авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 | 2 || 4 | 5 |   ...   | 17 |

«Институт проблем управления им. В.А. Трапезникова РАН УПРАВЛЕНИЕ БОЛЬШИМИ СИСТЕМАМИ Специальный выпуск 30.1 ...»

-- [ Страница 3 ] --

Одним из методов, предусматривающих реализацию в мо дели параллельных процессов, является сетевое моделирование.

Сопряженный с ним математический аппарат позволяет прово дить детальный анализ модели и получать объем информации, достаточный для завершения разработки системы.

В семействе моделей GOMS и сопряженных с ними методов исследований существует метод CPM-GOMS [5], основой кото рого является построение сетевой модели. Однако данный метод имеет существенные ограничения, в частности, он рассчитан на моделирование управления системой пользователем с очень высоким уровнем подготовки [7]. Построение моделей согласно этому методу требует высокого уровня знаний в области психо логии и физиологии. Также модель получается очень объемной.

В результате из-за высокой сложности данный метод ограни ченно применим в практических исследованиях [7, 8]. На прак тике в качестве наиболее часто используемой модели интерфей са применяется более простая модель KLM [13, 11, 6] с включением различных расширений и дополнений, таких как закон Фиттса [4] и визуализация ACT-R [1]. Точный перевод словосочетания Keystroke-Level Model, являющегося расшиф ровкой аббревиатуры KLM, на русский язык весьма затрудните лен, поэтому в рамках данной работы KLM будет переводиться как ДМД (дискретная модель действий). KLM является линей ной моделью. Это обусловлено тем, что её структура не преду сматривает какого-либо ветвления действий пользователя, которые в данном случае представлены записями, организован ными в виде простого списка, соответственно, среди множеств моделей, записываемых в программной и последовательной Сетевые модели в принятии решений форме [7], KLM относится ко второму классу. Последовательная форма записи имеет линейный вид.

Тем не менее, вопрос применения сетевого моделирования в исследовании свойств интерфейсов систем управления остает ся крайне актуальным. В связи с этим в данной работе предлага ется метод, позволяющий строить сетевые модели на основе исходной модели KLM и пользоваться сопряженным с ними математическим аппаратом. С учетом важности проведения определенного объема экспериментальной работы, данный метод позволяет осуществить проверку исходной модели на основе базовых экспериментальных данных, а также обоснован но скорректировать исходную модель в целях снижения её погрешности. Применение данного метода предусматривает, с одной стороны, экспериментальную проверку моделей, а с другой стороны – значительное снижение объема работы, свя занной с проведением экспериментов.

В качестве примера систем управления в работе рассматри вается такая их разновидность, как интегрированные системы управления (ИСУ), функционирующие на основе системного ПО реального времени. В качестве интерфейсного средства в ИСУ используются среднеразмерные (с диагональю 5-17 дюй мов) сенсорные панели. Данные системы реализуют управление многофункциональными аппаратно-программными комплекса ми, такими как инженерные системы, мультимедийные ком плексы и системы видеоконференцсвязи.

2. Ментальный оператор и его роль в модели интерфейса Математическая модель KLM [10] для оценки временных параметров интерфейсов, предложенная в работе [2], позволяет прогнозировать время выполнения какой-либо задачи пользова телем, используя в качестве исходных данных спецификацию данной задачи, а также интерфейса, который используется при её выполнении. По существу, моделирование сводится к пере числению линейной последовательности дискретных действий, которые должен осуществить пользователь, чтобы выполнить Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

поставленную задачу. Каждому действию ставится в соответст вие определенное время, затрачиваемое на его выполнение. При этом снимается необходимость проводить измерения временных параметров выполнения действий в рамках экспериментов с участием реальных пользователей при реализации конкретного варианта интерфейса. Требования KLM сводятся исключительно к специфицированию пользовательского интерфейса с доста точным уровнем детализации, который позволит выявить по следовательность вышеуказанных дискретных действий.

Действия относят к элементам KLM, если они представляют собой дискретные действия, такие, как нажатие клавиши, кноп ки, перемещение манипулятора типа «мышь» и т.п. в противо положность более абстрактным действиям, таким как авториза ция пользователя в системе. Основные дискретные действия, неделимые на более простые в условиях данной задачи, в тер минах KLM называются операторами. Время выполнения поль зователем таких действий рассчитано на основе эксперимен тальных данных.

В KLM в качестве стандартных используются следующие операторы (в скобках приведено полученное эксперименталь ным способом значение для оригинальной KLM) [10]:

§ K (0,28 с) – однократное нажатие клавиши. Вводятся от дельные значения для различных категорий пользователей – эксперт (90 ударов в минуту, 0,12 с на удар);

опытный пользователь (55 ударов в минуту, 0,2 с на удар);

обычный пользователь (40 ударов в минуту, 0,28 с на удар);

нови чок (скорость печати неравномерна, 1,2 с на удар). Реко мендуется использовать значение 0,28 с;

§ T(n) – логически связанная последовательность нажатий клавиш (например, набор слова на клавиатуре), эквива лентна операторам K, взятым количестве n. Вычисляется как T(n) = n K;

§ P (1,1 с) – указание с помощью манипулятора типа «мышь» на необходимый участок экрана, значение време ни может быть уточнено с помощью закона Фиттса (см.

ниже);

Сетевые модели в принятии решений § B (0,1 с) – нажатие или отпускание кнопки на манипуля торе типа «мышь»;

§ BB (0,2 с) – нажатие, а затем отпускание кнопки на мани пуляторе типа «мышь» (одиночный «клик»);

§ H (0,4 с) – перемещение рук с клавиатуры на мышь и с мыши на клавиатуру;

§ M (0,6-1,35 с, рекомендуется использовать значение 1,2 с) – разовое ментальное действие – время, необходимое пользователю для восприятия информации или обдумы вания решения в элементарном смысле;

§ W(t) – допустимое время ожидания пользователем ответа системы. Значение должно быть определено для каждого конкретного случая.

На практике существует необходимость уточнения времени реализации физического оператора P, поскольку время, затра ченное пользователем на указание конкретного объекта на экране, напрямую зависит от расстояния между текущим поло жением графического устройства ввода (например, указателя манипулятора «мышь») до необходимой позиции целевого объекта, а также от линейных размеров последнего. Уточнение производится путем замены стандартного значения оператора P на вычисляемое в каждом конкретном случае по закону Фиттса (см. формулу (1)) значение [4]. Данный закон позволяет полу чить среднее время, за которое пользователь может переместить указатель графического устройства ввода к необходимому элементу интерфейса на экране:

D (1) t ср ( мс ) = a + b log 2 + 1.

S Здесь D – дистанция от начальной позиции курсора до гра ницы целевого элемента интерфейса по направлению переме щения указателя, а S – размер целевого элемента интерфейса (кнопки, ссылки, переключателя), измеренный по сечению, задаваемому линией перемещения указателя. Величины a и b являются константами, определяемыми опытным путем по параметрам производительности конкретного пользователя. Для вычисления времени можно использовать любые единицы Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

измерения дистанции, так как дробь D/S является отношением двух дистанций и поэтому не зависит от единицы измерения [12]. В ходе исследования, проводимого в рамках данной рабо ты, в качестве единиц измерения использовались экранные пиксели.

Для более детального анализа модели KLM применяется ви зуализация ACT-R [1], которая ставит в соответствие операторам KLM некоторое подмножество более элементарных действий, например, движения рук пользователя и перемещения взгляда по экрану, представленных в распараллеленной форме. Таким образом, каждой линейной модели KLM можно поставить в соответствие визуализацию ACT-R в распараллеленной форме.

Если расстановка в структуре модели KLM так называемых физических операторов (K, T(n), P, B, BB, H), как правило, не вызывает затруднений, то задача адекватного определения необходимого количества операторов M в модели, а также их расположения, представляется нетривиальной. Необходимо отметить, что временне значение оператора M является одним из наибольших среди существующих в модели KLM, в связи с чем при анализе интерфейсов количество операторов M имеет важное значение [10]. В связи с этим при построении моделей и проведении экспериментов необходимо иметь точную инфор мацию о реализации пользователем ментальных действий, обозначаемых оператором M. Это даст количественную оценку наличия операторов M в структуре модели интерфейса.

В работе [2] для расстановки операторов M предлагается следующий набор последовательно применяемых эмпирических правил:

0. Начальная расстановка операторов M (перед всеми опера торами K, а также перед всеми операторами P, реализую щими выбор команды, но не завершающими команду).

1. Удаление операторов M перед полностью ожидаемыми операторами, например: MPK PK.

2. Если строка связок операторов вида MK принадлежит од ной когнитивной единице (примером может служить имя команды), необходимо удалить все операторы M, кроме первого: MKMKMKMKMKMKMKMK MKKKKKKKK.

Сетевые модели в принятии решений 3. Если оператор K является избыточным разделителем, не обходимо удалить стоящий перед ним оператор M: En terEnterMKMK MKK.

4. а) Если оператор K завершает строку постоянного содер жания (например, имя команды), то необходимо удалить оператор M, стоящий перед ним: cd Enter MKKMK MKKK;

б) при этом не следует удалять опера тор M, если стоящий за ним оператор K завершает не имя команды, а её параметр: cd class Enter MKKKMKKKKKMK MKKKMKKKKKMK.

