- •1. Процесс принятия решений. Три условия принятия решений.
- •2. Принятие решений в условиях определенности. Структура с одним иерархическим уровнем.
- •3. Принятие решений в условиях определенности. Структура с двумя иерархическими уровнями.
- •4. Принятие решений в условиях определенности. Понятие веса и комбинированного веса.
- •5. Принятие решений в условиях определенности. Понятие матрицы парных сравнений.
- •6. Принятие решений в условиях определенности. Понятие нормализованной матрицы.
- •7. Принятие решений в условиях определенности. Пример согласованной матрицы.
- •8. Принятие решений в условиях определенности. Условие согласованности.
- •9. Принятие решений в условиях определенности. Коэффициент согласованности.
- •10. Принятие решений в условиях риска. Сравнение альтернативных решений.
- •11. Принятие решений в условиях риска. Понятие дерева решений.
- •12. Принятие решений в условиях риска. Связь между «состоянием природы» и ожидаемым платежом.
- •13. Принятие решений в условиях риска. Альтернатива на примере ремонта автомобилей.
- •14. Принятие решений в условиях риска. Критерий выбора периодичности ремонта автомобилей.
- •15. Принятие решений в условиях риска. Зависимость вероятности поломки автомобиля от срока эксплуатации.
- •16. Принятие решений в условиях риска. Априорные вероятности.
- •17. Принятие решений в условиях риска. Апостериорные вероятности.
- •18. Принятие решений в условиях риска. Вероятностные соотношения, отражающие мнение специалиста при принятии решения на основе эксперимента над исследуемой системой.
- •19. Принятие решений в условиях риска. Дерево решений при использовании апостериорных вероятностей.
- •20. Принятие решений в условиях риска. Вероятность совместного появления событий m и .
- •21. Принятие решений в условиях риска. Абсолютная вероятность.
- •22. Принятие решений в условиях риска. Выражение для апостериорной вероятности.
- •23. Принятие решений в условиях риска. Понятие функции полезности.
- •24. Принятие решений в условиях риска. Графическое изображение функции полезности.
- •25. Принятие решений в условиях риска. Процедура построения функции полезности.
- •26. Принятие решений в условиях риска. Понятие критерия ожидаемого значения.
- •27. Принятие решений в условиях риска. Составляющие критерия ожидаемого значения – дисперсия.
- •28. Принятие решений в условиях риска. Понятие критерия предельного уровня.
- •29. Принятие решений в условиях риска. Использование критерия предельного уровня в сфере массового обслуживания.
- •30. Принятие решений в условиях риска. Критерий наиболее вероятного исхода.
- •31. Принятие решений в условиях неопределенности. Критерий Лапласа.
- •32. Принятие решений в условиях неопределенности. Минимаксный критерий.
- •33. Принятие решений в условиях неопределенности. Критерий Сэвиджа.
- •34. Принятие решений в условиях неопределенности. Критерий Гурвица.
- •35. Марковские процессы. Понятие матрицы переходных вероятностей и матрицы доходов.
- •36. Марковские процессы. Стационарная стратегия.
- •37. Марковские процессы. Основной смысл решений, принимаемых садовником.
- •38. Марковские процессы. Представление задачи садовника как задачи динамического программирования с конечным числом этапов (основные элементы).
- •39. Марковские процессы. Ожидаемый доход, обусловленный одним переходом.
- •40. Марковские процессы. Понятие обратной прогонки в задаче динамического программирования.
- •41. Марковские процессы. Рекуррентное уравнение динамического программирования при условии изменения переходных вероятностей и функции дохода во времени.
- •42. Марковские процессы. Коэффициент дисконтирования. Его учет в рекуррентном уравнении динамического программирования при конечном числе этапов.
- •43. Марковские процессы. Общая характеристика методов решения задачи с бесконечным числом этапов.
- •44. Марковские процессы. Алгоритм метода полного перебора. Общая характеристика.
