Классификация методов принятия решений
Существует множество классификаций методов принятия решений, основанных на применении различных признаков [10, 19 — 23]. В табл. 1.1 приведена одна из возможных классификаций, признаками которой являются содержание и тип получаемой экспертной информации.
Таблица 1.1
Классификация методов принятия решений
| № п/п | Содержание информации | Тип информации | Метод принятия решений |
| 1 | Экспертная информация не требуется | Метод доминирования [24, 25] Метод на основе глобальных критериев [26, 27] | |
| 2 | Информация о предпочтениях на множестве критериев | Качественная информация Количественная оценка предпочтительности критериев Количественная информация о замещениях | Лексикографическое упорядочение [24,25] Сравнение разностей критериальных оценок [22,24] Метод припасовывания [24] Методы "эффективность-стоимость" [24,28] Методы свертки на иерархии критериев [29,30] Методы порогов [24, 31] Методы идеальной точки [24] Метод кривых безразличия [10,24] Методы теории ценности [10, 24] |
| 3 | Информация о предпочтительности альтернатив | Оценка предпочтительности парных сравнений | Методы математического программирования [32,33] Линейная и нелинейная свертка при интерактивном способе определения ее параметров [34] |
| 4 | Информация о предпочтениях на множестве критериев и о последствиях альтернатив | Отсутствие информации о предпочтениях; количественная и/или интервальная информация о последствиях. Качественная информация о предпочтениях и количественная о последствиях Качественная (порядковая) информация о предпочтениях и последствиях Количественная информация о предпочтениях и последствиях | Методы с дискретизацией неопределенности [8,26] Стохастическое доминирование [8,10,22] Методы принятия решений в условиях риска и неопределенности на основе глобальных критериев [8, 35] Метод анализа иерархий [36] Методы теории нечетких множеств [7, 13, 14, 15, 17, 37] Метод практического принятия решений [8, 24] Методы выбора статистически ненадежных решений [8,38] Методы кривых безразличия для принятия решений в условиях риска и неопределенности [8] Методы деревьев решений [8,37] Декомпозиционные методы теории ожидаемой полезности [8, 10,11] |
|
|
|
Используемый принцип классификации позволяет достаточно четко выделить четыре большие группы методов, причем три группы относятся к принятию решений в условиях определенности, а четвертая — к принятию решений в условиях неопределенности. Из множестваизвестных методов и подходов к принятию решений наибольший интерес представляют те, которые дают возможность учитывать многокритериальность и неопределенность, а также позволяют осуществлять выбор решений из множеств альтернатив различного типа при наличии критериев, имеющих разные типы шкал измерения (эти методы относятся к четвертой группе).
|
|
|
В свою очередь, среди методов, образующих четвертую группу, наиболее перспективными являются декомпозиционные методы теории ожидаемой полезности, методы анализа иерархий и теории нечетких множеств. Данный выбор определен тем, что эти методы в наибольшей степени удовлетворяют требованиям универсальности, учета многокритериальности выбора в условиях неопределенностииз дискретного или непрерывного множества альтернатив, простоты подготовки и переработки экспертной информации.
Охарактеризовать достаточно полно все методы принятия решений, относящиеся к четвертой группе, в рамках данной работы невозможно, поэтому в дальнейшем рассматриваются только три подхода к принятию решений в условиях неопределенности, которые получили наиболее широкое воплощение в системах компьютерной поддержки, а именно: подходы, основанные на методах теории полезности, анализа иерархий и теории нечетких множеств.
|
|
|
Характеристика методов теории полезности
Декомпозиционные методы теории ожидаемой полезности получили наиболее широкое распространение среди группы аксиоматических методов принятия решений в условиях риска и неопределенности.
Основная идея этой теории состоит в получении количественных оценок полезности возможных исходов, которые являются следствиями процессов принятия решений. В дальнейшем на основании этих оценок можно выбрать наилучший исход. Для получения оценок полезности необходимо иметь информацию о предпочтениях лица, ответственного за принимаемое решение.
Парадигма анализа решения может быть сведена к процессу, включающему пять этапов [10].
Этап 1. Предварительный анализ. На этом этапе формулируется проблема и определяются возможные варианты действий, которые можно предпринять в процессе ее решения.
