по
Меню журнала
> Архив номеров > Рубрики > О журнале > Авторы > О журнале > Требования к статьям > Редакция и редакционный совет > Порядок рецензирования статей > Рецензирование за 24 часа – как это возможно? > Политика издания > Ретракция статей > Этические принципы > Политика открытого доступа > Оплата за публикации в открытом доступе > Публикация за 72 часа: что это? > Политика авторских прав и лицензий > Политика цифрового хранения публикации > Политика идентификации статей > Политика проверки на плагиат
Журналы индексируются
Реквизиты журнала

Публикация за 72 часа - теперь это реальность!
При необходимости издательство предоставляет авторам услугу сверхсрочной полноценной публикации. Уже через 72 часа статья появляется в числе опубликованных на сайте издательства с DOI и номерами страниц.
По первому требованию предоставляем все подтверждающие публикацию документы!
ГЛАВНАЯ > Вернуться к содержанию
Кибернетика и программирование
Правильная ссылка на статью:

Система поддержки принятия решений по распределению заданий по ведению реестра операторов персональных данных на основе нечетко-продукционной модели
Талипов Нафис Гишкуллович

аспирант, кафедра систем информационной безопасности, Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ

420111, Россия, Республика Татарстан, г. Казань, ул. К. Маркса, 10

Talipov Nafis Gishkullovich

graduate student, Department of Information Security, Tupolev Kazan National Research Technical University.

420111, Russia, Tatarstan, g. Kazan', ul. K.Marksa, 10

nafis.talipov@mail.ru
Другие публикации этого автора
 

 
Катасёв Алексей Сергеевич

кандидат технических наук

доцент кафедры систем информационной безопасности Казанского национального исследовательского технического университета им. А.Н. Туполева-КАИ

420111, Россия, Республика Татарстан, г. Казань, ул. К. Маркса, 10

Katasev Alexey Sergeevich

PhD in Technical Science

Associate Professor of Information Security Systems Department of the Tupolev Kazan National Research Technical University

420111, Russia, respublika Tatarstan, g. Kazan', ul. K.marksa, 10

Kat_726@mail.ru
Другие публикации этого автора
 

 

Аннотация.

В данной работе предметом исследования является разработка и практическое использование интеллектуальной системы поддержки принятия решений по распределению заданий по ведению реестра операторов персональных. Объектом исследования является задача рационального выбора исполнителей заданий в системе электронного документооборота территориального органа Роскомнадзора. Авторы подробно рассматривают задачи по защите прав субъектов персональных данных, схему обработки и распределения заданий по ведению реестра операторов персональных данных, анализируют проблему ручного распределения заданий, ставят задачу автоматизации эффективного распределения заданий по исполнителям. Для решения поставленной задачи предлагается специально разработанная нечетко-продукционная модель. Данная модель позволяет на основе экспертной оценки квалификации, работоспособности и загруженности исполнителей рационально распределять задания различных уровней сложности. Приводится описание системы поддержки принятия решений и алгоритм ее использования при распределении заданий. Научная новизна предложенного подхода к решению поставленной задачи заключается в автоматизации распределения заданий по исполнителям на основе разработки и практического использования нечетко-продукционной модели. Предлагается оригинальный вид нечетко-продукционных правил для формализации экспертных знаний по рациональному выбору исполнителей заданий с учетом их квалификации, работоспособности и текущего уровня загруженности. Оценка адекватности нечетко-продукционной модели, а также эффективности решения поставленной задачи на базе разработанной системы показала возможность существенного снижения интеллектуальной нагрузки на эксперта при распределении заданий, а также повышение средней скорости принятия решений на 80,3%.

Ключевые слова: поддержка принятия решений, система электронного документооборота, единая информационная система, прикладная подсистема, распределение заданий, нечетко-продукционная модель, программный комплекс, оператор персональных данных, алгоритм логического вывода, интеллектуальная система

DOI:

10.7256/2306-4196.2016.6.21271

Дата направления в редакцию:

30-11-2016


Дата рецензирования:

01-12-2016


Дата публикации:

02-02-2017


Abstract.

The subject of the present research article is the development and practical implementation of the intelligent decision support system that distributes tasks related to maintenance of the personal data processors register. The object of the research is the task of a rational choice of task performers in the system of electronic flow of documents run by the territorial body of the Federal Supervision Agency for Information Technologies and Communications. The authors examine tasks of defending the rights of personal data owners, scheme for processing and distributing these tasks of keeping the registry of personal data processors, analyze the problem of manual distribution of tasks and set a goal to automate an efficient distribution of tasks between performers. To achieve the research target, the authors offer their own fuzzy-production model that has been developed especially for these purposes. This model allows to rationally distribute tasks of different difficulty levels based on the expert evaluation of competence, working capacity and work load of performers. The authors also give a description of the decision support system and algorithm for using it in the process of tasks distribution. The scientific novelty of the authors' approach to achieving the aforesaid goal is caused by the fact that they offer an automated distribution of tasks between performers based on developing and practically implementing the fuzzy-production model. They also provide original fuzzy-production rules to formalize expert knowledge concerning a rational selection of tasks performers taking into account their competence, working capacity and current work load. Analysis of the adequacy of this fuzzy-production model as well as efficient solution of the set goals based on the developed system has proved that it is possible to considerably decrease the intellectual load of an expert in the process of tasks distribution as well as increase the speed of the decision making process by 80.3 percent. 

