АЛГОРИТМ ЭФФЕКТИВНЫХ УПРАВЛЕНИЙ В НЕСТОХАСТИЧЕСКИХ ПРИЧИННЫХ МОДЕЛЯХ В ОТСУТСТВИИ НАБЛЮДАЕМЫХ ПЕРЕМЕННЫХ ДЛЯ СИСТЕМ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ

  • А. Н. Целых Южный федеральный университет
  • В. С. Васильев Южный федеральный университет
  • Л.А. Целых Таганрогский институт имени А.П. Чехова (филиал) Ростовского государственного экономического университета (РИНХ)
Ключевые слова: Эффективное управление, причинные модели, принятие управленческих решений, оптимизационные методы, направленный взвешенный знаковый граф

Аннотация

Рассматривается проблема репликации процесса принятия человеком управленческих
решений в условиях неопределенности и неполноты исходных данных. Лицо, принимающее
решение, опирается на свою систему взглядов, в которую входит общее видение системы,
относительно которой принимается решение. Система представлена в виде причинной
модели, созданной на основе ментальных представлений человека. Эти модели представ-
ляют собой направленные графы, на дугах которых причинность выражена в виде меток,
которые имеют знак, определяющий направление изменений состояния системы. Вершины
этого направленного графа представляют собой концепты высокого уровня абстракции.
Такой граф моелирует функционирование реальной системы. Таким образом, мы исследуем
проблему предсказания и управления действиями человека на основе нестохастических
причинных моделей в отсутствие наблюдаемых переменных для использования в системах
поддержки принятия решений и экспертных системах. Принятие решений рассматрива-
ется с точки зрения выбора объектов приложения управленческих воздействий – факторов
модели. В настоящем исследовании мы показываем, что применение предложенного алго-
ритма может облегчить принятие решений относительно выбора управляющих воздейст-
вий, которые поддерживают достижение тактических и стратегических целей лица, при-
нимающего решения. Следует отметить, что алгоритм реализует автоматизированный
подбор параметра регуляризации, что делает доступным разработку и применение предложенного алгоритма для пользователей, не имеющих достаточной математической под-
готовки. Сходимость последовательности множителя Лагранжа алгоритма эффектив-
ных управлений доказана. Доказана теорема о резонансе в нестохастической причинной
модели, представленной направленным графом, который определяется областью допус-
тимых значений коэффициента демпфирования в модели управления. Ожидается, что
внедрение этого инструмента в системы поддержки принятия решений повысит надеж-
ность решений, принимаемых в отношении работы системы в целом. Выбор управляющих
воздействий с использованием предложенного алгоритма имеет высокую эффективность
и производительность. Таким образом, результаты, представленные в исследовании, мо-
гут быть полезны для разработки приложений в интеллектуальных системах

