Задать вопрос юристу

Модели и поддержка принятия решений

  Понятие модели
Понятие модели (фр. modele происходит от ит. modello) широко используется в естественном языке человека и является, по сути, общенаучным понятием. Оно характеризуется ярко выраженной полисемией, отражающей различные смысловые значения, вкладываемые в данное
понятие в зависимости от сферы приложений и от контекста, в связи с которым оно используется [308].

В настоящее время существует несколько сотен определений понятий модель и моделирование. В работе [308] приведены для примера некоторые из них: модель — это система, исследование которой служит средством для получения информации о другой системе; модель — это способ существования знаний [285]; модель — это системное многоместное отображение объекта оригинала, имеющее наряду с безусловноистинным, условно-истинное и ложное содержание, проявляющееся и развивающееся в процессе его создания и практического использования; моделирование — один из этапов познавательной деятельности субъекта, включающий в себя разработку (выбор) модели, проведение на ней исследований, получение и анализ результатов, выдачу рекомендаций о дальнейшей деятельности субъекта и оценивание качества самой модели применительно к решаемой задаче с учётом конкретных условий.
При моделировании целесообразно выделять следующие основные элементы и отношения, характеризующие данный процесс: во-первых, субъекта либо субъектов, объект-оригинал, объект-модель и среду (в которой осуществляется моделирование); и, во-вторых, бинарные отношения между перечисленными элементами.
С позиций системного анализа, под моделью понимается некий объект-заместитель, который в определенных условиях может заменять объект-оригинал, воспроизводя интересующие нас свойства и характеристики объекта-оригинала и обеспечивая необходимые наглядность, обозримость, доступность испытаний и т.д. [285].
Из анализа перечисленных определений следует, что всякая корректно построенная модель содержит объективную истину (т.е. в чём-то правильно отображает объект-оригинал). Вместе с тем, из-за конечности создаваемой (используемой) модели (конечного числа элементов и отношений, описывающих объекты, принадлежащие бесконечно разнообразной действительности) и ограниченности ресурсов (временных, денежных, материальных), выделяемых на моделирование, она (модель) всегда упрощённо и приближённо отображает объект-оригинал. Однако человеческая практика свидетельствует, что данные свойства модели являются вполне приемлемыми при решении задач, стоящих перед субъектами.
Анализ соответствия между моделью и действительностью осуществляется на основе таких категорий, как конечность моделей, упрощен
ность моделей, приближенность моделей, адекватность моделей, истинность моделей. Ниже рассмотрим основные требования к моделям [284, 285, 308]: адекватность (лат. adaequatus — приравненный, сравнимый, вполне соответствующий). Указанным свойством должна обладать модель по отношению к тем или иным аспектам объекта-оригинала. Очевидно, что на практике следует говорить не о полной адекватности, а лишь об адекватности в некотором смысле (о некоторой степени адекватности). Для сложных систем (объектов-оригиналов), как уже отмечалось выше, одна модель может отражать лишь какую-либо сторону, аспект прототипа, и поэтому понятие адекватности «вообще» для такой модели не существует, речь может идти об адекватности отражения указанной стороны. При оценивании адекватности модели различают качественную адекватность и количественную адекватность. Для этого вводятся различные типы метрик [284]. простота и оптимальность модели (полимодельного комплекса). Свойство адекватности модели непосредственно связано со свойствами простоты и оптимальности модели. В самом деле, для того, чтобы достичь требуемой степени адекватности, иногда приходится идти на существенное усложнение модели. С другой стороны, если существует возможность выбора между различными моделями, имеющими примерно одинаковую адекватность, целесообразно из них выбрать наиболее простую. гибкость (адаптивность) моделей. Данное свойство моделей предполагает ввод в состав моделей таких параметров и структур, которые можно менять в заданных диапазонах для достижения целей моделирования. универсальность и проблемная ориентация моделей.
К числу других свойств моделей могут быть отнесены соответствие модели условиях ее реализации, надёжность, унификация, простота, открытость и доступность модели, их интеллектуальность, эффективность машинной реализации, сложность, идентифицируемость, устойчивость, чувствительность, управляемость, наблюдаемость моделей, их инвариантность, развиваемость (самоорганизация и самообучение).

