«Разработка и реализация управленческих решений в государственной и муниципальной сфере»

В эру повсеместного внедрения информационных технологий, огромного потока информации вокруг нас и динамичного образа жизни быстрая и четкая разработка и реализация эффективных управленческих решений (УР) становится залогом успешной деятельности и достижения целей организации, в том числе, и в органах государственного и муниципального управления. ...

СОДЕРЖАНИЕ


ВВЕДЕНИЕ……………………………………………………………….. 3
1. Система имитационного моделирования Anylogic…………………… 5
2. Модель на основе интеллектуальных технологий «Экспертные системы»……………………………………………………………………
12
3. Сценарная динамическая модель демографической ситуации в Мурманской области……………………………………………………….
18
ЗАКЛЮЧЕНИЕ……………………………………………………………. 21
ГЛОССАРИЙ……………………………………………………………….. 25
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ………………………. 27

В данной контрольной работе мы рассмотрим некоторые методы моделирования, упрощающие разработку и принятие решений в государственной и муниципальной сфере.
Объект исследования - социально-экономическая система, рассматриваемая как объект моделирования и управления.
Предмет исследования: методы моделирования.

 Интерпретация любого числа параллельно протекающих процессов в модели AnyLogic скрыта от пользователя, отслеживание всех событий выполняется системой автоматически.Поведение всех объектов модели AnyLogic определяется в единицах условного логического времени - модельного времени, которое может изменяться либо непрерывно, если поведение объектов описывается дифференциальными уравнениям, либо дискретно, переключаясь от момента наступления одного события к моменту наступления следующего события, если в модели присутствуют только дискретные события. Моменты наступления всех планируемых событий в дискретной модели исполнительная система хранит в так называемом календаре событий, выбирая оттуда наиболее раннее событие для выполнения связанных с ним действий. Единицу модельного времени разработчик модели может интерпретировать как любой отрезок времени: секунду, минуту, час или год. Важно только, чтобы все процессы, зависящие от времени, были выражены в одних и тех же единицах. Интерпретация модели выполняется на компьютере. Физическое время, затрачиваемое процессором на имитацию действий, которые должны выполняться в модели в течение одной единицы модельного времени, зависит от многих факторов, поэтому единица физического времени и единица модельного времени не совпадают. В AnyLogic приняты два режима выполнения моделей: режим виртуального времени (процессор работает с максимальной скоростью без привязки к физическому времени, используется для факторного анализа модели, набора статистики, оптимизации параметров модели); режим реального времени (пользователь задает связь модельного времени с физическим временем, т. е. устанавливает ограничение на скорость процессора при интерпретации модели. В этом режиме задается количество единиц модельного времени, которые должны интерпретироваться процессором в одну секунду, используется для того, чтобы визуально представить функционирование системы в реальном темпе наступления событий, проникнуть в суть процессов, происходящих в модели). AnyLogic имеет удобные средства представления функционирования моделируемой системы в живой форме динамической анимации, что позволяет «увидеть» поведение сложной системы. Визуализация процесса моделируемой системы позволяет проверить адекватность модели, выявить ошибки при задании логики.Используя средства анимации, пользователь может легко создавать виртуальный мир (совокупность графических образов, ожившую мнемосхему), управляемый динамическими параметрами модели по законам, определенным пользователем с помощью уравнений и логики моделируемых объектов.Графические элементы, добавленные на анимацию, являются динамическими, так как все их параметры: видимость, цвет и т. п. можно сделать зависимыми от переменных и параметров модели, которые меняются со временем при выполнении модели. С помощью совершенной технологии визуализации работающих моделей AnyLogic можно создавать интерактивные анимации произвольной сложности, связывая графические объекты во встроенном редакторе с объектами модели. Как и модель, анимация имеет иерархическую структуру, которая может динамически изменяться. В AnyLogic поддерживается как двумерная, так и трехмерная анимация. Кроме того, в отличие от многих систем моделирования, позволяющих менять параметры модели только до запуска модели на выполнение, AnyLogic допускает внедрение пользователя в работу модели, изменяя параметры модели в процессе ее функционирования.Несомненным достоинством AnyLogic является предоставленная пользователю возможность создания новых моделей за счет модификации уже готовых шаблонных моделей. В настоящий момент существуют две редакции AnyLogic, отличающиеся функциональностью и стоимостью лицензии: Advanced и Professional. AnyLogic Advanced включает основную функциональность AnyLogic, которая сделала AnyLogic таким популярным на рынке. В большинстве случаев эта функциональность является достаточной для оказания консалтинговых услуг в области имитационного моделирования. AnyLogic Professional предоставляет дополнительные возможности, в основном ориентирован на профессионалов имитационного моделирования, знакомых с различными подходами моделирования и ищущими возможности улучшения их.  