Указанный набор правил с момента его разработки не пре терпел существенных изменений, что подтверждается работами [7, 11, 12, 3] и является актуальным на сегодняшний день. Его применение позволяет получить приблизительную картину расстановки ментальных операторов. Однако, при детальном анализе интерфейса, а также с учетом того, что в качестве ин терфейсного средства используются сенсорные панели, данная модель требует уточнения. В работе [10] для этой цели предла гается подход, в соответствии с которым операторы M включа ются в модель функционирования интерфейса в следующих случаях:

§ Постановка задачи. Пользователю требуется время для того, чтобы четко сформулировать для себя задачу, кото рую он должен выполнить.

§ Принятие решения. Если существует несколько возмож ных вариантов и их выбор нетривиален или не доведен до автоматизма.

§ Получение единицы информации из памяти. В качестве единицы информации могут выступать имена файлов, ко манд, или расшифровки аббревиатур.

§ Установление местоположения объекта на экране. Поль зователю необходимо время для просмотра текущего со держимого экрана, если местоположение необходимого объекта заранее неизвестно.

§ Установление значения параметра. Пользователю необ ходимо обдумать или вспомнить необходимое значение вводимого параметра.

Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

§ Проверка введенных данных. Перед тем как пользователь сигнализирует системе о необходимости совершить какое либо действие, он останавливается и проверяет данные, которые он собирается передавать системе с помощью ин терфейса.

Существует также набор дополнительных рекомендаций по включению в модель дополнительных операторов M на основе указанного выше перечня:

§ Каждое вводимое значение параметра должно быть полу чено в результате отдельного шага, представленного опе ратором M.

§ Указанию на конкретный объект на экране должен пред шествовать его поиск (оператор M), кроме случаев, огово ренных в пункте «Установление значения параметра».

§ Если какой-либо объект на экране явным образом меняет свое состояние в результате действий пользователя, по следнему необходимо сверить полученный результат с желаемым. Проверка обозначается в модели отдельным оператором M.

Как показывает практика, данные рекомендации могут дать положительный результат при теоретической оценке интерфей са. Однако в случаях, когда разница временных параметров интерфейсов относительно невелика (до 30%), а также при постановке задачи по проведению экспериментов по проверке модели KLM при участии пользователей разрабатываемого ПО, возникает проблема построения гипотез о расположении мен тальных операторов в алгоритме действий пользователя, а также их формулирования для осуществления экспериментальных исследований.

Данная проблема заключается в значительном расхождении результатов прогнозирования и эксперименталь ных данных, выражающихся в высокой погрешности D исход ной модели. Такая погрешность во многом обусловлена систе матической ошибкой в определении количества применяемых операторов M, которые, как было сказано выше, имеют наи большее временное значение. При этом общая концепция пред ставлений о действиях пользователя (последовательность при менения операторов, её качественный состав) может быть Сетевые модели в принятии решений верной, однако, ввиду полученной значительной погрешности D, она не может быть использована в первичной форме при моделировании рассматриваемой ситуации и подобных ей.

Примером может служить распространенный случай, когда в ходе эксперимента пользователю предлагается определенное количество раз выполнить определенную типовую задачу на макете разрабатываемого интерфейса. В общем случае – при построении гипотезы о повседневном применении интерфейса для решения типовой задачи – вопрос о расстановке операторов M может быть решен путем буквального следования рекоменда циям. Так, в рассматриваемом примере пользователю необхо димо задавать системе определенные исходные данные с помо щью интерфейса. В обычных условиях в момент реализации задачи, пользователь осуществляет ментальные действия, обо значаемые оператором M, перед каждым вводом исходных данных – для того чтобы извлечь их из долговременной памяти, сформулировать их или же проверить. В связи с этим выдвига ется гипотеза о том, что ментальное действие будет предшест вовать каждому вводу в систему когнитивной единицы инфор мации, относящейся к исходным данным. На основании этой гипотезы перед каждой последовательностью физических опе раторов, реализующей ввод указанной когнитивной единицы, в модель вводится оператор M. Однако в ходе экспериментов при многократном повторении выполнения одной и той же задачи пользователь может не осуществлять данные ментальные дейст вия, вводя данные согласно шаблону, размещенному в кратко временной памяти, или же осуществляя ментальное действие заранее, до очередной итерации по выполнению задачи.

Данные явления приводят к существенным различиям меж ду выдвинутой гипотезой и результатами экспериментов. Одним из путей решения данной ситуации может быть более четкое проведение эксперимента путем постановки задачи пользовате лю вводить каждый раз разные исходные данные или проводить эксперименты с уменьшенной частотой. Первый способ, даже в случае следования пользователя инструкциям эксперимента, как правило, не дает нужного эффекта. Это объясняется, во-первых, различиями между представлениями пользователя о своих Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

действиях и о действиях, совершаемых в реальности, а во вторых, самой обстановкой многократного проведения экспери мента и появления ментальной подготовки пользователя после осуществления первых итераций. При выполнении задачи в реальных условиях такая подготовка будет отсутствовать. Вто рой способ влечет за собой увеличение временных и материаль ных затрат на проведение эксперимента.

Постановка задачи: Дано множество исходных моделей MKLMS, разработанных в соответствии с методом KLM, а также соответствующее ему множество визуализаций ACT-R VACTRS.

Также даны массивы экспериментальных данных LEXP и по грешностей моделей D, где Di = f(Mi, Li). Функция f является критерием величины погрешности исходных моделей. Её значе ние является параметром погрешности указанных моделей.

Необходимо разработать метод, обеспечивающий минимальные значения данного параметра, согласно обозначенному критерию – функции f в смысле её области определения.

3. Применение для проверки гипотез о расстановке ментальных операторов метода, основанного на сетевом моделировании В настоящей работе предлагается метод построения, про верки и коррекции гипотез о действиях пользователя при прове дении экспериментов рассмотренного выше типа. Данный метод основан на положении, что при проведении экспериментов по выявлению наиболее эффективного варианта интерфейса из нескольких возможных реальная относительная разница в ре зультатах будет соблюдена, если каждый раз проводить серии экспериментов с одинаковой подготовкой к ним. Иными слова ми, влияние ментальной подготовки пользователя будет отра жено в результатах экспериментов по каждому из вариантов и не даст за счет своего существования преимущества или отста вания по результатам какому-то конкретному варианту.

Однако влияние ментальной подготовки пользователя не обходимо оценить как при проведении экспериментов с не сколькими вариантами интерфейса, так и при оценке конкретно Сетевые модели в принятии решений го варианта. Как следствие этого, необходимо установить, в какой именно момент времени метальное действие было реали зовано, а в какой – нет.

Для решения данной задачи и предлагается изложенный в данной работе метод. Он состоит из двух компонентов.

Первым компонентом являются специальные подготовка к проведению и обработка результатов экспериментов. Экспери мент проводится таким образом, чтобы каждый шаг пользовате ля при выполнении задачи (а не только начало и окончание её выполнения) при взаимодействии с системой фиксировался с соответствующей временной меткой. Желательно также, чтобы фиксировались события, связанные с аспектом физического взаимодействия с интерфейсом (нажатие и отпускание кнопки, начало и окончание поворота ручек, переключения тумблеров и т.д.). Обработка же результатов должна подразумевать получе ние на её выходе полной экспликации действий пользователя на уровне, максимально приближенном к уровню операторов модели KLM. Необходимо иметь четкую информацию о том, сколько именно времени (с максимально возможной точностью) ушло у пользователя на выполнение того или иного действия в рамках реализации или решения поставленной в ходе экспери мента задачи.

Вторым компонентом является построение сетевой модели на основе расчета по модели KLM с использованием визуализа ции ACT-R. Визуализация ACT-R предусматривает представле ние действий пользователя в распараллеленной форме. Необхо димость этого обусловлена тем, что даже при одномодальном интерфейсе структура человеко-машинного взаимодействия является многомодальной (при возможности ввода информации только посредством нажатия клавиш на клавиатуре человек взаимодействует с данным интерфейсом путем привлечения зрения, мышления, двигательных функций кистей рук, пальцев и т.д.). В связи с этим значительное время выполнения задачи в один момент времени будут задействованы параллельно не сколько функций человека, что исключает возможность прове дения анализа путем простого сравнивания результатов модели рования и проведения экспериментов. Также сетевая модель Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

позволяет с высокой точностью моделировать одновременное выполнение пользователем нескольких задач при поступающем потоке входных сигналов, что является характерной чертой исследуемой в данной работе области.

При построении сетевой модели необходимо учитывать, что визуализация ACT-R в общем виде не предоставляет полно го набора необходимых исходных данных. Прежде всего это касается связей между элементами модели ACT-R, которые определяют топологию сетевой модели. Как правило, связей, определенных в исходной модели ACT-R, недостаточно. Для доопределения необходимого количества связей между элемен тами модели ACT-R следует использовать исходную модель KLM, основываясь на представленной в ней линейной последо вательности событий. Далее, проводя прямое сопоставление этих двух моделей, становится возможным определить для каждого элемента ACT-R как инициализирующие элементы (такие элементы, после совершения которых становится воз можным и/или обязательным совершение рассматриваемого события), так и результирующие (элементы, для которых дан ный элемент является инициализирующим).

Далее каждому элементу ACT-R в сетевой модели сопостав ляется связка вида «событие–работа», т. е. событие, из которого исходит одна работа. Событие, для которого данная работа будет входящей, определяется результирующей связью, ассо циированной с соответствующим элементом ACT-R. Если эле мент ACT-R связан результирующими связями с несколькими последующими элементами, то ему будет сопоставлено событие с несколькими выходящими из него работами. Если элемент имеет несколько инициализирующих связей, то в сопоставляе мое ему событие будет входить соответствующей число работ.

