Большинство сложных технологических объектов управления характеризуется нестационарностью во времени и распределенностью в пространстве своих признаковых и атрибутивных параметров. В этих условиях интеллектуализация процессов принятия решений в децентрализованных системах управления динамическими технологическими объектами требует параллельного решения двух задач:
− построения эталонной модели;
− организации принятия управленческих решений на всех иерархических уровнях управления.
Задача организации принятия решений на всех уровнях управляемой системы подразумевает алгоритмизацию функционирования отдельных подсистем и компонент децентрализованной системы в целом.
В этом случае в каждой функциональной подсистеме (функционально-полном элементе системы) формируется логическая управляющая компонента, которая включает в себя элементы интеллектуализации принятия решений и которая учитывает специфику данного компонента. В соответствии с этим целесообразна частичная локализация управляющих решений. Это означает, что в случае нештатных ситуаций (а именно: ситуаций, выходящих за пределы компетенции локальных элементов системы) управление передается следующему уровню, который может объединять несколько локальных элементов. При этом управляющие решения строятся на основе локальных управляющих элементов группы, и не расходуется время на обработку локальных элементов системы. Таким образом, можно вести речь о вложенности локальных элементов практически неограниченной размерности, являющихся прямым следствием сложности структуры децентрализованной многоуровневой системы управления в целом.
Посредством реализации описанных выше решений может быть достигнута оперативностью при меньших технических затратах. Тем не менее, однако, в случае возникновения нештатных ситуаций требуется значительное повышение производительности системы с тем, чтобы избежать лавинообразного развития нештатной ситуации.
В этих условиях возрастает интерес к способам информационного обеспечения интеллектуальных процедур принятия решений на основе стохастических сетей. Из-за отсутствия строгого математического решения и невозможности полного перебора ввиду большой размерности задачи управления необходимо формировать имитационную модель управления на основе процедур нечеткой оптимизации, реализация которых возможна на основе стохастических сетей.
Для формирования имитационной модели управления с учетом описанной выше специфики объектов управления наиболее целесообразным является формально-эвристический подход. Метод поиска в пространстве состояний включает элементы интеллектуальной поддержки — эвристические приёмы и правила. При разрешении конфликта обобщенная цель выражается экспертом в упрощенной лингвистической форме в виде эвристического правила. Метод выбора эвристического правила основан на определении нечетких зависимостей между критериальными оценками получаемых вариантов эталонной модели и эвристическими правилами. Критериальные оценки качества управления зависят от нескольких параметров сложных объектов. Исходы альтернатив оцениваются по нескольким критериям качества управления.
Особенность интеллектуализации процессов принятия управленческих решений в этом случае состоит в том, что вывод решения опирается не на прямое изложение экспертом алгоритма принятия решений, а на информацию, обосновывающую этот вывод. Таким образом, система становится менее критичной к качеству экспертной информации.
Задача принятия решений с учетом последствий такого принятия формируется в следующем виде. Имеется проблема Z, реализуемая на множестве систем, включающем n активных агентов, преобразующих предметную область. Требуется выбрать оптимальный вариант её решения из множества альтернатив с учетом реакции системы в реальном масштабе времени. Например, в случае интеллектуальных систем роль активных агентов выполняют внешние системы (пользователь, система более высокого уровня управления и т. п.). Поиск решения такой задачи осуществляется в нечеткой информационной среде, обусловленной неполнотой (нечеткостью) информации об условиях и ограничениях, определяющих проблему Z, и условиях функционирования системы, на которых она реализуется.
Предлагается алгоритм решения задачи, использующий формализм нечетких множеств, позволяющий объединить задачу выбора оптимального решения проблемы Z с прогнозированием поведения систем, реализующих решение [13]. Особенностью задачи в нечеткой постановке является нарушение принципа оптимальности Беллмана, который заменяется более мягким требованием согласования разноуровневых решений (прогнозов поведения), представленных в виде нечетких высказываний к оценке.
Для формализованного описания объектов используется понятие нечеткой системы. Исходное состояние включает в набор объектов и отношений между ними, при этом рассматриваются трехуровневые системы <, , >, где — надсистемный уровень (окружающая среда), — объектный уровень (исследуемый объект), — элементный уровень (подсистемы).
Модель поведения интеллектуальной системы ассоциируется с принятием и реализацией решений в реальном масштабе времени, направленных на достижение цели, устранение нежелательных последствий и т. д., и может быть представлена в виде:
(1)
где 
— решение проблемы z, принимаемое в некоторый момент ’ для получения состояния Q в момент .
Оценка решения сводится к анализу нечеткого множества последствий, состоящего из подмножеств, порождаемых на каждом уровне системы за счет изменений на других уровнях иерархии. При этом учитываются собственные цели и обратная реакция систем. Последствия оцениваются по времени проявления, масштабу и уровню информации о них. Вес состояния Q (решения 
) определяется значением индекса q=min(,), где интерпретируется как степень выполнения решения , а — как качество варианта решения .
Оптимальный вариант решения на временном среде 
дается выражением:
(2)
где максимум имеется на множестве решений 
, а 
должны оцениваться с учетом последствий на всех уровнях иерархии.
В общем случае для них можно записать:
(3)
где
— ожидаемые значения, определяемые прямой моделью; 
; 
; 
— оценки, получаемые с учетом последствий на всех степенях управления.
Процедура оценки степени выполнения решения 
сводится к определению степени выполнения отношения согласования множества последствий решения и множества допустимых последствий: 
, где 
— оценка степени выполнения элементом 
решения :
(4)
Здесь: 
— нечетное множество последствий элемента ; 
— нечетное множество допустимых последствий (последствия учитываются на всех уровнях системы); R- отношение согласования, которое может быть представлено, например, различными операциями пересечения; 
– 
сред соответствующего нечетного множества.
Оценка качества решения 
проводится на множестве состояний систем и определяется степенью достижения системой целей в данном состоянии, получаемом при варианте решения проблемы z. Она зависит от характера взаимосвязи систем.
Если последствия от реакций уровней 
не учитывается системой s, то это приводит к завышенным оценкам . При этом отклонение от реальности будет максимальным. Для минимизации нежелательных последствий и пользуются компенсирующие решения.
Использование моделей требуют определенного периода адаптации, в течение которого состав модели дополняется редко встречающимися случаями принятия управленческих решений. Учёт этих случаев значительно повышает качество управления, делая их эффективным.
Литература:
- Нечёткие множества и теория возможностей. Последние достижения // Перевод с английского под редакцией Р. Р. Ягера — М.: Радио и связь, 1986. – 408 с.
- Алиев Р. А., Абдикеев Н. М., Шахназаров М. М. Производственные системы с искусственным интеллектом. — М.: Радио и связь, 1990. — 264 с.
- Aliev R. A. Produktion Cautzd on the Basis of Fuzzy Models // Fuzzy Sets and Systems. — 1987. — vol. 22, № 1 — pp. 43–56.
