В настоящее время российские предприятия сталкиваются с растущим глобальным конкурентным давлением, повышенной сложностью и разнообразием новых продуктов и услуг, технически превосходящих существующие и отвечающих текущим и потенциальным требованиям к их качеству. Справиться с глобальными вызовами мировой экономики можно только за счет овладения методами инновационного проектирования в развитии производственно-экономических систем. Вместе с тем инновации характеризуются повышенной неопределенностью и риском, поэтому целью исследований является поиск методов инженерии знаний для снижения степени неопределенности и прогнозирования проблемных ситуаций. В качестве методов исследования были применены онтологический анализ задач и методов принятия решений, метод параметрического прогнозирования.
Структура и функции интеллектуальной системы поддержки принятия решений
Принятие решений в процессе реализации инновационного проекта может осуществляться с помощью интеллектуальной системы поддержки принятия решений (ИСППР), структура которой представлена на рис. 1.
Рис. 1. Схема взаимодействия компонентов ИСППР
Базовыми компонентами ИСППР являются: база знаний, содержащая прецеденты проблемных ситуаций и правила принятия решений; онтология поддержки принятия решений; алгоритмы поиска решений; база данных информационной системы управления проектом, содержащая детальные характеристики, параметры и ограничения проекта; нейро-нечеткая система прогнозирования; модуль оценки качества рекомендаций для адаптации ИСППР.
ИСППР выполняет следующие основные функции: хранение знаний о проектном менеджменте; обучение новым знаниям; информационный поиск; формирование рекомендаций для ЛПР; прогнозирование; оценка качества решений.
Оценка эффективности реализации работ по проекту
Отсутствие стабильности в социальной, политической и экономической жизни приводит к необходимости принятия управленческих решений в условиях неопределенности, что существенно усложняет задачи планирования проектной деятельности и прогнозирования ее результатов. Лица, принимающие решения (ЛПР), должны опираться не только на субъективные оценки экспертов, но и на математические методы анализа и прогнозирования. В [1] подчеркивается, что эффективной стратегией управления деятельностью организации является управление на основе прогнозных оценок. Таким образом, разработка методов оценки ограничений на характеристики реализации проекта на основе прогноза его возможных состояний является необходимой предпосылкой эффективной деятельности организаций.
Термин «прогнозирование» в научной литературе используется в разных смыслах, в данной статье применяется следующее определение: «Прогнозирование – специальное научное исследование конкретных перспектив развития изучаемого объекта» [2]. Предсказание даже на ближайшую перспективу сценария развития многомерного объекта управления, которым является инновационный проект, содержит большую степень неопределенности. Это приводит к ограничению использования четких правил принятия решений. Утверждения относительно дальнейшего развития инновационного проекта носят качественный характер в сочетании с экстраполяцией обобщенных параметров производственно-экономической системы, в среде которой он реализуется. Для научного обоснования применения различных методов прогнозирования необходим анализ не только математического аппарата, но и рассмотрение характеристик класса объектов прогнозирования. В современных исследованиях по управлению сложными системами и принятию решений [3–5] устанавливается, что наиболее актуальна разработка ИСППР, способных не только предсказывать развитие исследуемого объекта, но и выбирать методы прогнозирования, наиболее адекватные специфической исходной информации. К методам искусственного интеллекта относятся методы нейросетевого анализа, методы параметрического прогнозирования с применением нечетких правил, методы онтологического анализа и другие [6].
Успешность анализа эффективности результатов инновационных проектов определяется знанием зависимостей между классами объектов, участвующих в проектах. Для этого проведен онтологический анализ задач и методов принятия решений с применением онтологического редактора Protege 5.5 и языка моделирования онтологий Web Ontology Language [7, 8]. Классы и экземпляры классов методов прогнозирования представлены в онтологии поддержки принятия решений (рис. 2).
Рис. 2. Результаты логического поиска методов прогнозирования
Метод прогнозирования выбран с учетом потребности интеллектуализации управления проектами, а также оценок уровня сложности задачи прогнозирования, недостаточности исходных данных, возможности количественной оценки выходных данных. Наиболее подходящим методом для решения задачи прогнозирования представляется метод параметрического прогнозирования с применением системы нечеткого вывода (Fuzzy Inference Sytem). Нечеткая база знаний представляет собой совокупность нечетких правил R® следующего вида [9]:
R(r): ЕСЛИ (x1 есть Air И x2 есть A2r ... И xn есть Anr
ТО yk = f(r) (x1, x2...xn), (1)
где R® – r-e правило; xi – i-я входная переменная, i = 1, …, n; Air – i-е нечеткое подмножество в r-м правиле, определяемое функциями принадлежности; yr – выход r-го правила.