Таким образом, одномерная линейная структура модели KLM преобразуется в последовательно-параллельную структуру сетевой модели, к которой применим существующий математи ческий и методический аппарат. В этом случае длина критиче ского пути получившейся сетевой модели будет определять общее время выполнения задачи пользователем.

Сетевые модели в принятии решений Сопоставляя полученную сетевую модель с исходной моде лью KLM, а также результатами экспериментов в виде экспли кации действий пользователя, можно провести коррекцию гипотезы о расстановке и количестве ментальных операторов M в модели KLM.

Как видно из примера на рис. 1, визуализация ACT-R пре доставляет информацию о действиях пользователя в параллель ной форме, соотнося их с той областью интерфейса (в данном примере – страницей), в которой находится пользователь в момент осуществления данных действий. Пример сетевой моде ли показан на рис. 3 (время указано в секундах). На рис. 2 про демонстрирован промежуточный этап построения сетевой моде ли.

Рассмотрим применение данного метода для решения типо вой задачи в ИСУ многофункциональными мультимедийными комплексами (ММК) – подготовка данного комплекса к прове дению видеопрезентации с протоколированием (подготовка подсистемы технологического телевидения, видеокоммутации и протоколирования). Для решения данной задачи разработано несколько вариантов интерфейсов. Из данных вариантов необ ходимо выбрать один, обеспечивающий минимальные времен ные затраты оператора на реализацию человеко-машинного взаимодействия (ввод в систему исходных данных, считывание результатов её работы, мониторинг внешних сигналов с помо щью ИСУ). Разработанный метод применяется к двум из рас сматриваемых вариантов. Первый из них представлен на рис. 4, второй – на рис. 5. Необходимо заметить, что, несмотря на различия в наборе и расположении элементов интерфейса, с точки зрения рассматриваемой типовой задачи данные варианты не имеют функциональных отличий.

Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

Рис. 1. Пример исходных данных – визуализации модели ACT-R 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1, Время, с Активная Страница 1 Страница страница Зрительное 6 3 восприятие Движ. взгляда 5 689 10 11 12 подготовка Движ. взгляда 3 5 9 10 11 осуществл.

Ментальное действие 1 2 3 4 679 4 Моторика рук Рис. 2. Предварительная подготовка исходных данных к по строению сетевой модели Рис. 3. Сетевая модель с выделенным критическим путем Сетевые модели в принятии решений Рис. 4. Функциональный макет варианта интерфейса Рис. 5. Функциональный макет варианта интерфейса Выполнение типовой задачи пользователем на каждом из вариантов интерфейсов условно поделено на этапы – основные (состоящие из более чем одного действия) и промежуточные (состоящие из одного действия), причем промежуточный этап не может быть включен в состав основного. Гипотеза о разме Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

щении ментальных операторов в исходной модели состоит в том, что пользователь осуществляет ментальные действия в условиях данной задачи для двух видов действий – для выбора необходимого варианта действия в начале каждого основного этапа и для проверки полученного результата в конце основного этапа.

Экспериментальные исследования, в ходе которых был применен предлагаемый метод, проводились на ИСУ с конфи гурацией функциональных и измерительных элементов, пред ставленной на рис. 6.

Рис 6. Конфигурация ИСУ и схема взаимодействия с исполь зуемыми измерительными средствами При проведении измерений анализ происходящих в ИСУ событий (действий пользователя, генерации управляющих сигналов/сообщений и прием ответных сигналов/сообщений от управляемых устройств) осуществлялся при помощи системы автоматических сообщений, реализованной в прикладном ПО, функционирующем на центральном котроллере ИСУ. Каждое из сообщений было снабжено меткой системного таймера, генери рующего сигналы с интервалом 0,1 с и соответствовало одному событию, существенному с точки зрения решаемой задачи.

Разность значений, указанных в метках сообщений, позволяет Сетевые модели в принятии решений получить временной интервал между любыми двумя событиями в системе. Данные сообщения передавались по протоколу TCP/IP через ЛВС с контроллера на ПК с установленным изме рительным ПО, далее первично обрабатывались ПО производи теля ИСУ, а затем собирались и систематизировались в виде статистических данных. Для автоматизации обработки большо го объема собранной статистической информации использова лось специализированное ПО EventsAnalyzer v 1.1, разработан ное автором данной статьи.

Получение исходных данных для построения сетевой моде ли (визуализации ACT-R) производится путем применения автоматизированного программного средства CogTool, разрабо танного в Университете Карнеги-Меллона под руководством профессора Бонни Джон (США, штат Пенсильвания, Питтс бург), а также ПО EventsAnalyzer, разработанного автором и предназначенного для автоматизированной обработки результа тов экспериментов.

Результаты применения предлагаемого метода показаны в таблицах 1 и 2.

В соответствии с полученными результатами сетевого мо делирования, исходная гипотеза скорректирована. Её исправ ленный вариант состоит в том, что пользователь осуществляет ментальные действия в условиях данной задачи для двух видов действий – на текущем промежуточном этапе, для выбора необ ходимого варианта основного этапа, к которому следует произ вести переход, а также для выбора необходимого варианта действия в начале каждого основного этапа.

Необходимо отметить, что в приведенных в вышеуказан ных таблицах результатах все же наблюдается разница во вре мени выполнения этапов задачи между значениями, получен ными в ходе моделирования и результатами экспериментов. Тем не менее, разница на каждом из этапов принимает как положи тельные, так и отрицательные значения, и при подсчете общей продолжительности выполнения типовой задачи в значительной мере компенсируется, обеспечивая повышенную точность скор ректированной модели. Данная разница и её взаимокомпенсация носит систематический, а не случайный характер. Это обуслов Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

лено тем, что реальная расстановка мест осуществления пользо вателем ментальных действий более равномерна, чем во многих существующих ныне моделей (не только KLM, но и CMN GOMS, NGOMSL). Вследствие этого их продолжительность отлична от рекомендуемого значения 1,2 с. Но при правильной расстановке операторов M в модели при рассмотрении конкрет ной задачи, модель более точно отражает суммарное время, затрачиваемое пользователем на выполнение данной задачи.

Это и обуславливает адекватность модели и её высокую точ ность.

Таблица 1. Применение метода для первого варианта интерфейса Ожидаемое время этапа время по сетевой моде ры скорректированной ном подэтапе операто ном подэтапе операто Выполняемые на дан Выполняемые на дан по сетевой модели, с ры исходной модели Скорректированное Измеренное время модели KLM № подэтапа № этапа этапа, с KLM ли, с 1 1.1 M+P+K M+P+K 1.2 P+K P+K 1.3 P+K P+K 4,783 4,263 3, 1.4 P+K P+K 1.5 P+K P+K 1.6 M+P+K P+K 2 2.1 P+K 0,410 1,514 M+P+K 1, 3 3.1 M+P+K M+P+K 2,954 1,667 1, 3.2 M+P+K P+K 4 4.1 P+K 0,302 1,395 M+P+K 1, 5 5.1 M+P+K M+P+K 3,218 1,898 2, 5.2 M+P+K P+K Сетевые модели в принятии решений Таблица 2. Применение метода для второго варианта интерфейса па по сетевой модели, с время по сетевой моде ры скорректированной ном подэтапе операто ном подэтапе операто Ожидаемое время эта Выполняемые на дан Выполняемые на дан ры исходной модели Скорректированное Измеренное время модели KLM № подэтапа № этапа этапа, с KLM ли, с 1 1.1 M+P+K 1,936 1,227 M+P+K 1, 2 2.1 M+P+K M+P+K 2.2 P+K P+K 2.3 P+K P+K 4,530 4,804 3, 2.4 P+K P+K 2.5 P+K P+K 2.6 M+P+K P+K 3 3.1 P+K 0,391 1,457 M+P+K 1, 4 4.1 M+P+K M+P+K 3,015 1,723 1, 4.2 M+P+K P+K 5 5.1 P+K 0,398 1,331 M+P+K 1, 6 6.1 M+P+K M+P+K 3,184 1,711 2, 6.2 M+P+K P+K Результаты уменьшения итоговой погрешности представ лены таблице 3.

В дополнение к выводам, связанным с полученными ре зультатами, стоит отметить роль ментальных операторов в модели, о которой говорилось выше, показать их процентное отношение к общему времени выполнения задачи пользовате лем в рассматриваемых моделях. Для первого варианта интер фейса ментальные операторы составляют 56,614% от общего времени выполнения задачи (остальные 43,386% приходятся на совокупность физических операторов), для второго – 58,210% (физические операторы занимают остальные 41,790%). Данные значения показывают, сколь существенную роль играют мен Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

тальные операторы в моделях KLM и подчеркивают актуаль ность проведенного исследования.

Таблица 3. Итоговая таблица сравнения Номер Погреш- Проведенная коррек- Погрешность варианта ность ция скорректиро интерфей- исходной ванной моде са модели ли Изменение расстанов ки операторов М, изменение количества 1 8,005% 1,274% операторов М (уменьшение на 1) Изменение расстанов ки операторов М, 2 8,057% изменение количества 0,938% операторов М (уменьшение на 1) 4. Заключение В данной статье предложен метод построения и проверки гипотез в области человеко-машинного взаимодействия, приме нительно к системам управления. Данный метод основан на сетевом моделировании и использовании сопряженного с ним методического и математического аппарата. В качестве исход ных данных используется модель интерфейса, разработанная в соответствии с методическим аппаратом KLM. Метод основан также на специальной обработке результатов экспериментов и визуализации ACT-R, построенной на основе исходной модели KLM. Анализ построенной сетевой модели позволяет провести обоснованную корректировку модели KLM и повысить её точ ность. Применение метода проиллюстрировано на примерах.

