Технология использования метода анализа иерархий. Матрица попарных сравнений и приоритеты альтернатив по критерию к1

Содержание статьи

Главное по теме

1

1 Федеральное государственное автономное образовательное учреждение высшего профессионального образования Национальный исследовательский ядерный университет «МИФИ»

В статье рассматривается задача выбора метода формирования весов критериев, предназначенных для оценки инновационных проектов в процессе экспертизы. Работа с инновационными проектами связана с риском, поэтому необходимо разрабатывать и использовать методы для управления ими с учетом особенностей этой деятельности. Корректная оценка соотношения важности критериев играет значительную роль в достоверности и показательности конечных результатов экспертизы, на основе которых принимается решение о принятии или отклонении проекта. Одним из популярных методов получения весов является метода анализа иерархий Т.Саати. Авторами предложено использование разработанной модификации данного метода, учитывающей особенности его применения в области управления инновационными проектами. Предлагаемая адаптация метода реализована с целью упрощения его практического использования. В основу модификации метода положено изменение шкалы оценки критериев.

инновационные проекты

экспертиза

метод анализа иерархий

критерий оценки

парное сравнение

2. Сидоренко Е. В., Тихомирова А. Н. Математические способы анализа массивов данных в целях принятия срочных управленческих решений. Пятый Международный конгресс «Роль бизнеса в трансформации российского общества - 2010», Москва, Московская финансово-промышленная академия, 12-16 апреля 2010 г.: Сборник тезисов Пятого Международного конгресса «Роль бизнеса в трансформации российского общества - 2010». - М.: ООО «Global Conferences», 2010. - С. 336-338.

3. Сидоренко Е. В., Тихомирова А. Н. Средства визуализации и отображения взаимосвязей финансовых показателей в системах поддержки принятия управленческих решений // Аудит и финансовый анализ. - 2010. - № 2. - С. 354-357.

4. Саати Т. Принятие решений. Метод анализа иерархий. - М.: Радио и связь, 1993. - 278с.

5. Саати Т. Принятие решений при зависимостях и обратных связях: аналитические сети. - М.: Книжный дом «ЛИБРОКОМ», 2009. - 360с.

Введение

В настоящее время актуальной является проблема повышения эффективности управления инновационными проектами. Поскольку финансированием инновационных проектов в большинстве случаев занимаются различные инвестиционные компании, в каждой из которых есть свои особенности управления, поставленные задачи и история существования, для снижения рисков, связанных с вложением в инновационные проекты, изобретаются свои специфические средства и инструменты управления. Успешная работа по анализу инновационных проектов основана на применении многочисленных методов, применяющихся как при построении общей модели работы с проектами, так и на отдельных этапах процесса прохождения проекта внутри компании.

Одним из наиболее важных этапов работы с проектами в компании является экспертиза этих проектов. В процессе проведения экспертизы заявка, которая или будет отклонена, или станет финансируемым проектом, подвергается разносторонним исследованиям, в которых участвуют эксперты различного профиля.

Экспертиза, как правило, представляет собой процесс, в котором участвует группа высококвалифицированных и узкоспециализированных экспертов, результатом которого является набор экспертных заключений или одно сводное заключение.

Однако для получения информации от экспертов, которая достоверно отображает перспективы и недостатки анализируемого проекта, недостаточно просто найти хороших экспертов. Для получения корректных и показательных экспертных заключений необходимо определить критерии, по которым эксперты должны анализировать заявку.

Различие критериев у разных компаний может объясняться как разным финансовым положением, так и различными приоритетами и целями. По этой причине каждая организация должна самостоятельно формировать свой собственный список важных для нее критериев оценки проекта.

Однако после формирования этого списка перед всеми компаниями встает задача по определению относительной важности и значимости критериев. Для решения этой задачи можно использовать различные методы.

Наиболее распространенным методом является формирование балльной оценки, при котором каждому из критериев ставится определенный балл и относительную важность критериев можно оценить путем сравнения присвоенных им баллов. На сегодняшний день достаточно широкое распространение получил способ формирования весов критериев, построенный на методе анализа иерархии Т. Саати . Главная идея данного метода состоит в парном сопоставлении критериев. Все критерии, предназначенные для анализа проекта, оцениваются путем построения матрицы парных сравнений. Матрица парных сравнений представляет собой матрицу, в которой критерий, расположенный в строке, сравнивается со всеми критериями, указанными в столбцах матрицы (табл.1.). Например, если критерий №1 важнее критерия №2 в a 12 раз, то элемент (1, 2) матрицы равен a 12 . Исходя из этого, главная диагональ матрицы всегда заполнена единицами.

Таблица 1. Матрица парных сравнений

	Критерий 1	Критерий 2	Критерий 3
Критерий 1
Критерий 2
Критерий 3

Логично предположить, что если критерий №1 важнее критерия №2 в a 12 a 23 a 12 ·a 23 раз. Однако для матриц, заполняемых реальными людьми, это далеко не всегда так. Это связано с тем, что заполнение матрицы суждений осуществляется экспертом, который может допустить погрешность в определении относительной важности критериев по психологическим причинам. Одной из задач метода иерархии Т. Саати является стремление снизить влияние человеческого фактора на итоговый смысловой результат. Для определения степени корректности данных в заполненной матрице введено понятие меры согласованности матрицы. Для пояснения определения полностью согласованной матрицы приведен ее общий вид (табл.2.).

Таблица 2. Общий вид согласованной матрицы

Для обработки значений полученной матрицы сравнения вводится индекс согласованности, который показывает наличие логической связи между оцененными показателями. Для нахождения индекса согласованности положительной обратно симметричной матрицы (матрица парных сравнений обладает этими свойствами), необходимо найти максимальное собственное значение матрицы и ее размерность .

Индекс согласованности рассчитывается по формуле (1):

где - максимальное собственное значение,

n - размерность матрицы.

Если матрица согласована, то предположение о том, что если критерий №1 важнее критерия №2 в a 12 раз, а критерий №2 важнее критерия №3 в a 23 раз, то критерий №1 должен быть важнее критерия №3 ровно в a 12 · a 23 раз, всегда верно. Для такой матрицы ИС равняется нулю. Однако, как правило, при анализе данных, полученных экспертным путем, матрица не является полностью согласованной.

В разработанном Т. Саати методе анализа иерархий предлагается для парного сравнения критериев использовать шкалу оценки, которая содержит в себе числовые показатели от 1 до 9 и обратные им величины . Значения шкалы 1:9 отображают девять степеней превосходства одного критерия над другим, причем, пять значений являются основными (1,3,5,7,9) и четыре - промежуточными значениями (2,4,6,8). В случае, если рассматриваемый критерий является не более, а менее важным, чем тот, с которым его сравнивают, такое соотношение описывается также посредством девяти степеней сравнения, но представленных обратными величинами значений: 1, 1/2, 1/3, ..., 1/9.

При проведении процедуры сравнения критериев происходит заполнение экспертами соответствующих матриц. От каждого эксперта требуется заполнить только верхнюю часть матрицы (выше главной диагонали), поскольку при использовании данной методики предполагается, что если критериюi при сравнении с критериемj приписывается одно из чисел в диапазоне , то критерию j при сравнении с критериемi приписывается обратное значение.

После заполнения экспертом матрицы парных сравнений, необходимо провести проверку индекса согласованности матрицы. Для этого по формуле (1) рассчитывается ИС матрицы и сравнивается со средним индексом согласованности случайных матриц того же порядка. Соотношение этих индексов называется отношением согласованности (ОС).