Входные лингвистические переменные описываются гауссовыми функциями принадлежности:
(2)
Выходной сигнал FIS по Сугено при M правилах вывода представляет собой агрегирование выходного результата сети:
(3)
В выражении (3) веса wk интерпретируются как значимость компонентов 
, определенных в форме гауссовых функций принадлежности (2). Значение функции принадлежности 
, относящееся к уровню импликации правила, интерпретируется с применением нечеткой t-нормы типа min-конъюнкции. Нечетким расширением операции логического вывода является s-норма [10, 11].
Моделирование нейро-нечеткой системы
Для моделирования системы выбраны три непрерывные входные переменные: X1 – «Отклонение от срока выполнения работ», X2 – «Качество работ», X3 – «Затраты». Выходной переменной является Y – оценка эффективности реализации работ по проекту. Нечеткие подмножества отображают приращения значений входных переменных при переходе от одного состояния исследуемого объекта к другому. Для переменной X1 использовано терм-множество T1 = {«сильно падает», «слабо падает», «стабильно», «слабо растет», «сильно растет»}; для переменной X2 использовано терм-множество T2 = {«сильно ухудшается», «слабо ухудшается», «стабильно», «слабо улучшается», «сильно улучшается»}, для переменной X3 использовано терм-множество T3 = {«сильно падают», «слабо падают», «стабильно», «слабо растут», «сильно растут»}. Определение количества термов – это результат поиска компромисса между адекватностью модели прогнозирования и сложностью ее реализации.
В таблице приведены некоторые примеры правил оценки эффективности.
Правила оценки эффективности
|
№ правила |
Если |
То |
|
1 |
X1 сильно падает И X2 сильно улучшается И X3 сильно падают |
Y есть 110 |
|
2 |
X1 сильно падает И X2 слабо улучшается И X3 слабо падают |
Y есть 95 |
|
3 |
X1 слабо падает И X2 стабильно И X3 сильно падают |
Y есть 105 |
|
4 |
X1 слабо падает И X2 слабо ухудшается И X3 слабо падают |
Y есть 100 |
|
5 |
X1 стабильно И X2 сильно улучшается И X3 сильно падают |
Y есть 95 |
|
6 |
X1 стабильно И X2 сильно ухудшается И X3 слабо падают |
Y есть 110 |
|
7 |
X1 сильно растет И X2 сильно улучшается И X3 сильно падают |
Y есть 105 |
Моделирование нейро-нечеткой системы выполнено в программной системе MATLAB [12]. Для выполнения подобных экспериментов удаленными пользователями возможно применение MATLAB Mobile. На рис. 3 представлен график поверхности нечеткого вывода рассматриваемой модели для переменных X2 – «Качество» и X3 – «Затраты».
Рис. 3. Визуализация поверхности нечеткого вывода для переменных X2 и X3
Формирование базы правил выполнено с применением экспертных знаний. Далее следует обучение сети ANFIS по экспериментальным данным, в результате которого настраиваются нелинейные параметры нейронов первого слоя и линейные веса нейронов третьего слоя сети. Тем самым осуществляется дополнение экспертных знаний, используемых при формировании правил, коррекцией параметров ANFIS в результате обучения сети на основе объективных данных (84 примера проблемных ситуаций), накопленных в ходе реализации проекта. Структура ANFIS, созданной в соответствии с базой правил, представлена на рис. 4.
Рис. 4. Структура адаптивной нейро-нечеткой сети
При обучении ANFIS гибридным методом количество циклов обучения было задано равным 300, значение погрешности 0,092 (рис. 5).
Рис. 5. График зависимости ошибки обучения от количества циклов обучения
Оценивание порядка прогнозирования осуществлялось по двум критериям: количеству параметров функций принадлежности p и среднеквадратичному отклонению. Для оценивания нейро-нечеткой системы был приведен информационный критерий, предложенный Акаике (англ. Akaike Information Criterion), который вычисляется по формуле
AIC(p, Qp) = M lnQp + 2, (4)
где p – количество параметров системы (т.е. количество параметров всех функций принадлежности плюс количество весов правил); Qp – мера погрешности, установленная в ходе экспериментов, m – количество выборок в обучающей последовательности.
В результате эксперимента были определены значения погрешности функционирования системы и количество параметров, подлежащих обучению, которые свидетельствуют, что учет весов, отражающих важность правил и важность лингвистических переменных в суждениях правил, повышает эффективность функционирования нейро-нечетких систем.
Заключение
Разработка и применение ИСППР позволит получать оценки прогноза эффективности реализации инновационного проекта, а также проанализировать влияние изменений конкретных характеристик состояния проекта на достижение целей проекта.
Исследование проводилось при поддержке Российского фонда фундаментальных исследований в рамках научного проекта № 18-00-00345(К) «Инструментарий поддержки принятия решений при разработке стратегий инновационного развития регионов России на основе адаптивных моделей управления, технологий интеллектуальной обработки знаний и имитационного моделирования».