13.1.2. Виды моделей
Модели, в широком смысле, могут быть разделены на абстрактные (языковые) модели, материальные модели (реальные, вещественные модели), знаковые модели и сигналы, а также информационные и математические модели. Применительно к управлению цепями поставок, нас в наибольшей степени интересуют последние два типа моделей.
В настоящее время существуют различные подходы к проведению классификации моделей в различных предметных областях. В табл. 13.1 в качестве примера представлен фрагмент результатов морфологического анализа, базирующегося на принципах трихотомии.
Таблица 13.1.
Трихотомическая классификация моделей [308]

Параметр

Трихотомия математических моделей

классификации

I

II

III

Научный базис, логика построения и использова

Теоретическая
(аксиоматиче
ская)

Эмпирическая

Полуэмпириче
ская

ния модели

Г ипотетико- дедуктивная (феноменологическая) Дедуктивная

Дедуктивно- выводимая (асимптотическая)
Индуктивная

Индуктивная
Индуктивно
дедуктивная

Структура модели

Аналитическая

Имитационная

Аналитико-
имитаицонная

Основная функция модели

Описывающая систему (дескриптивная)

Предписывающая
поведение
(прескриптивная)

Г ибридная

Альтернативность
модели

Сатисфак-
ционная

Оптимизационная

Безальтерна
тивная

Самоорганизация и-обучение

Самоорганизую
щаяся

Самообучающаяся

Жёстко
определённая

Поведение во

Статическая

Кинематическая

Динамическая

времени

Синхронистиче
ская

Диахронистическая
(генетическая)