Показано увеличение точности исходной модели за счет умень шения её погрешности с 8% до 1–2%.

Предлагаемый метод был применён на практике при разра ботке ПО для ИСУ в интересах следующих организаций:

Сетевые модели в принятии решений § Национального Банка Республики Татарстан (ИСУ много функциональным мультимедийным комплексом учебного клас са с возможностью оперативного преобразования в опорный центр технической поддержки ТУ Банка России по Приволж скому Федеральному округу);

§ Главного Управления Банка России по Астраханской об ласти (ИСУ многофункциональным мультимедийным комплек сом конференц-зала, ИСУ распределенной системы видеокон ференцсвязи);

§ Главного Управления Банка России по Ульяновской об ласти (ИСУ многофункциональным мультимедийным комплек сом актового зала, ИСУ многофункциональным мультимедий ным комплексом конференц-зала);

§ Главного Управления Банка России по Воронежской об ласти (ИСУ многофункциональным мультимедийным комплек сом актового зала).

Метод применим и для более сложных по содержанию и структуре моделей KLM. При решении более масштабных задач прогнозируется уменьшение погрешности с 15% до уровня не более чем 6%. Ещё более значимого эффекта возможно достиг нуть при моделировании работы системы, предусматривающей одновременное выполнение оператором систем управления нескольких операций, так как в этом случае потенциал аппарата сетевого моделирования будет задействован наиболее полно.

Данный аспект применения метода, равно как и работу операто ра рассматриваемых систем управления в экстремальных усло виях, можно оценить при проведении дополнительного иссле дования.

Литература 1. ANDERSON J.R., LEBIERE C. The Atomic Component of Thought. – Hillsdale, NJ: Lawrence Erlbaum Associates, 1998.

2. CARD S.K., MORAN T.P., NEWELL A. The psychology of human-computer interaction. – Hillsdale, NJ: Lawrence Erl baum Associates, 1983.

3. CAROLL JOHN M. HCI models, theories, and frameworks:

Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

toward a multidisciplinary science. – San Francisco: Morgan Kaufmann Publishers, 2003.

4. FITTS P.M. The information capacity of the human motor system in controlling the amplitude of movement // Journal of Experimental Psychology. 1954. № 47. P. 381 – 391.

5. GRAY W.D., JOHN B.E., ATWOOD M.E. Project Ernestine:

Validating GOMS for predicting and explaining real-world task performance // Human Computer Interaction. 1993. №8(3).

P. 237-309.

6. JOHN B., PREVAS K., SALVUCCI D., KOEDINGER K.

Predictive Human Performance Modeling Made Easy // Pro ceedings of the SIGCHI conference on Human factors in com puting systems. 2004. P. 455 – 462.

7. JOHN B.E., KIERAS D.E. The GOMS family of user interface analysis techniques: Comparison and contrast. ACM // Transac tions on Computer-Human Interaction. 1996. №3. P. 320 – 351.

8. KIERAS D. E., JOHN B. E. Using GOMS for User Interface Design and Evaluation: Which Technique? // ACM Transactions on Computer-Human Interaction, 1996. № 3, P. 287 – 319.

9. KIERAS D.E. A Guide to GOMS Model Usability Evaluation using NGOMSL // Handbook of human-computer interaction.

(Second Edition). Amsterdam: North-Holland. 1997. P. 733-766.

10. KIERAS D.E. Using the Keystroke-Level Model to Estimate Execution Times, On-line handout, 2001. URL:

http://www.eecs.umich.edu/~kieras/goms.html (дата обраще ния: 06.11.2010).

11. LUO LU, JOHN B.E. Predicting Task Execution Time on Handheld Devices Using the Keystroke-Level Model / Confer ence on Human Factors in Computing Systems (CHI 2005), Ex tended abstracts on Human factors in computing systems. – 2005. P. 1605 – 1608.

12. RASKIN JEF. The Humane Interface. – Crawfordsville: Addi son-Wesley, 2000.

13. TEO L., JOHN B.E. Comparisons of Keystroke-Level Model predictions to observed data / Extended Abstracts of CHI. 2006.

P. 1421–1426.

Сетевые модели в принятии решений METHOD FOR HYPOTHESES MAKING AND TESTING ABOUT USER MENTAL ACTIONS IN HUMAN-COMPUTER INTERACTION Evgeniy Abdulin, Institute of Informatics Problems of RAS, Mos cow, post-graduate (pochtainst@yandex.ru).

Abstract: The new method is offered for hypotheses making and testing about user mental actions in human-computer control sys tems. This method is used to create interface design for the control systems taking into consideration their specific character. The method is based on the critical-path method and its methodical and mathematical tools. The linear model of interface is used as input data. The analysis of critical-path chart allows making reasonable corrections to the source model and increasing its accuracy.

Keywords: critical-path method, integrated control systems, human-computer interaction, interface.

Статья представлена к публикации членом редакционной коллегии М. В. Губко Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

УДК 519. ББК 65в631. ПРИНЦИП МНОГОМОДЕЛЬНОСТИ В ЗАДАЧАХ МОДЕЛИРОВАНИЯ ИНДИВИДУАЛЬНЫХ ПРЕДПОЧТЕНИЙ Белых А. А.1, Шайдулин Р. Ф. (Пермская государственная сельскохозяйственная академия им. Д. Н. Прянишникова, Пермь) Гуреев К. А.3, Харитонов В. А.4, Алексеев А. О. (Пермский государственный технический университет, Пермь) Обосновываются новые возможности исследования моделей предпочтений на основе сочетания линейных и нелинейных (матричных) методов комплексного оценивания: уменьшение размерности задач принятия решений и анализ динамики каче ственных изменений свертки.

Ключевые слова: принцип многомодельности, моделирование предпочтений, линейные и нелинейные (матричные) свертки.

1. Введение Актуальность проблемы поддержки принятия решений с учетом человеческого фактора на основе моделирования пред Андрей Алексеевич Белых, кандидат технических наук, доцент (psaa@perm-edu.ru).

Роман Фаритович Шайдулин, ассистент (psaa@perm-edu.ru).

Кирилл Александрович Гуреев, аспирант (nedstf@pstu.ru).

Валерий Алексеевич Харитонов, доктор технических наук, профессор (nedstf@pstu.ru).

Александр Олегович Алексеев, заведующий лабораторией (nedstf@pstu.ru).

Сетевые модели в принятии решений почтений лиц, играющих в этих процедурах ключевые роли, вызвало интерес к механизмам комплексного оценивания объек тов с гетерогенными характеристиками, выступающих в качестве предметов выбора – вариантов решения. Задачи моделирования предпочтений на этапе перехода от high-tech технологий к high hume технологиям (социогуманитарным технологиям) [2] возни кают во многих областях исследования организационных, эконо мических, образовательных и других систем.

Среди известных линейных и нелинейных [1, 3] механизмов комплексного оценивания расширенными функциональными возможностями выделяются модели предпочтений на основе деревьев критериев и матриц свертки с топологической интер претацией [5, 6]. Однако они характеризуется и значительной структурной сложностью, что затрудняет их практическое ис пользование. Исследование сложных систем принято проводить на основе принципа многомодельности, утверждающего целесо образность использования нескольких типов моделей с целью использования преимуществ каждой из них.

В статье обосновываются новые возможности исследования моделей предпочтений на основе сочетания линейных и нели нейных (матричных) методов комплексного оценивания, а имен но: уменьшение размерности задач принятия решений и анализ динамики качественных изменений свертки.

2. Исследование свойств элементарных линейных сверток Методически можно считать оправданным начать с анализа метода взвешенных коэффициентов в его простейшей форме.

Элементарная линейная свертка по методу взвешенных ко эффициентов имеет вид функции двух переменных:

(1) X = f L ( X 1, X 2 ) = k1 X 1 + k 2 X 2, где X1, X2 – частные критерии, сворачиваемые в комплексную оценку X;

k1, k2 – весовые коэффициенты, устанавливающие Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

долевое участие каждого из критериев в формировании сверт ки fL.

На весовые коэффициенты накладываются ограничения, обеспечивающие одинаковую шкалу, например, [1, 4] для всех переменных:

(2) k1 + k2 = 1, k1, k2 [0, 1].

Уравнение (1) геометрически интерпретируется как плос кость в трехмерном пространстве (X, X1, X2), ограниченная по верхностью куба ABCDA1B1C1D1 с ребрами, длина которых сов падает с интервалом принятой шкалы, и содержащая в себе пару противоположных вершин (A, C1) и диагональ AC1, их соеди няющую (рис. 1).

Рис. 1. Геометрическая интерпретация механизмов элементарной линейной свертки: а) k1 0, k2 0;

б) k1 = 1, k2 = 0;

в) k1 = 0, k2 = Каждая реализация модели описывает свертку с фиксиро ванными весовыми коэффициентами, имеющими смысл частных производных, постоянных в каждой точке области определения ABCD:

x x (3) k1 =, k2 =.

x1 x Сетевые модели в принятии решений Множество моделей элементарной линейной свертки соот ветствует множеству допустимых пар (k1, k2) весовых коэффици ентов и перечисляется поворотом плоскости ABC1D1 из положе ния (рис. 1б) в положение (рис. 1в) вокруг диагонали AC1 на 90° по направлению часовой стрелки либо в обратном направлении через промежуточное – рис. 1а.

Поворот на больший угол приводит к нарушению ограниче ния (2) и уменьшению области определения.

