-действие. Представление каждого моделируемого процесса в виде условие – действие достаточно удобно.
Элементарное действие – это правило-продукция определенного рода. Логика правила-продукции такова:
IF < условие> ТНЕN < действие>.
Процесс реализации отдельной функции объекта интерпретируется как некоторое действие, протекающее в общем случае во времени. Для осуществления требуемого действия, естественно, должны удовлетворяться некоторые условия состояния этого объекта. Задание условий достигается с помощью сообщений. Действие предиката имеет атрибут длительности.
В общем случае ЭД характеризуется условиями, при которых оно возникает, длительностью протекания и результатами своего выполнения. Строка, задающая ЭД, описывается следующим образом:
<условие возникновения>: – (<длительность действия>); (<результат выполнения>),
где условие возникновения задается комплектом сообщений, объединенных операцией "И";
результат выполнения - комплект сообщений, рассылаемых по завершении своей работы;
длительность действия – параметр, задающий саму длительность работы.
Каждое ЭД определяет какой-либо один процесс в моделируемой системе, причем условие возникновения отражает состояние моделируемой системы, при котором возможен данный процесс. Длительность характеризует время протекания моделируемого процесса. Результат выполнения отразит новые факты или новое состояние системы, в которое та перейдет после завершения данного процесса. Например, процесс запуска двигателя автомобиля можно представить следующим ЭД:
БакЗаправлен, АвтомабильИсправен, СтартерВращается: - 0,8; ДвигательЗапущен.
Следующей комплексной структурой является активность или модуль. Активность позволяет отразить отдельные составные части моделируемой системы. Для описания активности необходимо задать систему ЭД, которая бы определяла поведение моделируемых объектов. Кроме системы из ЭД структуру активности образуют компоненты: имя модуля и область обрабатываемых сообщений.
Имя модуля - это название моделируемого объекта.
Область обрабатываемых сообщений - это буфер, в который поступают и где хранятся и обрабатываются сообщение, отражающие факты, которые оказывают влияние на поведение данного модуля.
Образование единой законченной модели достигается путем формирования связей между всеми активностями, описывающими моделирующий объект. Такие связи устанавливаются разработчиками модели с помощью имен активности.
К наиболее мощным и выразительным моделям представления знаний о дискретных процессах в реальном времени (РВ) относится продукционная система. Однако при описании сложных процессов мониторинга, контроля и управления с использованием большого числа внешних дискретных объектов возникает ряд хорошо известных трудностей. В данное время используется новая объектно - продукционная модель знаний (ОПМЗ), которая является результатом декомпозиции продукционной модели системы реального времени "ПРОДУС" на основе обьектно-ориентированного подхода. В ней устранены такие недостатки продукционной модели, как отсутствие средств структуризации и декомпозиции базы правил, механизма реального распараллеливания и повторного использования знаний, а также предложен новый децентрализованный механизм явного управления интерпретацией и синхронизацией параллельных объектов.
Единицами представления и обработки знаний в ОПМЗ являются обьект -продукция (О-продукция) и продукционный объект (П-объект). О-продукция – зто объект в смысле объектно ориентированного подхода, предназначенный для обработки событий в РВ, хранимых в базе фактов Fb. Поля О-продукции содержат условие применимости описывающее обрабатываемое событие, и действия, задающие реакцию на это событие. Условия и действия О-продукции обрабатываются инвариантными методами: Маtch- проверка условия применимости; Execute – выполнение действия; Run - полное выполнение. Структуризация базы правил Rb выполняется путем выделения в системе О-продукций основных, которые интерпретируются автоматически, и вспомогательных, обрабатываемых по вызову в процессе интерпретации других правил. Среди вспомогательных правил выделяются вложенные, которые можно рассматривать как аналог традиционных подпрограмм, и синхроправила – аналог сопрограмм.