Этап 2. Структурный анализ. Этот этап предусматривает структуризацию проблемы на качественном уровне, на котором ЛПР намечает основные шаги процесса принятия решений и пытается упорядочить их в виде некоторой последовательности. Для этой цели строится дерево решений, (рис.1.3).
|
|
|
Рис. 1.3. Фрагмент дерева решений
Дерево решений имеет два типа вершин: вершины-решения (обозначены квадратиками) и вершины-случаи (обозначены кружочками). В вершинах-решениях выбор полностью зависит от ЛПР, в вершинах-случаях ЛПР не полностью контролирует выбор, так как случайные события можно предвидеть лишь с некоторой вероятностью.
Этап 3. Анализ неопределенности. На этом этапе ЛПР устанавливает значения вероятности для тех ветвей на дереве решений, которые начинаются в вершинах-случаях. При этом полученные значения вероятностей подлежат проверке на наличие внутренней согласованности.
Для получения значений вероятности привлекается вся доступная информация: статистические данные, результаты моделирования, экспертная информация и т. д.
Этап 4. Анализ полезности. На данном этапе следует получить количественные оценки полезности последствий (исходов), связанных с реализацией того или иного пути на дереве решений. На рис. 1.3 показан один из возможных путей — от начала до точки G.
Исходы (последствия принимаемых решений) оцениваются с помощью функции полезности фон Неймана — Моргенштерна [39], которая каждому исходу rk ставит в соответствие его полезность и(rk). Построение функции полезности осуществляется на основе знаний ЛПР и экспертов.
Этап 5. Процедуры оптимизации. Оптимальная стратегия действий (альтернатива, путь на дереве решений) может быть найдена с помощью вычислений, а именно: максимизации ожидаемой полезности на всем пространстве возможных исходов. Одно из условий постановки задачи оптимизации — наличие адекватной математической модели, которая связывает параметры оптимизации (в данном случае это альтернативные варианты действий) с переменными, входящими в целевую функцию (функция полезности). В методах теории полезности такие модели имеют вероятностный характер и основаны на том, что оценка вероятности ожидаемого исхода может быть использована для введения числовых оценок возможных вероятных распределений на конечном множестве исходов.
Задача выбора наилучшего решения в соответствии с аксиоматикой теории полезности [10] может быть представлена следующим образом:
где и(К) — многомерная функция полезности;
К— точка в критериальном пространстве;
f(K/A) — функция плотности условного от альтернативы А распределения критериальных оценок.
Построение функций полезности является основной и наиболее трудоемкой процедурой методов теории полезности, после этого с помощью такой функции можно оценить любое количество альтернатив.
Процедура построения функции полезности включает пять шагов.
Шаг 1. Подготовительный. Главная задача здесь — подбор экспертов и разъяснение им того, как следует выражать свои предпочтения.
Шаг 2. Определение вида функции. Функция полезности должна отражать представления ЛПР и экспертов об ожидаемой полезности возможных исходов. Поэтому множество исходов упорядочивается по их предпочтительности, после чего в соответствие каждому возможному исходу необходимо поставить предполагаемое значение ожидаемой полезности. На этом шаге выясняют, является ли функция полезности монотонной, убывающей или возрастающей, отражаетли она склонность, несклонность или безразличие к риску и т. п.
Шаг 3. Установление количественных ограничений. Здесь определяется интервал изменения аргумента функции полезности и устанавливаются значения функции полезности для нескольких контрольных точек.
Шаг 4. Подбор функции полезности. Необходимо выяснить, являются ли согласованными количественные и качественные характеристики, выявленные к данному моменту. Положительный ответ на этот вопрос равнозначен существованию некоторой функции, которая обладает всеми требуемыми свойствами. Если последует отрицательный ответ, то возникает проблема согласования свойств, что предполагает возврат на более ранние шаги.
Шаг 5. Проверка адекватности. Необходимо убедиться в том, что построенная функция полезности действительно полностью соответствует истинным предпочтениям ЛПР. Для этого применяются традиционные методы сравнения расчетных значений с экспериментальными.
Рассмотренная процедура соответствует задаче со скалярной функцией полезности. В общем случае последняя может быть векторной величиной. Это имеет место, когда ожидаемую полезность невозможно представить единственной количественной характеристикой (задача со многими критериями). Обычно многомерная функция полезности представляется как аддитивная или мультипликативная функция частных полезностей. Процедура построения многомерной функции полезности еще более трудоемка, чем одномерной.
