62. Гра та її складові.

Гра — це формалізований опис (модель) конфліктної ситуації, що включає чітко визначені правила дій її учасників, які намагаються отримати певну перемогу шляхом вибору конкретної (в певному сенсі — найкращої) стратегії поведінки. Суб’єкт прийняття рішення (СПР) називається гравцем, а цільова функція — платіжною функцією. У грі можуть брати участь кілька гравців, причому деякі з них можуть вступати між собою в постійні або тимчасові коаліції (спілки). У випадку утворення коаліцій гра носить назву “коаліційної”. Гра двох осіб називається парною грою.

Кожен гравець приймає такі рішення, тобто вибирає таку стратегію поведінки, щоб максимізувати свій виграш або мінімізувати програш. При цьому він не знає, яких стратегій дотримуватимуться інші гравці. Отже, кожен гравець приймає свої рішення в умовах невизначеності, а результат обраної ним стратегії залежить від поводження всіх учасників гри. Цікавою, з практичної точки зору, є змішана ігрова модель, коли множина стратегій суб’єкта керування S є дискретною і може набувати скінченної кількості варіантів, а множина станів економічного середовища Q — неперервною. В цьому випадку ситуація прийняття рішень характеризується сукупністю функцій:

80. Основні характеристики штучних нечітких нейронних мереж.

Штучні нейронні мережі (ШНМ) — математичні моделі, а також їхня програмна та апаратна реалізація, побудовані за принципом функціонування біологічних нейронних мереж — мереж нервових клітин живого організму. Системи, архітектура і принцип дії базується на аналогії з мозком живих істот. Ключовим елементом цих систем виступає штучний нейрон як імітаційна модель нервової клітини мозку — біологічного нейрона. Даний термін виник при вивченні процесів, які відбуваються в мозку, та при спробі змоделювати ці процеси. Першою такою спробою були нейронні мережі Маккалока і Піттса. Як наслідок, після розробки алгоритмів навчання, отримані моделі стали використовуватися в практичних цілях: в задачах прогнозування, для розпізнавання образів, в задачах керування та інші.

ШНМ представляють сбою систему з'єднаних і взаємодіючих між собою простих процесорів(штучних нейронів). Такі процесори зазвичай достатньо прості, особливо в порівнянні з процесорами, що використовуються в персональних комп'ютерах. Кожен процесор схожої мережі має справу тільки з сигналами, які він періодично отримує, і сигналами, які він періодично посилає іншим процесорам. І тим не менш, будучи з'єднаними в досить велику мережу з керованою взаємодією, такі локально прості процесори разом здатні виконувати достатньо складні завдання. З точки зору машинного навчання, нейронна мережа являє собою окремий випадок методів розпізнавання образів, дискримінантного аналізу, методів кластеризації тощо З математичної точки зору, навчання нейронних мереж — це багатопараметрична задача нелінійної оптимізації. З точки зору кібернетики, нейронна мережа використовується в задачах адаптивного управління і як алгоритми для робототехніки. З точки зору розвитку обчислювальної техніки та програмування, нейронна мережа — спосіб вирішення проблеми ефективного паралелізму . А з точки зору штучного інтелекту, ШНМ є основою філософської течії коннективізму і основним напрямком в структурному підході з вивчення можливості побудови (моделювання) природного інтелекту за допомогою комп'ютерних алгоритмів. Нейронні мережі не програмуються в звичайному розумінні цього слова, вони навчаються. Можливість навчання — одна з головних переваг нейронних мереж перед традиційними алгоритмами. Технічно навчання полягає в знаходженні коефіцієнтів зв'язків між нейронами. У процесі навчання нейронна мережа здатна виявляти складні залежності між вхідними даними і вихідними, а також виконувати узагальнення. Це означає, що у разі успішного навчання мережа зможе повернути вірний результат на підставі даних, які були відсутні в навчальній вибірці, а також неповних та / або «зашумленних», частково перекручених даних.

Біологічна нейронна мережа складається з групи або декількох груп хімічно або функціонально пов'язаних нейронів. Один нейрон може бути пов'язаний з багатьма іншими нейронами, а загальна кількість нейронів та зв'язків між ними може бути дуже великою. Зв'язки, які називаються синапсами, як правило формуються від аксонів до дендритів, хоча дендро-дендритичні мікросхем та інші зв'язки є можливими. Крім електричної передачі сигналів, також є інші форми передачі, які виникають з нейротрансмітерної(хімічний передавач імпульсів між нервовими клітинами) дифузії, і мають вплив на електричну передачу сигналів. Таким чином, нейронні мережі є надзвичайно складними.

Штучний інтелект і когнітивне моделювання намагаються імітувати деякі властивості біологічних нейронних мереж. Хоча аналогічні в своїх методах, перша має на меті вирішення конкретних завдань, а друга спрямована на створення математичних моделей біологічних нейронних систем.