П-объекты задают синхронные разбиения базы фактов
р(Fb) = {Fb1,Fb2, ..., Fbn } и базы правил р(Rb) = {Rb1,Rb2,...,Rbn} на множество непустых непересекающихся фрагментов:
Мощности разбиений базы фактов Fb и базы правил Rb продукционной модели совпадают с числом П-объектов n:
½p(Fb)½ =½ p(Rb)½= n
Фрагменты базы правил Rbk и базы фактов Fbi с одинаковыми индексами инкапсулируются в один П-объект.
В результате система О-продукций вместе с базой фактов оказывается распределенной по множеству П-объектов.
П-объект характеризуется наличием декларативных свойств как единица
представления знаний и процедурных свойств как единица их обработки. Декларативные свойства П-объекта включают в себя описание структуры и множество распознаваемых сообщений. Структура представляется динамической семантической сетью, вершинам которой соответствуют другие П-объекты, а ребрам – объектно ориентированные структурные отношения: has-part, part-of; has-sibling, has-visible. На основе установленных отношений владения has-part и отношений включения part-of между П-объектами выделяются структурные уровни сети. Отношение соседства has-sibling устанавливается между П-объектами одного структурного уровня, имеющих общий суперобъект. Отношение видимости has-visible может существовать и между П-объектами любых структурных уровней.
Структура ОПМЗ имеет вид иерархической семантической сети, в которой явно выделяются интенсиональная и экстенсиональная части. Интенсиональная часть соответствует множеству классов П-объектов, между элементами, которого устанавливается объектно ориентированное отношение наследования; зкстенсиональная - множеству экземпляров П-объектов, каждый элемент которого связан объектно - ориентированным отношением принадлежности с собственным классом .
Взаимодействие П-объектов базируется на новом децентрализованном механизме управления интерпретацией О-продукций. Механизм использует явный вызов инвариантных методов О-продукций, что позволяет абстрагироваться от механизма прикладных сообщений. Внутренний информационный поток между П-объектами создается системными сообщениями, которые формируются инвариантными алгоритмами без участия разработчика. Псевдопараллельная интерпретация системы О-продукций обеспечивает возможность синхронизации П-объекта с несколькими параллельными П-объектами.
Организация объектно-продукционной модели знаний в виде иерархической семантической сети П-объектов позволяет в явной форме описывать как структуру и состояние распределенной дискретной управляемой системы, так и параллельные процессы обработки информации и управления. Класс П-объекта соответствует множеству однотипных внешних объектов, а экземпляр этого класса используется для представления информационной управляющей модели конкретного внешнего объекта из этого множества.
Инструментальная среда разработкн объектно-продукционных параллельных экспертных систем реального времени "ПРОДУС.96" состоит из настраиваемой объектно-продукционной базы знаний и средств ее наполнения и отладки: компилятора, декомпилятора, редактора и отладчика. Для обеспечения межплатформной переносимости прикладных экспертных систем реального времени база знаний реализуется в виде виртуальной машины с нефон-неймановской объектно - ориентированной архитектурой. Память и процессор виртуальной машины реализуют соответственно интенсиональную и зкстенсиональную части ОПМЗ. Программный код виртуальной машины определяет внугреннее представленйе базы знаний.
Для внешнего представления объектно-продукционных параллельных и динамических алгоритмов управления в среде "ПРОДУС.96" разработан язык OPL. Он относится к классу символьных языков сверхвысокого уровня и позволяет описывать интеллектуальное человекоподобное поведение экспертных систем реального времени в удобной форме.
Основные характеристики объектно-продукционных параллельных экспертных систем реального времени, разрабатываемых в описанном варианте инструментальной среды "ПРОДУС.96":
– ориентация на быстрое решение сложных неформализованных задач мониторинга, контроля и управления в РВ специалистами;
– модульная, логически распределенная структура;
– асинхронное поведение, управляемое событиями в РВ;
– открытость и масштабируемость;
– межплатформная переносимость.
Логически распределенная структур объектно-продукционной модели создает необходимые предпосылки для построения физически распределенного сервера приложений в трехуровневой архитектуре клиент - сервер, реализуемой, например, на многопроцессорной ЭВМ, сети транспьютеров и локальной вычислительной сети.
