Дипломная работа: Использование качественных методов теории принятия решений в процессе построения UFO-моделей

Вероятно, самым существенным недостатком является наличие висящей связи, менее существенным – наличие подсистем, не имеющих входа или выхода, а наименее существенным – наличие внутренних «петель».

3. Классификация UFO-моделей в Microsoft Excel

3.1 Описание UFO-моделей в Microsoft Excel

Наилучшую модель (1, 4, 0) системы представим, как показано на рис. 3.1.

Рисунок 3.1 – Описание наилучшей модели системы

Для генерации количества висящих связей (рис. 3.2) используем формулу:

=ЕСЛИ(C2=2;0;C2+1)

Рисунок 3.2 – Описание третьего критерия

Для генерации внутренних связей (рис. 3.3) используем формулу [42]:

=ЕСЛИ(И(B2=6;C2=2);4;ЕСЛИ(И(C2=2;C3=0);B2+1;B2))

Рисунок 3.3 – Описание второго критерия

Для генерации количества подсистем (рис. 3.4) используем формулу:

=ЕСЛИ(И(A2=3;B2=6;B3=4);1;ЕСЛИ(И(B2=6;B3=4);A2+1;A2))

Рисунок 3.4 – Описание первого критерия

Затем введем для каждой модели количество недостатков и подсчитаем вес модели (рис. 3.5) по формуле:

=СУММ(A2:C2)+D2*4

Рисунок 3.5 – Описание недостатков и веса модели

К первому классу отнесем все модели, у которых нет недостатков (вес от 5 до 9). Ко второму – модели с 1 или 2 недостатками (вес от 10 до 14 и от 15 до 19). Оставшиеся модели (с 3 и 4 недостатками) отнесем к третьему классу (вес от 20 до 22 и 25).

Для вычисления номера класса (рис. 3.6) используем формулу:

=ЕСЛИ(И(E2>=5;E2<=9);1;ЕСЛИ(И(E2>=10;E2<=19);2;3))

Рисунок 3.6 – Описание класса модели

Для вычисления количества моделей в каждом классе (рис. 3.7) используем формулу:

=СЧЁТЕСЛИ($F$2:$F$28;H4)

Рисунок 3.7 – Описание количества моделей в классах

3.2 Анализ классов UFO-моделей

Данные о принадлежности моделей к классам были обработаны в системе SPSS 8.0 for Windows для статистической обработки результатов эксперимента (рис. 3.8).

Рисунок 3.8. – Представление данных в системе SPSS 8.0 for Windows

Анализ показал, что распределение моделей по классам удовлетворяет закону нормального распределения (рис. 3.9).

Рисунок 3.9 – Нормальное распределение моделей по классам

4. Использование порядковой классификации в процессе

UFO-моделирования систем телемеханики

Все результаты, представленные в этом разделе, получены в ходе преддипломной практики на фирме «Технокон» [43].

4.1 Общие сведения о фирме «Технокон»

Предприятие «Технокон» предлагает услуги по проектированию и поставке «под ключ» заказных систем и комплексов телемеханики для применения на объектах:

–теплофикации;

–водоснабжения, канализации и водоочистки;

–электроэнергетики;

–нефтяной и газовой промышленности;

–транспорта.

Проектируемые под заказ системы и комплексы телемеханики комплектуются всем необходимым для решения задач дистанционного контроля и управления оборудованием удаленных объектов, включая:

–программируемые логические контроллеры;

–модемы для обмена данными с системами оперативно-диспетчерского контроля и управления;

–заказное прикладное программное обеспечение;

–системы терморегулирования;

–силовая защитная и коммутационная аппаратура;

–аппаратура электропривода исполнительных механизмов;

–средства обеспечения искробезопасности, молниезащиты и пр.

В зависимости от особенностей конкретного применения, в качестве платформы (ядра) узла заказной системы телемеханики используются стандартные элементы промышленной автоматики, выпускаемые группой Schneider Electric: программируемые логические контроллеры (ПЛК) серий Modicon TSX Quantum, Compact или Micro, и, при необходимости, сопрягаемые с ними устройства распределенного сбора и обработки сигналов объекта – Modicon TSX Momentum.

