- •1. Основные понятия теории принятия решений.
- •2 Бинарные отношения (определение, способы задания, пустое, полное и диагональное отношения).
- •4 . Задача принятия решений как задача многокритериального выбора.
- •Свойства множества Парето: существование парето-оптимальных решений в конечном множестве.
- •Свойства множества Парето: существование парето-оптимальных решений в бесконечном множестве. Условие Парето-оптимальности.
- •Свойства множества Парето: инвариантность множества Парето. Шкалы критериев.
- •Идеальный вариант сравнения. Матрица относительных весов, ее свойства.
- •Матрица парных сравнений. Свойства матрицы парных сравнений. Шкала отношений.
- •Иерархический синтез. Оценка однородности иерархии.
- •Метод анализа иерархий: основные этапы метода; виды модификаций маи. Метод попарного сравнения.
- •Упрощенный вариант маи: на основе схемы сравнения с образцом; на основе схемы последовательного сравнения.
Упрощенный вариант маи: на основе схемы сравнения с образцом; на основе схемы последовательного сравнения.
На основе схемы сравнений с образцами. Выделяется особый объект (образец), который удобно сравнивать с остальными объект тому и тому присваивается 1й номер. Эксперт сравнивает вес 1го объекта с весом 2го и назначает положительное число a1,2
Aij=ai1*a1j=a1j/a1i
Весовой вектор – элементы последнего столбца матрицы А после нормировки.
На основе последовательного сравнения.
Используются не элементы 1й строки матрицы, а элементы из n-1 элементов матрицы парных сравнений. A12,a23,an-1
Из набора выбирается 1 элемент, ему присваивается 1й номер с целью последовательного сравнений. Для него подбирается другой объект, подходящий для сравнений – ему присваивается 2й номер.
Для 2гшо объекта подбирается 3й удобный для сравнения и получается а23. Формула для последовательного вычисления остальных элементов матрица А, расположенных выше главной диагонали aij=ai.aj-1 * aj-1,
Последний столбец матрицы – это искомый ненормализированный весовой элемент матрицы.
Многокритериальный выбор на основе теории полезности. Функция полезности.
Ф-ция полезности в тетради
Марковский процесс принятия решений.
В лекциях
Методы принятия решений на основе теории нечетких множеств. Элементы теории нечетких множеств.
В конце тетради. Рассказать про ф-цию принадлежности.
Системы нечеткого вывода: основные этапы нечеткого вывода.
В лекциях
Алгоритмы нечеткого вывода: алгоритм Мамдани.
Алгоритмы нечеткого вывода: алгоритм Сугено.
В лекциях
Адаптивные системы нейро-нечеткого вывода. ANFIS.
Необходимость в средствах, которые бы обеспечили возможность настройки и оптимизации нечеткой модели, возникла сразу же на стадии практического применения нечетких систем. Характеристики точности и качества нечеткой модели сильно зависят от формы и взаимного расположения функций принадлежности (ФП). Настройка параметров нечеткой модели в значительной степени автоматизируется при использовании нейросетевых нечетких систем (ННС), в которых нейронная (адаптивная) сеть выступает в качестве механизма настройки параметров нечеткой модели
Множество настраиваемых параметров определяется параметрами ФП условной части правил и линейными коэффициентами в заключительной части.
Нечеткая модель:
R1: ЕСЛИ X1 = B11 И Х2 = B12 И … И Xn = B1n, ТО Y=D1
R2: ЕСЛИ X1 = B21 И Х2 = B22 И … И Xn = B2n, ТО Y=D2
…
Rr: ЕСЛИ X1 = Br1 И Х2 = Br2 И … И Xn = Brn, ТО Y = Dr
Нечеткие множества являются параметрами нечеткой модели, а структура правил и их количество r определяют структуру модели.
В процессе нечеткого моделирования возможно использование нейронных сетей для проведения структурной и параметрической идентификация нечеткой модели.
В данной работе рассматривается двухэтапная процедура построения нечетких моделей типа Сугэно. На первом этапе синтезируются нечеткие правила из экспериментальных данных с использование субтрактивной кластеризации. На втором этапе настраиваются параметры нечеткой модели с помощью ANFIS-алгоритма. Субтрактивная кластеризация может использоваться как быстрый автономный метод синтеза нечетких правил из данных. Кроме того, этот метод может рассматриваться как своего рода препроцессинг для ANFIS-алгоритма - синтезированная нечеткая модель является начальной точкой для обучения. Важным преимуществом применения кластеризации для синтеза нечеткой модели является то, что правила базы знаний получаются объектно-ориентированными.