Keywords:

software package, fuzzy-production model, tasks distribution, applied subsystem, unified information system, personal data operator, electronic flow of documents, decision support, inference algorithm, intelligent system

Введение

В настоящее время во многих сферах человеческой деятельности, особенно в государственных органах, большое распространение получают единые информационные системы. Использование данных систем позволяет повысить эффективность документооборота, скорость принятия управленческих решений и обеспечить качественный контроль исполнительской дисциплины [1].

Рассмотрим единую информационную систему, используемую в деятельности территориальных органов Роскомнадзора [2]. С точки зрения защиты прав субъектов персональных данных система обеспечивает решение следующих задач: ведение реестра операторов персональных данных, осуществление надзора и контроля за деятельностью операторов персональных данных, а также рассмотрение обращений граждан, объединений граждан и юридических лиц. Среди перечисленных задач наиболее трудоемким является ведение реестра операторов персональных данных.

На рисунке 1 представлена общая схема обработки и распределения заданий по ведению реестра операторов персональных данных.

Рис. 1. Схема обработки и распределения заданий по ведению реестра операторов персональных данных

При поступлении нового документа делопроизводитель должен зарегистрировать его в системе и передать электронное уведомление руководителю, который создает поручение начальнику отдела, ответственного за принятие решения по распределению порученного задания исполнителям. Начальник отдела анализирует поступившее задание и передает его на выполнение конкретному исполнителю. Положительные результаты выполненных заданий начальник отдела включает в проект приказа, который направляется руководителю на утверждение. На завершающем этапе обработки задания сведения об операторе размещаются в реестре операторов персональных данных. Важным моментом в рассмотренной схеме является необходимость распределения заданий по исполнителям [3,4]. Причем данная задача решается вручную на основе опыта и интуиции начальника отдела, выступающего в данном случае лицом, принимающим решения (ЛПР) [5]. В данном подходе ЛПР сталкивается с проблемой, заключающейся в следующем:

- наличием неопределенности числа ежедневно поступающих заявлений от различных категорий операторов персональных данных с различной сложностью обработки при динамически меняющемся составе исполнителей заданий;

- наличием неопределенности в принятии правильного решения при различных уровнях квалификации лиц, принимающих решения о распределении заданий по исполнителям и текущей загруженности исполнителей, обрабатывающих поступающие задания с задачей не превышения установленных административным регламентом сроков.

Очевидно, что ввиду наличия факторов нечеткости и неопределенности данная проблема не имеет однозначного решения [6,7]. Следовательно, от квалификации ЛПР, от правильности принимаемых им решений по распределению заданий зависит эффективность его работы. Таким образом, в автоматизированных системах электронного документооборота, в которых ведущую роль по распределению заданий играет человек, актуальна разработка интеллектуальных систем поддержки принятия решений [8,9] для руководителя с целью повышения эффективности распределения заданий по исполнителям.

Постановка и формализация задачи распределения заданий

Рассмотрим формальную постановку задачи распределения заданий по ведению реестра операторов персональных данных. Пусть дано множество заданий Z ={z 1, z 2, …, zN } в количестве N , каждое из которых характеризуется определенным уровнем сложности. Можно выделить 3 уровня сложности заданий, соответствующих обрабатываемым документам, поступающим от различных категорий операторов персональных данных. Введем следующие обозначения:

- «низкий» (S 1) – документы от операторов «физическое лицо» и «индивидуальный предприниматель»;

- «средний» (S 2) – документы от операторов «юридическое лицо»;

- «высокий» (S 3) – документы от операторов «государственные и муниципальные органы».

Также имеется множество исполнителей заданий A ={a 1, a 2, …, an }, причем их количество и состав со временем могут меняться. Кроме того, известны характеристики каждого исполнителя: текущий уровень загруженности С 1, рабо-тоспособность С 2 и уровень квалификации С 3. С целью поддержки принятия решений ЛПР (начальником отдела или его заместителем) требуется рационально распределить все N заданий по исполнителям с учетом их числа, состава, квалификации, работоспособности и текущей загруженности [10].

Существует большое количество подходов к решению оптимизационных задач [11-14]. Однако, в указанных условиях лицо, принимающее решение, должно учитывать факторы неопределенности, а также нечеткий характер используемых критериев [15]. Следовательно, для решения поставленной задачи необходимо применять нечеткие методы рационального выбора альтернатив [16]. В данной работе для решения поставленной задачи предлагается использовать специально разработанную нечетко-продукционную модель распределения заданий [17,18].

Нечетко-продукционная модель распределения заданий

Разработка нечетко-продукционной модели распределения заданий предполагает решение следующих основных задач [19-21]:

- выбор вида нечетко-продукционных правил, как модели представления экспертных знаний для формализации характеристик исполнителей;

- разработки алгоритма логического вывода на правилах для поиска решения задачи по распределению заданий.

Рассмотрим предлагаемый вид правил, используемых экспертом при распределении заданий по исполнителям [22].

, (1)

где – загруженность i -го исполнителя;

– сложность задания;

– нечеткие градации загруженности исполнителей;

– степени принадлежности значений xi к НМ ;

– значение сложности задания из множества {S 1, S 2, S 3};

y – выходная переменная, определяющая исполнителя задания;

– конкретный исполнитель задания из {a 1, a 2, …, an };

CFi – полезность выбора i -го исполнителя.