4.2 Стратегия работы с заказчиком

Современная скорость эволюционирования систем и средств автоматизации диктует необходимость применять технологии разработки, способные учитывать как изменения требований заказчика, так и возможностей аппаратуры и ПО. Иначе в результате выполнения работ по проекту заказчик может получить именно то, что он запрашивал, но это будет не то, что ему действительно необходимо.

Стратегия фирмы «Технокон» по работе с заказчиком основывается на вовлечение его в процесс разработки продукта и концепции «ориентированного на пользователя» программного обеспечения. Участие заказчика на всех этапах создания продукта гарантирует выпуск продукции высокого качества, удобной в эксплуатации и удовлетворяющей всем требованиям заказчика еще и потому, что сам пользователь проникается концепцией и восприятием конечного продукта. Вовлечение заказчика в процесс проектирования значительно повышает качество обучения персонала заказчика.

При необходимости взаимодействие с заказчиком реализуется с помощью различных методов прототипирования – традиционного макетирования (создание функционирующей системы, в значительной степени подобной проектируемой) и демонстрационного (создание опережающей реализации ограниченной версии системы в соответствии со структурой или этапностью процесса проектирования и разработки).

На этапе функционального проектирования полномасштабного программно-технического комплекса работающий прототип улучшает взаимодействие между исполнителем и заказчиком, проясняет функциональные требования к системе. Пользователь может также ознакомиться с особенностями ввода/вывода и его мнение может быть учтено при проектировании.

Тесное взаимодействие с заказчиком позволяет получить обратную связь от пользователя на ранних шагах проектирования и исключить дорогостоящие изменения проекта после этапа рабочего проектирования [44].

4.3 Порядковая классификация UFO-моделей системы

телемеханики

Пусть необходимо построить систему телемеханики, контекстная диаграмма которой показана на рис. 4.1.

Рисунок 4.1 – Контекстная диаграмма системы телемеханики

Для сравнения различных UFO-моделей системы телемеханики будем пользоваться теми же критериями, которые были рассмотрены в разделе 2:

–количество подсистем (три значения от 1 до 3);

–количество внутренних связей (пять значений от 6 до 10);

–количество висящих связей (три значения от 0 до 2).

Всего 3*5*3 = 45 различных состояний. Разбиваем их на пять классов, центры которых указаны в таблице 4.1.

Таблица 4.1. – Центры классов

Центром первого класса будет UFO-модель, содержащая одну подсистему без висящих связей, которая формально описывается вектором (1; 1; 1) (рис. 4.2).

Рисунок 4.2 – Центр первого класса

К первому классу также отнесем состояние (1; 2; 1), в котором мы «чуть-чуть» ухудшили значение по второму критерию. Состояния (2; 1; 1) и (1; 1; 2) не представляется возможным отнести к первому классу, так как ухудшение по первому и третьему критерию, у которых всего три значения, на одно значение шкалы гораздо более существенно, чем ухудшение на одно значение шкалы по второму критерию, у которого пять значений. Поэтому отнесем состояния (2; 1; 1) и (1; 1; 2) ко второму классу. Все три состояния с весом 4 проклассифицированы.

Ко второму классу отнесем все состояния с весом 5, кроме состояний (3; 1; 1) и (1; 1; 3), которые отнесем к третьему классу. Причина та же – длина шкалы первого и третьего критериев.

Центром третьего класса будет UFO-модель, содержащая две подсистемы с восемью внутренними связями и одной висящей связью, которая формально описывается вектором (2; 3; 2) (рис. 4.3).

Рисунок 4.3 – Центр третьего класса

Все состояния с весами 6, 7 и 8 отнесем к третьему классу. К четвертому классу отнесем все состояния с весом 9, кроме состояний (1; 5; 3) и (3; 5; 1), которые отнесем к третьему классу (по аналогии с состояниями с весом 5).