Итак, AnyLogic - среда имитационного моделирования нового поколения, которая допускает визуальное проектирование, предоставляет возможность создания гибридных моделей на основе моделей системной динамики, дискретно-событийных моделей и агентного подхода. Дружественный пользовательский графический интерфейс, многочисленные средства поддержки разработки моделей в AnyLogic делают не только использование, но и создание компьютерных имитационных моделей в этой среде моделирования доступными даже для начинающих. (Федотова В.С., 2013)2. Модель на основе интеллектуальных технологий «Экспертные системы»Экспертные системы (ЭС) как самостоятельное направление в искусственном интеллекте сформировалось в конце 1970-х гг. История ЭС началась с сообщения японского комитета по разработке ЭВМ пятого поколения, в котором основное внимание уделялось развитию «интеллектуальных способностей» компьютеров. С тем, чтобы они могли оперировать не только данными, но и знаниями, как это делают специалисты (эксперты) при выработке умозаключений. Группа по экспертным системам при Комитете British Computer Society определила ЭС как «воплощение в ЭВМ компоненты опыта экс- перта, основанной на знаниях, в такой форме, что машина может дать интеллектуальный совет или принять решение относительно обрабатываемой функции». Одним из важных свойств ЭС является способность объяснить ход своих рассуждений понятным для пользователя образом.Область исследования ЭС называют «инженерией знаний». Этот термин был введен Е. Фейгенбаумом и в его трактовке означает «привнесение принципов и инструментария из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Другими словами, ЭС применяются для решения неформализованных проблем, к которым относят задачи, обладающие одной (или несколькими) из следующих характеристик: • задачи не могут быть представлены в числовой форме;• исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью; • цели нельзя выразить с помощью четко определенной целевой функции; • не существует однозначного алгоритма решения задачи;• алгоритмическое решение существует, но его нельзя использовать по причине большой размерности пространства решений и ограничений на ресурсы (времени, памяти). (Николаев А.Б., 2013, с. 47)Основные назначения экспертных систем: 1) Интерпретация – процесс определения смысла данных, результаты которого должны быть согласованными и корректными. 2) Планирование – заранее намеченный порядок, последовательность осуществления какой- либо программы, работы, проведения мероприятий. 3) Прогнозирование – обоснованное описание последовательности событий, с возможностью обнаружения новых факторов. 4) Мониторинг - непрерывное оповещение о состоянии системы, приложения или процесса. 5) Проектирование – процесс создания новой информации об объекте, системе (имеется возможность исключения профессионала из процесса проектирования). 6) Диагностика – процесс распознавания состояния на основе имеющихся факторов 7) Обучение - обучение пользователя, а так же самообучение системы, как на этапе приобретения знаний, так и в процессе работы ЭС (пополнение базы знаний (БЗ) ЭС новыми цепочками вывода).Модели знаний. Знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области. Для хранения знаний используются базы знаний. Знания могут быть классифицированы по следующим категориям: - поверхностные – знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области; - глубинные – абстракции, аналогии, схемы, отражающие структуру и процессы в предметной области. Существуют десятки моделей представления знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам: - продукционные; - семантические сети; - фреймы; - формальные логические модели. Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие). Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, вы- ступающими далее как условия, и терминальными или целевыми, завершающими работу системы). При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения — к данным). Данные — это исходные факты, на основании которых запускается машина вывода — программа, перебирающая правила из базы. Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода. (10)Семантическая сеть — это ориентированный граф, вершины которого — понятия, а дуги — отношения между ними. Понятиями обычно выступают абстрактные или конкретные объекты, а отношения — это связи типа: "это" ("is"), "имеет частью" ("has part"), "принадлежит", "любит". Характерной особенностью семантических сетей является обязательное наличие трех типов отношений: - класс — элемент класса; - свойство — значение; - пример элемента класса. Выделяют несколько классификаций семантических сетей: А) по количеству типов отношений (однородные – с единственным типом отношений; неоднородные – с различными типами отношений); Б) по типам отношений (бинарные – в которых отношения связывают два объекта; n-арные – отношения, связывающие более двух понятий). Наиболее часто в семантических сетях используются следующие отношения: - связи типа “часть-целое”; - функциональные связи; - количественные; - пространственные; - временные; - атрибутные связи; - логические связи. Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу. Основное преимущество этой модели – в соответствии современным представлениям об организации долговременной памяти человека. Недостаток модели – сложность поиска вывода на семантической сети. Под фреймом понимается абстрактный образ или ситуация. В психологии и философии известно понятие абстрактного образа. Например, слово "комната" вызывает у слушающих образ комнаты: "жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6-20 м 2 ". Из этого описания ничего нельзя убрать (например, убрав окна, мы получим уже чулан, а не комнату), но в нем есть "дырки", или "слоты", — это незаполненные значения некоторых атрибутов — количество окон, цвет стен, высота потолка, покрытие пола и др. В теории фреймов такой образ называется фреймом. Фреймом называется также и формализованная модель для отображения образа. Структуру фрейма можно представить так: ИМЯ ФРЕЙМА: (имя 1-го слота: значение 1-го слота), (имя 2-го слота: значение 2-го слота), ………………….. (имя N-ro слота: значение N-ro слота). Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы - экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через: - фреймы-структуры, для обозначения объектов и понятий (заем, залог, вексель); - фреймы-роли (менеджер, кассир, клиент); - фреймы-сценарии (банкротство, собрание акционеров, празднование именин); - фреймы-ситуации (тревога, авария, рабочий режим устройства) и др. Важнейшим свойством теории фреймов является заимствованное из теории семантических сетей наследование свойств. Основным преимуществом фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также ее гибкость и наглядность. В представлении знаний выделяют формальные логические модели, основанные на классическом исчислении предикатов I порядка, когда предметная область или задача описывается в виде набора аксиом. Эта логическая модель применима в основном в исследовательских "игрушечных" системах, так как предъявляет очень высокие требования и ограничения к предметной области. В промышленных же экспертных системах используются различные ее модификации и расширения. Модели знаний – продукционная, фреймовая, семантических сетей – обладают практически равными возможностями представления знаний. Дополнительно каждая модель знаний обладает следующими свойствами: - продукционная модель позволяет легко расширять и усложнять множество правил вывода; - фреймовая модель позволяет усилить вычислительные аспекты обработки знаний за счет расширения множества присоединенных процедур;- модель семантических сетей позволяет расширять список отношений между вершинами и дугами сети, приближая выразительные возможности сети к уровню естественного языка.(Сидоркина И.Г., 2011)3. Сценарная динамическая модель демографической ситуации в Мурманской областиВсе мы знаем, что современное общество - это сложная система, которая постоянно развивается и находиться в динамическом состоянии. В последнее время, исследователей особенно привлекает область демографии населения страны или отдельно взятого региона. Это очень интересная тема, поскольку с одной стороны протекает постоянный рост населения мира, а с другой стороны, в некоторых странах, среди которых есть и Россия, происходит значительное сокращение численности населения. Это происходит зачастую из-за того, что во многих регионах нашей страны все еще сохраняется неутешительная тенденция превышения смертности над рождаемостью, а так же значительное старение всего населения. Естественно, что каждый регион нашей страны является уникальным демографическим объектом, динамика численности населения которого, имеет свои особенности и заслуживает очень пристального наблюдения.Из-за действия сил, увеличивающих и уменьшающих численность населения, а так же благодаря притокам в него и убыли из него, изменения численности населения является динамическим итогом.Количество родившихся, умерших, а так же количество иммигрантов и эмигрантов, наблюдаемые на протяжении рассматриваемого периода – все это факторы, от которых зависит величина абсолютного прироста численности населения.Модели на основе интеллектуальных технологий занимают отдельную нишу. Однако зачастую мы наблюдаем комбинацию отдельных технологий моделирования.Модели, построенные на различных интеллектуальных информационных технологиях, позволяют формировать вполне конкретные решения на основе неполных и нечетких данных благодаря наличию моделей мышлений на основе баз знаний. Данные модели способны к обучению и самообучению и характеризуются наличием механизма объяснений. К таким моделям относятся CGE с нейронными сетями, где в качестве метода анализа информации используются нейронный сети. С этим связан определенный недостаток данных моделей, а именно непрозрачный процесс моделирования в связи с тем, что между получением входной информации и генерацией выходного результата остается определенное числе скрытых слоев нейронов. Также возможность обучения и самообучения данных моделей вызывают необходимость повышенных требований к обучающей сети информации, и для получения достаточно надежных прогнозов необходимо иметь очень большие по объему базы данных, что в свою очередь повышает стоимость модели. При этом, несмотря на сложность самих систем для пользователей модели, построенные на различных интеллектуальных информационных технологиях, довольно просты в обращении.