
- •1. Дайте визначення таким поняттям як рішення, управлінське рішення, прийняття рішення. Перелічіть засади, на яких ґрунтується прийняття управлінських рішень.
- •2. Складові прийняття управлінських рішень.
- •3. Етапи розгорнутого процесу прийняття рішень. Охарактеризуйте коротко кожен з них.
- •5. Алгоритм та його місце в теорії інтелектуальних систем прийняття рішень.
- •6. Структура інтелектуальної системи прийняття рішень.
- •7. Сутність поняття «Інтелектуальна система прийняття рішень».
- •Суть понять «дані» та «знання». Покажіть між ними відмінність.
- •Представлення знань в іспр за допомогою логічної моделі. Навести приклад.
- •Представлення знань в іспр за допомогою семантичних мереж. Навести приклад.
- •Представлення знань в іспр за допомогою фреймової моделі. Навести приклад.
- •Представлення знань в іспр за допомогою продукційної моделі. Навести приклад.
- •Раціональний вибір та аксіоми раціонального поводження в економіці.
- •22. Функції вибору та операції над ними.
- •23. Дерево рішень. Прийняття рішень за його допомогою.
- •26. Види невизначеності та причини її виникнення.
- •27. Сутність ризику. Його суб’єктивність та об’єктивність.
- •28. Система постулатів стосовно ризику як економічної категорії.
- •29. Узагальнений алгоритм вимірювання певного виду економічного ризику
- •30. Сутність якісного аналізу ризику
- •31. Кількісні показники оцінки ступеня ризику в абсолютному вираженні.
- •32. Кількісні показники оцінки ступеня ризику у відносному вираженні
- •33. Визначення нечіткої множини та її властивості.
- •34. Операції над нечіткими множинами. Задати універсальну множину та дві нечіткі множини на ній та здійснити всі можливі операції над ними.
- •35. Суть дефазифікації. Методи дефазифікації. Наведіть приклад.
- •43. Основі кроки класичного генетичного алгоритму. Опишіть їх.
- •36. Функція належності та методи її побудови.
- •37. Нечітке відношення та його властивості.
- •40, Що таке задачі оптимізації? у яких випадках застосування інструментарію генетичного алгоритму є ефективнішим за традиційні методи оптимізації.
- •41. Способи кодування параметрів задачі для використання у прийнятті рішення інструментарію генетичного алгоритму. Детально пояснять двійкове кодування.
- •42. Основна термінологія, що використовується в генетичному алгоритмі.
- •43. Основі кроки класичного генетичного алгоритму. Опишіть їх.
- •45. Оператори генетичного алгоритму.
- •46. Експертна система оцінювання та принципи, на яких вона ґрунтується.
- •47. Схема експертного оцінювання з урахуванням послідовності залучення і функцій основних груп суб'єктів.
- •48. Етапи процесу експертного оцінювання
- •49. Методи колективної роботи експертної групи
- •50. Методи отримання індивідуальної думки членів експертної групи.
- •51. Задачі експертного оцінювання.
- •52. Статистичні методи обробки експертної інформації.
- •58. Назвіть типові багатокритеріальні задачі та стисло опишіть одну з них.
- •63. Класифікація інформаційних ситуацій.
- •64. Інгредієнт функціонала оцінювання
- •65. Прийняття рішень у полі першої інформаційної ситуації.
- •66. Прийняття рішень у полі другої інформаційної ситуації.
- •67. Прийняття рішень у полі третьої інформаційної ситуації.
- •68. Прийняття рішень у полі четвертої інформаційної
- •69. Прийняття рішень у полі п'ятої інформаційної ситуації.
- •70. Прийняття рішень у полі шостої інформаційної ситуації.
- •71. Суть теоретико-ігрового підходу в прийнятті рішень з урахуванням
- •72. Ігровий розпливчастий метод аналізу ієрархій (ірмаі).
- •75. Одношарові та багатошарові штучні нейронні мережі. Їх архітектурні особливості. Розрахунок вихідного вектору.
- •76. Суть навчання штучних нейронних мереж та його оцінювання.
- •77. Правила навчання штучних нейронних мереж.
- •78. Назвіть різні структури нейронних мереж та для однієї з них наведіть алгоритм її навчання.
- •79. Особливості сумісного використання генетичних алгоритмів та штучних нейронних мереж.