Для исследования производственно-рыночных систем (ПРС) применяют имитационное моделирование. Под производством, в данном случае, понимается не локально-организованный технологический процесс изготовления продукции, а исследуемые во взаимодействии процессы планированя, изготовления и сбыта продукции.
В системе имитационного моделирования модель организована в виде многоуровневой иерархической структуры рис . Первый, системообразующий уровень содержит описание основных подсистем сложной системы и отражает наиболее общий уровень декомпозиции. В свою очередь, подсистемы, расположенные на этом уровне, могут быть подвергнуты декомпознции. Этот процесс продолжается до того момента, пока не будет достигнута требуемая (в рамках конкретной задачи) точность описания системы, а подсистемы, располагающиеся на низшем уровне иерархии, не будут разбигы на элементарные составляющие. Касательно взаимодействия подсистем на любом из уровней иерархии скажем, что связность обеспе- чивается на уровне злементарных составляющих, так называемых базовых злементов (БЭ).
Таким образом, иерархическая организация имитационной модели отражает способ ее декомпозиции на составляющие, а ее функционирование и связность обеспечиваются посредством БЭ, расположенных на низшем уровне декомпозиции модели. Набор БЭ преимущественно представлен динамическими звеньами, призванными моделировать динамику системы, описанной в классе линейных.и нелинейных дифференциальных уравнений, и достаточными для решения задачи численного интегрирования по методу Заде-Дезоера. Следует отметить, что динамическими звеньями этот набор не отраничивается. Более того, пользователь системы может дополнить его собственными элементами. Такая гибкость обеспечивается благодаря представлению всех БЭ в виде некоторого черного ящика, имеющего входы и выходы, способного выполнять действия по преобразованию информации и предоставляющего пользователю возможность редактирования параметров.
В состав БЭ включены также нейронная сеть и ЭС на основе нечеткой логики, реализующие известные методы ИИ. Они необходимы для организации управления ПРС в условиях неопределенности В частности, ЭС на нечеткой логике незаменима при анализе ситуаций и выборе решения, а нейронная сеть используется для планирования .и прогнозирования развития рыночной ситуации. Такая структура имитационной модели характеризуется достаточной гибкостью как при описании структуры и динамических свойств ПРС, так и при синтезе управления.
Система имитационного моделирования разработана под 32-разрядную ОС Microsoft Windows-95 и использует в своей работе технологию межпрограммного взаимодействия СОM.
В общем виде процесс проектирования имитационной модели с помощью разработанной системы представляет собой взаимодействие нескольких программ и программных компонентов, реализованных независимо друг от друга в разных системах программирования (преимущественно в Delphi 4.0, Visual С++ 6.0 и Borland С++ Builder 4.0).
Для функционирования активных элементов гибких производственых систем ( ГПС ) в различных режимах работы разработана система структурного моделирования, которая функционирует в следующих режимах работы: создание базы моделей активных элементов; синтез структур ГПС; создание базы знаний для функционирования ГПС при стуктурном моделировании; исследование ГПС при структурном моделировании; исследование ГПС машинными имитационными эксперементами.
В данной структуре основным элементом для проведения компьютерного имитационного эксперемента функционирования ГПС является экспертная оболочка, которая состоит из модуля управления базы данных, модуля управления базы знаний, планировщика и логического вывода.
Модуль управления базой данных обеспечивает прием и структирирование информации от множества сенсорных устройств и передает ее к блоку логического вывода.
Модуль управления базой знаний обеспечивает прием и структирирование продукции ( из базы знаний ) и передает ее к блоку логического вывода.
Планировщик определяет стратегию поиска активных действий в базе правил, устанавливает приоритет и последовательность их выполнения.
Модуль логического вывода на основе активных данных в виде текущих ситуаций в процессе сопоставления продукций с базой знаний осуществляет выбор активной продукции и принимает решения по выробатке управляющих воздействий на двигатели.
Все програмные средства разработаны по модульному принципу и каждый модуль рассматривается как функционально законченный прорамный продукт.
