3 <
Используя характеристики р, д, Н, можно получить сравнительные оценки влияния вариантов (мероприятий, задач, проблем, подцелей) на достижение мероприятий, задач, проблем, подцелей и глобальной цели, и заменить трудноопределяемую оценку влияния вариантов на конечную цель пошаговой оценкой более «мелких» неопределенностей.
Применение информационного подхода позволяет выбрать наиболее приемлемый вариант концепции на основе глубокого поэтапного анализа.
При анализе эффективности инновационных программ следует использовать методологию «затраты-прибыль», которая в мировой практике остается самым распространенным методом сравнительной оценки социально-экономической эффективности бюджетных инвестиций. Для этого сначала необходимо оценить затраты программы и ее результаты, приведя их к общему знаменателю. Если прибыль превышает затраты (данные показатели должны быть в дисконтированном виде), то программа допустима, если нет - ее следует отклонить.
Существующие системы управления отличаются друг от друга степенью формализации и автоматизации процессов идентификации, прогнозирования и выработки решения об управляющем воздействии [1]:
- слабо формализованные системы управления, встречающиеся в основном в сельском хозяйстве, в политических, экономических, социальных и психологических системах (математика и компьютеры, за редким исключением, практически не применяются);
- автоматизированные системы управления (АСУ) решение об управляющем воздействии принимается управляющей системой с участием человека в процессе их взаимодействия;
- в системах автоматического управления (САУ) процесс выработки управляющего воздействия полностью автоматизирован, то есть оно принимается управляющей системой автоматически, без участия человека.
В САУ моделью объекта управления, отражающей зависимость его выходных параметров от входных, является передаточная функция, которую невозможно рассчитать на основе эмпи-рическихданных, кроме подхода, предложенного в работе. Но и этот метод требует участия человека (эксперта), то есть соответствует подходу, применяемому в АСУ
Из вышесказанного следует, что существующие системы управления в нашем случае неприменимы.
В фундаментальном подходе исследуется влияние факторов различной
природы на поведение объекта управления и прогнозирования, а в техническом - влияние прошлой части временного ряда на будущую его часть (относительно текущей точки во времени). Знание этих причинно-следственных связей используется для прогнозирования и принятия решений. В фундаментальном подходе существует проблема сбора информации о действующих на объект управления и прогнозирования факторах. В техническом подходе подобной проблемы нет, так как базы данных с временными рядами обычно более доступны. Поэтому на практике чаще используется технический подход, поскольку это проще.
Таким образом, возникает необходимость в применении нового математического метода, учитывающего основные требования к прогнозированию результатов и принятию управленческих решений по выбору инноваций, обеспечивающих желаемый результат, а именно метод автоматизированного системно-когнитивного анализа (АСК-анализ). Это обусловлено тем, что выбранный метод является непараметрическим, позволяет корректно и сопоставимо обрабатывать тысячи градаций факторов и будущих состояний объекта управления при неполных (фрагмен-тированных), зашумленн ыхдан ных различной природы, то есть измеряемых в различных единицах измерения.
Кроме этого, АСК-анализ может рассматриваться как один из вариантов синтеза фундаментального и технического подходов к прогнозированию, так как, с одной стороны, в АСК-анализе как в техническом подходе в качестве исходных данных могут использоваться временные ряды, а с другой стороны, в этих временных рядах выявляются события, а затем причинно-следственные связи между этими событиями как в фундаментальном подходе. Конечно, это не исключает в АСК-анализе возможности выявления и использования для прогнозирования влияния на объект прогнозирования других факторов, информация о которых есть в исследуемых временных рядах только в снятом виде.
АСК-анализ обеспечивает:
- выявление знаний о поведении сложной многопараметрической системы под действием большого количества факторов различной природы (измеряемых в различных единицах измерения) из эмпирических данных;
- формализацию этих знаний в форме баз знаний (с оценкой степени их адекватности);
- применение этих знаний для решения задач прогнозирования и поддержки принятия решений, то есть управления.