Интерпретация различных вариантов линейной свертки обеспечивается введением «института» изопрайс (линий одина ковой цены), описываемых линейными уравнениями вида (4) X C = k1* X 1 + k 2 X 2, X C [ X min, X max ], * где Xc – количественная характеристика изопрайсы, k*1, k*2 – фиксированные значения весовых коэффициентов, X1, X2 – соответственно, функция или аргумент.

Введение интервала дискретности DX устанавливает мощ ность семейства изопрайс, которое предоставляет более нагляд ную топологическую интерпретацию инструментов свертки. В результате этого геометрическая интерпретация элементарной линейной свертки (рис. 1а-1в) может быть дополнена топологи ческой интерпретацией, представленной на рис. 2а-2в.

При всей простоте и наглядности линейной свертки она спо собна моделировать лишь достаточно тривиальные предпочте ния, сохраняющие свойства во всей области определения. Этот недостаток объясняется ограничениями (2) накладываемыми на уравнение (1) с целью обеспечения универсальности шкалы для всех участвующих в свертке переменных.

Сложные предпочтения характеризуются богатой динамикой комплексирования частных критериев в формируемой ими об ласти определения. Такому классу предпочтений в большей степени соответствуют модели комплексного оценивания, по строенные на основе деревьев критериев и матрицах свертки [5].

Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

Рис 2. Топологическая интерпретация вариантов линейной свертки, приведенных на рис. 3. Исследование элементарных матричных сверток с топологической интерпретацией Топологическая интерпретация матриц свертки строится ав торами на следующих положениях.

Шкала переменных в механизмах комплексного оценивания укладывается в общепринятом интервале [1, 4].

Процедура нечеткой свертки ¦ строится в соответствии с принципом обобщения по схеме, предложенной Д.А. Новиковым [4]:

{ }, m X (x ) = min m X 1 ( x1 ), m X 2 ( x2 ) sup ~ ~ ~ {( x1, x 2 ) | f ( x1, x 2 ) = x} где m(x) – функция принадлежности.

Дефаззификация (построение четких аналогов нечетких чи сел) переменных осуществляется по наиболее распространенно му методу центра тяжести:

~ x m m m X = ЦТ( X ) =, i i i mi 0 i Согласно принятой модели нечеткого числа X как двухэле ментного нечеткого множества ~ X = 1/m (1) + 2/m (2), m (1) + m (2) = 1, аргументы процедуры нечетной свертки в базовой подобласти [1, 2] [1, 2] определения записываются в виде выражений Сетевые модели в принятии решений ~ ~ X 1 = 1/ (1 - m 1 ) + 2 / m 1, X 2 = 1/ (1 - m 2 ) + 2 / m 2.

Значения параметров m1, m2 определяются из отношений X 1 = 1 + m1, X 2 = 1 + m 2, что обеспечивает взаимную однознач ~ ность процедур: X « X, а также простоту формы представления экспертной информации об исходных данных X 1, X 2, например, ~ X 1 = 1,73, m1 = 0,73, X 1 = 1/ 0,27 + 2 / 0,73.

Множество матриц свертки, рекомендованных к использова нию, сокращается до канонического, когда приращение значений свертки на каждом дискретном шаге изменения аргументов не превышает по горизонтали (вертикали) и по диагонали 1 и соответственно. Для канонических матриц обнаруживается ровно шесть типов i = 0, 5 стандартных функций свертки, отличающих ся в области определения нечеткой свертки [1, 4] смещением C {0, 1, 2} {0, 1, 2}.

Процедура нечеткой свертки в базовой подобласти опреде ления для наиболее востребованной на практике максиминной стратегии описывается отношением:

~ ~~ X = f ( X 1, X 2 ) = f (1, 1) / min ((1 - m1 ), (1 - m 2 ) )+ + f (1, 2) / min ((1 - m1 ), m 2 ) + f (2, 1) / min (m1, (1 - m 2 ) )+ + f (2, 2) / min( m1, m 2 ).

Значения функций нечеткой свертки вычисляются согласно пункту 3, а описываются уравнениями кусочно-гладких (в силу нелинейности выражения, см. пункт 6) проекций изопрайс – линий одинаковой цены X C на базовую подобласть:

( ), X C = j ( m1, m 2 ) = f i X 1, X i = 0, 5.

~ Сопряжение входа X j 2 последующей матрицы свертки с ~ предыдущим X j1 достигается соглашением:

~ ~ ~ ~ X j1 ( 3) ® X j1 ( 4 ) ® X j1, X j 2 = X j1.

пункт пункт Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

Поддерживаемая программно (рис. 3) топологизация матриц свертки существенно расширяет возможности конструирования и использования механизмов комплексного оценивания. Следует заметить, что обнаруживаемая в ходе вычислительного экспери мента локальная немонотонность проекций изопрайс имеет антропогенное происхождение и связана с выбранным типом стратегии.

Для наполнения матриц свертки размерности 44 (черные цифры на белом фоне) достаточно построить матрицу размерно сти 33 с топологической интерпретацией стандартных функций свертки (белые цифры на черном фоне). Их взаимная однознач ность очевидна.

Рис. 3. Графическое представление матрицы свертки С этой целью представление экспертов о характере рассмат риваемой свертки на топологическом поле 33 отображается тремя линиями изопрайс – по одной из трех «пучков», характери зуемых малым [1, 2], средним [2, 3] и большим [3, 4] уровнями значений свертки (рис. 4). Полученный результат программным сервисом легко переводится в искомую форму представления матрицы свертки (рис. 3). Существенную поддержку в вопросах конструирования матриц свертки может оказать убедительная Сетевые модели в принятии решений интерпретация стандартных функций свертки: ¦0 – игнорирова ние развития;

¦1 – поощрение равномерного развития обоих критериев;

¦2 – поощрение развития критерия x1;

¦3 – поощрение развития критерия x2;

¦4 – поощрение равномерного развития, либо одного любого критерия в случае «прорыва» в этом направ лении;

¦5 – предпочтение ускоренному равномерному развитию обоих критериев (допускается развитие одного критерия, но с меньшим конечным результатом).

Рис. 4. Представление эксперта о характере конструируемой матрицы свертки, изображенной на рис. Элементарная матрица свертки (рис. 3) имеет более слож ную топологию, чем линейная свертка, благодаря нелинейности составляющих её изопрайс. Это означает, что каждая отдельно взятая изопрайса сможет быть приближенно представлена в кусочно-линейной форме как композиция линейных изопрайс.

Таким образом, произвольная локальная область матричной свертки может иметь приближенное линейное описание согласно выражению X = f M ( X 1, X 2 ) » k1 ( X 1*, X 2 ) X 1 + k2 ( X 1*, X 2 ) X 2, * * (5) X 1, X 2 0( X 1*, X 2 ), * Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

где ¦M(X1, X2) – матричная функция свертки, весовые коэффици енты имеют смысл частных производных в некоторой точке (X*1, X*2), принадлежащей локальной области 0:

f ( X, X | X = X 1*, X 2 = X 2 ) * k1 = M 1 2 1, X (6) f ( X, X | X = X 1*, X 2 = X 2 ) * k2 = M 1 2 1.

X Альтернативное описание матричной свертки с помощью семейства линейных сверток, отличающихся значениями весовых коэффициентов в каждой локальной области, дает новый инст румент исследования моделей предпочтений в вопросах адекват ности и динамических свойств.

4. Анализ линейных и матричных сверток с позиции принципа многомодельности Для функций свертки большей размерности линейный под ход начинает испытывать серьезные трудности в отношении обо снования весовых коэффициентов, а матричный – в обосновании структуры дерева критериев и наполнения матриц свертки.

Отличительной чертой сложившейся ситуации является про стота построения необходимого семейства линейных сверток в любой непрерывной подобласти исследуемой матричной сверт ки, не имеющей разрывов.

Действительно, гиперплоскость, касательная к гиперповерх ности функции комплексного оценивания в заданной значениями компонент вектора X i* = ( X 1,..., X n )i точке в ее непрерывной * * подобласти, и окрестность вокруг этой точки близки:

n X = f L ( X 1,..., X n ) » k ij X j, (7) j = где f M ( X 1,..., X n | X i* ) k ij = (8).

X j Сетевые модели в принятии решений По сравнению с многомерной линейной сверткой, являю щейся расширением выражения (1), ввиду локальной области определения функции (7) появляется возможность снятия огра ничений вида (2), что в полной мере удовлетворяет динамиче ским свойствам модели предпочтений.

Следует отметить, что выражения (7) и (8) являются зада ваемой деревом критериев композицией выражений (5) и (6). В связи с этим частная производная (8) многомерной функции свертки (7) равна произведению частных производных (6) всех бинарных сверток (5), лежащих на пути графа от вершины Xj к корню дерева X.

Дополнительные возможности в исследовании модели пред почтений, появляющиеся в случае использования рассмотренных походов, заключаются в следующем:

· локальное уменьшение размерности задач принятия реше ний;

· анализ динамики качественных изменений в процедуре свертки при переходе из одной локальной области в другую на основе сопоставления приоритетов частных критериев;

· декомпозиция общей проблемы адекватности модели на множество задач локальной адекватности меньшей размерности.

Проиллюстрируем перечисленные возможности вычисли тельным экспериментом.


Пусть задан механизм комплексного оценивания (рис 5), вы полняющий нелинейную свертку критериев X1 – X7. Выберем произвольные точки V1 – V5 в построенной модели по данным таблицы 1.

Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

Рис. 5. Дерево комплексного оценивания Таблица 1. Исходные данные вычислительного эксперимента V1 V2 V3 V4 V X1 1 1,5 2 2,5 X2 1,5 2 2,5 3 3, X3 1,1 1,7 2,1 2,6 3, X4 1,2 1,8 2,4 2,7 3, X5 1,4 1,6 2,1 2,9 3, X6 1,3 1,9 2,2 3 3, X7 1,2 1,7 2,3 2,8 3, X 1,33 1,67 2,3 3 3, Построение линейных моделей для вариантов, предусмот ренных таблицей 1, производится методом последовательных поочередных приращений в соответствии с процедурой, оформ ленной для варианта V1 в виде таблицы 2.

В соответствии с данными таблицы 1 вычислены весовые коэффициенты всех уравнений для выделенных точек локальных областей (таблица 3), и на их основе построено семейство линей ных моделей:

V1;

X = 0,5X5 + 0,7X6;

V4;

X = 1,6X6;

(9) V2;

X = 0,3X5 + 0,7X7;

V5;

X = –0,2X3 +0,8X5 – 0,3X7;

V3;

X = 0,1X3 + X7.

Сетевые модели в принятии решений Таблица 2. Вычисление весовых коэффициентов линейной модели для варианта V V1 K1 K2 K3 K4 K5 K6 K X1 1 1,1 1 1 1 1 1 X2 1,5 1,5 1,6 1,5 1,5 1,5 1,5 1, X3 1,1 1,1 1,1 1,2 1,1 1,1 1,1 1, X4 1,2 1,2 1,2 1,2 1,3 1,2 1,2 1, X5 1,4 1,4 1,4 1,4 1,4 1,5 1,4 1, X6 1,3 1,3 1,3 1,3 1,3 1,3 1,4 1, X7 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1, X 1,33 1,33 1,33 1,33 1,33 1,38 1,4 1, 0 0 0 0 0,05 0,07 Таблица 3. Сводные данные по линеаризации матричной модели № K1 K2 K3 K4 K5 K6 K7 N 1 0 0 0 0 0,5 0,7 0 2 0 0 0 0 0,3 0 0,7 3 0 0 0,1 0 0 0 1 4 0 0 0 0 0 1,6 0 5 0 0 –0,2 0 0,8 0 –0,3 Полученная система линейных уравнений свидетельствует о локальном уменьшении размерности нелинейной модели (см.

мерность пространства – N в таблице 3), о существенной динами ке качественных изменений в процедуре свертки при переходе из одной локальной области в другую (чередуются переменные с наибольшим весовым коэффициентом, что соответствует изме нению приоритетов частных критериев, их числа и состава).

Достаточно наглядно описанную динамику иллюстрирует рис. 6.

Несовпадение результатов вычислений комплексной оценки с данными наблюдений, принадлежащими определенной локаль ной области, как факт неадекватности модели, можно подверг нуть узконаправленному анализу благодаря наличию линейной модели меньшей размерности. Так, для варианта V3 факт неадек Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

ватности означает необходимость уточнения степени долевого участия только частных критериев X3, X7 и возможность исполь зования для этого транзитивных одномерных (рис. 7) и двумер ной (рис. 8) функции чувствительности.

Вариант 1, Вариант Значения весовых к-тов 1, 1,4 Вариант 1,2 Вариант 1 Вариант 0, 0, 0, 0, Рис. 6. Динамика качественных изменений в процедуре свертки по результатам локальной линеаризации исходной модели Рис. 7. Функции чувствительности а) по критерию X3;

б) по критерию X Сетевые модели в принятии решений Рис. 8. Функция чувствительности по критериям X3, X7.

5. Заключение С помощью функций чувствительности для конкретной ло кальной области можно устранить или уменьшить неадекват ность модели данным наблюдений, корректируя параметры матриц свертки, касающихся существенных переменных, либо функции приведения этих переменных к стандартной шкале.

Таким образом, использование принципа многомодельности расширяет возможности исследования матричных моделей пред почтений сложной структуры и, тем самым, существенно повы шает эффективность поддержки принятия решений в high-hume технологиях.

Литература 1. ВАРЖАПЕТЯН А.Г. Квалиметрия: учебное пособие. - СПб.:

СПбГУ АП., 2005. – 176 с.

2. ЖУКОВА Е.А. Трансформация системы «наука» в мире high-tech // Вестник Томского государственного педагогиче ского университета. Серия: Гуманитарные науки (философия и культурология). – 2006. – Вып. 7(58). – С. 53–57.

Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

3. МАЗУР И.И., ШАПИРО В.Д., ОЛЬДЕРОГГЕ Н.Г. Управле ние проектами: учебное пособие. – М.: Омега–Л, 2004. – 664 с.

4. НОВИКОВ Д.А. Теория управления организационными системами. 2-е издание. – М.: Физматлит, 2007 – 584 с.

5. ХАРИТОНОВ В.А., БЕЛЫХ А.А. Технологии современного менеджмента. Инновационно-образовательный проект – Пермь: ПГТУ, 2007. – 187 с.

6. ХАРИТОНОВ В.А., БЕЛЫХ А.А., ВИНОКУР И.Р. Функцио нальные возможности механизмов комплексного оценивания с топологической интерпретацией матриц свертки // Управление большими системами. – 2007. - №18. – С. 129-140.

PRINCIPLE OF MULTI-MODELING IN MODELS OF INDIVIDUAL PREFERENCES Andrey Belykh, Pryanishnikov Perm state agricultural acad emy, Cand. of Sci. in Technology, assistant of professor (psaa@perm-edu.ru).

Roman Shaydulin Pryanishnikov Perm state agricultural acad emy, assistant (psaa@perm-edu.ru) Kirill Gureev, Perm state technical university, postgraduate student (nedstf@pstu.ru) Valeriy Kharitonov, Perm state technical university, Doctor of Science in Technology, professor (nedstf@pstu.ru) Alexander Alekseev, Perm state technical university, the head of laboratory (nedstf@pstu.ru) Сетевые модели в принятии решений Abstract: New capabilities of individual preferences studies are substantiated. Linear and non-linear (matrix) methods of complex evaluation allow decreasing dimensionality of the decision-making problem, and analyzing dynamics of qualitative changes in convolu tion.

Keywords: principle of multi-modeling, preferences modeling, linear and non-linear (matrix) convolutions.

Статья представлена к публикации членом редакционной коллегии О. П. Кузнецовым Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

УДК 519. ББК 32. О ВОЗМОЖНОСТЯХ КОНСТРУКТИВНО ЛОГИЧЕСКОГО И СЕТЕВОГО ПРЕДСТАВЛЕНИЯ ОПЕРАЦИОННЫХ ИГР Кононенко А. Ф.1, Шевченко В. В. (Учреждение Российской академии наук Вычислительный Центр им. А.А. Дородницына РАН, Москва) Рассматриваются некоторые возможности использования графических (сетевых) и логических представлений при анализе игровых моделей. При этом анализируются игровые модели, представленные в виде операционных игр. Формулируются принципы исследования игровых взаимодействий с неопреде ленностями с использованием представления игрового взаимо действия в виде конструктивной логической системы, исполь зования графов при проведении такого рода исследований.

Ключевые слова: операционная игра, конструктивная логи ческая система, неопределенность, граф, сценарное прогно зирование.

1. Введение Одним из наиболее сложных и интересных вопросов при проведении игрового анализа тех или иных реальных процессов является вопрос о корректном описании и анализе неопределен ностей (см. [1]). При этом характер неопределенностей может Александр Федорович Кононенко, зав. сектором, доктор физико математических наук, профессор (afkon3@rambler.ru).

Василий Владимирович Шевченко, научный сотрудник (vsh1953@mail.ru).

Сетевые модели в принятии решений быть самым различным и самым неожиданным. Далеко не всегда при описании неопределенности можно использовать те или иные распределения вероятностей, поскольку отсутствуют основания для конкретизации такого распределения.

В качестве удобного и вполне универсального инструмента описания неопределенностей могут использоваться конструк тивные логические системы (КЛС), при описании которых используются так называемые «логические ограничения», не детерминирующие траектории движения динамической систе мы, а ограничивающие свободу ее перемещения по своему пространству состояний путем наложения логических запретов.

Интересные и неожиданные особенности игрового взаимодей ствия могут возникнуть и возникают и при исследовании с использованием аппарата КЛС других аспектов таких взаимо действий, не имеющих прямого отношения к описанию неопре деленностей (коалиционный анализ, вопросы агрегирования).

При этом в случае конечности пространств состояний игроков могут эффективно использоваться графические (сетевые) пред ставления.

Далее анализируются возможности использования указан ных преимуществ аппарата КЛС при исследовании игровых взаимодействий. В качестве базового класса игровых моделей при этом рассматриваются операционные игры (см. [2-6] и др.).

2. Конструктивные логические системы Если не рассматривать аспекты теории КЛС [7], относя щиеся к описанию процессов развития (изменения самих опре деляющих свойств рассматриваемой системы), то под КЛС понимается совокупность конечного пространства состояний, дискретного времени и совокупности логических ограничений (ЛО), каждое из которых является запретом заданного подмно жества пространства состояний КЛС в текущий момент времени в случае нахождения КЛС в отстоящие на заданные числа так тов времени от текущего момента моменты в заданных для Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

каждого такого момента подмножествах пространства состоя ний. Глубиной КЛС называется при этом максимальная глубина ЛО, а глубиной ЛО – число тактов времени от текущего до максимально удаленного от текущего момента, присутствующе го в определении данного ЛО.