Гибридная

Дискретность во времени

Непрерывная

Дискретная

Дискретно
непрерывная

(Неопределен
ность

Детерминирова
иная

Стохастическая

Г ибридная





Такие классификационные схемы наглядно иллюстрируют одну из базовых концепций системного моделирования, основанную на идее формирования комбинированных (гибридных) моделей, в которых достоинства моделей различных классов в ходе их взаимодействия компенсируют недостатки друг друга.
Второй вариант классификации моделей в большей степени ориентирован на концепцию субъектно-объектного подхода к моделированию, в рамках которого основными объектами, подлежащими исследованию, являются не только объект-оригинал и его модель, но также субъекты и среда, взаимодействующие с ними и друг с другом. В работах [257, 336] указанные элементы и отношения между ними образуют новый объект- оригинал (новый уровень моделирования) —развивающуюся ситуацию, которую и целесообразно моделировать.
В рамках новых информационных технологий, базирующихся на концепциях баз знаний понятие «модель» значительно расширило сферу своего применения, перешагнув из области пассивных в область активных информационных ресурсов. В последние годы широкое распространение получили информационные модели [29, 32, 197, 284, 331]. Информационные модели служат для описания бизнес-процессов, информационных систем, а также интегрированных систем поддержки принятия решений. Частично эти виды моделей были рассмотрены в главах 10-12. Выбор (принятие решений)
Выбор управленческого решения придает целенаправленность функционированию системы и является важнейшей фазой процесса управления. Именно через выбор реализуется подчиненность всей деятельности системы определенной цели или, в большинстве случаев, совокупности целей (многокритериальность) [193, 194, 221, 273, 285]. Процесс принятия решений присутствует на всех этапах контура управления. Выбор возникает на этапах прогнозирования, планирования и в процессе функционирования (анализа, контроля и регулирования) системы.
Процесс принятия решения состоит в выборе одного варианта, когда существуют несколько альтернативных вариантов развития, но реализован быть может только один из них, при чем вернуться к ситуации выбора, как правило, уже нельзя. Как мы уже отмечали в главе 2, решения
могут приниматься на различных уровнях - стратегическом, тактическом, оперативном и уровне реализации процессов. Умение принимать лучшие решения, делать лучший выбор является ключевым фактором в искусстве управления.
Задачи выбора чрезвычайно многообразны, как и методы их решения [34, 198, 209, 294]. В общем случае, под принятием решения понимается какое-либо действие (или совокупность действий) над множеством альтернатив, в результате чего выбирается одна альтернатива или меняются условия выбора альтернатив, если в данных ограничениях ресурсов невозможен выбор, т.е. ни одна из альтернатив не позволяет достичь целей управления. Данная процедура называется сужением множества альтернатив.
Пожалуй, основными проблема принятия решений являются оптимальность, многокритериальность и неопределенность.
Принятие решения может строиться исходя из различных подходов: поиск единственного строго оптимального решения, поиск приемлемого решения, упорядочение возможных альтернативных решений по степени предпочтительности.
В классических подходах, например, в рамках исследования операций (линейное программирование и т.д.), выбор рассматривается как оптимизация (максимизация или минимизация) некоторого критерия (см. также §13.2). Проблема состоит в отыскании в некотором исходном множестве наилучших в заданных условиях (ограничениях), т.е. оптимальных, альтернатив [214, 221, 317].
К достоинствам оптимизационного подхода следует, прежде всего, отнести именно саму идею оптимальности как стремления к наилучшему результату. Но при всей очевидности полезности оптимизации, практика требует необходимости очень осторожного обращения с ней, что обусловлено следующими факторами (см. также параграф «Оптимальность и субоптимальность» в заключение к данной книге): Размерность реальных задач, полнота и определенность модели - оптимизация предполагает, что существует принципиальная возможность точного задания всех ограничений, четкого описания целей, определения всех взаимосвязей между входными и выходными переменными, а также однозначности постановок многокритериальных задач. К сожалению, в реальных задачах управления такие ситуации практически не встречаются.
«Хрупкость» оптимального решения - даже незначительные изменения параметров модели могут привести к выбору нежелательных альтернатив или разрушению оптимального решения. В связи с этим, задачи оптимизации должны решаться комплексно с задачами оценивания чувствительности и устойчивости. Динамика - реальные системы находятся в постоянном развитии и изменении своих состояний. Поэтому и процесс выбора должен рассматриваться как динамический процесс в условиях постоянно меняющейся обстановки, что требует постоянной «подстройки», адаптации моделей принятия решений.
Резюмируя проблему оптимальности следует подчеркнуть, что применительно к сложным системам, какими и являются цепи поставок, оптимизацию нужно понимать ни как нахождение единственного и наилучшего решения, но как идеологию построения моделей поддержки принятия решений.
Второй из указанных выше проблем принятия решений является многокритериалъностъ [134, 198, 221, 257, 278, 285, 285, 294] (см. также главу 17). В простейшем случае качество решения можно описать одним показателем. Тогда модель выбора, скорее всего, той или иной задачей математического программирования. В реальных задачах управления выделить такой единственный показатель часто очень затруднительно. Сложность отыскания наилучшей альтернативы значительно возрастает, если при выборе необходимо учитывать несколько критериев.
Основным методом решения многокритериальных задач является их скаляризация и рассмотрение той или иной свертки исходной задачи (минимаксная, максиминная и т.д.) [198, 221, 273, 284, 285, 294]. Это означает введение т.н. суперкритерия, т.е. скалярной функции векторного аргумента. В общем случае, каждому из целевых показателей присваивается определенный вес, характеризующий его вклад в суперкритерий. Суперкритерий позволяет упорядочить альтернативы. Для расчета суперкритерия могут использоваться аддитивные или мультипликативные функции. Часто многокритериальную задачу можно свести к двухкритериальной, что позволяет перейти к наглядному графическому изображению для сравнения альтернатив.
Выбор способов решения многокритериальных задач зависит от того, равноважности или разноважности критериев. Если критерии равноважные, то целесообразно применять свертывание критериев в один или
определять приоритет важнейшего критерия. При разноважности критериев целесообразно использовать либо метод идеальной (целевой) точки или множество Парето [198, 273, 285].
В заключение анализа проблемы многокритериальное™ отметим, что в сложных системах, управляемых решениями людей (а не автоматических приборов), какими являются цепи поставок, многокритериальное^ является одной из ключевых проблем. Люди по-разному трактуют риск, неопределенность, важность критериев. Это необходимо учитывать при разработке систем поддержки принятия решений.
Третьей проблемой принятия решений является неопределенность (см. также главы 3, 15, 16). Важным направлением в теории принятия решений является анализ моделей выбора в условиях отсутствия, неполноты, расплывчатости либо случайного характера доступной информации. В условиях отсутствия информации (неизвестности), как правило, применяются методы теории игр и теории полезности. В условиях расплывчатости - метод нечетких множеств (см. §13.2.3).
Наиболее проработанным является раздел теории изучающей вероятностные задачи выбора. В этих задачах предполагается, что альтернативы, предъявленные к выбору, характеризуются одним или несколькими критериями, но значения критериев заданы не точно, как в детерминированных задачах, а являются случайными величинами с известными законами распределения вероятностей. Этот класс задач изучается в теории стохастического программирования. В этой теории для формализации правил предпочтения используются различные критерии, в разной степени отражающие готовность ЛПР рисковать. Так, в частности, в задачах с единственным критерием, могут быть использованы критерии Байеса-Лапласа, Гурвица. В многокритериальных постановках могут найти применение критерии Вальда и Сэвиджа.
Выбор того или иного критерия, по существу, означает указание вероятности получения значения критерия (или критериев) в определенном диапазоне. Критерий Байеса-Лапласа используется при многократном выборе и устойчивых распределениях. Он ориентирует на выбор варианта с наилучшим средним значением. Величина риска отклонения от среднего значения зависит от вида и параметров закона распределения. С увеличением количества реализаций процедуры выбора среднее значение приближается к математическому ожиданию, и оценка риска отклонений уменьшается.