Иссходными данными для создания базы моделей активных элементов являются чертежи для програмирования активных элементов ( состовляются конструктуром ) и математические модели в виде матриц М ( последовательность соединения звеньев многозвенного механизма ) и Р ( форма соединения двух соседних звеньев ), которого воодятся в диалоговом режиме. На основе этих матриц формируются абстрактные графические модели каждого активного элемента в виде массива графической информации и получают абстрактную модель в виде массива графической информации с соответствующими размерами звеньев. Созданная абстрактная модель записывается в базу моделей активных элементов. Таким образом создаются абстрактные графические модели всех активных элементов данной ГПС.
1.3 Анализ методов и процедур принятия решений
при управлении производством
Генерацию возможных решений можно выполнить следующими методами: программной реализацией аналитических моделей, с использованием экспертных систем, генерацией сценариев путем комбинации различных операций, заданных лицом, принимающим решение или взятых из базы данных и используя подход, получивший название “ситуационное управление”.
К аналитическим методам относится огромное количество алгоритмов численных методов решения систем уравнений, статические методы, методы ситуационного моделирования и др. Ввиду колоссального разнообразия методов и сильной их привязанности к области приложений систематизировать их трудно.
Экспертные системы, основанные на эвристических знаниях, применяются тогда, когда сформулировать решение задачи в традиционных математических терминах не удается. Для всех экспертных систем характерна одна общая черта - они работают в одной ограниченой предметной области знаний, полученных от специалистов в данной области. Экспертные системы, как правило, включают в себя: лингвистический процессор для общения с пользователем; базу знаний, содержащую эвристические знания; базу данных; интерпретатор, который на основе входных данных, базы данных, базы знаний формирует решение задачи; средства представления информации, необходимые для реализации человеко-машинных процедур. Основной особенностью экспертных систем является возможность делать выводы на основе знаний, хранящихся в базах знаний.
Знания в системах могут быть представлены в виде семантических сетей, на основе логических подходов, в виде фреймов и как система продукций. Система продукций одна из наиболее популярных форм представления знаний. Система продукций образуется множеством правил, состоящих в том, что если выполняется некоторое заданное условие, то можно произвести определенные действия. Поскольку одновременно могут выполняться несколько условий, должны быть четко определены правила выбора, предписывающее, какое из действий должно быть произведено.
При возникновении нестандартных ситуаций для решения многих задач, характер которых может идентифицироваться по их принадлежности к данному классу ситуаций, система поддержки принятия решений предлагает набор возможных действий. Если такой набор не предусматривался заранее, его может создать эксперт или ЛПР. Они должны указать возможные последовательности выполнения операций, а также отметить какие операции могут осуществляться одновременно. Эта информация потом может храниться в базе данных вместе со списком операций. На основании данной информации и времени выполнения каждой операции система создает параллельно-временную граматику, которая порождает строки, описывающие возможные последовательности операций.
Следует отметить особенности, обычно не рассматриваемые в традиционных порождающих грамматиках:
- порождаются все правильные строки, т.е. все возможные сценарии;
- показываются все параллельно выполняемые операции;
- указываются операции, осуществляющиеся циклически;
- время выполнения сценария.
Таким образом, система порождает все возможные сценарии, и возникает задача выбора наилучшего. В тех случаях, когда специалист может оценить каждое принимаемое решение, например в баллах, - это наилучший вариант. Однако очень часто это сделать не удается. Поэтому огромное внимание ученые обращали на разработку новых методов оценки таких как теория нечетких множеств и многокритериальные оценки возможных решений.
Теория нечетких (размытых) множеств дала схему решения проблем, в которых субъективное суждение играет существенную роль. Рассмотрим метод определения таких нечетких понятий. Символом U обозначим универсальное множество, которое может быть произ вольным набором объектов или математических конструкций. Если А - конечное подмножество U с элементами u1,u2,...un, то запишем А(u1,u2,...un). Конечное размытое множество А из U - это множество упорядоченных пар
A = í(up ma(ui))ý , ui Î U
где ma(ui) определяет меру членства, которая указывает предполагаемую степень принадлежности элемента этому множеству. Если ma(ui) может принимать значения [0,1] тогда ma(ui) = 0 будет означать, что ui Ï U, ma(ui) = 1 будет означать, что ui Î U, а 0<ma(ui) >1 определяет степень принадлежности ui множеству U.