Над КЛС определяются операции объединения, разложе ния, укрупнения, детализации, обобщения и конкретизации. При объединении КЛС их пространства состояний декартово пере множаются. При этом в пространстве объединенной КЛС могут определяться дополнительные ЛО (взаимосвязи объединяемых КЛС), в этом случае их объединение называется объединением с взаимосвязями. Наряду с КЛС можно рассматривать и исполь зовать их счетные семейства, в которых для любого натурально го числа N определена своя КЛС, причем состояния пространств и моменты времен КЛС, соответствующих разным числам (N и M), строго соотнесены друг другу с сохранением линейной упорядоченности времен (при M N пространство КЛС с номе ром N покрывает пространство КЛС с номером M, а такт време ни первой кратен такту времени последней). Каждое ЛО КЛС с номером N при этом сохраняется в КЛС с номером M в виде логически эквивалентного ей в силу соответствия между про странствами и временами множества ЛО последней.


Изображая состояния пространства КЛС в виде вершин, саму КЛС можно представить в виде пространственного графа с числом уровней, равным удвоенной глубине КЛС. Каждый уровень при этом должен содержать вершины, обозначающие все состояния пространства КЛС. Дуги же графа должны связы вать несколько вершин разных уровней, показывая, какие соче тания состояний КЛС в разные моменты запрещены или наобо рот разрешены ее ЛО. При обозначении дугами разрешенных ЛО траекторий алгоритм построения рассмотренного графа будет таким:

- Каждую вершину нижнего уровня графа соединим дугами с теми вершинами следующего уровня, переход в которые (в Сетевые модели в принятии решений состояния пространства КЛС, обозначаемые которыми) не запрещен ЛО КЛС, имеющими глубину 1.

- Каждую вершину 2-го снизу уровня графа соединим дуга ми с теми вершинами следующего уровня, переход в которые не запрещен ЛО КЛС, имеющими глубину 1 или 2, с учетом того, с какими вершинами нижнего уровня эта вершина соединена.

- Вполне аналогично проведем дуги между вершинами 3-го и 4-го, 4-го и 5-го уровней графа снизу и т. д. до самого верхне го уровня. При этом при проведении дуг для верхней половины уровней (l верхних уровней, где l – глубина КЛС) учитываются все ЛО КЛС, но для каждого такого уровня имеет место своя картина предыдущих l уровней.

Описанное графическое представление КЛС может позво лить, используя методы и алгоритмы теории графов, исходя из любой информации о предыстории движения КЛС до рассмат риваемого момента времени, строить множества достижимости состояний ее пространства через заданное число тактов времени после рассматриваемого момента. И, в случае наличия тех или иных мер состояний, определять меру (вероятность) достижения каждого из состояний множества достижимости. При этом учитывается то, с какого момента мы имеем информацию о предыстории, этот момент соответствует нижнему уровню графа. Самый же верхний уровень графа пригоден для рассмот рения всех моментов времени, отстоящих от 1-го момента нали чия информации о том, где могла быть в этот момент КЛС, более чем на 2*l тактов времени КЛС (картина дуг, идущих от предыдущего уровня, для всех таких моментов одинакова).

3. Представление операционной игры в виде конструктивной логической системы Операционные игры [2-4] без обязательств описываются множествами игроков, счетов, проводок и операций и развора чиваются в дискретном времени. Операции имеют определяе мые игроками в каждый момент времени управления, их прове Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

дение меняет состояния счетов. Динамика состояний счетов на временном отрезке разворачивания игрового процесса опреде ляет выигрыши игроков. При этом управления операций и обороты и сальдо счетов могут быть или непрерывными, или целочисленными. В случае их целочисленности и ограниченно сти сверху и снизу рассматриваемый игровой процесс представ ляется в виде КЛС непосредственно, в силу конечности про странства возможных состояний этого процесса и дискретности времени. В противном случае для анализа игрового процесса можно рассматривать счетное семейство КЛС, число состояний пространства КЛС в котором бесконечно возрастает при стрем лении номера КЛС к бесконечности. Или ограничиться опреде ленной точностью записи действительных чисел и свести рас сматриваемую игру к игре с целочисленными и ограниченными сальдо счетов.

4. О возможностях графического анализа игровых моделей Представив операционную игру в виде КЛС и выявив путем анализа особенностей поведения отличных от оперирующей стороны (основного игрока) игроков и особенностей реализации неопределенных факторов ЛО этой КЛС, можно представить рассматриваемое игровое взаимодействие в виде описанного в пункте 2 пространственного графа.

Компьютерный анализ этого графа может позволить для каждой стратегии поведения основного игрока выявить множе ство вариантов реализации игрового процесса, не противореча щих совокупности выявленных КЛС. При реализации каждого из этих вариантов оперирующая сторона будет иметь вполне определенный выигрыш. При этом при наличии тех или иных обоснованных вероятностных распределений, описывающих реализацию неопределенностей или поведение игроков, разные варианты будут иметь в силу этих распределений различные веса (шансы реализации). В отсутствие таких распределений Сетевые модели в принятии решений веса вариантов естественно считать равными. Исходя из вы бранного оперирующей стороной принципа оптимальности, на базе выявленного множества вариантов можно построить ра циональную стратегию ее поведения.

Для иллюстрации предлагаемого подхода к анализу игро вых взаимодействий рассмотрим простую игру 2-х игроков с бросанием монеты, в которой каждый игрок перед каждым бросанием указывает (в заданных пределах) целочисленную цену игры в этом бросании и выбирает орел или решку. Реаль ная цена игры определяется как среднее арифметическое цен, указанных игроками, и равный ей выигрыш получает один из игроков (от другого игрока) в том и только том случае, если он угадал результат, а другой игрок не угадал. Заметим, что в силу отсутствия вероятностей выпадения орла или решки (обычно принимаемое за основу равенство между собой этих вероятно стей на самом деле ни на чем убедительном не основано, равно как и предположение о независимости событий бросания моне ты) рассматриваемая игра не является повторяющейся.

Данная игра может быть представлена в виде КЛС с числом состояний 23 N M, где N и M – числа разрешенных выборов цены бросания первым и вторым игроками соответственно (в каждый момент игры имеют место выборы игроками орла или решки, результат бросания монеты и выборы игроками цен бросания). При этом в общем случае каждый из игроков может знать или не знать что-либо о текущем выборе другого игрока перед своим выбором, иметь или не иметь ту или иную инфор мацию о намерениях другого игрока или принципах ведения им игры, об особенностях (не идеальностях) используемой монеты и т. п. Возникает вопрос: «Как игроку использовать имеющуюся у него информацию?». Вопрос, ответить на который с использо ванием имеющихся средств игрового анализа трудно, поскольку не определился даже сам язык записи такого рода информации.

В какой-то мере на роль такого языка могут претендовать разве что наработанные средства когнитивного анализа.

Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

При представлении рассматриваемой игры в виде КЛС лю бая информация такого рода естественным образом записывает ся в виде одного или нескольких логических ограничений.

Записав известную ему информацию в виде множества ЛО и построив рассмотренный в п. 2 граф для КЛС с этим множест вом ЛО, основной игрок может построить множество принци пиально достижимых в ожидаемый или оговоренный момент окончания игры состояний этой КЛС и множество возможных при этом траекторий игрового взаимодействия. И определить то, насколько «сузятся» эти множества при той или иной страте гии его собственного поведения. Что является достаточным для оценки ожидаемой эффективности каждой такой стратегии и выбора наиболее эффективной из множества анализируемых стратегий (полное множество возможных стратегий игрока даже при ограниченном временном отрезке игры весьма велико и далеко не всегда присутствует возможность анализа всего этого множества).

В простейшем случае, когда цена игры фиксирована (N = M = 1), на каждом уровне графа будет 8 вершин. Предпо ложим, что при этом один из игроков выявил ту или иную зако номерность в реализации имеющей место неопределенности.

Например, то, что орел никогда не повторяется три раза подряд.

А другой игрок всегда ставит на орла. В этом случае гарантиро ванно выигрышной стратегией первого игрока является ставить на орла всегда, кроме тех случаев, когда орел уже повторился дважды. Граф в этом случае будет состоять из 3-х уровней по вершин, которые могут обозначаться трехзначными двоичными числами (1-ый знак – выбор 1-го игрока, 2-ой – 2-го, 3-ий – реализация неопределенности, 0 – орел, 1 – решка). Знания первого игрока о свойствах процесса обозначатся дугами, за прещающими состояния 010, 110, 011, 111 и все траектории (длиной в 3 такта), в которых последний бит всегда равен нулю.

Выигрышность указанной стратегии легко определится из анализа этого графа. В анализе данного простейшего случая виден и простейший прием агрегирования реальной игры: стра Сетевые модели в принятии решений тегия первого игрока останется той же и в случае, когда второму игроку позволено выбирать цену игры из конечного или беско нечного числа вариантов. Возможны и многие иные приемы агрегирования, выявление которых требует дальнейших иссле дований.

Заметим, что обозначенная выше сложность анализа, каза лось бы, весьма простой игры является следствием не сложно сти и неестественности предлагаемого подхода, а не тривиаль ности самой реальности, с которой мы имеем дело даже в простых реальных играх. С тем, что традиционно используемые предположения о том, что вероятности выпадения орла и решки при бросании монеты равны, и о том, что результаты последова тельных бросаний являются независимыми случайными вели чинами, огрубляют реальность и являются не более чем сомни тельными гипотезами. Рассматриваемый подход предлагает отказаться от таких гипотез и преодолевать возникающее при их отсутствии «проклятие размерности» путем органичного и изящного агрегирования пространства состояний рассматривае мого игрового процесса (в данном случае путем сворачивания чисел вариантов назначения игроками цен бросания M и N).