На текущий момент для шкалы учеными рассчитаны случайные индексы согласованности (СИ) для обратно симметричных матриц размерностью от 1 до 15 (табл.3), взятые за основу при анализе полученных матриц на предмет согласованности. В своих работах Т. Саати считает приемлемым значение ОС меньшее или равное 0.10 .

Таблица 3. Средние случайные индексы согласованности для матриц разного порядка

Безусловно, использование для анализа важности критериев шкалы от 1 до 9 имеет свои преимущества. Однако, в ряде случаев, особенно, если это касается такого сложного аспекта, как анализ инновационных проектов, данная шкала не только является избыточной по своей сути, но и может стать причиной дополнительной погрешности в процессе выставления экспертом соответствующей оценки при парных сравнениях различных критериев.

На основе анализа мнения практикующих специалистов, работающих в области инноваций, которым приходится часто сталкиваться с проведением различного рода сравнений, выявлено, что целесообразным является использование более категоричной шкалы 1:5 (табл. 4). Это связано со спецификой области, для работы в которой производится адаптация метода анализа иерархий. В данной статье речь идет о сравнении инновационных проектов, при этом метод парного сравнения объектов Т. Саати применяется для определения весов критериев, по которым проекты впоследствии будут сравниваться. Поскольку сформированные веса критериев могут значительно повлиять на решение, принимаемое по проекту, необходимо, чтобы шкала, с помощью которой определяются в результате веса, была однозначной и конкретной.

Таким образом, можно сделать вывод о том, что использование шкалы 1:5 является на практике более удобным, поскольку каждое численное значение имеет ярко выраженную смысловую трактовку. Кроме того, сравнение критериев посредством такой шкалы будет характеризоваться большей степенью уверенности эксперта. Это важный факт, так как в данном случае речь идет о работе с инновациями, а значит, ситуация осложняется различными рисками. При выборе каких-либо методов для организации работы с инновационными проектами, имеющими априори большую степень неопределенности, необходимо, во избежание накопления суммарной ошибки, выбирать методы, которые сами в себе имеют как можно меньшую степень неопределенности.

Кроме того, более четкое определение признаков, которое дает шкала 1:5, позволяет конкретизировать ситуацию без значимой потери точности, с одной стороны, и со значительным повышением комфортности использования этой шкалы - с другой стороны. В связи с выявленной потребностью шкала от 1 до 9 была заменена шкалой от 1 до 5. Для данной шкалы были описаны значения каждого из выставляемых баллов (табл.4).

Таблица 4. Модифицированная шкала относительной важности

Интенсивность относительной важности	Определение	Объяснение
	Несравнимы	Эксперт затрудняется при сравнении
	Одинаковая важность	Равная степень важности критериев i иj
	Не существенная степень важность	Критерий i несущественно важнее критерия j
	Существенная степень важность	Критерий i существенно важнее критерия j
	Промежуточные значения между двумя соседними значениями шкалы	Ситуация, когда необходимо компромиссное решение, 2 - критерий i имеет слабое преимущество перед критерием j , 4 - критерий i имеет заметное преимущество перед критерием j
Обратные величины приведенных выше чисел	Если критерию i при сравнении с критерием j приписывается одно из приведенных выше чисел, то критерию j при сравнении с критериемi приписывается обратное значение	Обоснованное предположение

Для обеспечения более комфортных условий сравнения для экспертов был введен дополнительный пункт шкалы - нулевое значение. Эксперт имеет возможность поставить 0 при сравнении двух критериев, если считает, что критерии несравнимы или сравнение лично для него крайне затруднительно.

Большая комфортность при использовании шкалы 1:5 объясняется легкостью в различии оценок критериев (рис.1). Три значения шкалы: 1, 3 и 5 выступают в виде главных при оценке относительной важности, а 2 и 4 - являются компромиссными, промежуточными вариантами выбора.

Рис. 1. Ключевые деления шкалы 1:5

Поскольку шкала была изменена, для корректной проверки согласованности соответствующих матриц необходимо провести расчет индексов согласованности случайных матриц данного типа. Для решения этой задачи для выбранной шкалы было сгенерировано по 100 случайных матриц порядка 3, 4 и 5. Полученные в результате расчетов СИ обозначены в таблице 5.

Таблица 5. СИ по шкале оценки от 1 до 5

В качестве примера для расчета отношения согласованности для матриц порядка 3, сформированных по шкале 1:5, был проведен анализ допустимого уровня согласованности матриц. Пороговым значением для шкалы 1:9 является уровень в 10 %. Для установления порогового значения при использовании шкалы 1:5 было проведено моделирование, заключающееся в анализе значений ОС матрицы при различных отклонениях экспертных оценок от оценок, соответствующих полностью согласованной матрице.

В рамках моделирования проводился анализ матриц со следующими отклонениями:

• увеличение одной величины на 1 шаг;
• уменьшение одной величины на 1 шаг;
• увеличение двух величин на 1 шаг;
• уменьшение двух величин на 1 шаг;
• увеличение трех величин на 1 шаг;
• уменьшение трех величин на 1 шаг;
• увеличение одной и уменьшение другой величины на 1 шаг;
• увеличение двух величин и уменьшение одной величины на 1 шаг;
• увеличение одной и уменьшение двух величин на 1 шаг;
• увеличение 1 величины на 2 шага;
• уменьшение 1 величины на 2 шага.

Для каждой размерности матрицы был проведен аналогичный анализ для пяти различных исходных согласованных матриц. В результате проведенного моделирования было получено значение 12.7 %, которое соответствует максимальному отношению согласованности при отклонении мнения эксперта на один шаг от значения полностью согласованной матрицы. Значение 12.7 % было выбрано в качестве порогового значения допустимой согласованности матрицы, составленной по шкале 1:5.

Пороговое значение 12.7 % является обоснованным для матрицы размерностью 3. Для матриц другой размерности пороговое значение ОС должно быть рассчитано не только с учетом анализа отклонений матрицы от полностью согласованной, но и с учетом того, что при сравнении большего количества критериев ошибка эксперта может возрасти.

Таким образом, с учетом особенностей, присущих повседневной практической деятельности при оценке инновационных проектов, была проведена модификация метода Т. Саати. Основная цель модификации - повышение эффективности метода при его применении узкопрофильными специалистами для оценки перспективности и технической реализуемости инновационных проектов. Использование данной модификации метода определения относительной важности критериев при оценке проекта может повысить эффективность и достоверность такого этапа работы с инновационными проектами, как подготовка к проведению экспертизы. Данный момент является крайне важным, поскольку именно по установленным на этом этапе критериям происходит дальнейшая оценка проекта, а корректное соотношение критериев между собой по степени важности позволяет составить верное заключение по проекту.

Рецензенты:

• Киреев Сергей Васильевич, д.ф.-м.н., профессор, декан факультета повышения квалификации и переподготовки кадров, Министерство образования и науки Российской Федерации, Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский ядерный университет МИФИ» (НИЯУ МИФИ), г. Москва.
• Гусева Анна Ивановна, д.т.н., профессор, профессор кафедры «Экономика и менеджмент в промышленности», Министерство образования и науки Российской Федерации, Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский ядерный университет МИФИ» (НИЯУ МИФИ), г. Москва.

