![](/user_photo/2706_HbeT2.jpg)
- •Министерство образования, науки и молодежи республики крым
- •Факультет экономики и менеджмента Кафедра экономической кибернетики выпускная магистерская работа
- •Национальная академия природоохранного и курортного строительства
- •Министерство образования, науки и молодежи республики крым
- •Реферат
- •1.Научные основы принятия решений с целью повышения прибыли производства упаковочной продукции. 11
- •1.Научные основы принятия решений с целью повышения прибыли производства упаковочной продукции.
- •Цели и задачи принятия экономических решений в производстве упаковочной продукции.
- •1.2 Состояние упаковочной продукции на рынке
- •1.3 Проблемы принятия решений в производстве упаковочной продукции
- •1.4. Роль информационных технологий в управлении производственно-торговым предприятием
- •1.5 Модели и методы принятия решений.
- •Вывод по разделу 1
- •2.Экономико-математическое моделирование деятельности производственно-торгового предприятия с целью повышения прибыли на базе внедрения средств ИкЗ на примере ооо «Хелена».
- •2.1.Технологии принятия решений
- •2.1.1. Принятие решений в условиях риска
- •2.1.2.Принятие решений в условиях определенности
- •2.1.3.Принятие решений в условиях неопределенности
- •2.1.4.Нахождение решений в условиях определенности при множественности целей
- •2.1.5.Метод Парето решения многокритериальных задач выбора альтернативы
- •2.2. Принятие предпринимательского решения для повышения прибыли производственно-торгового предприятия.
- •2.2.1. Сфера принятия управленческих решений
- •2.2.2 Технология принятия предпринимательских решений
- •2.2.3. Экономические методы принятия предпринимательских решений
- •2.3.Модель и метод икз для вывода знание-ориентированных решений в производственном бизнесе. Идея и концепция квантового подхода к искусственному интеллекту (ии)
- •Сущность δРакз-метода принятия решений в икз
- •Постановка и решение Аδ-задачи икз
- •3.2.3. Определение ключевых понятий инженерии квантов знаний (икз)
- •Постановка и решение базовых Вδ-задачи и Сδ -задачи
- •Методика вычисления пд р(*) выводимого решения-следствия в условиях V-неопределенности
- •Вывод по разделу 2
- •3.Реализация интеллектуальной информационной технологии поддержки принятия решений для прибыльной деятельности предприятия на основе использования средств инженерии квантов знаний
- •3.1.Концепция знаниеориентированного принятия управленческих решений в производственной деятельности для повышения прибыли средствами инженерии квантов знаний (икз)
- •Сущность δ-ракз-метода принятия решений в икз
- •3.2. Разработка интеллектуальной информационной технологии для поддержки решений с целью повышения прибыли предприятия
- •1. Рентабельность.
- •2. Организация товародвижения.
- •3. Оборачиваемость средств.
- •4. Производительность труда.
- •5. Фондоотдача.
- •6. Материалоотдача.
- •7. Фондовооруженность.
- •3.3. Практическая реализация прототипа иит "Kvant-b" для повышения прибыли фирмы
- •Вывод по разделу 3
- •Заключение
- •Список использованной литературы
- •ПриложениеA.
- •ПриложениеB.
- •ПриложениеC.
- •ПриложениеD.
- •ПриложениеE.
3.2.3. Определение ключевых понятий инженерии квантов знаний (икз)
δСПОЗ – сценарные примеры обучающих знаний:
информация от экспертов предметной области, описания объективных фрагментов сценария принятия решений в виде высказываний продукционного типа с учетом условий δ-неопределенности:
«ЕСЛИ(логическая
комбинация посылок
)
ТО
(следствие)»
δТЭД – таблица эмпирических данных в условиях δ-неопределенности.
В первоначальном виде содержит m строк (наблюдений) и n столбцов (признаков ОПР); последний столбец стандартно отвечает целевому признаку ОПР.
ЛСВР – логическая сеть возможных рассуждений:
Определение
3.3. Обучаемой
логической сетью возможных рассуждений
(ЛСВР) называется
ориентированный граф
,
синтезируемый по заданнымδСПОЗ
либо δТЭД
посредством алгоритма δАЛОБУЧ
и обладающий
порядковой функцией
,
определенной на подмножествах-уровнях
вершин, и следующимисвойствами:
все вершины (узлы сети)
отвечают высказываниям изδСПОЗ конкретной предметной области, а дуги из
указывают на причинно–следственные связи между узлами с логическими связками «И», «ИЛИ», «НЕ»;
все узлы
при
соответствуютвходной посылочной информации
относительно некоторых следствий
с заданнымиПД
и
;
все узлы
при
являютсяцелевыми (выходными) узлами- заключениями
с вычисляемымиПД
, а все вершины промежуточных уровней между
и
отвечают промежуточным
следствиям
.
δ-КСВР – δ-квантовая сеть вывода решений
Определение
3.4.
Целенаправленной δ-квантовой сетью
вывода решений (δ-КСВР) называется
результат преобразования графа
посредством алгоритмаδАЛАКВА
в граф
,
обладающий следующими свойствами:
все вершины
отвечают сгенерированным разноуровневымδ-квантам, содержащим δСПОЗ конкретной предметной области, а дуги
указывают на логические связиδ -квантовых событий;
все
соответствуютвходным δk-знаниям-посылкам с именами
относительноδk-знаний-следствий с именами
с заданными показателями достоверности;
все
являютсяцелевыми δk-знаниями-заключениями с именами
и вычисляемымиПД
, а все промежуточные вершины графа
отвечаютпромежуточным δk-знаниям-следствиям.