Центром пятого класса будет UFO-модель, содержащая три подсистемы с десятью внутренними связями и двумя висящими связями, которая формально описывается вектором (3; 5; 3) (рис. 4.4).

Рисунок 4.4 – Центр пятого класса

К пятому классу также отнесем состояние (3; 4; 3), а состояния (2; 5; 3) и (3; 5; 2) – к четвертому (по аналогии с состояниями с весом 4). Построим гистограмму по полученным данным (рис. 4.5).

Рисунок 4.5 – Первый вариант распределения UFO-моделей

Рассуждения логичные, но полученные результаты сильно отличаются от эталонного нормального распределения. Попробуем действовать более прямолинейно (табл. 4.2).

Таблица 4.2 – Диапазон весов классов

Построим гистограмму по полученным данным (рис. 4.6).

Рисунок 4.6 – Второй вариант распределения UFO-моделей

Теперь полученные результаты более соответствуют нормальному распределению.

Попробуем перенести состояние (2, 2, 2) с весом 6 из третьего класса во второй и состояние (2, 4, 2) с весом 8 из третьего класса в четвертый. Построим гистограмму по полученным данным (рис. 4.7).

Рисунок 4.7 – Третий вариант распределения UFO-моделей

Теперь полученные результаты почти идеально соответствуют нормальному распределению.

Выводы

В процессе выполнения магистерской аттестационной работы получены следующие результаты:

–  проанализирована проблема автоматизации построения UFO-моделей;

–  проанализированы методы решения задачи выбора;

–  проанализированы качественные методы принятия решений:

1)  ранжирования многокритериальных альтернатив;

2)  выбора лучшей многокритериальной альтернативы;

3)  порядковой классификации альтернатив;

–  проанализированы особенности определения множества критериев;

–  разработан подход к определению критериев оценки UFO-модели;

–  на основании предложенных критериев исследованы UFO-модели:

1)  с двумя лучшими значениями по критериям;

2)  с одним лучшим значением по некоторому критерию;

3)  с не лучшими значениями по всем критериям;

–  осуществлена классификация UFO-моделей в Microsoft Excel:

1)  реализовано описание UFO-моделей в Microsoft Excel;

2)  проведен анализ классов UFO-моделей;

–  полученные результаты применены в процессе UFO-моделирования систем телемеханики.

Полученные результаты можно использовать в процессе UFO-анализа.

Среди возможных направлений развития следует отметить перспективность исследования возможности применения вербальных методов принятия решений, не затронутых в данной работе, в процессе UFO-анализа. Также направлением развития может быть внедрение полученных результатов в CASE-инструментарии, используемые в процессе моделирования систем.

Результаты работы апробированы на IV-м Международном научно-практическом форуме «Информационные технологии и кибернетика 2006», который проходил в Днепропетровске 27-28 апреля 2006 г., и опубликованы в сборнике докладов и тезисов этого форума [41].

Перечень ссылок

1. Бондаренко М.Ф., Маторин С.И., Ельчанинов Д.Б. Системная технология моделирования информационных и организационных систем: Учебное пособие. – Харьков: ХНУРЭ, 2005. – 116 с.

2. Бондаренко М.Ф., Соловьева Е.А., Маторин С.И., Ельчанинов Д.Б. Объектная технология моделирования информационных и организационных систем: Учебное пособие. – Харьков: ХНУРЭ, 2005. – 160 с.

3. Бондаренко М.Ф., Соловьева Е.А., Маторин С.И., Ельчанинов Д.Б. Системологическая технология моделирования информационных и организационных систем: Учебное пособие. – Харьков: ХНУРЭ, 2005. – 136 с.

4. Ларичев О.И. Теория и методы принятия решений: Учебник. Изд. 2-е, перераб. и доп. – М.: Логос, 2002. – 392 с.

5. Петровский А.Б. Компьютерная поддержка принятия решений: современное состояние и перспективы развития. / Системные исследования. Методологические проблемы: Ежегодник. – М.: УРСС, 1996. – С. 146-178.