Таким образом, методы теории полезности занимают промежуточное место между методами принятия решений в условиях определенности и методами, направленными на выбор альтернатив в условиях неопределенности. Для применения этих методов необходимо иметь количественную зависимость между исходами и альтернативами, а также экспертную информацию для построения функции полезности. Эти условия выполняются не всегда, что накладывает ограничение на применение методов теории полезности. К тому же следует помнить, что процедура построения функции полезности трудоемка и плохо формализуема.
В настоящее время методы теории полезности достаточно хорошо освещены в отечественной научной и учебной литературе [2, 8, 10, 11, 22]. Особого внимания заслуживают работы отечественных ученых: А. М. Дуброва, Б. А. Лагоши, Е. Ю. Хрусталева [40], а также Н. В. Князевского и В. С. Князевской [41]. На основе этих методов реализованы разнообразные компьютерные системы. Наибольшую популярность приобрела промышленная диалоговая система "Альтернатива — Ф", реализующая методы теории полезности и обеспечивающая решение задач многокритериального выбора в условиях определенности, риска и неопределенности [8].
С учетом сказанного в настоящем учебнике представлены наиболее универсальные и менее освещенные в отечественной учебной литературе подходы к принятию решений в условиях неопределенности. Наиболее подробно нами будут рассмотрены автоматизированные методы анализа иерархий и теории нечетких множеств, а также методология по их применению для решения экономических задач.
Основные понятия
1. Принятие решений.
2. Дескриптивный, прескриптивный и нормативныйподходы.
3. Формальная модель задачи принятия решений.
4. Задачи выбора.
5. Ситуация выбора.
6. Метод принятия решений.
Контрольные вопросы и задания
1. Укажите особенности дескриптивного, прескриптивного и нормативного подходов к принятию решений.
2. Дайте характеристику формальной модели задачи принятия решений.
3. Приведите основные классификационные признаки задач принятия решений.
4. Какова роль ЭВМ в принятии решений?
5. Охарактеризуйте нетривиальные задачи принятия решений.
6. Перечислите и укажите отличительные признаки основныхметодов принятия решений.
Литература
1. Леонтьев В. В. Межотраслевая экономика/Под ред. А. Г. Гранберга.— М.: Экономика, 1997. — 471 с.
2. Ларичев О. И., Браун Р. Количественный и вербальный анализ решений: сравнительное исследование возможностей и ограничений //Экономика и математические методы. — 1998. — Т. 34. — Вып. 4.—С. 97—107.
3. Канторович Л. В., Горстко А.Б. Оптимальные решения в экономике. — М.: Наука, 1972. — 231 с.
4. Федоренко Н. П. Оптимизация экономики: некоторые вопросы использования экономико-математических методов в народном хозяйстве. — М.: Наука, 1997. — 287 с.
5. Багриновский К. А., Логвинец В.В. Интеллектуальная система в отраслевом планировании/Отв. ред. В. Н. Буркова — М.: Наука, 1998.— 136 с.
6. Медницкий В. Г. Оптимизация перспективного планирования.— М.: Наука, 1984. — 152 с.
7. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ./ Под ред. Р. Р. Ягера — М.: Радио и связь, 1986. — 408 с.
8. Борисов А. Н., Виллюмс Э. Р., Сукур Л. Я. Диалоговые системы принятия решений на базе мини-ЭВМ.— Рига: Зинатне, 1986. — 195 с.
9. Статистические модели и многокритериальные задачи принятия решений: Сб. статей / Сост. и науч. ред. И. Ф. Шахнов. — М.: Статистика, 1979. — 184 с.
10. Кини Р. Л., Райфа X. Принятие решений при многих критериях: предпочтения и замещения: Пер. с англ./ Под ред. И. Р. Шахова. — М.: Радио и связь, 1981. — 560 с.
11. Райфа Г. Анализ решений (введение в проблему выбора в условиях неопределенности): Пер. с англ. — М.: Наука, 1977. — 408 с.
12. Мелихов А. Н., Бернштейн Л. С., Коровин С. Я. Ситуационные советующие системы с нечеткой логикой. — М.: Наука, 1990. — 272 с.
13. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях // Вопросы анализа и процедуры принятия решений: Пер. с англ. — М.: Мир, 1976. — С. 172 — 175.
14. Кофман А. Введение в теорию нечетких множеств: Пер. с англ. — М.: Радио и связь, 1982. — 432 с.
15. Орловский С. А. Проблемы принятия решений при нечеткой исходной информации. — М.: Наука, 1981. — 208 с.
16. Юдин Д. Б. Вычислительные методы теории принятия решений. — М.: Наука, 1989. — 320 с.