Библиографическая ссылка

Тихомирова А.Н., Сидоренко Е.В. МОДИФИКАЦИЯ МЕТОДА АНАЛИЗА ИЕРАРХИЙ Т. СААТИ ДЛЯ РАСЧЕТА ВЕСОВ КРИТЕРИЕВ ПРИ ОЦЕНКЕ ИННОВАЦИОННЫХ ПРОЕКТОВ // Современные проблемы науки и образования. – 2012. – № 2.;
URL: http://science-education.ru/ru/article/view?id=6009 (дата обращения: 27.03.2019). Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»

Введение

Метод анализа иерархий является замкнутой логической конструкцией, которая обеспечивает с помощью простых и хорошо обоснованных правил, решение многокритериальных задач, включающих как качественные, так и количественные факторы, причем количественные факторы могут иметь разную размерность. Метод основан на декомпозиции задачи и представлении ее в виде иерархической структуры, что позволяет включить в иерархию все имеющиеся у лица, принимающего решение знания по решаемой проблеме и последующей обработке суждений лиц, принимающих решения. В результате может быть выявлена относительная степень взаимодействия элементов в иерархии, которые затем выражаются численно. Метод анализа иерархий включает процедуры синтеза множественных суждений, получения приоритетности критериев и нахождения альтернативных решений.

Весь процесс решения подвергается проверке и переосмыслению на каждом этапе, что позволяет проводить оценку качества полученного решения.

Метод анализа иерархий представляет собой систематическую процедуру для иерархического представления элементов, которые определяют суть задачи принятия решений.

Актуальность данной темы обусловлена широким применением метода анализа иерархий, на основе этого метода разработаны достаточно серьезные системы поддержки принятия решений возрастанием закона единства анализа и синтеза. В научной литературе подробно рассматривается метод анализа иерархий и его применение в различных областях.

Цель исследования - изучение закона единства анализа и синтеза, как в природе, так и в конкретной организации.

Объект исследования - компания, занимающаяся разработкой и продвижением программно-технологических решений для комплексной автоматизации управления предприятиями.

Предмет исследования - метод анализа иерархий.

Задачи исследования:

1) понятие и применение метода анализа иерархий;

2) исследование особенности метода анализа иерархий;

3) определение достоинств и недостатков метода анализа иерархий.

Данная работа состоит из введения, двух глав, включающих в себя по три части, заключения и списка использованной литературы.

Особенности применения метода анализа иерархий, его преимущества и недостатки

Понятие и характеристика метода анализа иерархий

В настоящее время существует множество информационных технологий, позволяющих предельно облегчить жизнь и помочь в решении проблем, связанных с процессами принятия решений в различных предметных областях. В частности, очень распространены сейчас системы поддержки принятия решений на основе Метода Анализа Иерархий (МАИ). Оценка вариантов решений с использованием МАИ осуществляется как на основе объективной, так и субъективной исходной информации.

В начале 1970 года американский математик Томас Саати разработал процедуру поддержки принятия решений, которую назвал "Analityc hierarchy process" (AHP). Авторы русского издания перевели это название как "Метод анализа иерархий" - (Книга "Принятие решений. Метод анализа иерархий".

Этот метод относится к классу критериальных и занимает особое место, благодаря тому, что он получил исключительно широкое распространение и активно применяется по сей день, особенно в США. Не следует думать, что его выдающаяся популярность объясняется какими-либо важными преимуществами этого метода, по сравнению с другими. Здесь можно столкнуться с известным психологическим феноменом: продукт, появившийся первым и удачно удовлетворяющий определенную потребность, захватывает рынок. Более поздние продукты, зачастую более совершенные, часто оказываются неспособны вытеснить удачливого первенца.

На основе этого метода разработаны достаточно серьезные системы поддержки принятия решений, например "Expert choice".

Структура модели принятия решения в методе анализа иерархий представляет собой схему (граф), которая включает:

1) набор альтернативных решений;

3) набор групп однотипных факторов, влияющих на рейтинг;

4) множество направленных связей, указывающих на влияния решений, критерия и факторов друг на друга.

Структура модели отражает результат анализа ситуации принятия решения.

Первая группа понятий связана с описанием возможных структур моделей принятия решения.

Для вычисления приоритетов альтернативных решений к структуре необходимо добавить информацию о силе влияний решений, критерия и факторов друг на друга.

Вторая группа понятий связана с описанием данных для моделей принятия решения.

После того как сформирована структура и собраны все данные, модель принятия решения готова, т.е. в ней могут быть получены рейтинги приоритетов решений и факторов. Знание приоритетов используется для поддержки принятия решения.

Третья группа понятий связана с описанием результатов, получаемых в моделях принятия решения.

Четвертая группа понятий связана с пояснением того, как организованы вычисления. Знание этих понятий необходимо лишь для понимания математических обоснований метода. Для применения метода знание этих понятий необязательно.

Метод анализа иерархий представляет собой междисциплинарную область науки.

Обоснование вычислительных процедур метода проводится с помощью теории неотрицательных матриц.

Основным инструментом для сбора данных, благодаря которому метод практически не имеет аналогов при работе с качественной информацией, является процедура парных сравнений. Психологические обоснования шкал сравнений основаны на результатах исследований стимулов и реакций.

Анализ структуры модели, которой оперирует метод анализа иерархий, проводится с помощью процедур, разработанных в теории графов.

При проведении процедуры согласования и при решении обратной задачи используются методы оптимизации (нелинейного программирования).

Метод анализа иерархий представляется более обоснованным путем решения многокритериальных задач в сложной обстановке с иерархическими структурами, включающими как осязаемые, так и неосязаемые факторы, чем подход, основанный на линейной логике. Применяя дедуктивную логику, исследователи проходят трудный путь построения тщательно осмысленных логических цепей только для того, чтобы в итоге, полагаясь на одну лишь интуицию, объединить различные умозаключения, полученные из этих дедуктивных посылок. Кроме того, подход, основанный на логических цепях, может не привести к наилучшему решению, так как в данном случае может быть потеряна возможность принятия компромиссов между факторами, лежащими в разных цепях логического мышления.

Иерархия является основным способом, с помощью которого исследователь может подразделить всю совокупность исследуемых данных на кластеры и подкластеры. Основной задачей МАИ является оценка высших уровней иерархии, исходя из взаимодействия различных уровней, а не из непосредственной зависимости от элементов на этих уровнях. Применение МАИ для определения влияния инновационных управляющих воздействий (автоматизированная обучающая среда; интерактивное сетевое взаимодействие; направляемая самостоятельная познавательная деятельность; выездная сессия; автоматизированный документооборот) на результат учебной деятельности и вклад влияния каждого управляющего воздействия на итоговый результат, позволит повысить качество подготовки специалистов. Основной задачей является оценка значимости рассматриваемых управляющих воздействий.

Процессы принятия решений в различных сферах деятельности во многом аналогичны. Поэтому необходим универсальный метод поддержки принятия решений, соответствующий естественному ходу человеческого мышления.

Часто экономические, медицинские, политические, социальные, управленческие проблемы имеют несколько вариантов решений. Зачастую, выбирая одно решение из множества возможных, лицо, принимающее решение, руководствуется только интуитивными представлениями. Вследствие этого принятие решения имеет неопределенный характер, что сказывается на качестве принимаемых решений.

С целью придания ясности процесс подготовки принятия решения на всех этапах сопровождается количественным выражением таких категорий как "предпочтительность", "важность", "желательность" и т.п.