Для работы с размытыми множествами были введены лингвистические переменные. Лингвистической называется переменная, заданная на некоторой количественной шкале и принимающая значения в виде слов и словосочетаний естественного языка. Значения лингвистической переменной описываются нечеткими переменными. Лингвистические переменные и их значения служат для качественного словесного описания некоторой количественной величины, поскольку любая лингвистическая переменная и все ее значения связаны с конкретной количественной шкалой, которая называется базовой. [ ]
Многокритериальную оценку вариантов решений можно сделать путем определения значения некоторых соотношений, которые называют функциями полезности или предпочтения.Они обычно включают в себя оценку степени важности (значимости, веса) критерия, например в баллах, которую обозначим через Ki, и критериальную оценку значения физического параметра.
Для того, чтобы процедура согласования решения реализовывалась эффективно, специалистам, участвующим в ней, необходимы правила по которым они могли бы находить компромисс. Краткое описание некоторых из них приводится ниже.
1) Метод идеальной точки. Точка А называется идеальной, если они оптимальна сразу по всем критериям. Как правило, такой точки, соответствующей оценкам хотя бы одного предъявленного объекта, не существует. Правилом поиска компромисса может быть минимизация расстояния до идеальной точки, которую можно легко определить.
2) Метод уступок. Сущность метода - нохождение компромисса, определяющего “плату” за потерю показателей по какому-либо критерию или части критериев за счет выигрыша по другому критерию или другим критериям.
3) Метод согласования решения по главному критерию. В некоторых случаях задачу с несколькими показателями удается свести к задаче с одним единственным показателем и стремиться обратить ее в экстремум, а для остальных показателей ввести некоторые ограничения. Тогда роблема согласования сводится к выделению главного критерия, согласованию ограничений для всех остальных критериев и нахождению компромисса по главному критерию.
4) Метод согласования решения при лексикографическом упорядочении. В тех случаях, когда может быть определена важность критериев, упорядочение можно проводить сначала по самому главному критерию. Если по этому критерию равными окажутся несколько состояний, то проводить упорядочивание по второму по важности критерию и т.д.
5) Метод согласования по функции предпочтения (полезности). Оценивая варианты решений или различные объекты по многим критериям, ЛПР может преследовать более чем одну цель, и эти цели (критерии) имеют различную степень важности. У кождого ЛПР могут быть свои предпочтения и, как следствие, различные критерии, их веса и разные базовые шкалы.
При сравнении уже принятых решений и выборе одного из них существенную роль играет не только качество решений, но и амбиции ЛПР и другие факторы. Поэтому рекомендуется не сравнивать варианты предлагаемых решений, а согласовывать веса критериев и характеристики базовых шкал, предопределяя тем самым выбор варианта решения. При этом система поддержки принятия решений предлагает некоторый промежуточный вариант согласования, сближающий точки зрения ЛПР. Данный варинат уточнаяется, возможно итеративно, в процессе переговоров по принятию несколькими ЛПР группового решения.
После того как критерия и шкалы оценок согласованы, во многих случаях приходится перерасчитывать функции предпочтения. Это вызывает необходимость провести ранжирование вариантов решения заново.
Достоинство метода в том, что он позволяет широко использовать лингвистические переменные, облегчая ЛПР оценки в тех случаях, когда ему приходится принимать решения в условиях неопределенностей. Свести задачи с неопределенностями к точно поставленным целям нельзя в принципе . Для этого надо снять неопределенности. Одним из способов их снятия является субъективная оценка ЛПР (эксперта),. определяющая его оценки и выраженная с помощью предлагаемых методов на основе нахождения значений некоторых соотношений, которые назовем функцнями предпочтений ЛПР.
