- •Компьютерные технологии в науке и образовании
- •Часть 2 Экспертные системы
- •Содержание
- •Лекция 1
- •2.1 Введение в экспертные системы.
- •2.1.1 Назначения и основные свойства экспертных систем
- •Состав и взаимодействие участников построения и эксплуатации экспертных систем
- •Преимущества использования экспертных систем
- •Особенности построения и организации экспертных систем
- •2.1.5 Основные режимы работы экспертных систем
- •2.1.6 Отличие экспертных систем от традиционных программ
- •2.1.7 Технология разработки экспертных систем
- •Лекция 2
- •2.2 Выявление знаний от экспертов.
- •2.2.1 Экспертное оценивание как процесс измерения.
- •Связь эмпирических и числовых систем.
- •Методы измерения степени влияния объектов.
- •2.2.3.1 Метод ранжирования.
- •Метод парных сравнений.
- •Метод непосредственной оценки.
- •Один из подходов к формированию и оценке компетентности группы экспертов.
- •Характеристика и режимы работы группы экспертов.
- •Лекция 3
- •2.3 Обработка экспертных оценок.
- •2.3.1 Задачи обработки.
- •2.3.2 Групповая экспертная оценка объектов при непосредственном оценивании.
- •Обработка парных сравнений.
- •Определение обобщенных ранжировок.
- •Замечания к определению групповых оценок.
- •Лекция 4
- •2.4 Экспертные системы с неопределенными знаниями.
- •2.4.1 Неопределенности в эс и проблемы порождаемые ими.
- •Теория субъективных вероятностей.
- •Байесовское оценивание.
- •Теорема Байеса как основа управления неопределенностью.
- •Лекция 5
- •2.5 Логический вывод на основе субъективной вероятности.
- •2.5.1 Простейший логический вывод
- •Распространение вероятностей в эс
- •Последовательное распространение вероятностей
- •Экспертные системы, использующие субъективные вероятности
- •Лекция 6
- •2.6 Байесовские сети доверия как средство разработки эс.
- •2.6.1 Основные понятия и определения
- •2.6.2 Пример построения простейшей байесовской сети доверия
- •Процесс рассуждения (вывода) в байесовских сетях доверия
- •Байесовские сети доверия как одно из направлений современных экспертных систем
- •Представление знаний с использованием байесовской сети доверия и условная независимость событий
- •Лекция 7
- •2.7 Диаграммы влияния.
- •2.7.1 Назначение и основные компоненты диаграмм влияния
- •2.7.2 Пример построения простейшей диаграммы влияния
- •Диаграммы влияния с несколькими вершинами решения
- •Лекция 8
- •2.8 Сети доверия с условными гауссовскими переменнами.
- •2.8.1 Непрерывные случайные величины
- •Непрерывные гауссовские переменные
- •Числовые характеристики случайных величин
- •Совместное использование дискретных и непрерывных переменных в байесовских сетях доверия
- •Логический вывод в байесовских сетях доверия с непрерывными и дискретными состояниями
- •Лекция 9
- •2.9 Экспертные системы на основе теории Демстера–Шеффера (тдш).
- •2.9.1 Предпосылки возникновения новой теории.
- •2.9.2 Основы теории Демстера–Шеффера
- •2.9.3 Меры доверия и правдоподобия в тдш
- •2.9.4 Отличие тдш от теории вероятностей
- •2.9.5 Связь между тдш и классической теорией вероятностей
- •2.9.6 Комбинация функций доверия
Определение обобщенных ранжировок.
При групповой экспертной оценке каждому i-ому объекту каждый изj-ых экспертов присваиваетrij. В результате проведения экспертного оценивания получается матрица рангов ||rij|| размерностиnxm, гдеn– число объектов (), аm– число экспертов ().
Самый простейший способ получения обобщенной ранжировкизаключается в ранжировании объектов по величине сумм рангов, полученных каждым объектов от всех экспертов. В этом случае для матрицы ранжировок ||rij|| вычисляются суммы:
.
Далее объекты упорядочиваются по цепочке неравенств rk < rl < . . .<rq, где , , ... , . Отсюда следует обобщенная ранжировка объектов
Ok Ol ...Oq.
Для учета компетентности экспертов достаточно умножить i-ю ранжировку на коэффициенты компетентностиj-го эксперта 0£kj£1. В этом случае вычисление суммы рангов дляi-ого объекта производится по формуле
,
что позволяет упорядочить объекты по цепочке неравенств. Следует отметить, что построение таких обобщенных ранжировок является корректной процедурой только в том случае, если ранги назначаются как места объектов в виде натуральных чисел 1,2,...,n.
Однако ранги объектов определяют только порядок расположение объектов по показателям сравнения. Ранги как числа не дают возможность сделать вывод о том, на сколько или во сколько раз предпочтительнее один объект по сравнению с другим. Если ранг 3, то отсюда не следует делать вывод о том, что объект, с рангом 1, в три раза предпочтительнее, чем объект, имеющий ранг, равный трем.
Вместе с тем для использования в ЭС знаний, полученных от экспертов, необходимо не только упорядочение или ранжирование объектов по степени их влияния или воздействия на какой-либо результат, но и определение количественной оценки степени влияния каждого из объектов на результат.
Простейшим методом для реализации этой задачи является подход, основанный на построении обобщенной ранжировки путем перехода от матрицы ранжировок к матрице парных сравнений. Для этого на основе матрицы || rij|| строитсяmматриц парных сравненийRj(j=1,2,...,m), гдеm– число экспертов. Элементы этих матриц определяются следующим образом:
, если Oij
Okj,
то естьrij< rkj
, если Oij
~ Okj,
то естьrij= rkj
, если Oij
Okj,
то естьrij> rkj
где j– номер эксперта,iиk– номера сравниваемых объектов.
Затем к полученным матрицам парных сравнений всех экспертов применяется рассмотренный ранее метод обработки парных сравнений. Его итерационная процедура позволяет получить коэффициенты относительной важностиобъектов по степени их влияния на результат. Проиллюстрируем применение этого подхода на примере.
Пример. Пусть три эксперта (m=3) провели ранжировку трех объектов (n=3) по степени их влияния на какой-либо результат и таблица ранжировок имеет вид:
-
Объект Оi
Эксперт 1
Эксперт 2
Эксперт 3
О1
1
1
2
О2
2
3
1
О3
3
2
3
На основе этой таблицы матрица парных сравнений для первого эксперта будет иметь вид:
Аналогичные матрицы парных сравнений для второго и третьего эксперта будут иметь вид:
;
Используя метод обработки парных сравнений получим последовательность векторов коэффициентов относительной важности объектов:
-
Шаг
К1
К2
К3
0
1,0
1,0
1,0
1
0,481
0,330
0,185
2
0,489
0,346
0,156
3
0,5
0,348
0,152
4
0,5
0,349
0,151
Итерационная процедура с заданной точностью (Е=0,001) является сходящейся на четвертом шаге к значениям:
,
что позволяет оценить количественно степень влияния каждого объекта на результат, полученный на основе исходного ранжирования экспертов.