Требуется каждой альтернативе поставить в соответствие приоритет (число) - получить рейтинг альтернатив. Причем чем более предпочтительна альтернатива по избранному критерию, тем больше ее приоритет.

Принятие решений основывается на величинах приоритетов.

Метод анализа иерархий - методологическая основа для решения задач выбора альтернатив посредством их многокритериального рейтингования.

Метод анализа иерархий вырос в настоящее время в обширный междисциплинарный раздел науки, имеющий строгие математические и психологические обоснования и многочисленные приложения.

Основное применение метода - поддержка принятия решений посредством иерархической композиции задачи и рейтингования альтернативных решений. Имея в виду это обстоятельство, перечислим возможности метода.

1) Метод позволяет провести анализ проблемы. При этом проблема принятия решения представляется в виде иерархически упорядоченных:

б) нескольких групп (уровней) однотипных факторов, так или иначе влияющих на рейтинг;

в) группы возможных решений;

г) системы связей, указывающих на взаимное влияние факторов и решений. иерархия синтез операционный

Предполагается, так же, что для всех перечисленных "узлов" проблемы указаны их взаимные влияния друг на друга (связи друг с другом).

2) Метод позволяет провести сбор данных по проблеме.

В соответствие с результатами иерархической декомпозиции модель ситуации принятия решения имеет кластерную структуру. Набор возможных решений и все факторы, влияющие на приоритеты решений, разбиваются на относительно небольшие группы - кластеры. Разработанная в методе анализа иерархий процедура парных сравнений позволяет определить приоритеты объектов, входящих в каждый кластер. Для этого используется метод собственного вектора. Итак, сложная проблема сбора данных разбивается на ряд более простых, решающихся для кластеров.

3) Метод позволяет оценить противоречивость данных и минимизировать ее.

С этой целью в методе анализа иерархий разработаны процедуры согласования. В частности, имеется возможность определять наиболее противоречивые данные, что позволяет выявить наименее ясные участки проблемы и организовать более тщательное выборочное обдумывание проблемы.

4) Метод позволяет провести синтез проблемы принятия решения.

После того, как проведен анализ проблемы и собраны данные по всем кластерам, по специальному алгоритму рассчитывается итоговый рейтинг - набор приоритетов альтернативных решений. Свойства этого рейтинга позволяют осуществлять поддержку принятия решений. Например, принимается решение с наибольшим приоритетом. Кроме того, метод позволяет построить рейтинги для групп факторов, что позволяет оценивать важность каждого фактора.

5) Метод позволяет организовать обсуждение проблемы, способствует достижению консенсуса.

Мнения, возникающие при обсуждении проблемы принятия решения, сами могут в данной ситуации рассматриваться в качестве возможных решений. Поэтому метод анализа иерархии можно применить для определения важности учета мнения каждого участника обсуждения.

6) Метод позволяет оценить важность учета каждого решения и важность учета каждого фактора, влияющего на приоритеты решений.

В соответствии с формулировкой задачи принятия решения величина приоритета напрямую связана с оптимальностью решения. Поэтому решения с низкими приоритетами отвергаются как несущественные. Как отмечено выше, метод позволяет оценивать приоритеты факторов. Поэтому, если при исключении некоторого фактора приоритеты решений изменяются незначительно, такой фактор можно считать несущественным для рассматриваемой задачи.

7) Метод позволяет оценить устойчивость принимаемого решения.

Метод анализа иерархий имеет аналогии с различными теориями.

1. Метод анализа иерархий имеет аналогии с теорией вероятностей.

Приоритеты альтернатив (это положительные числа, их сумма равна единице) можно отождествить с вероятностями выбора альтернатив. Приоритеты факторов, влияющих на рейтинг альтернатив, можно считать вероятностями гипотез. При таком подходе способ вычисления приоритетов альтернатив аналогичен применению формулы полной вероятности.

При работе с моделями, учитывающими наличие обратных связей, можно установить многочисленные терминологические и идеологические соответствия между методом анализа иерархий и марковскими случайными процессами с дискретным набором состояний и дискретным временем (марковскими цепями).

2. Метод анализа иерархий имеет аналогии с теорией графов.

Структура ситуации принятия решения представляется в методе анализа иерархий в виде направленного графа. Узлами графа служат: альтернативы, главный критерий рейтингования альтернатив, факторы, влияющие на рейтинг альтернатив. Направленными дугами графа являются связи, указывающие на влияния одних узлов, на приоритеты других узлов.

3. Метод анализа иерархий имеет аналогии с теорией неотрицательных матриц.

4. Метод анализа иерархий имеет аналогии с экспертными системами.

Технологии принятия решения с помощью экспертных систем, основанных на байесовском способе логического вывода, являются частным случаем применения метода анализа иерархий.

5. Метод анализа иерархий имеет аналогии с идеологией искусственных нейронных сетей.

В частности, обратная задача в методе анализа иерархий по способу решения и проведение процедуры согласования аналогичны обучению нейронной сети.

6. Метод анализа иерархий имеет аналогии с синергетикой.

Модели, строящиеся в методе анализа иерархий, имеют кластерную структуру. Кластеры, по сути, являются элементарными иерархическими структурами. В пределах кластеров метод оперирует понятием вектора приоритетов. При соединении кластеров в систему рейтинг альтернатив конструируется на основе векторов приоритетов в отдельных кластерах. Сложные модели часто демонстрируют "голографический" эффект. Даже при удалении части структуры итоговый рейтинг в целом сохраняется.

Метод анализа иерархий (МАИ), предложенный Т.Л. Саати, основан на парных сравнениях альтернативных вариантов по различным критериям с использованием девятибалльной шкалы и последующим ранжированием набора альтернатив по всем критериям и целям. Взаимоотношения между критериями учитываются путем построения иерархии критериев и применением парных сравнений для выявления важности критериев и подкритериев.

К основным процедурам метода анализа иерархий относятся следующие:

Генерация множества альтернативных вариантов;

Формирование множества критериев для оценки альтернативных вариантов и представление его в виде иерархии;

Выявление предпочтений экспертов на множестве альтернатив по различным критериям;

Установление относительной важности влияния критериев на общую цель и другие критерии;

Получение ранжированных наборов альтернатив по всем критериям и целям.

Все оценки определяются экспертами. Сначала эксперты генерируется множество допустимых альтернатив, среди которых необходимо провести выбор лучшей альтернативы или упорядочивание всех элементов.

Вершиной иерархий обычно является глобальная цель, на следующих уровнях присутствуют критерии и на самом нижнем уровне - альтернативы.

Иерархическая структура критериев и целей является моделью знаний конкретной предметной области, которая изменяется и уточняется с течением времени.