Значение функции предпочтения ЛПР (эксперта) для операции А может быть определено из соотношения
PA = K1PK1A Å K2PK2A Å . . . Å KnPKnA
где Кi – оценка степени важности (значимости "веса") i-го критерия;
PiA- критериальная оценка значения физического параметра операции А (обе определяются экспертом на основе своего знания или опыта).
Эти оценки могут быть выражены лингвистическими переменными "хорошо", "очень важно" и т.д. с дальнейшим автоматическим отображением СПР в значения размытых множеств.
Знак Å означает одно из действий: сложение, умножение, вычитание или деление. Если значения KiPKiA и KjPKjA, являются суммой оценок по каждому критерию, то знак Å означает сложение.
Например, при выбросах СО и NО2, взаимно усиливают токсичные действия в несколько раз. В этом случае общая токсичность (своеобразная функция предпочтения) мультипликативна и знак Å обозначает операцию умножения.
Аналогичные рассуждения для разности и частного. Однако для разных лингвистических переменных (в разных линейных подпространствах) веса критериев могут меняться. В этом случае надо учитывать величину Кik – вес i-го критерия для k лингвистической переменной. Тогда формула ( ) примет вид
PA = K1,kPK,A Å K2jPjA Å . . . Å Kn,mPm,A
Эго соотношение позволяет произвести нелинейную, более точную, аппроксимацию функции предпочтения ЛПР, но требует от него больше информации.
Операции (действия), выполненные ранее, могут влиять на операцин, проводимые позже. В то же время при определении масштаба операций необходимо учитывать оперании (действия), проводимые после нее, т.е. необходимо учитывать прямое и обратное влияние операций друг на друга. Оценка этого влияния может быть записана с использованием лингвистических переменных. Создание линейных и нелинейных шкал лингвистических переменных в СПР рассмотрено, например, в работе [ ].
Оценка возможных решений (сценариев) ЛПР далеко не всегда совпадает с оценками, полученными СПР, сделанными ею на основе предпочтений, которые сформулировало ЛПР. Это происходит потому, что ЛПР далеко не всегда четко осознает, как сказываются его предпочтения (формирование базовых шкал, оценок весов критериев, оценок временных характеристик и т.п.) на ранжировании решений. В связи с этим можно предложить следующую процедуру диалога ЛПР с СПР:
1) система предлагает ЛПР несколько вариантов решений, занявших верхние строчки при ранжировании;
2) если ЛПР выбирает одно из этих решений, процедура выбора считается оконченной, если нет – переход к п. 3;
3) СПР предлагает ЛПР последовательность возможных решений в нисходящем порядке ранжирования, пока ЛПР не укажет на удовлетворяющее его решение;
4) СПР подсказывает ЛПР возможные характеристики базовых шкал и оценок весов критериев, при которых выбранное ЛПР решение окажется одним из лучших с позиций СПР;
5) производится пересчет значений функций полезности вариантов решений, при котором выбранный вариант решения занимает одно из верхних мест в ранжировании.
Чрезвычайно важна возможность представления ЛПР информации о возможном развитии ситуации в случае принятия того или иного решения. Такая информация возникает в процессе компьютерного анализа, моделирующего развитие собыгий после очередного принятия решения ЛПР и ответных действий. Система поддержки принятия решений позволяет не только рассмотреть ЛПР свои решения после первого "хода", но и оценить ответные действия и влияние каждого последующего решения на объект.
Таким образом, СПР используется и для обучения ЛПР
Функционирование системы поддержки принятия решений должно опираться в целом на алгоритм, обеспечивающий выполнение трех основных модулей этой системы: количественный анализ регистрируемых сигналов, преобразование их в пространство информативных признаков (для каждой задачи) и построение решающих правил классификации.
Алгоритмы, реализующие в целом построение решающего правила классификации, представляют собой комплекс программ последовательной (и итерационной) обработки данных и включают в себя следующие этапы.
