相關概念
魯棒策略
諸如武器裝備體系論證等眾多實際問題需要在巨觀層次進行決策,因此它們所要考慮的環境複雜度以及因素的量級不是簡單實驗或單一的模型就可以解決,基於系統仿真進行研究是一種可行之法。然而完全採用解析度較高的仿真模型進行研究,一方面,在模型的開發、驗證以及實驗數據的有效獲取等方面存在較大困難;另一方面,實際問題中存在大量的不確定性,仿真引入這些不確定因素,會引起實驗次數的指數倍增長,導致維度災難。
由於複雜決策面臨存在大量不確定性的情況,尋找對某一特定想定的最優策略已經不能滿足決策者的需求,他們所需的策略是面對儘可能完備的想定空間,其執行效果大於某閾值,該策略被稱為魯棒策略。
魯棒決策
魯棒策略的概念最早是在田口玄一推廣的“穩健設計(robust design)”領域發展起來的。根據田口的觀點,魯棒策略並非是最優方案,而是在面對大量不確定性的情況下可以產生優於某一事先確定的閾值的方案。將這種基本思想推廣到考慮不確定性的一般決策中來,即為魯棒決策。魯棒決策是一種儘可能在已有資源的基礎上消除不確定性因素,並選擇一個對剩餘不確定性不敏感的滿意方案的過程。
魯棒決策評價準則
魯棒決策是一個反覆分析的處理過程。該過程確定策略能在儘量大的想定空間範圍執行並保證結果滿意。評價結果是否滿意一般採用基於準則的評價方法,魯棒決策評價準則是該策略能有一定的滿意度(即執行情況蒲足或超過可以接受的評價準則),並能對失敗具有魯棒性。
與傳統策略對比
傳統決策與魯棒決策具有顯著差別(參見圖)。
過可以接受的評價準則),並能對失敗具有魯棒性。魯棒策略與可選策略相比是在大範圍可能想定中執行相當好的策略子集,而且經常是自適應的。隨時間進化來回響新出現的信息。另外,魯棒決策能幫助建立決策的一致性,因為不同的決策參與者對將來情況的認識可能不一致,但在不同將來情況都能執行較好的策略,比較容易達成一致。
主要表現在:
(1) 在過程上:傳統決策分析方法依賴於每種策略對結果的預測。而魯棒決策分析方法則通過研究策略選項的弱點,分析不同想定條件下應採用的滿意策略;
(2) 對想定空間的要求上:傳統決策分析方法依賴於決策者在決策評估之前對不確定性進行的特徵化,即事先假設了不確定性的機率特徵,在縮減的想定空間中進行策略選項的評估,所以得到的策略只是針對有限的想定,而魯棒決策分析方法則無需這種假設,它所得到的策略是針對儘可能完備的想定空間中的想定的;
(3) 在策略選擇上:傳統決策分析方法一般給出針對某一想定的最優策略,而魯棒決策分析方法則根據系統化地探究不確定條件下各種策略的弱點,給出不同條件下的滿意策略。
面臨的挑戰
在複雜系統高層決策中,雖然魯棒決策有很多優勢,但進行魯棒決策的過程有很多的困難需要克服。進行魯棒決策的困難主要體現在以下幾方面:
1)魯棒決策的魯棒性依賴可選方案集的完整性和全面性,但在實際的次策分析中投有辦法保證能獲取所有的可選解決方案。
2)不容易開發一個比較好的策略評價準則來評價可選方案,這主要是由於在不同的想定情況和策略下,評價準則可能不同。
3)參與決策的個人的價值觀可能不一樣,導致對同題的重要性認識不一致。
4)評價準則信息不全面或不確定。評價準則的特徵在很多情況下測度困難或不可測度。
5)決策問題隨時同改變而進化,決策中的大量不確定性因素使得發現滿意解央方案有一定困難。。策略的實施與實施後產生的影響是一個漸進的過程,使得有不同症狀的拙劣決策很難立即得到驗證。
魯棒決策要素
在探索性分析環境中,魯棒決策過程是一個基於入機結合、互動、反覆的過程。要實現決策的魯棒性,在分析過程中應考慮以下4個關鍵要素:
1)儘量考慮大量的想定,儘量構成完備的想定空間。由於複雜系統中包含大量的不確定性因素,對系統以後的發展和系統以後所處的環境一般情況下很難進行準確預測,如果只考慮少數幾種可能情況則很難保證其具有代表性。實現決策的魯棒性的首要條件是充分考慮將來可能出現的各種情況,在儘可能的條件下儘量保證其構成的想定空間具有完備性,能代表各種可能情況。
2)追求策略的魯棒性比最優性更重要。具有魯棒性的策略是指在廣闊的將來可能範圍內和可選策略集中執行效果滿足或超過域值的策略。魯棒性為複雜系統的長期規劃提供了一個很好的準劉,因為它反映的是很多決策者在不確定性條件下實際使用的方法。
3)套用自適應獲取魯棒性。自適應策略一般隨時間推進而進化,以應對新出現的信息。短期自適應策略通過形成將來決策的可選項來尋求影響長期將來的策略,近期策略應明顯地考慮到在將來對該策略進行修訂。
4)基於人機結合、互動式探索多種可能空間來獲取魯棒策略。人單獨不船長時問跟蹤大量相關的詳細信息,但自動化的計算機互動方法可輔助研究人員觀察大量數據,並能測試和發現在各種可能的大範圍內所需要的假設。在計算機引導下。探索想定空聞和決策空闖能幫助人們發現自適應策路,麗且該策略能在大範圍的可能想定空間中具有魯棒性。