Разработка базы нечетких правил поддержки принятия решений в проблемной ситуации при управлении проектом

В современных условиях развития производственных систем увеличивается интерес к исследованию и разработке методов и моделей управления инновационной деятельностью предприятий для обеспечения эффективности результатов производства [1–3]. Исследования, направленные на модернизацию и ускоренное инновационное развитие производственных предприятий, являются актуальными, что подтверждается проведенным анализом исследований мирового уровня в рассматриваемой области.

Этапы и правила поддержки развития предприятия

Научное производственное предприятие «Амма» занимается проектированием, производством оборудования для проектов, расположенных в отдаленных районах с недостаточно развитой наземной транспортной инфраструктурой, которое эксплуатируется в нефтеперерабатывающей, газоперерабатывающей и нефтехимической отраслях.

Мухаметьянова Регина Ильфатовна преподаватель кафедры технической кибернетики, Уфимский университет науки и технологий, город Уфа. Область научных интересов: интеллектуальная поддержка принятия решений, управление инновационными проектами. Автор более 15 опубликованных научных работ. SPIN-код: 3868-9128, AuthorID: 944071.

Для решения проблемы инновационного развития данного предприятия предлагается разработка комплекса моделей и методов активизации инновационных исследований на основе онтологического анализа, управления знаниями, а также интеллектуальной поддержки принятия решений в процессе реализации проектов.

На начальном этапе разработки такой системы в ходе исследования деятельности «Амма» были определены факторы, влияющие на реализацию проектов:

• •    Х 1 – оборудование и технологии;

• •    Х 2 – финансы;

• •    Х 3 – ресурсы;

• •    Х 4 – персонал;

• •    Х 5 – документация.

Каждый из этих факторов был определен на пространстве признаков, значения которых подбираются из бизнес-планов и открытых источников, к примеру, портала Федеральной службы государственной статистики (колебания курсов валют, налоговые ставки) [4]. Таким образом, фактор Х 1 – оборудование и технологии – был определен в пространстве следующих признаков: x ₁ ¹ – автоматизация; x ₁ ² – трудоемкость; x ₁ ³ – новизна; x ₁ ⁴ – стоимость; x ₁ ⁵ – необходимость дополнительной сертификации сотрудника.

Фактор X ₂ – финансы: x ¹ ₂ – несоответствие плановой и фактической стоимости; x ₂ ² – свободные денежные средства; x ₂ ³ – кредитная история; x ₂ ⁴ – курс рубля; x ₂ ⁵ – ставка налогов.

Фактор X ₃ – ресурсы: x ¹ ₃ – стоимость; x ₃ ² – доступность; x ₃ ³ – качество; x ₃ ⁴ – технические характеристики; x ₃ ⁵ – заменимость. Фактор X ₄ – персонал: x ¹ ₄ – профессиональные

Разработка базы нечетких правил поддержки принятия решений в проблемной ситуации ...

компетенции; x ² ₄ – опыт; x ₄ ³ – образование; x ₄ ⁴ – способность к обучению; x ₄ ⁵ – социальные компетенции.

Фактор X ₅ – документация: x ¹ ₅ – наличие необходимой сертификации; x ₅ ² – соответствие производственных процессов нормам; x ₅ ³ – порядок в бухгалтерии предприятия; x ₅ ⁴ – подтверждение квалификации сотрудников; x ₅ ⁵ – актуальность технической документации.

Для подтверждения значимости данных факторов проводилось экспертное голосование.

На следующем этапе была проведена нормализация полученных факторов и их фаззи-фикация. Каждому фактору были поставлены в соответствие пять термов, каждому из которых, в свою очередь, соответствует четкий диапазон значений: Very low [0–0,19]; Low [0,2–0,39]; Middle[0,4–0,59]; High [0,6–0,79]; Very high[0,8–1].

Выходной фактор, сформированный на их основе посредством механизма логического вывода Такаги – Сугено – Канга, представляет собой обобщенный показатель эффективности проекта ( Y ) [5]. Полученная Fuzzy Inference System (FIS) в дальнейшем встраивается в двухуровневую иерархическую систему управления, нижний уровень которой представлен подсистемой нечеткого вывода, а верхний уровень непосредственно решает задачу оценки обобщенного показателя на основе выходных данных подсистем нижнего уровня, включающих показатели эффективности проекта [6]: w ₁ – прирост прибыли; w ₂ – удельный вес бракованной продукции; w ₃ – количество заказчиков; w ₄ ‒ степень обеспеченности работы с людьми.

Логический вывод в рамках FIS происходит на основе базы нечетких продукционных правил в виде условных операторов типа ЕСЛИ – ТО, представляющих собой нечеткую импликацию [7]:

if PM is A_{i 1} and QM is A_{i 2} and RM is A_{i 3} then Effectis B_i , (1) где Ai ₁ , Bi – лингвистические значения, идентифицируемые нечетким методом через соответствующие функции принадлежности µ A ( x_i ) и µ B ( y ) для переменных.