- •45. Марковские процессы. Пример вычисления долгосрочных стационарных вероятностей в методе полного перебора в модели с бесконечным числом этапов.
- •46. Марковские процессы. Характеристика результирующей таблицы в методе полного перебора в методе с бесконечным числом этапов.
- •47. Марковские процессы. Недостаток метода полного перебора в модели с бесконечным числом этапов.
- •48. Марковские процессы. Модификация рекуррентного уравнения в методе итераций по стратегиям при бесконечном числе этапов.
- •49. Марковские процессы. Необходимость применения итеративной процедуры в методе итераций по стратегиям при бесконечном числе этапов.
- •50. Марковские процессы. Алгоритм метода итераций по стратегиям при бесконечном числе этапов. Общая характеристика.
- •1.Шаг оценивания параметров:
- •2.Шаг улучшения стратегии:
- •51. Марковские процессы. Критерий выбора оптимального решения в методе итераций по стратегиям при бесконечном числе этапов.
- •52. Марковские процессы. Пример шага оценивания параметров в методе итераций по стратегиям при бесконечном числе этапов.
- •53. Марковские процессы. Пример шага улучшения стратегии в методе итераций по стратегиям при бесконечном числе этапов.
- •58. Марковские процессы. Выражение (основа) для формулировки марковской задачи в виде задачи линейного программирования.
- •59. Марковские процессы. Формулировка Марковской задачи в виде задачи линейного программирования. Постановка задачи.
- •60. Марковские процессы. Пример формулировки задачи садовника без дисконтирования при бесконечном числе этапов в виде задачи линейного программирования.
- •76. Понятие регрессионного анализа.
- •77. Метод наименьших квадратов.
- •78. Понятие доверительный интервал для среднего значения оценки.
- •79. Понятие интервала предсказаний
- •80. Понятие коэффициента корреляции
- •81. Понятие тренда во временном ряду.
- •82. Модель аддитивных компонентов.
- •83. Модель мультипликативных компонентов.
- •1. Понятие эс
- •2. Назначение и области применения экспертных систем
- •3 . Структура экспертной системы
- •4. Основные классы и виды экспертных систем
- •5. Продукционные экспертные системы. Основные компоненты продукционной экспертной системы
- •6. Продукционные экспертные системы. Прямая и обратная цепочки вывода
- •7. Продукционные экспертные системы. Простая диагностирующая экспертная система
- •8. Продукционные экспертные системы. Формальное представление продукционной экспертной системы
- •9. Нейлоровские диагностирующие системы. Общие понятия
- •10. Нейлоровские диагностирующие системы. Байесовский подход
- •11. Нейлоровские диагностирующие системы. Элементы механизма логического вывода
- •12. Нейлоровские диагностирующие системы. Цены свидетельств — косвенная цепочка рассуждений
- •13. Нейлоровские диагностирующие системы. Правила остановки
- •14. Нейлоровские диагностирующие системы. Структура базы знаний
- •15. Нейлоровские диагностирующие системы. Алгоритм логического вывода
4. Принятие решений в условиях определенности. Понятие веса и комбинированного веса.
Вес - показатель, обеспечивающий числовую шкалу предпочтений для возможных альтернативных решений.
Например:
Объект А рассматривает 3 альтернативы (M, N, K) в соответствии с двумя критериями (Cr1, Cr2). Критерий Cr1 объект А оценивает в 5 раз выше, чем Cr2. Таким образом, Cr1 имеет вес примерно 83%, а Cr2 – 17%.
Комбинированный вес – оценка возможной альтернативы, которая будет получена в результате вычислений в методе анализа иерархий.
Например:
- комбинированный вес (весовой коэффициент).
5. Принятие решений в условиях определенности. Понятие матрицы парных сравнений.
Основная сложность применения метода анализа иерархий заключается в определении относительных весовых коэффициентов для оценки альтернативных решений при n-критериях на заданном уровне иерархии создается матрица A – парного сравнения, размерности .