Экспертные системы принятия решений: требования к ЭС; классификация ЭС.
Полностью в лекциях
Экспертные системы принятия решений: обобщенная структура ЭС; структура лингвистического процессора.
Полностью в лекциях
Концепции построения ЭС: продукционные; фреймовые; на основе семантических сетей; нейлоровские.
Полностью в лекциях
Применение формулы Байеса в ЭС.
Рассмотрим случай, когда все правила в экспертной системе отражаются в форме:
Если < H является истинной > То < E будет наблюдаться с вероятностью р >.
Очевидно, если H произошло, то это правило говорит о том, что событие E происходит с вероятностью p. Но что будет, если состояние H неизвестно, а E произошло? Использование теоремы Байеса позволяет вычислить вероятность того, что H истинно. Замена "A" и "B" на "H" и "E" не существенна для формулы Байеса, но с её помощью мы можем покинуть общую теорию вероятности и перейти к анализу вероятностных вычислений в ЭС. В этом контексте:
H - событие, заключающееся в том, что данная гипотеза верна;
E - событие, заключающееся в том, что наступило определённое доказательство (свидетельство), которое может подтвердить правильность указанной гипотезы.
Это равенство устанавливает связь гипотезы со свидетельством и, в то же время, наблюдаемого свидетельства с пока ещё не подтверждённой гипотезой. Эта интерпретация предполагает также определение априорной вероятности гипотезы p(H), назначаемой H до наблюдения или получения некоторого факта.
В экспертных системах вероятности, требуемые для решения некоторой проблемы, обеспечивается экспертами и запоминается в базе знаний. Эти вероятности включают:
априорные вероятности всех возможных гипотез p(H);
условные вероятности возникновения свидетельств при условии существования каждой из гипотез .
Так, например, в медицинской диагностике эксперт должен задать априорные вероятности всех возможных болезней в некоторой медицинской области. Кроме того, должны быть определены условные вероятности проявления тех или иных симптомов при каждой из болезней. Условные вероятности должны быть получены для всех симптомов и болезней, предполагая, что все симптомы независимы в рамках одной болезни.
Два события и являются условно независимыми, если их совместная вероятность при условии некоторой гипотезы H равна произведению условных вероятностей эти событий при условии H, то есть
Нейлоровские ЭС: верхние и нижние пороги для вероятностей гипотез; учет неопределенностей в реакции пользователя; цена свидетельств.
Нейлоровские ЭС:алгоритм логического вывода; условия остановки работы ЭС.
Автоматизированные системы поддержки принятия решений.
В лекциях немного и это:
Более современная ЭС Pathfinder также использует теорию субъективных вероятностей. Без предположения условной независимости среди симптомов Pathfinder диагностирует 63 заболевания лимфы с 110 симптомами. Эта система использует диаграммы влияния. Это относительно новый инструмент, позволяющий байесовским исследователям и аналитикам по принятию решений визуализовать вероятностные зависимости в принятии решения и определить информационное состояние, для которых предполагается независимость. IDES - другая экспертная система, основанная на диаграммах влияния, которая была разработана в Беркли в 1990г.
Основная сложность в реализации субъективных вероятностей - это огромное число вероятностей, которые должны быть получены для построения БЗ. Если, для примера, некоторая область медицинских диагнозов имеет 100 диагнозов и 700 симптомов, то, по крайне мере, 70100 значений вероятностей (70000 условных + 100 априорных) должны быть получены. Кроме того в старых системах необходимо было условие независимости симптомов, что редко в реальности выполняется.
Сети доверия - это новый инструмент для решения перечисленных проблем, в которых регулируются информационные потоки. В настоящее время Пиэрл (Pearl) показал, что при представлении информации в базе знаний при помощи байесовских сетей можно создать согласованную и непротиворечивую вероятностную базу знаний без необходимости в предположении условной независимости.
CLIPS — весьма популярная ЭС (public domain)
OpenCyc — мощная динамическая ЭС с глобальной онтологической моделью и поддержкой независимых контекстов
WolframAlpha — поисковая система, интеллектуальный «вычислительный движок знаний»
MYCIN — наиболее известная диагностическая система, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях.
HASP/SIAP — интерпретирующая система, которая определяет местоположение и типы судов в Тихом океане по данным акустических систем слежения.