Первый – формирование проблемно-ориентированного банка данных. Он состоит в формировании стандартной карты описания объектов (машинно-ориентнрованный докумекг), в которую включаются все необходимые, с точки зрения исследователя, показатели и накопление данных об объектах, собранных по этой карте.
Второй этап предусматривает предварительный статистический анализ исходных данных, преобразование их (при необходимости) в пространство признаков, адекватных поставленной задаче, построение гистограмм, квантование непрерывных признаков по заданным градациям, формирование перечня симптомов и присвоение каждому объекту номеров симптомов по значению их исходных данных.
Третий - формирование материала обучения, т е. перечисление признаков и их значений, допущенных к участию в построении решающего правила классификации, и задание вариантов преобразования признаков; задание объектов, представляюших собой материал обучения и задание объектов для тестирования.
Четвсртый этап – работа собственно алгоритма узнавания на материале обучения, поиск оптимального набора параметров для построения рсшающего правила. (Могут быть использованы различные алгоритмы классификации.) Пятый – тестирование полученного решающего правила на экзаменационных (контрольных) объектах, принадлежность которых к определенным классам известна экспертам (или системе, внешней по отношению к узнающей) и не сообщается системе. На этом этапе оценивастся разрешающая способность построенного решающего правила. Обычно качество работы узнающего алгоритма оценивается по числу совпадений правильных ответов с установленными (или экспертными) диагнозами, а также с учетом ошибок первого и второго рода.
Решающее правило, полученное по окончании процесса обучения, фнксируется и в дальнейшем применяется ко всем возможным объектам материала диагностики.
В основе разработки и функционирования функционального программного обеспечения лежат правила управления ( правила принятия решений при обработке информации и выроботки управленчиских решений ). Суть этих правил состоит в том, что они задают логическую основу управления сложной технической системой. Они представляют собой систему и изначально задаются в вербальной форме. Все последующие этапы ( спецификация, алгоритмизация, кодирование и отладка ) - это этапы преобразования правил управления в различные формы их представления. Для формализации правил управления могут быть предложены на основе продукции два способа: предикатный ( в виде систем уравнений ) и табличный.
Правила управления отличаются большим разнообразием. Общим для них является требования корректности. Корректность - это свойство слогающиеся из таких свойств как полнота, непротиворечивость и достоверность. Определить полноту и непротиворечивость правил управления при большом числе признаков можно лишь при проведении серий опытов посредством формального анализа решений, полученных для различных ситуаций. Достоверность же определяется только на основе мнения эксперта при анализе условий каждого правила.
Возможно два типа показателей качества правил управлений: конструктивные и функциональные. К конструктивным относятся такие показатели как число элементарных условий, вычислительных процедур, объем операторов для их выполнения и т.д. Прямых функциональных показателей качества не найдено. Поэтому сравнение разных правил управления может проводиться на основе экспертной оценки или по косвенной оценки путем определения показателей эффективности функционирования технической системы в различных типовых ситуациях методом моделирования. При этом считается, что чем выше эффективность технической системы, тем лучше правило управления. 1.4 Цель и задачи исследования
Цель: разработать компьютерную систему поддержки принятия решения для управления автоматизированным производственным участком, обеспечивающую оптимальную загрузку оборудования участка при различных изменениях технологического процесса, а также при изменении номенклатуры выпускаемой продукции.
Задачи:
1. Проанализировать существующие СПР для управления подобным производственным участком с целью изучения методов моделирования производственных участков, методов и процедур принятия решения, выбора и оптимизации критериев и оценок при принятии решения. Проанализировать технологические процессы на конкретном производственном участке.
2. Разработка математической модели данного участка, выбора критериев эффективности функционирования объекта, выбор метода моделирования. Разработка общей структуры модели и отдельных ее компонентов. Разработка программного обеспечения для имитации работы модели.
3. Проведение эксперементальных исследований объекта на модели. Анализ результата эксперемента.
4. Разработка алгоритма принятия решения при управлении объектом. Разработка структуры СПР в целом и ее функций. Разработка требований к видам обеспечения: техническому, информационному, програмному.
 |
 |
Домой