Для автоматизации обработки семантики понятий и отношений между ними используется онтологический подход к поддержке принятия решений, и онтология формально определена как [8]

O =( C , R , F ) , (2)

где C – конечное множество концептов (понятий) предметной области; R – конечное множество отношений между концептами; F – конечное множество функций интерпретации, заданных на концептах и отношениях.

Формирование правил принятия решений расширяет онтологическую модель и представляет средство формализации выявленных в предметной области логических закономерностей. Правила представляют множество Rule = { R _i }, где R _i – i -е правило, i = 1; правила R_i ∈ Rule могут быть определены как [9]

S,ai,Ui,…,an,Un,Pj,…,Pm,b,Ub,S', (3) где S ' – ситуация, возникающая в результате принятого решения; S – исходная проблемная ситуация; ai ∈ A – предпосылки ПС; n ≥ 1; Ui ∈U– требуемые оценки степени уве- ренности в предпосылках; b – заключение с оценкой степени уверенности Ub; Pj ∈ P – есть предикаты, m ≥ 1.

Примеры исходных проблемных ситуаций в зависимости от факторов могут быть следующими: «излишнее перемещение по производственному цеху», «недостаточность собственных средств предприятия», «отсутствие оперативного реагирования на поломки оборудования», «некорректное оформление документации». Знания и опыт экспертов представлены в базе знаний в виде правил и прецедентов принятия решений в проблемных ситуациях. Некоторые ситуации не всегда предполагают наличия строго регламентированных процедур управления, и часто их решение основывается на анализе накопленных при решении подобных ситуаций знаний и опыта [3; 5].

Примеры правил, разработанных в онтологии поддержки принятия решений, приведены на Рисунке 1.

Формируемые на выходе базы правил рекомендации не являются истиной в последней инстанции; они представляют собой советы по выходу из проблемной ситуации, возникающей в ходе реализации проекта, сформированной на основе накопленного опыта и мнений экспертов. Ситуация, возникающая вследствие отказа или принятия рекомендаций, характеризуется неопределенностью [10; 11].

Применение теории нечетких множеств помогает оценить неопределенность знаний в предпосылках возникновения проблемной ситуации U _i путем вычисления функций принадлежности (см. Рисунок 2).

Рисунок 1. Формат правила, соответствующего предметной области Источник: рисунок выполнен авторами.

Разработка базы нечетких правил поддержки принятия решений в проблемной ситуации ...

Рисунок 2. База знаний в виде правил и прецедентов принятия решений в проблемной ситуации Источник: рисунок выполнен авторами.

Основные трудности при использовании нечетких моделей рассмотренного типа связаны, как правило, с субъективностью определения их компонентов (нечетких высказываний, отношений, функций принадлежности, структуры базы нечетких правил и др.). Такая субъективность может привести к неадекватности моделируемой системы или процесса, что усложняет принятие обоснованных решений на основе этих моделей. Также к недостаткам нечетких продукционных моделей можно отнести отсутствие возможности автоматического приобретения знаний, то есть обучения и оптимизации параметров правил на основе экспериментальных данных.

С целью более глубокого понимания сущности рассматриваемого подхода к управлению качеством, а также механизмов функционирования предлагаемой системы поддержки принятия решений представляется естественным, что следующий этап исследования должен быть связан непосредственно с анализом взаимодействия рассмотренных элементов системы в процессе решения задач поддержки принятия решений.

Выводы

Семантическая целостность базы знаний обеспечивается использованием онтологии, позволяющей осуществить формализацию проблемной области посредством языка OWL DL на основе выделения классов объектов, их свойств и отношений между ними. Полнота, непротиворечивость, неизбыточность и непрерывность знаний обеспечиваются посредством создания логической модели онтологии, а корректность и адекватность предлагаемых решений контролируются на основе их сопоставления с реально принимаемыми в конкретных проблемных ситуациях решениями, а также на основе оценки их эффективности.

Реальные задачи характеризуются неопределенностью, обусловленной недостаточностью, неполнотой и неточностью необходимой для принятия решений информации. Учет фактора неопределенности требует изменения подходов к поддержке принятия решений: изменяются формы представления исходных данных, используются специальные методы оперирования с нечеткой информацией, оптимизации и представления результатов. В контексте данного исследования для решения задач подобного типа предлагается использовать известный подход на основе теории нечетких множеств и нечеткой логики.

Заключение

Современное развитие информационных технологий предоставляет новые возможности для автоматизации процедур, связанных с принятием решений. Так, использование систем поддержки принятия решений позволяет значительно ускорить процесс формирования решений и повысить их качество благодаря аналитическому обоснованию выбора альтернатив и применению экспертных знаний. Таким образом, автоматизация процедур принятия решений с помощью систем поддержки является важным направлением развития современных информационных технологий, способствующих оптимизации бизнес-процессов и повышению эффективности деятельности организаций. Кроме того, подобные системы снижают риск ошибок за счет уменьшения влияния человеческого фактора на последствия принятых необоснованных решений.