Элементы одного уровня иерархии попарно сравниваются по силе их влияния на элементы более высокого уровня. Результаты заносятся в матрицу попарных сравнений. При сравнении элемента с самим собой имеем равную значительность «1», т.е. главная диагональ матрицы состоит из единиц. В МАИ используется 9-балльная шкала вида:

Интенсивности относительной важности	Определение	Объяснение
	Равная важность	Равный вклад двух объектов в достижении цели
	Умеренное превосходство одного над другим	Опыт и суждения дают легкое превосходство одному объекту над другим
	Существенное или сильное превосходство	Опыт и суждения дают сильное превосходство одному объекту над другим
	Значительное превосходство	Одному объекту дается настолько сильное превосходство над другим, что оно становится значимым
	Очень сильное превосходство	Очевидность превосходства одного объекта над другим подтверждается наиболее сильно
	Промежуточные значения между двумя соседними суждениями	Принимаются в компромиссных случаях
Обратные величины приведенных чисел	Если при сравнении одного объекта с другим получено одно из вышеуказанных чисел (например 3), то при сравнении второго объекта с первым получим обратную величину (т.е.1/3)

Следующий шаг состоит в вычислении вектора приоритетов по данной матрице. Существует несколько методов оценки этого вектора. Например, суммировать элементы каждой строки матрицы и нормировать делением каждой суммы на сумму всех элементов матрицы. Первый элемент результирующего вектора будет приоритетом первого объекта, второй - второго объекта и т.д.

В общем случае (при наличии более трех уровней) иерархия оценивается следующим образом:

1. Производится попарное сравнение элементов 2-го уровня по степени влияния на выполнение цели. Результаты заносятся в матрицу попарных сравнений A 1 ;

2. Производится попарное сравнение элементов 3-го уровня по степени влияния на каждый критерий 2-го уровня. Результаты заносятся в n 1 (n 1 - количество критериев) матриц попарных сравнений A 11 ...A n1 ;

3. Действия п.2 повторяются для всех оставшихся уровней (если они есть);

4. Для каждой матрицы вычисляется вектор приоритетов;

5. Каждый элемент вектора приоритетов 2-го уровня умножается на соответствующий элемент вектора приоритетов каждой из матриц (A 11 ...A n1). После сложения всех произведений получается вектор приоритетов 3-го уровня;

6. Действия п.5 выполняются для всех оставшихся уровней.

В результате получается вектор приоритетов n-го уровня по степени влияния на выполнение цели.

Уровень цели

5. Месторасположение

4. Коллектив

2. Интересно

Уровень критериев Вектор приоритетов (0,4; 0,15; 0,25; 0,1; 0,1)

Уровень альтернатив

Матрицы попарных сравнений альтернатив имеют вид (всего их 5 – по количеству критериев, для каждого критерия своя матрица):

Векторы приоритетов альтернатив:

По критерию 1 – (0,5; 0,3; 0,2)

По критерию 2 – (0,4; 0,4; 0,2)

По критерию 3 – (0,3; 0,3; 0,4)

По критерию 4 – (0,2; 0,3; 0,5)

По критерию 5 – (0,1; 0,3; 0,6)

По влиянию на цель – (0, 365; 0,315; 0,31) Выбирается альтернатива А

0,4×0,5+0,15×0,4 + 0,25×0,3 + 0,1×0,2 + 0,1×0,1 = 0,365

0,4×0,3+ 0,15×0,4+ 0,25×0,3+ 0,1×0.3+ 0,1×0,3 = 0,315

0,4×0,2+ 0,15×0,2+ 0,25×0,4+ 0,1×0,5+0,1×0,6 = 0,32

В рамках МАИ нет общих правил для формирования структуры модели принятия решения. Это является отражением реальной ситуации, поскольку всегда для одной и той же проблемы имеется целый спектр мнений. Метод позволяет учесть это обстоятельство с помощью построения дополнительной модели для согласования различных мнений, посредством определения их приоритетов . Таким образом, метод позволяет учитывать «человеческий фактор» при подготовке принятия решения. Это одно из важных достоинств данного метода перед другими методами принятия решений.

Формирование структуры модели принятия решения в МАИ достаточно трудоемкий процесс. Однако в итоге удается получить детальное представление о том, как именно взаимодействуют факторы, влияющие на приоритеты альтернативных решений, и сами решения. Как именно формируются рейтинги возможных решений и рейтинги, отражающие важность факторов.

В рамках МАИ нет средств для проверки достоверности данных. Этот недостаток ограничивает отчасти возможности применения метода. Однако метод применяется главным образом в тех случаях, когда в принципе не может быть объективных данных, а ведущими мотивами для принятия решения являются предпочтения людей.

Работа по подготовке принятия решений часто является слишком трудоемкой для одного человека. Однако применение метода позволяет разбить большую задачу, на ряд малых самостоятельных задач. Благодаря этому для подготовки принятия решения можно привлечь экспертов, работающих независимо друг от друга над локальными задачами.

Метод дает только способ рейтингования альтернатив, но не имеет внутренних средств для интерпретации рейтингов, т.е. считается, что ЛПР, зная рейтинг возможных решений, должен в зависимости от ситуации сам сделать вывод. Это следует признать недостатком метода.

Метод дает удобные средства учета экспертной информации для решения различных задач. Он отражает естественный ход человеческого мышления и дает не только способ выявления наиболее предпочтительного решения, но и позволяет количественно выразить степень предпочтительности по средством рейтингования. Это способствует полному и адекватному выявлению предпочтений ЛПР. Кроме того, оценка меры противоречивости использованных данных позволяет установить степень доверия к полученному результату.

Примечание. Упомянутая в 2.3.2 схема оценки альтернативы по совокупности оценок ее эффективности для множества частных критериев может использоваться в рамках других МПР как самостоятельный алгоритм принятия решения на основе линейной свертки оценок по частным критериям:

1. Для каждой допустимой альтернативы A 1 ,…,A n оценить степень удовлетворения ею каждого из частных критериев К 1 ,…,К m в единой балльной шкале. В результате получаем матрицу оценок вида

с 11 ,…,с 1 m

с n 1 ,…,с nm

где с ij , 1≤i≤n, 1≤j≤m – оценка степени выполнения критерия К j в случае выбора альтернативы A i

2. Оценить относительную важность (построить веса) критериев

3 Для каждой из альтернатив A i , i=1,…,n оценить степень удовлетворения ею общей цели ЗПР как взвешенное среднее вида

3 В качестве решения выбрать ту альтернативу, которой соответствует максимальная оценка

2.3.3 Нечеткое множество и функция принадлежности

Построение моделей автоматизации процесса принятия решений для задач управления на основе экспертной информации, имеющих нечеткое описание, базируется на понятиях «нечеткое множество» и «лингвистическая переменная».

2.3.3.1 Коротко остановимся на понятии лингвистической переменной. Не вдаваясь в тонкости, ее можно определить как переменную, значениями (термами) которой являются не числа, а слова или предложения естественного (или формального) языка. Например, лингвистическая переменная "возраст" может принимать следующие значения: очень молодой, молодой, среднего возраста, старый, очень старый и другие - в зависимости от требуемой степени детальности описания. Ясно, что переменная "возраст" будет обычной переменной, если ее значения - точные числа; лингвистической она становится будучи использована в нечетких рассуждениях человека.

Каждому терму лингвистической переменной соответствует определенное нечеткое множество со своей функцией принадлежности, которая описывает совместимость этого терма с различными числовыми значениями.

Пример возможного соответствия значений лингвистической переменной «оценка» количественным интервальным значениям

Более детально с понятием лингвистической переменной и многочисленными примерами можно познакомиться в книге Заде, Л.А. Понятие лингвистической переменной и его применение к понятию приближенных решений / Л.А. Заде. – М.: Мир, 1976.

