- •2.2 Разработка математических моделей
- •2.3 Методы принятия решения
- •2.3.1 Вероятностно-статистические методы принятия решения
- •2.3.2 Метод иерархий Саати
- •2.3.3 Продукционные правила
- •2.3.5 Мпр на основе прецедентов
- •2.3.6 Генетические алгоритмы
- •2.3.7 Платежная матрица.
- •2.3.8 Дерево решений
- •Анализ и решение задач с помощью дерева решений
- •2.3.9 Нейронные сети
2.3.5 Мпр на основе прецедентов
Применение метода для решения задач оправдано в случае выполнения следующих условий:
1. подобные задачи должны иметь подобные решения (принцип регулярности);
2. виды задач, с которыми сталкивается решатель, должны иметь тенденции к повторению.
Основной целью использования аппарата прецедентов в СППР является выдача готового решения ЛПР для текущей ситуации на основе прецедентов, которые уже имели место в прошлом при управлении данным объектом или процессом.
Суть метода. Поиск решения на основе прецедентов (примеров) заключается в определении степени сходства текущей ситуации с ситуациями прецедентов из базы знаний о предметной области. При этом учитываются веса параметров для ситуации из БП, заданные экспертом. Степень сходства зависит от близости текущей ситуации к ситуации прецедента.
База знаний о предметной области может задаваться по-разному, например, на основе лингвистического описания типовой предметной области или множества кластеров однотипных ситуаций, которым можно поставить в соответствие некоторое общее решение возникающих ЗПР. Последний случай является наиболее типичным для практики и соответствует минимальному объему входной информации, когда отсутствует знание о каких-либо закономерностях, присущих однотипным ситуациям, которым соответствует одинаковое эффективное решение. В этом случае ситуации для реализации метода используется математическая теория распознавания решения.
Соответственно по аналогии с подходом на основе продукционных правил метод может работать в режимах обучения, непосредственного принятия решения, дообучения.
Имеется множество примеров предыдущего успешного решения ЗПР рассматриваемого типа (обучающая выборка). Каждый пример задается каким-то неформализованное описанием ситуации и соответствующим ей решением ЗПР, эффективность которого уже проверена на практике. На основе имеющихся сведений для ситуаций определяются формализованное описания в виде набора характеристик (количественных либо качественных), то есть формируется пространство признаков допустимых ситуаций. Обучающая выборка, представленная в виде векторов сформированного признакового пространства, разбивается на кластеры однотипных ситуаций, в которых можно принять одинаковое решение. Задачи этого типа составляют отдельное направление исследований теории распознавания образов и здесь не рассматриваются. Вообще говоря, для них можно использовать известные методы (так называемые методы кластеризации с внешней целью и без учителя). Реализация этих методов базируется на определении меры близости на множестве допустимых ситуаций и определении правила разбиения.
После построения множества разбиения на кластеры (завершения этапа обучения) принятие решения в каждой новой ситуации сводится к формированию ее описания в построенном пространстве признаков, классификации ситуации относительно множества построенных кластеров, принятию решения по результатам классификации.
Цель процесса дообучения та же, что и в случае продукционных правил.
К преимуществам рассуждений на основе прецедентов можно отнести следующие аспекты:
1. возможность напрямую использовать опыт, накопленный системой без интенсивного привлечения эксперта в той или иной предметной области;
2. возможность сокращения времени поиска решения поставленной задачи за счет использования уже имеющегося решения для подобной задачи;
3. существует возможность исключить повторное получение ошибочного решения;
4. отсутствует необходимость полного и углубленного рассмотрения знаний о конкретной предметной области;
5. возможно применение эвристик, повышающих эффективность решения задач.
К недостаткам рассуждений на основе прецедентов можно отнести следующее:
1. при описании прецедентов обычно ограничиваются поверхностными знаниями о предметной области;
2. большое количество прецедентов может привести к снижению производительности системы;
3. проблематичным является определение критериев для индексации и сравнения прецедентов;
4. проблемы с отладкой алгоритмов определения подобных (аналогичных) прецедентов;
5. невозможность получения решения задач, для которых нет прецедентов или степень их сходства (подобия) меньше заданного порогового значения.