ГОСы / ФБИ ИИС 2016
.pdfИИС. Содержание
1 Многокритериальное ПР. Качественный |
и количественный анализ. |
Пространственные модели. .......................................................................................................... |
4 |
2ПР в условиях неопределенности. Парадигма анализа решений. Деревья решений. 6
3Теория полезности. Принцип максимальной ожидаемой полезности. Методы
прямого построения функции полезности .................................................................................. |
|
|
|
9 |
|||
4 |
Теория полезности. Основные свойства функции полезности. Учет отношения к |
||||||
риску в функции полезности. ..................................................................................................... |
|
|
|
11 |
|||
5 |
Теория полезности. Обоснование S- образности кривой полезности.................. |
|
14 |
||||
6 |
|
Теория полезности. Определение отношения к риску на основе |
понятия |
||||
детерминированного эквивалента.............................................................................................. |
|
|
|
16 |
|||
7 |
|
Определение |
детерминированного |
эквивалента. |
Детерминированный |
||
эквивалент для выпуклой и вогнутой функции........................................................................ |
|
|
|
17 |
|||
8 |
|
Стратегическая эквивалентность функций полезности. Линейная |
функция |
||||
полезности.................................................................................................................................... |
|
|
|
|
19 |
||
9 |
|
Логарифмическая функция полезности. Пример................................................... |
|
|
20 |
||
10 |
Экспоненциальная функция полезности. Пример.............................................. |
|
|
21 |
|||
11 |
Квадратичная функция полезности. Пример. ..................................................... |
|
|
22 |
|||
12 |
Теоремы о несклонности к риску. Надбавка за риск. ........................................ |
|
|
23 |
|||
13 |
Теоремы о склонности к риску. Надбавка за риск. ............................................ |
|
|
24 |
|||
14 |
Пример функции полезности для ЛПР несклонного к риску. .......................... |
|
25 |
||||
15 |
Пример функции полезности для ЛПР склонного к риску. |
.............................. |
|
26 |
|||
16 |
Мера несклонности к риску. Обоснование. Интерпретация |
функции |
|||||
несклонности к риску.................................................................................................................. |
|
|
|
|
27 |
||
17 |
Связь между надбавкой за риск и функцией несклонности к риску. ............... |
|
29 |
||||
18 |
Особенности и признаки интеллектуальности информационных систем. ...... |
30 |
|||||
19 |
Классификация ИИС. Системы с интеллектуальным интерфейсом ................ |
|
31 |
||||
20 |
Экспертные системы. Архитектура экспертной системы. Назначение |
|
составных частей ЭС................................................................................................................... |
34 |
|
21 |
База знаний и механизм вывода на знаниях. Сравнительный анализ. ............. |
37 |
22 |
Этапы создания экспертной системы. Идентификация предметной области. |
|
Построение концептуальной модели. Типы моделей .............................................................. |
39 |
|
23 |
Этапы проектирования экспертной системы. Формализация базы знаний. |
|
Классификация моделей представления знаний ...................................................................... |
42 |
|
24 |
Особенности знаний и их отличие от данных. Декларативные и процедурные |
|
знания. Системы, основанные на знаниях. Этапы трансформации данных и знаний. Базы |
||
данных и базы знаний ................................................................................................................. |
47 |
|
25 |
Самообучающиеся системы. Технологии OLAP и Data Mining. Определение |
|
Data Mining. Основные типы закономерностей, извлекаемых с помощью Data Mining...... |
52 |
|
26 |
Индукция и дедукция. Алгоритм индуктивного обучения. Деревья решений56 |
|
27 |
Искусственные нейронные сети. Обучение нейронных сетей.......................... |
59 |
28 |
Системы, основанные на прецедентах (Case Based Reasoning) ........................ |
61 |
29 |
Прямой логический вывод в ЭС на основе правила Modus Ponens.................. |
62 |
30 |
Обратный логический вывод в ЭС на основе правила Modus Ponens.............. |
64 |
31 |
Семантические сети. Основные типы отношений в семантических сетях. |
|
Правила построения семантических сетей ............................................................................... |
66 |
|
32 |
Теория фреймов. Структура фрейма. Слоты и присоединенные процедуры. |
|
Механизм вывода на фреймах.................................................................................................... |
70 |
|
33Механизм вероятностного вывода на основе правил Байеса и коэффициентов уверенности 74
34Основные понятия теории нечетких множеств. Операции над нечеткими множествами. Понятия нечеткой и лингвистической переменной. Основы нечеткого
логического вывода. .................................................................................................................... |
78 |
|
35 |
Понятие онтологии. Классификация онтологий и их применение. ................. |
88 |
36 |
Редакторы онтологий, формализмы и форматы представления онтологий .... |
96 |
37 |
Подход к формированию онтологий в редакторе Protégé. Последовательность |
|
создания онтологий ................................................................................................................... |
102 |
|
38 Элементы фреймовых онтологий – классы, экземпляры, слоты (типы |
|
значений, кардинальность), отношения и т.д. ........................................................................ |
106 |
39 Язык создания экспертных систем CLIPS: поддерживаемые парадигмы,
основные структуры данных, конструкции языка для обработки данных и осуществления вывода. 107
1Многокритериальное 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 А В, то Р А ≤ Р В .
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.
4.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).
5.Процедуры оптимизации - Максимизация ожидаемой полезности:
Деревья решений представляют метод последовательного принятия решений и оценивания альтернатив. Дерево решений строится из следующих составляющих:
a.Выбор решения: узел дерева, где ЛПР должен выбрать один из нескольких путей. Квадрат.
b.Случайный выбор: узел дерева, где «природа» выбирает путь в соответствие с некоторой вероятностью. Кружок.
c.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. |
3Теория полезности. Принцип максимальной ожидаемой полезности. Методы прямого построения функции
полезности
Фундаментальная идея теории решений: любое ЛПР является рациональным тогда и только тогда, когда он выбирает действие, позволяющее достичь наибольшей ожидаемой полезности, усредненной по всем возможным результатам этого действия.
Методы прямого построения функции полезности.
Прямое определение полезностей исходов:
Предположим, что в результате выбора действия А имеется n возможных случайных исходов x1,x2,…,xn. Проранжируем их по предпочтительности (от наименее предпочтительного к наиболее предпочтительному);
Обозначим х0 - один из наименее предпочтительных исходов, а х* - один из наиболее предпочтительных исходов;
Положим u(х0)=0 u(x*)=1, так как полезность не абсолютна, а относительна;
Рассмотрим произвольный промежуточный исход х: х0≤x≤ х*
Найдем лотерею L=[ х*, π; х0, 1- π], такую что ЛПР безразличен к выбору между получением х наверняка и участием в этой лотерее;
Тогда (в силу безразличия) можно приравнять полезности соответствующих исходов
u(x)= π u(х*)+(1- π) u (х0);
Окончательно получаем u(x)= π, т.е. полезность исхода х равна вероятности наиболее благоприятного схода эквивалентной лотереи
Метод прямого определения полезностей может быть применен к задачам с небольшим количеством исходов
Для задач с большим количеством исходов лучше использовать другой подход на основе построения функции полезности. Этот метод предполагает:
1.Установление полезности для нескольких исходов прямым методом;
2.Подбор кривой, проходящей через найденные значения полезностей
(построение функции полезности)