2.3.3.2 В обычной теории множеств существуют несколько способов задания множества. Одним из них является задание с помощью характеристической функции, определяемой следующим образом. Пусть U - так называемое универсальное множество, из элементов которого образованы все остальные множества, рассматриваемые в настоящей задаче, например множество всех целых или действительных чисел и т.д. Характеристическая функция подмножества A  U - это функция mA, значения которой указывают, является ли элемент x из U элементом множества A. В классической теории множеств эта функция принимает два значения: mA(х)=0 (х не является элементом А) и mA(х)=1 (х является элементом А).

С точки зрения характеристической функции нечеткие множества являются естественным обобщением обычных множеств, когда мы отказываемся от бинарного характера этой функции и предполагаем, что она может принимать любые значения из отрезка . В теории нечетких множеств характеристическая функция называется функцией принадлежности , а ее значение mA(x) - степенью принадлежности элемента x нечеткому множеству A.

В результате нечеткое множество определяется набором пар {(x; mA(x))}, где mA - функция принадлежности

Например, запись A = {(a; 0), (b; 0,1), (c; 0,5), (d; 0,9), (e; 1)} может трактоваться следующим образом: элемент a не принадлежит множеству A, элемент b принадлежит ему в малой степени, элемент c более или менее принадлежит, элемент d принадлежит в значительной степени, e является элементом A.

Потребность в таких множествах часто возникает при рассмотрении плохоформализуемых свойств и понятий. Например, как формализовать понятие «молодой человек». Не будешь же людей младше 25 четко причислять к числу молодых, а людей старше 25 четко не причислять к молодым. Если через М обозначить множество молодых людей, то разумнее, например, принять градацию типа mМ(x)=1 для людей младше 25 лет, mМ(x)=0,8 для людей младше 30 лет, mМ(x)=0 для людей старше 50 лет и т.д.

Конкретный вид функций принадлежности определяется на основе различных дополнительных предположений о свойствах этих функций (симметричность, монотонность, непрерывность первой производной и т.д.) с учетом специфики имеющейся неопределенности, реальной ситуации на объекте и числа степеней свободы в функциональной зависимости. Вид данной функции носит в значительной мере субъективный характер. Уменьшить степень этой субъективности можно, используя метод экспертных оценок, суть которого состоит в том, что как вид функции принадлежности, так и значения соответствующих параметров являются результатом коллективного творчества группы специалистов в рассматриваемой области - экспертов.

Во многих практических ситуациях функция принадлежности должна быть оценена исходя из частичной информации о ней, скажем такой, как значения, принимаемые ею на конечном множестве опорных точек х 1 ,...,х n . В этом случае говорят, что она частично определена с помощью "поясняющего примера".

На рис. приведены все основные виды функций принадлежности, применяемые в теории нечетких множеств.

Рис.4.1. Примеры различных способов построения функций принадлежности.

Рисунок – Классификация методов построения функций принадлежности нечетких множеств

Прямые методы характеризуются тем, что эксперт непосредственно задает правила определения значений функции принадлежности μ А (х), характеризующей элемент х.

Эти значения согласуются с его предпочтениями на множестве элементов Х следующим образом:

1. Для любых х 1 , х 2 Î Х μ А (х 1) < μ А (х 2) тогда и только тогда, когда х 2 предпочтительнее х 1 , т.е. в большей степени характеризуется свойством А;

2. Для любых х 1 , х 2 Î Х μ А (х 1) = μ А (х 2) тогда и только тогда, когда х 1 и х 2 безразличны относительно свойства А.

Как правило, прямые методы задания функции принадлежности используются для измеримых понятий, таких как скорость, время, расстояние, давление, температура и т.д., или когда выделяются полярные значения.

Разновидностями прямых методов являются прямые групповые методы , когда, например, группе экспертов предъявляют конкретный объект, и каждый должен дать один из двух ответов: принадлежит или нет этот объект к заданному множеству. Тогда число утвердительных ответов, деленное на общее число экспертов, дает значение функции принадлежности объекта к данному нечеткому множеству.

Прямыми методами являются также непосредственное задание функции принадлежности таблицей, графиком или формулой.

Из анализа результатов исследований и решения практических задач, связанных с необходимостью обрабатывать информацию, известно, что прямые методы в основном используются в качестве вспомогательных, т. к. характеризуются большой долей субъективизма.

Косвенные методы построения значений функции принадлежности используются в случаях, когда нет элементарных измеримых свойств, через которые определяются нечеткие множества.

В косвенных методах значения функции принадлежности выбираются таким образом, чтобы удовлетворить заранее сформулированным условиям . Экспертная информация является только исходной информацией для дальнейшей обработки. Дополнительные условия могут налагаться как на вид получаемой информации, так и на процедуру ее обработки. К таким методам относятся статистический метод, метод парных сравнений, метод экспертных оценок и ряд других. Например, метод построения функции принадлежности на основе парных сравнений основан на обработке матриц оценок, отражающих мнение эксперта об относительной принадлежности элементов множеству или степени выраженности у них свойства, формализуемого множеством. Метод статистических данных основан на обработке статистической информации. В качестве степени принадлежности элемента множеству принимается оценка частоты использования понятия, задаваемого нечетким множеством, для характеристики элемента.

На универсальной шкале необходимо разместить значения лингвистической переменной: ОЧЕНЬ МАЛО, МАЛО, СРЕДНЕ, МНОГО, ОЧЕНЬ МНОГО. Тогда степень принадлежности некоторого значения вычисляется как отношение числа экспериментов, в которых оно встречалось в определенном интервале шкалы, к максимальному для этого значения числу экспериментов по всем интервалам . Метод основывается на условии, что в каждый интервал шкалы попадает одинаковое число экспериментов. Это условие часто не соблюдается. В реальных случаях составляется эмпирическая таблица, в которой эксперименты могут быть распределены неравномерно по интервалам, а в некоторые интервалы могут вообще не попасть.

Данный метод может быть использован для формализации задачи выбора альтернатив, т. к. эксперты могут определить конкретное множество допустимых альтернатив и удалить не нужные. В данном случае оценки отдельных экспертов можно рассматривать как независимые реализации случайной величины.

Построение функции принадлежности на основе экспертных оценок - данный метод построения функций принадлежности основан на использовании нечетких чисел, приблизительно равных некоторому четкому числу, и приближенных интервальных оценок, отражающих мнения экспертов по рассматриваемому вопросу. Задача сводится к отысканию параметров заранее заданной (экспоненциальной) функции, при решении которой используются результаты экспертного опроса. Этот метод часто целесообразнее всего использовать при решении задач выработки и оценки альтернатив.

Построение функций принадлежности на основе интервальных оценок. Данный метод применяется для формализованного представления задач выбора, в которых отсутствует четкая грань между допустимым и недопустимым (в пространстве неуправляемых параметров) и между идеальным и неудовлетворительным состояниями (в пространстве критериев).

Одним из наиболее эффективным методов решения слабоструктурированных задач управления является метод анализа иерархий (МАИ), разработанный Т. Саати. Этот метод оказывается полезным при принятии решений на основе как формализованных, так и неформализованных факторов.

Главной чертой МАИ является то, что он отражает естественное мышление человека, принимающего решение независимо от широты спектра проблемы.

МАИ состоит в декомпозиции проблемы на простые части и элементы, которые оцениваются в шкале МАИ в виде суждений ЛПР (экспертов). А затем на основании обработки совокупности суждений методом матричной алгебры получаются конечные оценки в решении рассматриваемой проблемы. При этом определяется относительная степень взаимного влияния в иерархии.