У сфері штучного інтелекту, штучні нейронні мережі були успішно застосовані для розпізнавання мови, аналізу зображень та адаптивного управління, для того, щоб побудувати так званих програмних агентів (в комп'ютерних і відео ігор) або автономні роботи. На даний час, більшість розроблених штучних нейронних мереж для штучного інтелекту основі на статистичних оцінках, класифікації оптимізації та теорії керування.

Алгоритм та його місце в теорії інтелектуальних систем прийняття рішень.;5

Види невизначеності та причини її виникнення.;26

Визначення нечіткої множини та її властивості.;33

Гра та її складові.;62

Дайте визначення таким поняттям як рішення, управлінське рішення, прийняття рішення. Перелічіть засади, на яких ґрунтується прийняття управлінських рішень.;1

Дерево рішень. Прийняття рішень за його допомогою.;23

Експертна система оцінювання та принципи, на яких вона ґрунтується.;46

Етапи процесу експертного оцінювання.;48

Етапи розгорнутого процесу прийняття рішень. Охарактеризуйте коротко кожен з них.;3

Задачі експертного оцінювання.;51

Ігровий розпливчастий метод аналізу ієрархій (ІРМАІ).;72

Інгредієнт функціонала оцінювання;64

Кількісні показники оцінки ступеня ризику в абсолютному вираженні.;31

Кількісні показники оцінки ступеня ризику у відносному вираженні;32

Класифікація інформаційних ситуацій.;63

Кроки процесу розв‘язування багатокритеріальної задачі.;59

Методи колективної роботи експертної групи.;49

Методи отримання індивідуальної думки членів експертної групи.;50

Назвіть різні структури нейронних мереж та для однієї з них наведіть алгоритм її навчання.;78

Назвіть типові багатокритеріальні задачі та стисло опишіть одну з них.;58

Нечітке відношення та його властивості.;37

Одношарові та багатошарові штучні нейронні мережі. їх архітектурні особливості. Розрахунок вихідного вектору.;75

Оператори генетичного алгоритму.;45

Операції над нечіткими множинами. Задати універсальну множину та дві нечіткі множини на ній та здійснити всі можливі операції над ними.;34

Основі кроки класичного генетичного алгоритму. Опишіть їх.;43

Основна термінологія, що використовується в генетичному алгоритмі.;42

Основні характеристики штучних нечітких нейронних мереж.;80

Особливості сумісного використання

генетичних алгоритмів та штучних нейронних мереж.;79

Правила навчання штучних нейронних мереж.;77

Представлення знань в ІСПР за допомогою логічної моделі. Навести приклад.;17

Представлення знань в ІСПР за допомогою продукційної моделі. Навести приклад.;20

Представлення знань в ІСПР за допомогою семантичних мереж. Навести приклад.;18

Представлення знань в ІСПР за допомогою фреймової моделі. Навести приклад.;19

Прийняття рішень у полі другої інформаційної ситуації.;66

Прийняття рішень у полі п’ятої інформаційної ситуації.;69

Прийняття рішень у полі першої інформаційної ситуації.;65

Прийняття рішень у полі третьої інформаційної ситуації.;67

Прийняття рішень у полі четвертої інформаційної ситуації.;68

Прийняття рішень у полі шостої інформаційної ситуації.;70

Раціональний вибір та аксіоми раціонального поводження в економіці.;21

Система постулатів стосовно ризику як економічної категорії.;28

Складові прийняття у правлінських рішень.;2

Способи кодування параметрів задачі для використання у прийнятті рішення інструментарію генетичного алгоритму. Детально пояснять двійкове кодування.;41

Статистичні методи обробки експертної інформації.;52

Стисло опишіть основні кроки розпливчастого методу аналізу ієрархій.;61

Структура інтелектуальної системи прийняття рішень.;6

Сутність поняття «Інтелектуальна система прийняття рішень».;7

Сутність ризику. Його суб’єктивність та об’єктивність.;27

Сутність якісного аналізу ризику.;30

Суть дефазифікації. Методи дефазифікації. Наведіть приклад.;35

Суть навчання штучних нейронних мереж та його оцінювання.;76

Суть понять «дані» та «знання». Покажіть між ними відмінність.;14

Суть теореми про схеми.;44

Суть теоретико-ігрового підходу в прийнятті рішень з урахуванням множини цілей.;71

Схема експертного оцінювання з урахуванням послідовності залучення і функцій основних груп суб‘єктів.;47

Узагальнений алгоритм вимірювання певного виду економічного ризику.;29

Функції вибору та операції над ними.;22

Функція належності та методи її побудови.;36

Штучний нейрон та його складові.;74

Що таке задачі оптимізації? У яких випадках застосування інструментарію генетичного алгоритму є ефективнішим за традиційні методи оптимізації.;40