6. Кини Р.Л., Райфа Х. Принятие решений при многих критериях: предпочтения и замещения. – М.: Радио и связь, 1981. – 560 с.

7. Иванилов Е.И. Некоторые аспекты выбора серверов. // Корпоративные системы. − 2003. – №4. – С. 34-36.

8. Кини Р.Л. Размещение энергетических объектов: выбор решений. – М.: Энергоатомиздат, 1983. – 320 с.

9. Рытиков А.М., Ройтман Е.Я., Шафрин Ю.А. Что мешает эффективному внедрению типовых АСУ. // Цветные металлы. − 1988. – №1. – С. 98-101.

10. Ногин В.Д. Принятие решений в многокритериальной среде: количественный подход. – М.: Физматлит, 2002. – 176 с.

11. Подиновский В.В. Количественная важность критериев. // Автоматика и телемеханика. − 2000. – №5. – С. 110-123.

12. Ройзензон Г.В., Фуремс Е.М. Исследования возможностей человека при сравнении трехкритериальных альтернатив. / Труды восьмой национальной конференции по искусственному интеллекту с международным участием (КИИ-2002). – Т. 1. – М.: Физматлит, 2002. – С. 511-518.

13. Ларичев О.И., Зуев Ю.А., Гнеденко Л.С. Метод запрос (замкнутые процедуры у опорных ситуаций) анализа вариантов сложных решений. / Многокритериальный выбор в слабоструктуризованных проблемах. / Под ред. С.В. Емельянова. – М.: ВНИИСИ, 1978. – С. 83-97.

14. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. – М.: Физматлит, 1996. – 208 с.

15. Larichev O.I., Moshkovich H.M. ZAPROS-LM: A method and a system for ordering multiattribute alternatives // Europ. J. Operat. Res. – 1995. – Vol. 82. − №3. – P. 503-521.

16. Larichev O.I. Ranking multicriteria alternatives: The method ZAPROS III. // Europ. J. Operat. Res. – 2001. – Vol. 131. − №3. – P. 550-558.

17. Larichev O., Brown R. Numerical and verbal decision analysis used for the problems of resources allocation in Arctic. // J. Multi-Criteria Decision Anal. – 2000. – Vol. 9. − №6. – P. 263-274.

18. Larichev O.I., Kochin D.Yu., Ustinovicius L.L. Multicriteria method for choosing the best object for investments. / DSS in the Uncertainty of the Internet age. – Katowice: The Karol Adamiecki Univ. of Econ., 2003. – P. 255-270.

19. Kochin D., Ustinovicius L. Verbal analysis of the investment risk in construction. // J. Business Econ. and Manag. – 2003. – Vol. 4. − №4. – P. 228-234.

20. Кочин Д., Ларичев О., Устинович Л. Вербальный метод определения эффективности инвестиций в строительстве. // Computer Modell. and New Technol. – 2003. – Vol. 7. − №2. – P. 37-47.

21. Ларичев О.И. Наука и искусство принятия решений. – М.: Наука, 1979. – 199 с.

22. Clansey W. Classification problem solving. / Proc. of National Conf. Artificial Intelligence AAAI. – Austin: Univ. of Texas, 1984. – P. 49-55.

23. Ларичев О.И., Мошкович Е.М. Задача классификации в принятии решений. // Докл. АН СССР. – 1986. – Т. 287. − №3. – С. 567-570.

24. Выявление экспертных знаний. / О.И. Ларичев, А.И. Мечитов, Е.М. Мошкович, Е.М. Фуремс. – М.: Наука, 1989. – 128 с.

25. Мошкович Е.М. Конструктивный поиск и устранение противоречий в предпочтениях лица, принимающего решения при разбиении многомерных альтернатив на конечное число классов. / Проблемы и процедуры принятия решений при многих критериях. Сборник трудов. №6. / Под ред. С.В. Емельянова, О.И. Ларичева. – М.: ВНИИСИ, 1982. – С. 73-80.