Цель, факторы показательного оценивания и альтернативы образуют иерархическую структуру (рис. 7).

Рис. 7 Дерево целей МАИ: f1,f2,f3 - факторы (показатели), определяющие описание альтернатив; a1,a2,...an - множество альтернатив

Рассмотрение этой схемы (рис. 7) позволяет сформулировать ряд положений, отражающих сущность метода «анализа иерархий».

1. Число уровней иерархии, описывающих конкретную прикладную задачу, может быть различно и зависит от специфики задачи. Каждый элемент верхнего уровня является «направляющим» для элементов нижнего уровня иерархии. Это означает, что важность (весовой коэффициент факторов описываемой альтернативы) рассматривается относительно цели выбора альтернатив. Поэтому при бинарном сравнении факторов каждый из них оценивается относительно поставленной цели выбора и соответственно определяет уровни взаимного предпочтения.

2. Попарные сравнения факторов осуществляются в терминах доминирования одного из элементов над другим. Эти суждения в шкале МАИ выражаются в целых числах. Если элемент А доминирует над элементом В, то клетка квадратичной матрицы, соответствующей строке А и столбцу В, заполняется целым числом, а клетка, соответствующая строке B и столбцу A, заполняется обратным к нему числом. Если A и B эквивалентны, то в обе позиции записывается 1.

3. Для получения каждой матрицы требуется n×(n-1)/2 суждений, где n – число факторов, если сравнение проводится среди них, или n – число альтернатив, если они сравниваются по каждому фактору.

4. При бинарном сравнении альтернатив, в особенности при близких оценках их показателей, возможны случаи нарушения требований транзитивности или других ошибок в суждениях, поэтому МАИ предусматривает специальный механизм определения согласованности оценок.

Обработка результатов осуществляется на базе методов матричного анализа с использованием ряда специальных процедур оценки предпочтений ЛПР на основании шкалы МАИ (табл. 18).

Таблица 18

Шкала отношений МАИ

Графические оболочки

• Tutorial

Это 4-я статья цикла по разработке, управляемой моделями. В предыдущих статьях мы познакомились с , и . Сегодня научимся описывать метамодели в текстовой нотации (а не в виде диаграмм как раньше) и познакомимся с табличным представлением моделей в Sirius. Сделаем это на примере кризиса среднего возраста и метода анализа иерархий. Возможно, это пригодится вам при разработке ИИ в играх, при принятии решений или в работе.

Введение

Вообще, я планировал статью про разработку DSL и преобразование моделей. Но мои планы внезапно нарушили мысли о смысле жизни, о том, тем ли я вообще занимаюсь.

Самое очевидное, что может при этом сделать специалист по разработке, управляемой моделями, это

• Выбрать метод, который позволит получить интересующие ответы (раздел 1)
• Создать метамодель под этот метод (раздел 2)
• Создать инструмент разработки моделей в соответствии с метамоделью (раздел 3)
• Создать модель (раздел 4)
• Profit

Именно этим мы и займемся.

1 Метод анализа иерархий

Меня интересовали следующие вопросы:

• Чем мне интересно заниматься?
• Достаточно ли времени я уделяю интересным вещам?
• Что можно изменить в жизни к лучшему?
• Не станет ли от этих изменений хуже?

Когда я учился в вузе, для получения ответов на разные вопросы мы использовали метод анализа иерархий . Суть метода следующая.

1. Вы определяете
   • цель,
   • критерии достижения цели и
   • возможные альтернативы.
2. Оцениваете значимость критериев.
3. Оцениваете альтернативы по каждому из критериев.
4. Рассчитываете приоритеты альтернатив.
5. Принимаете решение.

Более подробно этот метод описан в книге Томаса Саати «Принятие решений. Метод анализа иерархий» (она легко гуглится). Кстати, в ней много примеров от психологии до мировой экономики.

1.1 Построение иерархии

Итак, в простейшем случае иерархия должна содержать цель, критерии и альтернативы.

Если суммировать все мои вопросы, то, по большому счету, меня интересует стоит ли мне сменить работу. Поэтому цель: выбрать работу .

При выборе работы меня интересует

• сколько денег я буду зарабатывать,
• на сколько интересно мне будет этим заниматься,
• будет ли у меня время на жизнь,
• карьерные перспективы,
• смогу ли я бывать на природе или буду видеть солнце и деревья раз в год,
• на сколько близка мне культура коллег, соседей и остальных людей.

При этом возможны следующие альтернативы:

• ничего не менять,
• переехать в Москву,
• переехать за границу,
• заняться фрилансом или каким-нибудь предпринимательством.

В соответствии с методом анализа иерархий строится следующая иерархия:

1.2 Оценка критериев

У разных людей при принятии решений могут быть примерно одинаковые критерии. Однако, их значимость может сильно различаться. Кто-то работает в большей степени ради денег, кто-то ради интереса, кому-то просто нравится общаться с коллегами и т.д.

В соответствии со своими приоритетами один человек не раздумывая выберет более денежную работу, а другой – более интересную. Не существует работы, которая по всем критериям подходит абсолютно всем.

Наверное, при принятии решений большинство людей в явной или неявной форме ранжируют критерии от самого значимого до самого незначительного. Последние отбрасывают, а по первым сравнивают возможные альтернативы. На каждую возможную работу они навешивают ярлычок: вот, эта работа более денежная, но не интересная, а эта интересная и коллектив там хороший, но сомнительные карьерные перспективы и т.д.

Если сходу не получается сделать выбор, то человек начинает переоценивать критерии: может быть интерес пока не так важен и в пробке можно лишние два часа постоять, зато там больше зарплата, вот, выплачу ипотеку и займусь чем-то интересным.

Подобные рассуждения могут продолжаться долго, мучительно и без гарантии, что в итоге действительно будет принято оптимальное решение.

В методе анализа иерархий предлагается формальный алгоритм принятия подобных решений: все критерии попарно сравниваются друг с другом по шкале от 1 до 9.

Например, что для меня важнее: интерес или деньги? Интерес важнее, но не сказать, что очень сильно. Если максимальная оценка 9 к 1, то для себя я оцениваю приоритеты как 5 к 1.

Или, например, что важнее: деньги или наличие времени для жизни, хобби? Готов ли я ради дополнительных денег работать в выходные или стоять по два часа в пробках? Я для себя оцениваю значимость этих критериев как 1 к 7.

В итоге заполняется подобная таблица:

Очевидно, что по диагонали всегда будут единицы. Также очевидно, что все оценки будут обратно-симметричны относительно главной диагонали. Например, если я оцениваю значимость «интерес-деньги» как 5 к 1, то значимость «деньги-интерес» будет 1 к 5. Иногда такие матрицы называют обратно-симметричными.

В общем случае, если мы сравниваем N критериев, то необходимо сделать (N*(N-1))/2 сравнений. Казалось бы, всё только усложнилось. Если изначально было 6 критериев, то сейчас целая матрица каких-то чисел. Чтобы снова вернуться к критериям, рассчитаем собственный вектор матрицы. Элементы этого вектора и будут относительной значимостью каждого критерия.

В книге Томаса Саати предлагается несколько упрощенных методов расчета собственного вектора в уме или на бумаге. Мы воспользуемся более точным итеративным алгоритмом :

N = количество критериев m = матрица оценок размерностью NxN eigenvector = вектор размерностью N, заполненный значениями 1/N Повторяем пока eigenvalue не начнет сходиться к определенному значению или пока не сделаем максимально допустимое количество итераций x = m * eigenvector eigenvalue = sum(x) eigenvector = x / eigenvalue
В итоге получаем следующий вектор:
Наиболее значимый критерий – время (0,3846), наименее значимый – карьера (0,0555).

