ИИС. Содержание

1Многокритериальное ПР. Качественный и количественный анализ. Пространственные модели. 4

2ПР в условиях неопределенности. Парадигма анализа решений. Деревья решений. 7

3Теория полезности. Принцип максимальной ожидаемой полезности. Методы прямого построения функции полезности 10

4Теория полезности. Основные свойства функции полезности. Учет отношения к риску в функции полезности. 12

5Теория полезности. Обоснование S- образности кривой полезности. 16

6Теория полезности. Определение отношения к риску на основе понятия детерминированного эквивалента. 19

7Определение детерминированного эквивалента. Детерминированный эквивалент для выпуклой и вогнутой функции. 20

8Стратегическая эквивалентность функций полезности. Линейная функция полезности. 22

9Логарифмическая функция полезности. Пример. 23

10Экспоненциальная функция полезности. Пример. 24

11Квадратичная функция полезности. Пример. 25

12Теоремы о несклонности к риску. Надбавка за риск. 26

13Теоремы о склонности к риску. Надбавка за риск. 27

14Пример функции полезности для ЛПР несклонного к риску. 28

15Пример функции полезности для ЛПР склонного к риску. 30

16Мера несклонности к риску. Обоснование. Интерпретация функции несклонности к риску. 30

17Связь между надбавкой за риск и функцией несклонности к риску. 33

18Особенности и признаки интеллектуальности информационных систем. 34

19Классификация ИИС. Системы с интеллектуальным интерфейсом 36

20Экспертные системы. Архитектура экспертной системы. Назначение составных частей ЭС. 39

21База знаний и механизм вывода на знаниях. Сравнительный анализ. 42

22Этапы создания экспертной системы. Идентификация предметной области. Построение концептуальной модели. Типы моделей 44

23Этапы проектирования экспертной системы. Формализация базы знаний. Классификация моделей представления знаний 47

24Особенности знаний и их отличие от данных. Декларативные и процедурные знания. Системы, основанные на знаниях. Этапы трансформации данных и знаний. Базы данных и базы знаний 52

25Самообучающиеся системы. Технологии OLAP и Data Mining. Определение Data Mining. Основные типы закономерностей, извлекаемых с помощью Data Mining 57

26Индукция и дедукция. Алгоритм индуктивного обучения. Деревья решений 61

27Искусственные нейронные сети. Обучение нейронных сетей 64

28Системы, основанные на прецедентах (Case Based Reasoning) 66

29Прямой логический вывод в ЭС на основе правила Modus Ponens. 67

30Обратный логический вывод в ЭС на основе правила Modus Ponens 69

31Семантические сети. Основные типы отношений в семантических сетях. Правила построения семантических сетей 71

32Теория фреймов. Структура фрейма. Слоты и присоединенные процедуры. Механизм вывода на фреймах 75

33Механизм вероятностного вывода на основе правил Байеса и коэффициентов уверенности 80

34Основные понятия теории нечетких множеств. Операции над нечеткими множествами. Понятия нечеткой и лингвистической переменной. Основы нечеткого логического вывода. 84

35Понятие онтологии. Классификация онтологий и их применение. 95

36Редакторы онтологий, формализмы и форматы представления онтологий 103

37Подход к формированию онтологий в редакторе Protégé. Последовательность создания онтологий 109

38Элементы фреймовых онтологий – классы, экземпляры, слоты (типы значений, кардинальность), отношения и т.д. 113

39Язык создания экспертных систем CLIPS: поддерживаемые парадигмы, основные структуры данных, конструкции языка для обработки данных и осуществления вывода. 114

1. Многокритериальное пр. Качественный и количественный анализ. Пространственные модели.

Является ли проблема одно-или многокритериальной? То есть может ли благосостояние последствия принятия того или иного решения быть адекватно описано при помощи одного критерия (например, денег, степени боли, числа спасенных жизней) или нужно использовать большее число критериев.

Пример: выбор площадки для строительства аэропорта. Необходимо учитывать следующие критерии:

-сокращение затрат со стороны федерального права;

-увеличение пропускной способности аэропорта;

-сокращение времени поездки в аэропорт;

-сокращение числа переселяемых людей;

-уменьшение шума;

-достижение политических целей;

Качественные методы основаны на экспертных оценках специалистов в области принимаемых решений, например методы экспертных оценок, мнение жюри, модели ожидания потребителя.

Количественные методы базируются на информации, которую можно получить, зная тенденции изменения параметров или имея статистически достоверные зависимости, характеризующие производственную деятельность объекта управления. Примеры: анализ временных рядов, причинно-следственное моделирование.

Пространственные модели произошли из области географии. Суть-минимизация расстояния от отдельной точки ЛПР до альтернативы.

2. Пр в условиях неопределенности. Парадигма анализа решений. Деревья решений.

Вероятность - это оценка шансов того, что данное событие произойдет.

Аксиомы вероятности:

1. 

2. Сумма вероятностей исходов равна 1:

3. Если

Определения вероятности:

Классическое определение: Число благоприятных случаев / Общее число случаев

Частотное определение: Число наблюдений события / Общее число наблюдений

Субъективное определение. Используется, если нет теоретической базы и данных наблюдений. При использовании этого определения необходимо обоснование и проверка аксиомы вероятностей Если .

Парадигма анализа решения

Простая парадигма ПР, связанная с построением дерева решений, может быть сведена к процессу из 5 ступеней:

1. Предварительный анализ - Определение проблемы и возможных альтернатив действий. ЛПР еще не решил, какой курс действий предпринять.

2. Структурный анализ - ЛПР проводит качественную структуризацию проблемы. Определяет последовательность этапов принятия решений. Определяет, как будет собирать информацию для анализа каждого этапа, какие эксперименты провести. Эти шаги расположены по порядку на дереве решений. Дерево решений имеет два типа вершин: вершины-решения и вершины-случаи.

3. Анализ неопределенности - ЛПР устанавливает значения вероятностей для тех ветвей, которые начинаются в вершинах-случаях. При этом используется одно из трех определений вероятности. Полученные значения вероятностей проверяются на наличие их внутренней согласованности. Для некоторых вершин-случаев исходы могут представлять собой континуум (непрерывность,неразрывность) в одно-или многомерном пространстве.

3. Анализ полезности - ЛПР устанавливает численные значения полезности последствий, связанных с реализацией всех путей на дереве решений. Один из путей Начало-1-2-3-4 имеет последствие С. Полезность последствия С обозначим u(С).

4. Процедуры оптимизации - Максимизация ожидаемой полезности:

Деревья решений представляют метод последовательного принятия решений и оценивания альтернатив. Дерево решений строится из следующих составляющих:

1. Выбор решения: узел дерева, где ЛПР должен выбрать один из нескольких путей. Квадрат.

2. Случайный выбор: узел дерева, где «природа» выбирает путь в соответствие с некоторой вероятностью. Кружок.

3. Плата: ветвь дерева, где необходимо заплатить некоторую сумму в случае выбора этой ветви. Горизонтальная черта.

Пример 15-часовой билет 200$(заранее)

16-часовой билет 400$

40% вероятность опоздать

1. 2.

3.4.