26. Hansel G. Sur le nombre des functions Booleennes monotones de n variables. // C. r. Acad. sci. – 1966. – Vol. 262. − №20. – P. 1088-1090.

27. Ансель Ж. О числе монотонных булевых функций от n переменных. / Кибернетический сборник. №5. Н. с. – М.: Мир, 1968. – С. 53-57.

28. Алексеев В.Б. О расшифровке некоторых классов монотонных многозначных функций. // Журн. вычисл. математики и мат. физики. – 1976. – Т. 16. − №1. – С. 189-198.

29. Соколов Н.А. Об оптимальной расшифровке монотонных функций алгебры логики. // Журн. вычисл. математики и мат. физики. – 1982. – Т. 22. − №2. – С. 449-461.

30. Соколов Н.А. Оптимальная расшифровкя монотонных булевых функций. // Журн. вычисл. математики и мат. физики. – 1987. – Т. 27. − №12. – С. 1878-1887.

31. Ларичев О.И., Болотов А.А. Система дифкласс: Построение полных и непротиворечивых баз экспертных знаний в задачах дифференциальной классификации. // НТИ. Сер. 2, Информ. процессы и системы. – 1996. – №9. – С. 9-15.

32. Асанов А.А. Методы извлечения и анализа экспертных знаний: Дис. … канд. техн. наук. – М., 2002. – 129 с.

33. Ларичев О.И., Асанов А.А. Метод цикл порядковой классификации многокритериальных альтернатив. // Докл. РАН. – 2000. – Т. 375. − №5. – С. 592-596.

34. Кочин Д.Ю. Метод классификации заданного множества многокритериальных альтернатив. / Методы поддержки принятия решений: Сб. тр. Ин-та систем. анализа РАН. / Под ред. О.И. Ларичева. – М.: Эдиториал УРСС, 2001. – С. 4-18.

35. Larichev O.I., Kortnev A.V., Kochin D.Yu. Decision support system for classification of a finite set of multicriteria alternatives. // Decision Support Systems. – 2002. – Vol. 33. − №1. – P. 13-21.

36. Ларичев О.И. Вербальный анализ решений. – М.: Наука, 2006. – 181 с.

37. Ройзензон Г.В. Выбор вычислительных кластеров на основе анализа количественной и качественной информации. / Искусственный интеллект. – Т. 2. – Донецк: Наука і освіта, 2004. – С. 375-379.

38. Асанов А.А., Борисенков П.В., Ларичев О.И., Нарыжный Е.В., Ройзензон Г.В. Метод многокритериальной классификации ЦИКЛ и его применение для анализа кредитного риска. // Экономика и математические методы. − 2001. – Т.37. – №2. – С. 14-21.

39. Ашимихин И.В., Ройзензон Г.В. Выбор лучшего объекта на основе парных сравнений на подмножествах критериев. / Методы поддержки принятия решений: Сб. трудов ИСА РАН / Под ред. О.И. Ларичева. – М.: УРСС, 2001. – С. 51-71.

40. Ройзензон Г.В. Многокритериальный выбор вычислительных кластеров. / Методы поддержки принятия решений: Сб. трудов ИСА РАН. – М.: УРСС, 2005. – С. 68-94.

41. Рингис А.М. Качественные методы принятия решений в процессе организационного моделирования. / Информационные технологии и кибернетика 2006: Сборник докладов и тезисов IV-го Международного научно-практического форума (Днепропетровск, 27-28 апреля 2006 г.). – Днепропетровск: ИТМ, 2006. – С. 61.

42. Петров В.Н. Информационные системы. – СПб.: Питер, 2002. – 688 с.

43. Технокон – О фирме [Электронный ресурс]. – Режим доступа: http://www.tehnokon.com/company.html. – Загл. с экрана.

44. Технокон – АСУТП [Электронный ресурс]. – Режим доступа: http://www.tehnokon.com/asutp.html. – Загл. с экрана.