В данных правилах в качестве входных переменных используются загруженности каждого исполнителя, а также сложность задания, которое требуется распределить на исполнение одному из исполнителей. Единственная выходная переменная определяет данного исполнителя. Особенностью данного вида нечетко-продукционных правил, как модели представления экспертных знаний, является использование параметра достоверности правила CF , определяющего в данном случае полезность выбора исполнителя задания. Необходимо отметить, что первые n входных переменных являются нечеткими, так как определяют нечеткие уровни загруженности исполнителей (например, «низкая», «средняя», «высокая»), а n +1 входной параметр является четким и принимает одно из трех возможных значений: задание низкого, среднего и высокого уровня сложности (в зависимости от типа оператора).

Принятие решений по выбору исполнителей заданий зависит от числа и состава исполнителей [23]. Рассмотрим методику построения системы нечетко-продукционных правил для конкретного числа и состава исполнителей заданий. Данная методика включает следующие этапы:

1) задать число n и состав исполнителей заданий A ={a 1, a 2, …, an };

2) задать количество m и наименование нечетких градаций загруженности исполнителей (при m =3: «низкая» , «средняя» , «высокая» );

3) построить множество комбинаций из значений входных (xi и xi +1) и выходного (y ) параметров правил при условии, что множество значений сложности заданий (xi +1) равно 3, а число комбинаций .

4) для каждой комбинации задать нечетко-продукционное правило вида (1).

Таким образом, система нечетко-продукционных правил представляет собой комбинацию входных условий (различных значений загруженности исполнителей и сложности заданий) с исполнителями заданий.

Использование описанной методики позволяет формировать систему правил для конкретного числа и состава исполнителей следующего вида:

(2)

где – определяет значение (нечеткую градацию) загруженности исполнителя из множества , – определяет сложность задания из множества {S 1, S 2, S 3}.

Необходимо отметить, что для каждого состава исполнителей необходимо формировать свою систему правил, которая будет лежать в основе соответствующей нечетко-продукционной модели распределения заданий.

В данной работе для поиска решения задачи по рациональному выбору исполнителей предложен алгоритм логического вывода на сформированной системе нечетко-продукционных правил вида (2). В данном алгоритме для каждого правила рассчитываются следующие оценки [24]:

- V Î[0;1] (veracity) – степень достоверности антецедента нечеткого правила, равная минимальной степени срабатывания каждого из его условий:

, (3)

где – фактическое число заданий у i -го исполнителя, – сложность задания, причем .

- С Î[0;1] (complex ) – комплексная оценка достоверности решения правила:

C = V * CF, (4)

где CF – полезность выбора исполнителя в правиле.

Рассмотрим алгоритм логического вывода на правилах для распределения заданий по исполнителям (алгоритм распределения заданий).

1. Определение уровня сложности поступившего задания по категории оператора персональных данных.

2. Определение числа одновременно выполняемых заданий у каждого исполнителя.

3. Для каждого r -го правила системы расчет степеней срабатывания и его условий.

4. Расчет степеней достоверности антецедентов каждого правила по формуле (3).

5. Формирование конфликтного множества, включающего правила с ненулевой степенью достоверности:

6. Для всех правил из конфликтного множества расчет комплексной оценки по формуле (4).

7. Разрешение конфликта: выбор правила с максимальной комплексной оценкой:

8. Получение значения консеквента выбранного правила в качестве искомого решения задачи (исполнителя задания).

На первом этапе алгоритма определяется уровень сложности задания, поступившего на вход данного алгоритма. Далее производится подсчет количества одновременно выполняемых заданий у каждого исполнителя. На следующем этапе для каждого правила системы определяются степени срабатывания его условий и рассчитываются степени достоверности антецедентов правил. Из числа правил с ненулевой степенью достоверности формируется конфликтное множество правил, для которых рассчитывается комплексная оценка достоверности решения. Из конфликтного множества правил выбирается решающее правило, для которого комплексная оценка максимальна. Следовательно, предложенный алгоритм определяет исполнителя задания, указанного в консеквенте выбранного правила.

Таким образом, нечетко-продукционная модель распределения заданий представляет собой систему нечетко-продукционных правил вида (2), определяемых комбинацией входных условий с исполнителями заданий, а также алгоритм логического вывода на правилах. Для практического использования модели разработан программный комплекс, как система поддержки принятия решений по распределению заданий по ведению реестра операторов персональных данных. В качестве языка реализации выбран объектно-ориентированный язык программирования C#. Разработка программного комплекса проводилась в среде Microsoft Visual Studio 2012 IDE.

Описание системы поддержки принятия решений

Разработанная система поддержки принятия решений по распределению заданий по ведению реестра операторов персональных данных имеет модульную структуру и состоит из трех базовых модулей. На рисунке 2 представлена структурная схема данной системы.

Рис. 2. Структурная схема системы поддержки принятия решений

Основными компонентами системы являются модуль формирования состава исполнителей заданий, модуль распределения заданий по исполнителям и экспериментально-исследовательский модуль. Первый модуль позволяет добавлять исполнителей заданий и задавать их характеристики. Второй модуль включает блок построения нечетко-продукционной модели распределения заданий, а также блок нечеткого логического вывода для распределения заданий по исполнителям. Третий модуль используется для генерации заданий, оценки точности модели распределения заданий и визуализации полученных результатов.

