
- •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.
-
Стратегическая эквивалентность функций полезности. Линейная функция полезности.
-
Логарифмическая функция полезности. Пример.
Полезность – это функция, которая отображает множество состояний на множество действительных чисел Вид и функциональная форма функции полезности говорят очень много, например, об отношении ЛПР к риску.
Поэтому первоначально необходимо установить качественные характеристики функций полезности, отражающие особенности предпочтений ЛПР.
Выразив эти особенности математически, можно аналитически описать ограничения на функцию полезности, которые вытекают из наличия этих особенностей.
Данный подход облегчает построение функции полезности, позволяет осуществлять автоматизацию решений.
-
Экспоненциальная функция полезности. Пример.
.
Предположим, что лотерея описывается плотностью равномерного распределения на отрезке [x1; x2].
Найти ожидаемый выигрыш и детерминированный эквивалент.
Ожидаемый выигрыш
равен
,
а детерминированный эквивалент
определяется из уравнения:
Если выигрыши лотереи увеличить на определенную сумму, то и детерминированный эквивалент увеличится на ту же самую сумму. Это является важным свойством экспоненциальной функции полезности.
-
Квадратичная функция полезности. Пример.
Убывающая функция полезности. Пусть u(x)=-x2, x>=0. Найти ожидаемые выигрыши и детерминированные эквиваленты для лотерей L1=[0,0.5; 10,0.5] и L2=[10,0.5; 20,0.5] .
Решение: Ожидаемые выигрыши находятся по формуле
Для L1
5,
L2
15.
Детерминированный
эквивалент находится из уравнения
или
для
L1:
;
;
L2:
;
;
Это означает, что принимающему решение безразлично получить ли 7,07 наверняка или участвовать в лотерее L1, получить ли 15,8 наверняка или участвовать в L2.
-
Теоремы о несклонности к риску. Надбавка за риск.
Теорема 2. ЛПР не склонен к риску тогда и только тогда, когда его функция полезности вогнута.
Следствие. ЛПР, который предпочитает получение наверняка ожидаемого выигрыша любой лотереи [x1,0.5; x2,0.5] (для любых неравных друг другу x1 и x2) участию в самой лотерее, не склонен к риску.
Теорема 4. При возрастающих функциях полезности ЛПР не склонен к риску тогда и только тогда, когда его детерминированный эквивалент для любой невырожденной лотереи меньше, чем ожидаемый выигрыш в этой лотерее.
Определение. Надбавкой за риск к лотерее называется разность между ее ожидаемым выигрышем и детерминированным эквивалентом:
.
Теорема 5. При возрастающих функциях полезности ЛПР не склонен к риску тогда и только тогда, когда надбавка за риск для него положительна для всех невырожденных лотерей.
Надбавка за риск – это сумма (в единицах измерения критерия X), которую принимающий решение согласен «уступить» из среднего выигрыша за то, чтобы избежать риска, связанного с данной лотереей.