Аннотация:
Статья посвящена разработке устойчивой математической модели приоритизации задач в условиях многокритериальности, изменяющихся входных данных и частичной неполноты информации, что характерно для современных распределенных и потоковых цифровых систем. Предлагаемая модель обеспечивает автоматическое определение весов критериев на основе статистической вариативности (например, стандартного отклонения) и их динамическую адаптацию с учетом фактической результативности выполнения задач. В отличие от традиционных методов (AHP, TOPSIS), требующих полной информации и ручной настройки, модель не чувствительна к пропущенным значениям, не нуждается в переобучении и обеспечивает аналитическую интерпретируемость решений. Реализован механизм компенсации фрагментарных данных и адаптации к изменению структуры признаков. Проведено сравнение с методами машинного обучения и эвристиками. Экспериментальные результаты, полученные на синтетических и приближенных к реальности наборах, продемонстрировали высокую точность ранжирования (по коэффициенту Спирмена), устойчивость к пропускам (до 50%) и линейную масштабируемость при увеличении количества задач и критериев. Модель применима в системах поддержки принятия решений, DevOps, логистике, мониторинге, управлении инцидентами и других цифровых средах с высокой степенью неопределенности и динамики.
Ключевые слова:
приоритизация, многокритериальность, неполные данные, адаптация, устойчивость, поток данных.
Полный текст:
PDF файл (1492 kB)