- •Многокритериальное пр. Качественный и количественный анализ. Пространственные модели.
- •Пр в условиях неопределенности. Парадигма анализа решений. Деревья решений.
- •Теория полезности. Принцип максимальной ожидаемой полезности. Методы прямого построения функции полезности
- •Теория полезности. Основные свойства функции полезности. Учет отношения к риску в функции полезности.
- •Теория полезности. Обоснование s- образности кривой полезности.
- •Теория полезности. Определение отношения к риску на основе понятия детерминированного эквивалента.
- •Определение детерминированного эквивалента. Детерминированный эквивалент для выпуклой и вогнутой функции.
- •Стратегическая эквивалентность функций полезности. Линейная функция полезности.
- •Логарифмическая функция полезности. Пример.
- •Экспоненциальная функция полезности. Пример.
- •Квадратичная функция полезности. Пример.
- •Теоремы о несклонности к риску. Надбавка за риск.
- •Теоремы о склонности к риску. Надбавка за риск.
- •Пример функции полезности для лпр несклонного к риску.
- •Пример функции полезности для лпр склонного к риску.
- •Мера несклонности к риску. Обоснование. Интерпретация функции несклонности к риску.
- •Связь между надбавкой за риск и функцией несклонности к риску.
- •Особенности и признаки интеллектуальности информационных систем.
- •Классификация иис. Системы с интеллектуальным интерфейсом
- •Экспертные системы. Архитектура экспертной системы. Назначение составных частей эс.
- •База знаний и механизм вывода на знаниях. Сравнительный анализ.
- •22 Этапы создания экспертной системы. Идентификация предметной области. Построение концептуальной модели. Типы моделей
- •Этапы проектирования экспертной системы. Формализация базы знаний. Классификация моделей представления знаний
- •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
- •Самообучающиеся системы. Технологии olap и Data Mining. Определение Data Mining. Основные типы закономерностей, извлекаемых с помощью Data Mining
- •Индукция и дедукция. Алгоритм индуктивного обучения. Деревья решений
- •Искусственные нейронные сети. Обучение нейронных сетей
- •Системы, основанные на прецедентах (Case Based Reasoning)
- •Прямой логический вывод в эс на основе правила Modus Ponens.
- •Обратный логический вывод в эс на основе правила Modus Ponens
- •Семантические сети. Основные типы отношений в семантических сетях. Правила построения семантических сетей
- •Теория фреймов. Структура фрейма. Слоты и присоединенные процедуры. Механизм вывода на фреймах
- •Механизм вероятностного вывода на основе правил Байеса и коэффициентов уверенности
- •Основные понятия теории нечетких множеств. Операции над нечеткими множествами. Понятия нечеткой и лингвистической переменной. Основы нечеткого логического вывода.
- •Понятие онтологии. Классификация онтологий и их применение.
- •Редакторы онтологий, формализмы и форматы представления онтологий
- •Элементы фреймовых онтологий – классы, экземпляры, слоты (типы значений, кардинальность), отношения и т.Д.
- •Подход к формированию онтологий в редакторе Protégé. Последовательность создания онтологий
- •Язык создания экспертных систем clips: поддерживаемые парадигмы, основные структуры данных, конструкции языка для обработки данных и осуществления вывода.
-
Теория 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).
-
Теория полезности. Основные свойства функции полезности. Учет отношения к риску в функции полезности.
Монотонность функции полезности
Если исходы характеризуются в деньгах, то большинство ЛПР предпочитают большую сумму меньшей. В этом случае функция полезности удовлетворяет условию:
Предпочтения для периода реагирования скорой помощи. Меньший период реагирования всегда предпочтительнее большего:
Всегда можно перейти от убывающей функции к возрастающей:
y=15-t
y – сэкономленное время по сравнению с нормативным
Пример немонотонной функции полезности:
Пример1: Вы одержали победу в телевизионном шоу, и ведущий предлагает Вам на выбор:
- Забирайте свой приз в 1000000 руб.
- Сделайте на него ставку, бросив монету. Если выпадет орел, то ничего не получите. Если решка, получите 3000000 руб.
0,5*0+0,5*3000000=1500000
Введем функцию полезности U: S → R. Обозначим Sn - состояние, соответствующее обладанию n рублей. Пусть текущие накопления составляют k рублей, т.е. начальное состояние Sk. Полученные состояния соответственно Sk+1000000 и Sk+3000000.
В соответствии с принципом максимальной ожидаемой полезности необходимо вычислить ожидаемые полезности двух альтернатив:
EU(Принять)=
EU(Отклонить)= U(Sk+1000000)
Положим:
Тогда:
Полученные Грейсоном данные совместимы со следующей функцией полезности для диапазона n= - 150000$ до n= 800000$: U(Sn) = - 263.31 + 22.09 log (n+150000)
Приходим к S-образной кривой:
В положительной части кривых уклон постепенно уменьшается. В этом случае для любой лотереи L полезность решения, в котором ЛПР сталкивается с выбором в этой лотерее, меньше, чем полезность получения ожидаемого денежного выигрыша в этой лотерее U(L)<U(ES(L))
Говорят, что ЛПР с вогнутыми кривыми полезности избегают риска. В отрицательной области с выпуклыми кривыми полезности ЛПР характеризуется стремлением к риску.
Сумма, которую ЛПР готов приобрести вместо лотереи (ЛПР безразличен между выбором лотереи и этой суммой), называется детерминированным эквивалентом (эквивалентом определенности) лотереи. Разность между ожидаемым денежным значением лотереи и ее детерминированным эквивалентом называется страховой премией.