Выбранная методика обеспечивает повышение степени формализации знаний о предметной области до уровня, достаточного для представления знаний в автоматизированной системе искусственного интеллекта и решения в ней задач идентификации, прогнозирования и поддержки принятия решений (управления). Она включает в себя следующие этапы:
1) когнитивная структуризация предметной области;
2) формализация предметной области (определение классификационных и описательных шкал и градаций);
3) подготовка обучающей выборки (ввод данных мониторинга в базу прецедентов);
4) синтез и верификация семантической информационной модели (измерение внутренней и внешней, дифференциальной и интегральной ва-лидности);
7) системно-когнитивный анализ семантической информационной модели (СИМ) [1].
На этапе когнитивной структуризации определяется, что мы хотим прогнозировать, чем управлять и на основе чего собираемся это делать.
Ввод данных мониторинга в базу прецедентов осуществлялся с помощью универсального программного интерфейса между внешними базами данных и системой «Эйдос-Х++», который обеспечивает автоматическое формирование классификационных и описательных шкал, обучающей выборки на основе DBF-файла.
Синтез и верификация СИМ в системе «Эйдос-Х++» обеспечивает синтез моделей баз знаний и оценку достоверности каждой модели знаний.
В системе «Эйдос-Х++» представлены семь моделей знаний (см. таблицу), частные критерии которых рассчитываются по А. Харкевичу (два варианта расчета); Хи-квадрату; ROI (два варианта расчета); разности условной и безусловной вероятностей (два варианта расчета)[2].
Интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий - аддитивная функция от частных критериев знаний, имеет вид [2]:
I, =
1
орМ
И(iv -Ij)(А-L),
(3)
где M - количество градаций опи-
Модели знаний и частный критерий Выражение для частного критерия через частоты
относительные абсолютные
INFI, частный критерий: количество знаний по А. Харкевичу, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен признак, то это i-й признак. Ij =Tx Log 21 NiJN I¡, = Ф X Log 2 ч iJ 2 NiNJ
INF2, частный критерий: количество знаний по А. Харкевичу, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу. Вероятность того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак. Ij = Фх Log 2 P NiJN I =Фх Log 2 J J 2 N NJ
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами. - NiNi I.. = N.. J J J N
INF4, частный критерий: ROI - Return On Investment, 1 -й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу. P. P. - P I .. = j l = j ' J P P II
INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу. P. P. - P I. = . l = . ' . P P nln h,, =——1 L nnl
INF6, частный критерий: разность условной и безусловной вероятностей, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу. i.. = p - p ч ч • j _ Nj - N j Nj N
INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу. I.. = P.. - P ч ч • I _ Nj - N j Nj N
я <
сательных шкал (признаков);
Ij - средняя информативность по вектору класса;
^ - среднее по вектору объекта;
ст(- среднеквадратичное отклонение частных критериев знаний вектора класса;
&1- среднеквадратичное отклонение по вектору распознаваемого объекта.
I.. = {I..} - вектор состояния ^го класса;
= - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), то есть:
1, если г - й фактор действует; £ _ п, где :п> 0, если / - й фактор 1 ~ действует с истинностью п; О, если 1-й фактор не действует.
Предложенная методология, в отличие от других, позволяет системно оценить эффективность инноваций в зерновом производстве, направленных на устойчивое и сбалансированное развитие хозяйствующих субъектов, включая оценку экономической, научно-технической подсистем и подсистемы зернопроиз-водящих организаций. Так, пошаговая оценка концепции на основе информационного подхода явля-
ется наиболее эффективной в решении основной цели, а полученный при этом материал является исходным пунктом при подготовке нормативно-правовых документов, разработке инновационных программ в регионе.
Обоснованная возможность прогнозирования и принятияуправлен-ческих решений по выбору инноваций в зерновом производстве путем применения метода системно-когнитивного анализа отличается от традиционных тем, что обеспечиваются построение и адаптация модели сложного динамичного территориально распределенного нелинейного объекта, прогнозирования на основе фрагментированной и за-шумленной эмпирической информации о нем.
литература
1. Луценко Е.В. Синтез системно-когнитивной модели природно-экономической системы, ее использование для прогнозирования и управления
в зерновом производстве(Часть 1. Постановка задачи) /Е.В. Луценко, К.Н. Гор-пинченко. Политематиче
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.