Литература

1. Li Y., Fan J., Wang Y., and Tan K.-L. Influence Maximization on Social Graphs: A Survey,
IEEE Trans. Knowl. Data Eng., Oct. 2018, Vol. 30, No. 10, pp. 1852-1872.
2. Easley D. and Kleinberg J. Networks, Crowds, and Markets. Cambridge University Press, 2010.
3. Gruhl D., Liben-Nowell D., Guha R., and Tomkins A. Information diffusion through blogspace,
ACM SIGKDD Explor. Newsl., Dec. 2004, Vol. 6, No. 2, pp. 43-52.
4. Song X., Tseng B.L., Lin C.-Y., and Sun M.-T. Personalized recommendation driven by
information flow, in Proceedings of the 29th annual international ACM SIGIR conference on
Research and development in information retrieval - SIGIR ’06, 2006, p. 509.
5. Zhang X., Zhu J., Wang Q., and Zhao H. Identifying influential nodes in complex networks
with community structure, Knowledge-Based Syst., Apr. 2013, Vol. 42, pp. 74-84,.
6. Li J., Peng W., Li T., Sun T., Li Q., and Xu J. Social network user influence sense-making and
dynamics prediction, Expert Syst. Appl., Sep. 2014, Vol. 41, No. 11, pp. 5115-5124,.
7. Morone F. and Makse H.A. Influence maximization in complex networks through optimal
percolation, Nature, Aug. 2015, Vol. 524, No. 7563, pp. 65-68.
8. Molinero X., Riquelme F., and Serna M. Cooperation through social influence, Eur. J. Oper.
Res., May 2015, Vol. 242, No. 3, pp. 960-974.
9. Cassavia N., Masciari E., Pulice C., Sacca D., and Trubitsyna I. Evaluating the Influence of
User Searches on Neighbors, in 2018 IEEE 27th International Conference on Enabling
Technologies: Infrastructure for Collaborative Enterprises (WETICE), 2018, pp. 165-170.
10. Riquelme F., Gonzalez-Cantergiani P., Molinero X., and Serna M. The neighborhood role in the linear
threshold rank on social networks, Phys. A Stat. Mech. its Appl., Aug. 2019, Vol. 528, pp. 121430.
11. Kempe D., Kleinberg J., and Tardos É. Maximizing the spread of influence through a social
network, in Proceedings of the ninth ACM SIGKDD international conference on Knowledge
discovery and data mining - KDD ’03, 2003, p. 137.
12. Singh S.S., Kumar A., Mishra S., Singh K., and Biswas B. Influence Maximization in Social
Networks,” 2019, pp. 255-267.
13. Long C. and Wong R.C.-W. Minimizing Seed Set for Viral Marketing, in 2011 IEEE 11th
International Conference on Data Mining, 2011, pp. 427-436.
14. Dickison M., Havlin S., and Stanley H.E. Epidemics on interconnected networks, Phys. Rev. E,
Jun. 2012, Vol. 85, No. 6, p. 066109.
15. Kabir K.M.A., Kuga K., and Tanimoto J. Analysis of SIR epidemic model with information
spreading of awareness, Chaos, Solitons & Fractals, Feb. 2019, Vol. 119, pp. 118-125.
16. Chen G. Pinning control and controllability of complex dynamical networks, Int. J. Autom.
Comput., Feb. 2017, Vol. 14, No. 1, pp. 1-9.
17. Liu Y.-Y., Slotine J.-J., and Barabási A.-L. Controllability of complex networks, Nature, May
2011, Vol. 473, No. 7346, pp. 167-173.
18. Tang J. et al. Maximizing the spread of influence via the collective intelligence of discrete bat
algorithm, Knowledge-Based Syst., Nov. 2018, Vol. 160, pp. 88-103.
19. Chang B., Xu T., Liu Q., and Chen E.-H. Study on Information Diffusion Analysis in Social
Networks and Its Applications, Int. J. Autom. Comput., Aug. 2018, Vol. 15, No. 4, pp. 377-401.
20. De Arruda G.F., Rodrigues F.A., and Moreno Y. Fundamentals of spreading processes in
single and multilayer complex networks, Phys. Rep., Oct. 2018, Vol. 756, pp. 1-59.
21. Tselykh A., Vasilev V., and Tselykh L. Management of Control Impacts Based on Maximizing
the Spread of Influence, Int. J. Autom. Comput., Jun. 2019, Vol. 16, No. 3, pp. 341-353.
22. Bertsekas D.P. The Method of Multipliers for Equality Constrained Problems, in Constrained
Optimization and Lagrange Multiplier Methods, Elsevier, 1982, pp. 95-157.
23. Tikhonov A. and Arsenin V. Solutions of Ill-Posed Problems. New York: Wiley, 1977.
24. Pedrycz W. and Homenda W. From Fuzzy Cognitive Maps to Granular Cognitive Maps, IEEE
Trans. Fuzzy Syst., Aug. 2014, Vol. 22, No. 4, pp. 859-869.
25. Kim D.-H. Cognitive Maps of Policy Makers on Financial Crises of South Korea and
Malaysia: A Comparative Study, Int. Rev. Public Adm., Jan. 2004, Vol. 9, No. 2, pp. 31-38.
26. Büyüközkan G. and Vardaloğlu Z. Analyzing of CPFR success factors using fuzzy cognitive
maps in retail industry, Expert Syst. Appl., Sep. 2012, Vol. 39, No. 12, pp. 10438-10455.
27. Tselykh A. and Tselykh L. Methodology for comparative cognitive modeling based on the analysis
of fuzzy target and control factors, Izv. SFedU. Eng. Sci., 2015, Vol. 7 (168), pp. 101-115.
28. Poczeta K., Kubuś Ł., and Yastrebov A. Analysis of an evolutionary algorithm for complex
fuzzy cognitive map learning based on graph theory metrics and output concepts, Biosystems,
May 2019, Vol. 179, pp. 39-47.
Опубликован
2021-11-14
Выпуск
Раздел
РАЗДЕЛ III. СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