Следует отметить, что конкретные данные, поступающие на вход программного комплекса и получаемые при этом результаты, зависят от того, с каким из модулей в конкретный момент работает эксперт (ЛПР). Например, при работе с модулем распределения заданий входными данными будут являться конкретные задания и возможные исполнители заданий. На выходе будет формироваться схема распределения заданий по исполнителям.

На рисунке 3 представлено главное окно программного комплекса.

Рис. 3. Главное окно программного комплекса

Как видно из данного рисунка, в окне показаны исполнители заданий, множество заданий для распределения, а также текущие результаты распределения заданий на основе использования нечетко-продукционной модели.

Оценка адекватности модели распределения заданий

Для оценки адекватности модели распределения заданий использованы реальные данные, накопленные в системе электронного документооборота Территориального органа Роскомнадзора по Республике Татарстан. Рассмотрим информацию, которой оперирует эксперт (ЛПР) в повседневной деятельности для распределения заданий по исполнителям. Для принятия решения ему необходимо оценить уровень сложности поступившего задания, а также текущую загруженность каждого исполнителя. На основании данных оценок ЛПР принимает решение о распределении входящего задания конкретному исполнителю. При этом эксперт учитывает работоспособность и квалификацию каждого исполнителя.

Для оценки адекватности нечетко-продукционной модели произведено сравнение результатов ее работы с эталонными (экспертными) схемами распределения заданий. В таблице 1 представлен фрагмент одной из схем.

Табл. 1. Фрагмент экспертной схемы распределения заданий

п/п

Уровень сложности задания

Текущее число заданий у исполнителей

Исполнитель задания

a 1

a 2

a 3

a 4

1

высокий

14

16

14

6

a 1

2

высокий

15

16

14

6

a 3

3

низкий

15

16

15

6

a 4

4

средний

15

16

15

7

a 4

5

средний

15

16

15

8

a 4

6

средний

15

16

15

9

a 4

7

высокий

15

16

15

10

a 3

8

высокий

15

16

16

10

a 3

9

высокий

15

16

17

10

a 3

10

высокий

15

16

18

10

a 3

Всего для проведения исследований было сформировано 10 эталонных схем со средним числом заданий в каждой схеме, равным 166. В таблице 2 представлены характеристики сформированных эталонных схем.

Табл. 2. Характеристики эталонных схем распределения заданий

№ схемы

Всего зада-ний

Число заданий по уровням сложности

Всего испол-ните-лей

Структура экспертного распределения заданий

низкий

(Н)

средний

(С)

высокий

(В)

a 1

(Н,С,В)

a 2

(Н,С,В)

a 3

(Н,С,В)

a 4

(Н,С,В)

a 5

(Н,С,В)

a 6

(Н,С,В)

1

148

2

36

110

4

0,0,40

0,0,36

0,6,34

2,30,0

2

156

21

109

26

4

0,37,11

0,36,12

13,15,3

8,21,0

3

180

15

82

83

4

0,18,38

0,17,35

6,22,10

9,25,0

4

174

18

78

78

4

0,21,27

0,19,29

6,18,22

12,20,0

5

190

14

116

60

5

0,16,21

0,20,19

0,23,15

4,28,5

10,29,0

6

163

12

89

62

5

0,18,22

0,20,19

1,23,13

2,12,8

9,16,0

7

127

14

65

48

5

0,5,18

0,8,14

0,11,12

1,18,4

13,23,0

8

135

17

65

53

6

0,4,22

0,7,16

0,11,9

0,14,6

4,15,0

13,14,0

9

207

20

119

68

6

0,10,23

0,19,17

0,22,16

0,24,11

8,23,1

12,21,0

10

179

21

111

47

6

0,8,18

0,12,16

0,24,9

0,26,4

7,25,0

14,16,0

В данной таблице по каждой схеме указано общее количество заданий, их распределении по уровням сложности, общее количество и состав исполнителей заданий, а также структура экспертного распределения заданий по исполнителям.

Для проверки адекватности модели распределении заданий разработан специальный метод – метод сравнения модели с эталонными схемами. Рассмотрим суть данного метода.

Пусть имеются эталонные схемы распределения заданий по исполнителям и в каждой Sj схеме имеется nj исполнителей {a 1, a 2, …, an j }, а общее число заданий в схеме для распределения равно Nj , j =1..10. Для каждой схемы введем следующие обозначения, определяющие структуру распределения заданий по исполнителям моделью и экспертом:

- – количество заданий k -го уровня сложности, распределенных моделью i -му исполнителю (i =1..nj ) – структура распределения заданий моделью;

- – количество заданий k -го уровня сложности, распределенных экспертом i -му исполнителю (i =1..nj ) – структура распределения заданий экспертом.

Причем – суммарное количество распределенных в каждой структуре заданий совпадает (т.е. все задания распределены по исполнителям).

Рассмотрим этапы работы данного метода:

1) для каждой эталонной схемы Sj , j от 1 до 10:

1.1) получение заданий в объеме Nj для их распределения по исполнителям в количестве nj человек;

1.2) определение структуры экспертного распределения заданий;

1.3) использование модели для распределения всех заданий и определение структуры их распределения ;

1.4) расчет точности Pj распределения заданий по формуле:

(5)

2) расчет общей точности модели P по формуле:

. (6)

Работа метода заключается в выполнении 2-х последовательных этапов. На первом этапе для каждой из эталонных схем формируются экспертная структура распределения заданий и структура их распределения моделью, а также вычисляется точность распределения заданий по формуле (5). На втором этапе производится расчет общей (усредненной) точности модели по формуле (6). Таким образом, адекватность нечетко-продукционной модели определяется ее усредненной точностью относительно всех эталонных схем распределения заданий по исполнителям.