Литература 1. ГЕРМЕЙЕР Ю.Б. Игры с непротивоположными интересами.

– М.: Наука, 1976. – 328 с.

2. КОНОНЕНКО А.Ф., ШЕВЧЕНКО В.В. Задачи управления производственными корпорациями и операционные игры. – М.: ВЦ РАН, 2004. – 42 с.

3. КОНОНЕНКО А.Ф., ШЕВЧЕНКО В.В. Использование игро вого и сценарного моделирования в решении задач управле ния промышленным комплексом региона. – М.: ВЦ РАН, 2007. – 48 с.

4. КОНОНЕНКО А.Ф., ШЕВЧЕНКО В.В. Операционные игры – эффективный инструмент для согласования экономических Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

интересов территориальных и отраслевых объединений.

Научно-технический сборник «Вопросы оборонной техни ки». Серия 3. Выпуск 2 (339). – М.: ЦНИИЭИСУ, 2007.

С. 34 – 43.

5. КОНОНЕНКО А.Ф., ШЕВЧЕНКО В.В. Качественный анализ возможностей и перспектив социально-экономического раз вития России с использованием операционного игрового сце нарного моделирования. // Динамика неоднородных систем / под ред. Ю.С. Попкова. Т. 39(1). – М.: Книжный дом «ЛИБРОКОМ», 2008. C. 77 – 87.

6. КОНОНЕНКО А.Ф., ШЕВЧЕНКО В.В. О возможностях теоретико-игрового подхода к определению ограничений экологического характера. Материалы четвертой междуна родной конференции «Управление развитием крупномас штабных систем (MLSD’2010)» (4-6 октября 2010, г. Москва, Россия). Том I. С. 180 – 182.

7. ШЕВЧЕНКО В.В. Конструктивные логические системы и их приложения. – М.: ВЦ РАН, 2003. – 51 с.

ON CAPABILITIES OF CONSTRUCTIVE LOGICAL AND GRAPHICAL REPRESENTATIONS OF OPERATIONAL GAMES Alexander Kononenko, Dorodnitsyn Calculative Centre of RAS, Moscow, Doctor of Science, professor (afkon3@rambler.ru).

Vasiliy Shevchenko, Dorodnitsyn Calculative Centre of RAS, Moscow (vsh1953@mail.ru).

Abstract: Capabilities are considered of logical and graphical representations usage in analysis of game-theoretic models. Game theoretic models considered are presented in the form of opera tional games. The principles are postulated of study of strategic Сетевые модели в принятии решений interactions at uncertainty with use of interaction representation in the form of constructive logical systems, and also the principles of graphical tools (networks) use in such study are outlined.

Keywords: operational game, constructive logical system, uncer tainty, graph, scenario forecasting.

Статья представлена к публикации членом редакционной коллегии Д. А. Новиковым Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

УДК 004.94 + 658. ББК 65.050. СЦЕНАРНОЕ ИССЛЕДОВАНИЕ СЛОЖНЫХ СИСТЕМ: АНАЛИЗ МЕТОДОВ ГРУППОВОГО УПРАВЛЕНИЯ Кульба В. В.1, Кононов Д. А.2, Чернов И. В.3, Рощин П. Е.4, Шулигина О. А. (Учреждение Российской академии наук Институт проблем управления РАН, Москва) Описаны основные компоненты методологии сценарного иссле дования: сценарная система, система сценарного анали за, система сценарного синтеза, основы сценарного исчисления.

Рассмотрены вербальные и формальные определения сценария и указаны этапы его формирования. В качестве приложений рас смотрено применение методологии сценарного исследования сложных систем для анализа эффективности методов группо вого управления социально-экономической системой Амурской области РФ.

Ключевые слова: сценарное исследование, сложная систе ма, групповое управление, региональная система управле ния, Амурская область Российской Федерации.

Владимир Васильевич Кульба, засл. деят. науки РФ, д.т.н., проф.

(Москва, ул. Профсоюзная, д. 65, тел. (495) 334-90-09, kulba@ipu.ru).

Дмитрий Алексеевич Кононов, к.т.н., доцент (Москва, ул. Профсоюз ная, д. 65, тел. (495) 334-89-59, dakref@umail.ru).

Игорь Викторович Чернов, к.т.н. (Москва, ул. Профсоюз ная, д. 65, тел. (495) 334-89-59, ichernov@gmail.com).

Павел Евгеньевич Рощин, аспирант, (Москва, ул. Профсоюз ная, д. 65, тел. (495) 334-89-59, pavel.roshchin@gmail.com).

Ольга Александровна Шулигина, аспирант (Москва, ул. Профсоюз ная, д. 65, тел. (495) 334-89-59, shuliginaoa@mail.ru).

Сетевые модели в принятии решений 1. Введение Поиск оптимальных механизмов управления сложными системами (СС) представляет собой достаточно сложную и, в то же время, важную задачу. При разработке конкретных планов действий для программно-целевого управления необходимо проведение широкомасштабных исследований социально экономической системы (СЭС), направленных на преодоление кризисных тенденций и обеспечение устойчивого развития в условиях рынка и расширяющейся глобализации. Требуется разработать постановки и методы решения задач прогнозирова ния и моделирования альтернативных вариантов развития круп номасштабных социально-экономических систем.

В [3, 7, 9, 12, 15] предложен подход к формированию опи сания поведения и развития сложных систем в виде формализо ванных сценариев на определенном интервале времени в усло виях ресурсных, финансовых, социальных и других типов огра ничений. Там же предложена формализованная методология сценарного исследования социально-экономических систем. Ее сущность заключается в том, что сценарий поведения СЭС представляет собой последовательные этапы развития систе мы, каждый из которых имеет свои особенности и специфиче ские черты. В соответствии с целями и критериями периодиза ции развития на каждом этапе определяются пробле мы, требующие своего решения. Формализованная процедура генерации сценариев позволяет строить и подвергать анализу альтернативные варианты развития, т.е. осуществлять сценар ный анализ поведения системы.

Существующий в настоящее время аппарат системного анализа ориентирован на исследование проблем и динамики развития сложных крупномасштабных систем, обеспечивает рассмотрение множества альтернативных решений, каждое из которых описывается достаточно большим числом перемен ных, позволяет учитывать риски различного типа, вырабатывать эффективные решения в условиях ограниченного времени и ре сурсов [17]. Методологический аппарат формализованного сце нарного исследования содержит ряд основных компонентов:

Управление большими системами Специальный выпуск 30.1 «Сетевые модели в управлении»

модели и методы сценарного анализа, основы сценарного ис числения и модели и методы сценарного синтеза.

В настоящей работе рассмотрены основы методологии сце нарного исследования и ее применение для решения задач ана лиза эффективности методов группового управления на примере модели поведения «взвешенные ориентированные графы».

Представлены результаты разработки модели анализа эффек тивности группового управления региональной социально экономической системой Амурской области [2].

2. Сценарное исследование сложных систем Под сценарным исследованием будем понимать такой спо соб изучения СС, когда основным средством исследования яв ляется построение и анализ спектра сценариев в различных ее стратах, а целью исследования – синтез сценария с заданными свойствами. Формализация соответствующей системы моделей предложена в ряде работ [3, 7, 9, 12].

2.1. ОСНОВНЫЕ КОМПОНЕНТЫ СИСТЕМЫ СЦЕНАРНОГО ИССЛЕДОВАНИЯ Предложенная в [1] типология прикладных систем позволя ет провести структуризацию СЭС и изучать ее подсистемы ме тодами формализованного сценарного исследования. Опыт раз работки различных сценарных систем показывает, что уже на уровне классификации можно выделить ряд их характерных структурных особенностей. Можно их сгруппировать по при знакам, определяющим уникальные свойства и связи между по казателями выделенной классификационной группы. Да лее, используя различные формальные характеристики, а также операции в рассматриваемых сценарных пространствах, можно провести эффективный анализ и осуществить синтез оптималь ных сценариев развития, и, таким образом, осуществить конст руирование оптимального сценария преобразований.

В содержательном плане сценарием поведения объекта яв ляется модель изменения обстановки, связанной с возникнове Сетевые модели в принятии решений нием и развитием той или иной ситуации в дискретном времен ном пространстве с определяемым временным шагом.

С использованием понятий сценарной методологии [3, 7, 8, 15, 18, 21] сценарием поведения объекта является после довательность расширенных фазовых состояний (выделенных событий) и предполагаемых условий его функционирования (квазиинформационных гипотез). Сценарий описывает процесс изменения его параметров, дискретно фиксируя принципиаль ные с точки зрения исследователя моменты перехода в новое качественное состояние. При линейной структуре упорядочения событий в модели поведения используют две временные шкалы.

Сценарий как объект исследования представляет собой сложную, иерархически построенную конструкцию [15]. Выде лим исходные элементы:

общемодельные: M = (M0;

ME;

MD, M0E;

MME;

A ) (метана бор), множества внутренних состояний Y Em и состояний ок ружения СЭС X En, расширенное фазовое пространство X Y = Z En + m и его экспертно-значимое разбиение (ЭЗР) X = {{Z (a)}, A(e)};

пространственно-информационные: шкала траекторий ZT, шкала событий T, экспертно-значимое событие (ЭЗС) aev(z, t), глуби на N T, горизонт tN = T ZT, условное решение z(ti) = (J(ti), g(ti)) в момент времени ti ZT, в том числе, управляемо контролируемые факторы (УК-факторы) J M0 Ed, неконтро лируемые факторы g G, множество условных решений Scs = M0 G.



Pages:     | 1 | 2 || 4 | 5 |   ...   | 17 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.