- •62. Гра та її складові.
- •80. Основні характеристики штучних нечітких нейронних мереж.
43. Основі кроки класичного генетичного алгоритму. Опишіть їх.
Генетичний алгоритм — це еволюційний алгоритм пошуку, що використовується для вирішення задач оптимізації і моделювання шляхом послідовного підбору, комбінування і варіації шуканих параметрів з використанням механізмів, що нагадують біологічну еволюцію. Задача кодується таким чином, щоб її вирішення могло бути представлено в вигляді масиву подібного до інформації складу хромосоми. Цей масив часто називають саме так «хромосома». Випадковим чином в масиві створюється деяка кількість початкових елементів «осіб», або початкова популяція. Особи оцінюються з використанням функції пристосування, в результаті якої кожній особі присвоюється певне значення пристосованості, яке визначає можливість виживання особи. Після цього з використанням отриманих значень пристосованості вибираються особи допущені до схрещення (селекція). До осіб застосовується "генетичні оператори", створюючи таким чином наступне покоління осіб. Особи наступного покоління також оцінюються застосуванням генетичних операторів і виконується селекція і мутація. Так моделюється еволюційний процес, що продовжується декілька життєвих циклів (поколінь), поки не буде виконано критерій зупинки алгоритму. Таким критерієм може бути: 1) знаходження глобального, або надоптимального вирішення; 2) вичерпання числа поколінь, що відпущені на еволюцію; 3) вичерпання часу, відпущеного на еволюцію. Генетичні алгоритми можуть використатися для пошуку рішень в дуже великих і тяжких просторах пошуку. Можна виділити наступні етапи генетичного алгоритму: 1) створення початкової популяції; 2) обчислення функції пристосованості для осіб популяції (оцінювання); 3) повторювання до виконання критерію зупинки алгоритму (Вибір індивідів із поточної популяції (селекція), Схрещення або/та мутація, Обчислення функції пристосовуваності для всіх осіб, Формування нового покоління).
36. Функція належності та методи її побудови.
Функція приналежності вказує ступінь приналежності елемента х підмножині А. Множину М називають множиною приналежностей. Якщо М = {0, 1}, то нечітка підмножина А може розглядатися як чітка множина.Задавання функцій приналежності можна здійснювати у вигляді списку з явним перерахуванням усіх елементів та відповідних ним значень функції приналежності (наприклад, використовуючи відносні частоти за даними експерименту як значення приналежності), або аналітично у вигляді формул (наприклад, використовуючи типові форми кривих для завдання функцій приналежності. Існують прямі та непрямі методи побудови функцій приналежності. При використанні прямих методів експерт просто задає для кожного х∈Е значення µ(х). Як правило, прямі методи побудови функції приналежності використовуються для вимірних понять, таких як швидкість, час, відстань, тиск, температура і т. д., або тоді, коли виділяються полярні значення. У багатьох задачах при характеристиці об’єкта можна виділити набір ознак і для кожної з них визначити полярні значення, що відповідають значенням функції приналежності 0 або 1. Для конкретного об’єкта експерт, виходячи з приведеної шкали, задає µА(х)∈[0, 1], формуючи векторну функцію приналежності {µА(х1), µА(х2), ..., µА(хn)}. Різновидом прямих методів побудови функцій приналежності є прямі групові методи, коли, наприклад, групі експертів пред’являють конкретний об’єкт, і кожен повинний дати одну з двох відповідей: належить чи не належить цей об’єкт до заданої множини. Тоді число позитивних відповідей, поділене на загальне число експертів, дає значення функції приналежності об’єкта до даної нечіткої множини. Непрямі методи визначення значень функції приналежності використовуються у випадках, коли немає вимірних елементарних властивостей, через які визначається нечітка множина. Як правило, це методи попарних порівнянь. Якщо значення функцій приналежності відомі, наприклад, µА(хi) = wi , i = 1, 2, ..., n, то попарні порівняння можна подати матрицею відношень А = {аij}, де аij = wi/wj (операція розподілу). На практиці експерт сам формує матрицю А, при цьому передбачається, що діагональні елементи дорівнюють 1, а для елементів, симетричних щодо головної діагоналі, аij = 1/аji, тобто якщо один елемент оцінюється як в а разів більш значущий ніж інший, то цей останній повинний бути в 1/а разів більш значущим, ніж перший.