В таблице 3 представлены результаты проведенных экспериментов по оценке точности разработанной модели.

Табл. 3. Экспериментальная оценка точности нечетко-продукционной модели распределения заданий

№ схемы,

Sj

точность

1

2

3

4

5

6

7

8

9

10

Pj , %

93,24

94,23

94,44

96,55

95,79

95,71

96,06

95,56

94,69

95,53

P , %

95,18

Как видно из таблицы, средняя ошибка модели составляет не более 5%, следовательно, модель является адекватной, т.е. соответствует цели моделирования, а именно, получение схем распределения заданий, близких к экспертным. Таким образом, предложенная в работе нечетко-продукционная модель является эффективным инструментом поддержки принятия решений для ЛПР по рациональному выбору исполнителей заданий.

Оценка эффективности распределения заданий на базе программного комплекса

Разработанная система поддержки принятия решений внедрена в составе автоматизированной информационной системы Территориального органа Роскомнадзора в виде прикладной подсистемы «Распределение заданий по ведению реестра операторов персональных данных» (см. рис. 4).

Рис. 4. Подсистема распределения заданий в составе системы электронного документооборота

На рисунке данная подсистема представлена в структуре общей системы электронного документооборота. Рассмотрим схему обработки и распределения заданий с использованием разработанного программного комплекса (см. рис. 5).

Рис. 5. Схема обработки и распределения заданий по ведению реестра операторов персональных данных с использованием программного комплекса

Данная схема отличается от рассмотренной ранее тем, что ЛПР на этапе принятия решений непосредственно использует программный комплекс распределения заданий, выступающий для него в роли системы поддержки принятия решений. Рассмотрим алгоритм использования программного комплекса при распределении заданий по исполнителям. Данный алгоритм включает следующую последовательность шагов.

1. Получить входные данные: множество заданий Z ={z 1, z 2, …, zN }, множество исполнителей заданий A ={a 1, a 2, …, an }.

2. При необходимости настроить программный комплекс на текущий состав исполнителей (иначе выбрать готовый режим и перейти на шаг 3):

2.1) задать характеристики каждого исполнителя ai , (i= 1..n );

2.2) сгенерировать систему нечетко-продукционных правил вида (2), соответствующую текущему составу исполнителей.

3. Подать очередное задание из множества Z на вход алгоритма распределения заданий и определить соответствующего исполнителя.

4. Построить схему XM распределения заданий по исполнителям (конкретное множество заданий ZiZ для каждого исполнителя ai ).

5. Лицу, принимающему решения, произвести экспертную оценку схемы распределения заданий XM и, при необходимости, внести в нее изменения (получить схему XЭ).

6. Распределить задания по исполнителям согласно окончательной схеме распределения заданий.

На рисунке 6 представлена блок-схема алгоритма использования программного комплекса при распределении заданий по исполнителям.

Рис. 6. Блок-схема алгоритма использования программного комплекса

На первом этапе формируются входные данные, включающие в себя множество заданий и множество исполнителей. При этом, если состав исполнителей заданий не изменился, то ЛПР выбирает готовый режим работы программы, соответствующий данному составу исполнителей. Однако, в реальном режиме эксплуатации программного комплекса возможна ситуация, когда изменяется состав исполнителей заданий, либо со временем требуется уточнение характеристик исполнителей. В этом случае выполняется второй этап работы алгоритма, заключающийся в настройке программного комплекса на текущий состав исполнителей путем построения новой нечетко-продукционной модели распределения заданий. На третьем и четвертом этапах при помощи модели предлагается распределение всех заданий по исполнителям и формируется схема распределения заданий. На пятом этапе работы алгоритма ЛПР имеет возможность оценить предложенную схему распределения заданий и, при необходимости, внести в нее изменения, тем самым получив экспертную (окончательную) схему распределения заданий. Шестой этап заключается в непосредственном распределении всех заданий по исполнителям согласно окончательной схеме распределения заданий.

С целью определения эффективности практического использования программного комплекса в составе автоматизированной информационной системы Территориального органа Роскомнадзора определена оценка интеллектуальной нагрузки на ЛПР при распределении заданий до и после внедрения разработанной программы. В таблице 4 представлены способы решения задачи ЛПР при распределении заданий.

Интеллектуальная нагрузка на ЛПР при распределении заданий (до и после внедрения программного комплекса)

Табл. 4. Решение задач по распределению заданий до и после внедрения программного комплекса

п/п

Основные задачи ЛПР

Способы решения задачи

до внедрения

после внедрения

1

Оценка уровня сложности поступившего задания

вручную

автоматически + оценка ЛПР

2

Определение загруженности исполнителей

вручную

автоматически

3

Построение схемы распределения заданий для конкретного состава исполнителей с учетом их работоспособности, квалификации и загруженности

вручную

автоматически + оценка ЛПР

Как видно из таблицы, решаемые ЛПР задачи по оценке уровня сложности поступившего задания, определению загруженности исполнителей и построению схемы распределения заданий до внедрения программного комплекса выполнялись вручную, что создавало высокую интеллектуальную нагрузку на ЛПР. Внедрение и практическое использование программного комплекса позволило автоматизировать решение данных задач, что существенно снизило интеллектуальную нагрузку на ЛПР [25].