При парных сравнениях некоторые оценки могут получиться несогласованными. Например, для меня интерес важнее денег, а деньги важнее карьеры. Очевидно, что интерес должен быть существенно важнее карьеры. В данной таблице так и есть. Но если бы оценка для «интерес-карьера» была меньшей или вообще обратной, то мои оценки были бы не согласованы между собой.

Оценить меру этой несогласованности поможет собственное значение матрицы сравнений. Оно равно 6,7048.

Очевидно, что собственное значение пропорционально количеству критериев. Чтобы оценка согласованности не зависела от количества критериев, рассчитывается так называемый индекс согласованности = (собственное значение - N) / (N - 1).

Наконец, чтобы оценка была совсем объективной необходимо разделить данный индекс на усредненный индекс согласованности для случайных матриц. Если полученная величина (отношение согласованности) меньше 0,1000, то парные сравнения можно считать более-менее согласованными. В нашем примере оно равно 0,1137, это значит, что рассчитанным приоритетам можно более-менее доверять.

1.3 Оценка альтернатив

Теперь необходимо сравнить все альтернативы по каждому из критериев.

Например, при переезде в Москву я существенно выиграю в зарплате. Но работа, скорее всего, будет менее интересная, а также будет оставаться меньше времени для жизни. Или при переезде за границу мне придется отказаться от своего языка, подстраиваться под чужие культурные ценности.

По каждому критерию рассчитывается собственный вектор и отношение согласованности.

Полученные собственные векторы записаны в столбцах:

Отношения согласованности по каждому критерию записаны в следующем векторе:
[ 0,0337; 0,0211; 0,1012; 0,1399; 0,1270; 0,9507 ]
Большинство значений меньше или незначительно превышают 0,1000. Однако для критерия «культура» отношение согласованности получилось очень большое. Это связано с тем, что я неправильно расставил часть оценок. Хотел поставить 7 для «ничего не менять – переехать за границу», потому что жить в родном городе гораздо комфортнее. Но по ошибке поставил 1/7.

1.4 Определение приоритетов альтернатив

Итак, мы оценили критерии, навесили на каждую альтернативу ярлычок: какой вариант более денежный, какой более интересный и т.д. Теперь необходимо оценить альтернативы по всем критериям в сумме. Для этого достаточно умножить матрицу

На вектор
[ 0,0592; 0,2323; 0,3846; 0,0555; 0,1220; 0,1462 ]
В итоге мы получим следующий вектор:
[ 0,3184; 0,1227; 0,2049; 0,3540 ]
Это и есть значимости альтернатив относительно достижения цели.

1.5 Принятие решения

Теперь изобразим все рассчитанные значения на следующем рисунке:

В скобках указано отношение согласованности оценок.

Толщина линий пропорциональна приоритетам. Наиболее интересна и перспективна в плане карьеры текущая работа. Фриланс позволил бы больше бывать на природе и больше времени тратить на жизнь. Более денежная работа в Москве и заграницей.

Видно, что Москва совсем отпадает. Заграница чуть лучше, но тоже не очень. Ничего не менять и фриланс примерно на одном уровне.

2 Создание метамодели

Теперь опишем как всё это рисуется и считается.

Сначала необходимо описать метамодель: виды сущностей, которые используются в методе анализа иерархий. Причем, в отличие от мы не будем рисовать метамодель в виде диаграммы, а опишем её в текстовой нотации Xcore.

Остановимся только на самых интересных вещах. Xcore в отличие от Ecore позволяет описывать не только структуру модели, но и некоторую логику на Java-подобном языке. Опишем, например, тип данных для хранения оценок. Положительные оценки будем хранить в виде положительных целых чисел. А обратные оценки вида 1/n будем хранить как -n. Мы могли бы хранить оценки в виде строк или в виде действительных чисел, но, наверное, это плохая идея.

При этом нам нужны две функции для преобразования оценок из или в строковое представление. На Xcore это будет выглядеть так:

Type Weight wraps int create { if (it.matches("\\d+")) { Integer.parseInt(it) } else if (it.matches("1\\s*/\\s*\\d+")) { val result = Integer.parseInt(it.replaceFirst("1\\s*/\\s*", "")) if (result <= 1) 1 else -result } else { throw new NumberFormatException("The weight must be either n or 1/n") } } convert { if (it >= 1) { it.toString } else if (it >= -1) { "1" } else { "1/" + (-it).toString } }
Xcore позволяет описывать также и относительно сложную логику.

Вот, например, операция расчета приоритетов в иерархии.

class Hierarchy { op void updatePriorities() { priorities.clear inconsistencies.clear val mat = new JudgmentMatrix(criteria) val criteriaJudgments = judgments.filter(typeof(CriterionJudgment)).filter(cj | cj.goal == goal) for (judgment: criteriaJudgments) { mat.set(judgment.first, judgment.second, judgment.weight) } for (criterion: criteria) { val GoalCriterionPriority priority = AHPFactory.eINSTANCE.createGoalCriterionPriority priority.goal = goal priority.criterion = criterion priority.value = mat.findEigenvectorElement(criterion) priorities.add(priority) } val goalInconsistency = AHPFactory.eINSTANCE.createGoalInconsistency goalInconsistency.goal = goal goalInconsistency.value = mat.inconsistency inconsistencies.add(goalInconsistency) val mat2 = new Matrix(alternatives.size, criteria.size) criteria.forEach ] val mat4 = mat2.multiply(mat.eigenvector) alternatives.forEach } }

Наконец, для Xcore-модели (как и для Ecore-модели) вы можете создать диаграмму классов.

Так выглядит метамодель для метода анализа иерархий. Это максимально упрощенный вариант. А в общем случае, иерархия может содержать более трех уровней (например, у критериев могут быть подкритерии). Матрицы связей между уровнями могут быть разреженными. Оценки могут ставить несколько экспертов, а не один.

Так выглядит спецификация редактора диаграмм и таблиц:

Так выглядит результирующий редактор:

Совсем декларативно описать редактор иерархий не получилось, пришлось писать расширения на Java. Думаю, стоит остановиться на этом немного подробней. В Sirius есть по крайней мере два варианта расширений: службы (service) и действия (action).

С помощью служб вы можете добавить классам из метамодели некоторые дополнительные операции. Например, следующие две операции соответственно форматируют приоритет и рассчитывают толщину связей между критериями и альтернативами.

Public class Service { public String toString(Priority priority) { return String.format("%.4f", priority.getValue()); } public int getEdgeWidth(Alternative alternative, EdgeTarget targetView) { DSemanticDecorator targetNode = (DSemanticDecorator)targetView; Criterion criterion = (Criterion)targetNode.getTarget(); Priority priority = alternative.getPriority(criterion); return (int) (priority.getValue() * 7); } }
Удобно то, что эти операции вы можете использовать прямо в AQL-выражениях. Однако, вы не можете с их помощью изменять модель.

Для изменения модели нужно использовать Java-действия. Действия в отличие от служб уже не могут вызываться в AQL-выражениях. Их можно запускать, например, через контекстное меню или по нажатию кнопки. Действия можно откатывать с помощью команды Undo.