Критерий Гурвица, в наиболее простом случае, не предполагает знания закона распределения вероятностей и оперирует только граничными значениями интервалов возможного изменения критерия для каждой альтернативы. Критерий имеет вид суммы минимального и максимального значений оценок альтернатив, взятых с определенными весами. Меняя веса, ЛПР может смещать значение критерия в сторону пессимистических либо оптимистических значений. Соответственно, будет увеличиваться и риск получения фактических значений, худших, чем ожидаемые.
Критерии Вальда и Сэвиджа используют и в многокритериальных постановках. Критерий Вальда (минимаксный) предполагает на первом шаге определение для каждой альтернативы наихудшего значения из оценок, описывающих эту альтернативу, а затем, на втором шаге, выбор той альтернативы, для которой это значение является наилучшим среди всех альтернатив. Критерий Вальда реализует принцип «гарантированного результата» или, другими словами, исключает риск: ЛПР не получает результат хуже, чем тот, на который он ориентируется.
Критерий Сэвиджа (максимаксный) по смыслу противоположен критерию Вальда: он предполагает выбор варианта решения, имеющего наилучшую оценку по всей совокупности возможных значений критериев. Применение этого критерия может быть рекомендовано, когда ЛПР обладает такими качествами, как оптимизм и склонность к риску. В теории принятия решений в условиях неопределенности используются и другие критерии, позволяющие учесть особенности разнообразных ситуаций выбора, возможных на практике.
На практике управления современными сложными системами, выбор реализуется в рамках интегрированных систем поддержки принятия решений (DSS - Decision Support Systems) [29, 71, 72, 177, 284]. Системы поддержки принятия решений включают в себя компоненты управления знаниями, система управления данными, хранилища данных, а также компоненты моделирования (оптимизатор, имитатор и статистический оператор). Сложность и моделирование
Следует отметить, что одной из основных особенностей современных объектов-оригиналов (реальных или абстрактных), с которыми
приходится сталкиваться на практике, является их чрезвычайно высокая сложность. Поэтому для описания такого рода объектов приходится использовать не одну, а несколько моделей, другими словами, осуществлять системное моделирование (полимодельное описание предметной области) [284, 308].
Сложность - категория многогранная и является одним из определяющих свойств систем. Сложность в применении к системам имеет различный смысл [284, 329, 335]: структурная сложность (количество элементов и связей между ними, а также разнообразие этих элементов и связей), динамическая сложность (динамика изменения количества элементов, связей между ними, разнообразия элементов и связей, а также динамика изменения объема одновременного задействования элементов и связей в каждом конкретном состоянии системы), сложность моделирования (алгоритмическая сложность, вычислительная сложность, полимодельная сложность).
Теоретически проблема сложности широко обсуждается в концепции «управления сложностью» (complexity management) (см. также главу 3). Управление сложностью тесно связано с теорий систем и понятием сложной системы [131]. Под сложной системой понимают систему, цели которой противоречивы и трудноформализуемы, в модели которой не хватает информации для эффективного управления, которая характеризуется неопределенной динамикой развития и изучение которой требует комплексного применения различных теорий, методов и моделей [28, 284, 285, 337]. Теория сложности позволяет с методических позиций подходить к проблемам формирования и реализации управления различными системами.
Отличительной чертой сложности, присущей принятию решений, является невозможность доказать существование функции, однозначно представляющей предпочтение лица, принимающего решение. Поэтому подход, в основе которого лежит гипотеза о нахождении оптимального решения, не дает возможности справиться с реальными проблемами выбора, связанных с многокритериальностью и неопределенностью. В таких случаях необходимо перейти к методам, позволяющим найти рациональное решение, отвечающее индивидуальным особенностям ЛПР, за приемлемое время. 
<< | >>
Источник: Иванов Д.А.. Управление цепями поставок. 2009

Еще по теме Модели и поддержка принятия решений:

  1. 4.5. АНАЛИЗ ИНФОРМАЦИИ. СИСТЕМА МОДЕЛЕЙ ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ
  2. Информационная поддержка принятия управленческих решений
  3. 4.4. ОСНОВНЫЕ ФУНКЦИИ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
  4. МАТЕМАТИЧЕСКИЕ И ИНФОРМАЦИОННЫЕ МЕТОДЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
  5. Глава 13. Концепции поддержки принятия решений при управлении цепями поставок
  6. Основные концепции поддержки принятия решений при управлении цепями поставок
  7. Пример расчетов по поддержке принятия оперативных решений при управлении цепями поставок
  8. Теории и модели принятия решений
  9. 5.2. Модели и методы принятия решений
  10. МОДЕЛЬ ПРИНЯТИЯ РЕШЕНИЯ О ПОКУПКЕ
  11. 2.7. Синергетические модели принятия решений
  12. 3.3. Распространенные модели принятия решений
  13. ПРИЛОЖЕНИЕ 2              - Модель принятия решений профессора Врума
  14. Общая характеристика методов и моделей эффективного принятия решений
  15. Упражнение 2 «Использование модели ожидания в практике принятия управленческих решений»
  16. Стратегический уровень принятия решений при управлении цепями поставок: основные области принятий решений
  17. Процесс принятия государственных решений: модели, способы и основные этапы
  18. Инструменты принятия решений и решение задач делового интеллекта