Кроме того, в работе проведена оценка времени, затрачиваемого ЛПР на распределение 35 заданий до и после внедрения программного комплекса. В таблице 5 представлены данные в минутах о решении указанных задач вручную либо с использованием программного комплекса.

Табл. 5. Оценка времени распределения заданий до и после внедрения программного комплекса

п/п

Основные задачи ЛПР

Среднее время решения задачи, мин

до внедрения

после внедрения

1

Оценка уровня сложности 1 задания

5

1

Оценка уровня сложности 35 заданий

5´35 = 175

1´35 = 35

2

Определение загруженности исполнителей

5

0,5

3

Построение схемы распределения заданий для конкретного состава исполнителей с учетом их работоспособности, квалификации и загруженности

10

2

Итого:

190

37,5

По результатам проведенных исследований и усредненных за период эксплуатации программного комплекса оценок можно сделать вывод, что автоматизация выбора исполнителей с использованием программного комплекса позволяет повысить среднюю скорость принятия решений на 80,3%, т.е., соответственно, уменьшить время на принятие решений в 5 раз.

Заключение

На основе анализа предметной области актуализирована необходимость и сформулирована задача автоматизации распределения заданий по ведению реестра операторов персональных данных. Для ее решения разработано соответствующее математическое и программное обеспечение в виде нечетко-продукционной модели, алгоритма логического вывода на правилах модели, а также системы поддержки принятия решений по распределению заданий по исполнителям. Результаты экспериментальных исследований и практического использования системы показали устойчивость описанного подхода и согласованность получаемых решений с мнением экспертов, что подтверждает эффективность разработанного математического и программного обеспечения для решения задачи распределения заданий в автоматизированных системах электронного документооборота.