17. Борисов А. Н., Крумберг О. А.,Федоров И. П. Принятие решений на основе нечетких моделей. — Рига: Зинатне, 1990. — 184 с.
18. Борисов А. Н. Методическое обеспечение технологии принятия решений // Системы обработки знаний в автоматизированном проектировании. — Рига: Изд-во Риж. техн. ун-та, 1992. — С. 12—15.
19. Ларичев О. И. Человеко-машинные процедуры принятия решений// Автоматика и телемеханика. — 1971. —№ 12. —С. 130 — 142.
20. Ларичев О. И. Наука и искусство принятия решений. — М.: Наука, 1979.—200с.
21. Модели и методы векторной оптимизации / С.В.Емельянов, В.И.Борисов, А.А.Малевич, А.М.Черкашин// Техническая кибернетика. Итоги науки и техники. — М.: ВИНИТИ, 1973. — Т.5. — С. 386 — 448.
22. Фишберн П. С. Теория полезности для принятия решений: Пер. с англ. — М.: Наука, 1977. — 352 с.
23. Krisher J. P. An annotated bibliography of decision analytic applications to health care//Operations Research. — 1980. — V. 28. — № 1. — P. 97 — 107.
24. Ларичев О. И. Анализ процессов принятия человеком решений при альтернативах, имеющих оценки по многим критериям// Автоматика и телемеханика.—1981.—№8.—С. 131—141.
25. Подиновский В. В., Ногин В. Д. Парето-оптимальные решения многокритериальных задач. — М.: Наука, 1982. — 256 с,
26. Беляев Л. С. Решение сложных оптимизационных задач в условиях неопределенности. — Новосибирск: Наука, 1978. — 126 с.
27. Чернов Г., Мозес Л. Элементарная теория статистических решений: Пер. с англ. — М.: Сов. радио, 1962. — 406 с.
28. Руководство по системе "Планирование, программирование, разработка бюджета"// Новое в теории и практике управления производством в США / Под ред. Б. З. Мильнера. — М.: Прогресс, 1971. — С. 181 —202.
29. Борисов В. Н. Векторная оптимизация систем// Исследование систем: Материалы Всесоюзного симпозиума. — М.: ВИНИТИ, 1971.—С. 106— 114.
30. Евланов Л. Г. Теория и практика принятия решений. — М.: Экономика, 1984. — 176 с.
31. Руа Б. Классификация и выбор при наличии нескольких критериев (метод ЭЛЕКТРА): Пер. с франц.// Вопросы анализа и процедуры принятия решений. — М.: Мир, 1976. — С. 80 — 107.
32. Интерактивный метод решения задачи оптимального проектирования машин / И. И. Артоболевский, С. В. Емельянов, В. И. Сергеев и др.// Докл. АН СССР, 1977. Т. 237. — № 4. — С. 793 — 795.
33. Ларичев О. И. Человеко-машинные процедуры принятия решений при альтернативах, имеющих оценки по многим критериям (обзор) // Автоматика и телемеханика. — 1971. — № 12. — С. 130 — 142.
34. Борисов А. Н., Левченко А. С. Методы интерактивной оценки решений. — Рига: Зинатне, 1982. — 139 с.
35. Федулов А. А., Федулов Ю. Г., Цыгичко В. Н. Введение в теорию статистически ненадежных решений. — М.: Статистика, 1979. — 276 с.
36. Саати Т. Принятие решений. Метод анализа иеархий: Пер.с англ. — М.: Радио и связь, 1989. — 316 с.
37. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений: Пер. с англ. — М.: Мир, 1976. — 165 с.
38. Райфа Г. Анализ решений (введение в проблему выбора в условиях неопределенности): Пер. с англ. — М.: Наука, 1977. — 406 с.
39. Нейман Дж., фон, Моргенштерн О. Теория игр и экономическое поведение: Пер с англ. — М.: Наука, 1970. — 707 с.
40. Дубров А. М., Лагоша Б. А., Хрусталев» Е. Ю. Моделирование рисковых ситуаций в экономике и бизнесе: Учеб. пособие/ Под ред. Б. А. Лагоши. — М.: Финансы и статистика, 1999. — 176 с.
41. Князевский Н. В., Князевская В. С. Принятие рискованных решений в экономике и бизнесе: Учеб. пособие. — М.: Контур, 1998. — 160 с.
ГЛАВА 2.
Дата добавления: 2018-04-15; просмотров: 1891; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!