квантовый граф
является одновременно базой δk-знаний в виде импликативных или (и) функциональных закономерностей данной предметной области и сетевым механизмом вывода искомых решений CS по наблюдаемым ситуациям относительно ОПР.
Постановка и решение базовых Вδ-задачи и Сδ -задачи
При постановке базовых Вδ-, Сδ -задач ИКЗ используется в основном идентичная информация, то есть известны:
а) сформированные выборочные δТЭД(Вδ), δТЭД(Сδ), δСПОЗ(Вδ) и δСПОЗ(Сδ), а также число и содержание посылок и заключений как искомых решений в Вδ-задаче (распознавание ОПР или ситуаций) и Сδ –задаче (экстраполяция ОПР или ситуаций), сформулированных в терминах ИКЗ для данной предметной области;
б)
допустимая оценка достоверности
о существованиифункциональных
и (или) импликативных
закономерностей ранга r
в обучающих δТЭД,
δСПОЗ объема
m
N
как меры адекватности искомой базы
δk-знаний
(БδkЗ)
для данной Вδ-,
Сδ
-задачи
(r=2,
3,…n
– число связанных закономерностью
признаков ОПР, m
– количество наблюдений, N
– расширенное число признаков;
–
число значенийj-го
признака ОПР; n
– количество признаков).
в) допустимое значение Rдоп эмпирического риска ошибочных решений как показателя эффективности принимаемых решений;
г) критерий оптимизации δ-КСВР по структурной избыточности (по следствию и по свертке) или идентификации и экстраполяции ОПР;
д)
при формировании δТЭД(Сδ),
δСПОЗ(Вδ)
требуемые
периоды прогнозирования
.
Требуется:
В Вδ –задаче обеспечить дедуктивный вывод идентификационного решения
относительно ОПР
посредствомDED-оператора из БδkЗ(Вδ), которую необходимо предварительно индуктивно вывести с помощью IND-оператора в режиме обучения по выборочным δТЭД(Вδ), δСПОЗ(Вδ);
В Сδ –задаче обеспечить дедуктивный вывод прогнозного решения
относительно ОПР
посредствомDED-оператора из прогнозной БδkЗ(Вδ), которую необходимо предварительно индуктивно вывести с помощью IND-оператора в режиме обучения по выборочным δТЭД(Сδ), δСПОЗ(Сδ).
Заметим,
что опираясь на производственный опыт
и знания специалистов (экспертов) при
формировании обучающих δk-знаний
для конкретной предметной области,
можно гарантированно обеспечить
требуемую устойчивость искомых
импликативных и функциональных
закономерностей в БδkЗ
на
определенный временной
период
(i=1,
2, …) c
учетом будущего. Тем самым после обучения
может быть построена идентификационная
БδkЗ(Вδ),
обладающая
свойствами прогнозной
БδkЗ(Сδ)
на период
.
Тогда разработанныеδРАКЗ-модели,
IND-и
DED-операторы
выода на δk-знаниях
и реализующие алгоритмы δ АЛОБУЧ,
δАЛАКВА, δАЛОПТ, АЛ(Вδ),
АЛ(Сδ)
и АЛУПР позволяют по-новому
трактовать задачу экстраполяции
(прогнозирования)
ситуаций с неявным
использованием временных
зависимостей от t.
При этом Сδ-задача
прогнозирования
рассматривается как частный случай Вδ
–задачи идентификации ОПР и сводится
к определению (экстраполяции) значений
ненаблюдаемых
k
признаков ОПР (
)
по наблюдаемым
(известным) значениям
(n-k)
признаков того же ОПР. Это правомерно
потому, что дедуктивный вывод прогнозируемых
значений признаков на период
гарантируется требуемой
устойчивостью
закономерностей в синтезированной базе
знаний БδkЗ(Вδ)
на данный период.
Таким образом, в отличие от традиционного прогнозирования с затруднительным поиском явных зависимостей от времени t предлагается более продуктивное знаниеориентированное прогнозирование с неявным использованием t, опираясь на устойчивую базу квантов знаний.
Для решения поставленных Вδ-, Сδ -задач δРАКЗ-методом разработаны соответствующие δPAKЗ-модели вивода решений в ИКЗ:
Для Bδ-задачи:
модель индуктивного вывода идентификационной БδkЗ(Bv) из СПОЗ(Bδ) IND-оператором с алгоритмами δАЛОБУЧ, δvАЛАКВА, δАЛУПР:
|
(3.26) |
2) модель
дедуктивного вывода
идентификационного
решения
изБδkЗ(Bv)
DED-оператором
с алгоритмами
АЛ(Bδ)
и
δАЛУПР
по наблюдаемым δk-знаниям
δk1YВ:
|
(3.27) |
Для Cδ-задачи:
1) модель
индуктивного вывод
прогнозной
БδkЗ(Сδ)
из СПОЗ(Cδ)
IND-оператором
с алгоритмами δАЛОБУЧ,
δАЛУПР и заданными периодами прогноза
:
|
(3.28) |
2) модель
дедуктивного вывода
прогнозной
решения
изБvkЗ(Сδ)
DED-оператором
с алгоритмами
АЛ(Сδ)
и
δАЛУПР
по наблюдаемым δk-знаниям
δk1YС:
|
(3.29) |
Формулы (3.26) – (3.29) представлены в операторном виде моделей вывода на δk-знаниях с помощью предложенных специальных алгоритмов