Библиография
1.
Трегубов В.М., Катасёв А.С., Кириллов А.Е., Алексеев А.А. Информационная технология анализа и классификации электронных документов / Поиск эффективных решений в процессе создания и реализации научных разработок в российской авиационной и ракетно-космической промышленности. Международная научно-практическая конференция. Казань. – 2014. – С. 345-348.
2.
Аникин И.В., Кирпичников А.П., Талипов Н.Г. Оценка эффективности деятельности уполномоченного органа по защите прав субъектов персональных данных // Вестник Казанского технологического университета. – 2015. – Т. 18. – № 1. – С. 279-281.
3.
Ивченко В.Д., Корнеев А.А. Анализ методов распределения заданий в задаче управления коллективом роботов // Мехатроника, автоматизация, управление. – 2009. – № 7. – С. 36-42.
4.
Ченцов П.А. О задаче распределения заданий между участниками с ограничениями на выбор заданий // Вестник компьютерных и информационных технологий. – 2007. – № 7. – С. 52-56.
5.
Катасёв А.С., Катасёва Д.В. Разработка нейросетевой системы классификации электронных почтовых сообщений // Вестник Казанского государственного энергетического университета. – 2015. – № 1 (25). – С. 68-78.
6.
Демидова Л.А. Развитие методов теории нечетких множеств и генетических алгоритмов для задач поддержки принятия решений в условиях неопределенности: теоретико-методологическое исследование. Автореферат диссертации на соискание ученой степени докт. техн. наук. – Рязань, 2009. – 39 с.
7.
Катасёва Д.В. Методы анализа и прогнозирования временных рядов // Международная молодежная научная конференция «XXII Туполевские чтения (школа молодых ученых)». – 2015. – С. 115-120.
8.
Катасёв А.С., Катасёва Д.В. Интеллектуальный анализ временных рядов в системах диагностики и поддержки принятия решений / Поиск эффективных решений в процессе создания и реализации научных разработок в российской авиационной и ракетно-космической промышленности Международная научно-практическая конференция. Казань. – 2014. – С. 481-483.
9.
Чернов В.Г. Модели поддержки принятия решений в инвестиционной деятельности на основе аппарата нечетких множеств. – М.: Горячая линия – Телеком, 2006. – 255 с.
10.
Змеев С.А., Селютин И.Н., Скрыль Е.Б., Никитин А.А. Рациональный выбор средств защиты при структурном синтезе программных систем защиты информации в системах электронного документооборота // Вестник Воронежского института ФСИН России. – 2013. – № 2. – С. 55-59.
11.
Абдулхаков А.Р., Катасёв А.С. Кластерно-генетический метод редукции баз знаний интеллектуальных систем // Фундаментальные исследования. – 2015. – № 5-3. – С. 471-475.
12.
Глова В.И., Катасёв А.С., Корнилов Г.С. Преднастройка и оптимизация параметров нечеткой нейронной сети при формировании баз знаний экспертных систем // Информационные технологии. – 2010. – № 5. – С. 15-19.
13.
Емалетдинова Л.Ю., Кайнов А.С. Дискретная нейросетевая модель оптимизации распределения заданий по нескольким компьютерам // Вестник Казанского государственного технического университета им. А.Н. Туполева. – 2007. – №1(46). – С. 80-83.
14.
Катасёв А.С., Абдулхаков А.Р. Редукция нечетких правил в задаче оптимизации баз знаний экспертных систем // Вестник Казанского государственного технического университета им. А.Н. Туполева. – 2012. – № 3. – С. 110-115.
15.
Лотов А.В., Поспелова И.И. Многокритериальные задачи принятия решения: Учеб. пособие. – М: МАКС Пресс, 2008. – 197 с.
16.
Илларионов М.Г. Применение метода анализа иерархий в принятии управленческих решений // Актуальные проблемы экономики и права. – 2009. – № 1. – С. 37-42.
17.
Катасёв А.С. Модели и методы формирования нечетких правил в интеллектуальных системах диагностики состояния сложных объектов // Диссертация на соискание ученой степени доктора технических наук / Казанский национальный исследовательский технологический университет. Казань, 2014. – 256 с.
18.
Ковалев С.М., Лященко А.М. Нечетко-продукционная модель оценки ходовых свойств отцепов на основе перцептивного анализа временных рядов // Актуальные вопросы современной науки. – 2013. – № 30-2. – С. 17-26.
19.
Алексеев А.А., Кораблев Ю.А., Шестопалов М.Ю. Идентификация и диагностика систем. – М: Издательский центр «Академия», 2009. – 351 с.
20.
Катасёв А.С., Емалетдинова Л.Ю. Нечетко-продукционная каскадная модель диагностики состояния сложного объекта // Программные системы и вычислительные методы. – 2013. – № 1. – С. 69-81.
21.
Катасёв А.С., Катасёва Д.В. Интеллектуальный анализ временных рядов для формирования нечетких правил диагностики состояния водоводов в нефтяной отрасли // Международная конференция по мягким вычислениям и измерениям. – 2014. – Т. 1. – С. 85-88.
22.
Катасёв А.С., Газимова Д.Р. Инвариантная нечетко-продукционная модель представления знаний в экспертных системах // Вестник Казанского государственного технического университета им. А.Н. Туполева. – 2011. – №1. – С. 142-148.
23.
Черноруцкий И.Г. Методы принятия решений. – СПб.: БХВ-Петербург, 2005. – 416 с.
24.
Катасёв А.С. Математическое и программное обеспечение формирования баз знаний мягких экспертных систем диагностики состояния сложных объектов: монография. – Казань: «Республиканский центр мониторинга качества образования», 2013. – 200 с., ил.
25.
Катасёва Д.В. Интеллектуальный анализ временных рядов для прогнозирования нагрузок в сфере экономического правосудия // VIII Международная научнопрактич. конференция «Логистика и экономика ресурсоэнергосбережения в промышленности» (ЛЭРЭП-8-2014). – 2014. – С. 311-313
References (transliterated)
1.
Tregubov V.M., Katasev A.S., Kirillov A.E., Alekseev A.A. Informatsionnaya tekhnologiya analiza i klassifikatsii elektronnykh dokumentov / Poisk effektivnykh reshenii v protsesse sozdaniya i realizatsii nauchnykh razrabotok v rossiiskoi aviatsionnoi i raketno-kosmicheskoi promyshlennosti. Mezhdunarodnaya nauchno-prakticheskaya konferentsiya. Kazan'. – 2014. – S. 345-348.