Эта матрица отражает суждение лица, принимающего решения относительно важности разных критериев. Парное сравнение выполняется таким образом, что критерий в строке i оценивается относительно каждого из критериев, представленных n-столбцами.
В соответствии с методами анализа иерархии для описания упомянутых оценок используются числа 1-9. Если , то и критерии одинаковы важны, а если , то это указывает, что критерий чрезвычайно важнее критерия. Промежуточное значение интерпретируется аналогично.
Согласованность таких обозначений обеспечивается следующим образом:
.
Все диагональные элементы должны быть равны 1.
Например:
Объект А рассматривает 3 альтернативы (M, N, K) в соответствии с двумя критериями (Cr1, Cr2). Критерий Cr1 объект А оценивает в 5 раз выше, чем Cr2.
Таким образом, матрица сравнений для критериев будет иметь вид:
А = |
|
Cr1 |
Cr2 |
Cr1 |
1 |
5 |
|
Cr2 |
|
1 |
6. Принятие решений в условиях определенности. Понятие нормализованной матрицы.
Например:
Объект А рассматривает 3 альтернативы (M, N, K) в соответствии с двумя критериями (Cr1, Cr2). Критерий Cr1 объект А оценивает в 5 раз выше, чем Cr2.
Таким образом, матрица сравнений для критериев будет иметь вид:
А = |
|
Cr1 |
Cr2 |
Cr1 |
1 |
5 |
|
Cr2 |
|
1 |
Относительные веса критериев Cr1 и Cr2 можно определить путем деления элементов каждого столбца на сумму элементов этого же столбца. Следовательно для нормализации матрицы парных сравнений элементы первого столбца нужно разделить на 1,2; а второго столбца – на 6.
Таким образом, нормализованная матрица будет иметь вид:
N = |
|
Cr1 |
Cr2 |
Cr1 |
0,83 |
0,83 |
|
Cr2 |
0,17 |
0,17 |
Средние значения элементов строк:
искомые относительные веса
7. Принятие решений в условиях определенности. Пример согласованной матрицы.
Пример:
Объект А рассматривает 3 альтернативы (M, N, K) в соответствии с двумя критериями (Cr1, Cr2). Критерий Cr1 объект А оценивает в 5 раз выше, чем Cr2.
Таким образом, матрица сравнений для критериев будет иметь вид:
А = |
|
Cr1 |
Cr2 |
Cr1 |
1 |
5 |
|
Cr2 |
|
1 |
|
Сумма элементов в столбце |
1,2 |
6 |
Нормализованная матрица:
N = |
|
Cr1 |
Cr2 |
Cr1 |
1/1,2=0,83 |
5/6=0,83 |
|
Cr2 |
0,2/1,2=0,17 |
1/6=0,17 |
Таким образом:
N = |
|
Cr1 |
Cr2 |
Cr1 |
0,83 |
0,83 |
|
Cr2 |
0,17 |
0,17 |
Средние значения элементов строк:
искомые относительные веса
Как видно, столбцы матрицы N – одинаковые. Идентичность столбцов указывает на то, что результирующие относительные веса сохраняют одно и тоже значение независимо от того, как выполнялось сравнение. Такие матрицы называются согласованными. Таким образом, матрица N является согласованной.
С математической точки зрения согласованность матрицы А (матрицы парных сравнений) означает, что .
Так, например, матрица сравнений для альтернатив (M, N, K) в пределах критерия Cr1 будет иметь вид:
АCr1 = |
|
M |
N |
K |
M |
1 |
2 |
3 |
|
N |
|
1 |
|
|
K |
|
|
1 |
Свойство согласованности требует линейной зависимости столбцов (и строк) матрицы А. В частности, столбцы любой матрицы сравнений размерностью являются зависимыми, и, следовательно, такая матрица всегда является согласованной.