2.
Anikin I.V., Kirpichnikov A.P., Talipov N.G. Otsenka effektivnosti deyatel'nosti upolnomochennogo organa po zashchite prav sub''ektov personal'nykh dannykh // Vestnik Kazanskogo tekhnologicheskogo universiteta. – 2015. – T. 18. – № 1. – S. 279-281.
3.
Ivchenko V.D., Korneev A.A. Analiz metodov raspredeleniya zadanii v zadache upravleniya kollektivom robotov // Mekhatronika, avtomatizatsiya, upravlenie. – 2009. – № 7. – S. 36-42.
4.
Chentsov P.A. O zadache raspredeleniya zadanii mezhdu uchastnikami s ogranicheniyami na vybor zadanii // Vestnik komp'yuternykh i informatsionnykh tekhnologii. – 2007. – № 7. – S. 52-56.
5.
Katasev A.S., Kataseva D.V. Razrabotka neirosetevoi sistemy klassifikatsii elektronnykh pochtovykh soobshchenii // Vestnik Kazanskogo gosudarstvennogo energeticheskogo universiteta. – 2015. – № 1 (25). – S. 68-78.
6.
Demidova L.A. Razvitie metodov teorii nechetkikh mnozhestv i geneticheskikh algoritmov dlya zadach podderzhki prinyatiya resheniĭ v usloviyakh neopredelennosti: teoretiko-metodologicheskoe issledovanie. Avtoreferat dissertatsii na soiskanie uchenoi stepeni dokt. tekhn. nauk. – Ryazan', 2009. – 39 s.
7.
Kataseva D.V. Metody analiza i prognozirovaniya vremennykh ryadov // Mezhdunarodnaya molodezhnaya nauchnaya konferentsiya «XXII Tupolevskie chteniya (shkola molodykh uchenykh)». – 2015. – S. 115-120.
8.
Katasev A.S., Kataseva D.V. Intellektual'nyi analiz vremennykh ryadov v sistemakh diagnostiki i podderzhki prinyatiya reshenii / Poisk effektivnykh reshenii v protsesse sozdaniya i realizatsii nauchnykh razrabotok v rossiiskoi aviatsionnoi i raketno-kosmicheskoi promyshlennosti Mezhdunarodnaya nauchno-prakticheskaya konferentsiya. Kazan'. – 2014. – S. 481-483.
9.
Chernov V.G. Modeli podderzhki prinyatiya resheniĭ v investitsionnoĭ deyatel'nosti na osnove apparata nechetkikh mnozhestv. – M.: Goryachaya liniya – Telekom, 2006. – 255 s.
10.
Zmeev S.A., Selyutin I.N., Skryl' E.B., Nikitin A.A. Ratsional'nyi vybor sredstv zashchity pri strukturnom sinteze programmnykh sistem zashchity informatsii v sistemakh elektronnogo dokumentooborota // Vestnik Voronezhskogo instituta FSIN Rossii. – 2013. – № 2. – S. 55-59.
11.
Abdulkhakov A.R., Katasev A.S. Klasterno-geneticheskii metod reduktsii baz znanii intellektual'nykh sistem // Fundamental'nye issledovaniya. – 2015. – № 5-3. – S. 471-475.
12.
Glova V.I., Katasev A.S., Kornilov G.S. Prednastroika i optimizatsiya parametrov nechetkoi neironnoi seti pri formirovanii baz znanii ekspertnykh sistem // Informatsionnye tekhnologii. – 2010. – № 5. – S. 15-19.
13.
Emaletdinova L.Yu., Kainov A.S. Diskretnaya neirosetevaya model' optimizatsii raspredeleniya zadanii po neskol'kim komp'yuteram // Vestnik Kazanskogo gosudarstvennogo tekhnicheskogo universiteta im. A.N. Tupoleva. – 2007. – №1(46). – S. 80-83.
14.
Katasev A.S., Abdulkhakov A.R. Reduktsiya nechetkikh pravil v zadache optimizatsii baz znanii ekspertnykh sistem // Vestnik Kazanskogo gosudarstvennogo tekhnicheskogo universiteta im. A.N. Tupoleva. – 2012. – № 3. – S. 110-115.
15.
Lotov A.V., Pospelova I.I. Mnogokriterial'nye zadachi prinyatiya resheniya: Ucheb. posobie. – M: MAKS Press, 2008. – 197 s.
16.
Illarionov M.G. Primenenie metoda analiza ierarkhii v prinyatii upravlencheskikh reshenii // Aktual'nye problemy ekonomiki i prava. – 2009. – № 1. – S. 37-42.
17.
Katasev A.S. Modeli i metody formirovaniya nechetkikh pravil v intellektual'nykh sistemakh diagnostiki sostoyaniya slozhnykh ob''ektov // Dissertatsiya na soiskanie uchenoi stepeni doktora tekhnicheskikh nauk / Kazanskii natsional'nyi issledovatel'skii tekhnologicheskii universitet. Kazan', 2014. – 256 s.
18.
Kovalev S.M., Lyashchenko A.M. Nechetko-produktsionnaya model' otsenki khodovykh svoistv ottsepov na osnove pertseptivnogo analiza vremennykh ryadov // Aktual'nye voprosy sovremennoi nauki. – 2013. – № 30-2. – S. 17-26.
19.
Alekseev A.A., Korablev Yu.A., Shestopalov M.Yu. Identifikatsiya i diagnostika sistem. – M: Izdatel'skii tsentr «Akademiya», 2009. – 351 s.
20.
Katasev A.S., Emaletdinova L.Yu. Nechetko-produktsionnaya kaskadnaya model' diagnostiki sostoyaniya slozhnogo ob''ekta // Programmnye sistemy i vychislitel'nye metody. – 2013. – № 1. – S. 69-81.
21.
Katasev A.S., Kataseva D.V. Intellektual'nyi analiz vremennykh ryadov dlya formirovaniya nechetkikh pravil diagnostiki sostoyaniya vodovodov v neftyanoi otrasli // Mezhdunarodnaya konferentsiya po myagkim vychisleniyam i izmereniyam. – 2014. – T. 1. – S. 85-88.
22.
Katasev A.S., Gazimova D.R. Invariantnaya nechetko-produktsionnaya model' predstavleniya znanii v ekspertnykh sistemakh // Vestnik Kazanskogo gosudarstvennogo tekhnicheskogo universiteta im. A.N. Tupoleva. – 2011. – №1. – S. 142-148.
23.
Chernorutskii I.G. Metody prinyatiya reshenii. – SPb.: BKhV-Peterburg, 2005. – 416 s.
24.
Katasev A.S. Matematicheskoe i programmnoe obespechenie formirovaniya baz znanii myagkikh ekspertnykh sistem diagnostiki sostoyaniya slozhnykh ob''ektov: monografiya. – Kazan': «Respublikanskii tsentr monitoringa kachestva obrazovaniya», 2013. – 200 s., il.
25.
Kataseva D.V. Intellektual'nyi analiz vremennykh ryadov dlya prognozirovaniya nagruzok v sfere ekonomicheskogo pravosudiya // VIII Mezhdunarodnaya nauchnopraktich. konferentsiya «Logistika i ekonomika resursoenergosberezheniya v promyshlennosti» (LEREP-8-2014). – 2014. – S. 311-313
Ссылка на эту статью

Просто выделите и скопируйте ссылку на эту статью в буфер обмена. Вы можете также попробовать найти похожие статьи


Другие сайты издательства:
Официальный сайт издательства NotaBene / Aurora Group s.r.o.
Сайт исторического журнала "History Illustrated"