- •Суми 2009
- •Напрямки робіт у галузі ші
- •Когнітивні процеси
- •Загальна структура смислового простору
- •Поняття знань.
- •Схеми проблем
- •Евристичні моделі подання знань.
- •1. Продукційне подання знань
- •2. Мережна модель (мм)
- •3. Подання знань у вигляді фреймів
- •Логічні моделі(лм) подання знань
- •1. Логіка висловлювань
- •Нечітка модель (нм) подання знань
- •Штучні нейронні мережі (шнм)
- •Біологічний нейрон
- •Штучний нейрон
- •Штучна нейромережа
- •Стратегії та методи виведення знань
- •І. Виведення за аналогією (вза)
- •Іі. Індуктивне умовиведення (ів)
- •Ііі. Виведення на основі категоріальних знань (вкз)
- •1. Концептуальні умовиводи (ку)
- •2. Дедуктивне виведення
- •2. 1. Виведення в продукційних системах (пс)
- •2.2. Виведення в умовах невизначеності (вун)
- •2.3. Виведення в семантичних мережах(см)
- •2.4. Виведення в мережах фреймів (мф)
- •2.5. Виведення в логічних системах (лс)
- •2.6. Метод резолюції
- •1. Нечітке виведення (нв)
- •1.1.Формування нечіткого логічного висновку:
- •2. Штучні нейронні мережі (шнм). Нейропарадигми.
- •2. 1. Процес навчання
- •2.2. Алгоритм навчання хебба
- •2.3. Алгоритм навчання кохонена
- •2.4. Алгоритм навчання процедурою зворотного поширення помилки
- •3. Експертні системи. Основні визначення
- •3.Класифікація експертних систем (ес)
- •4. Архітектура ес
- •2. Методи машинного навчання
- •2.1. Індуктивне навчання (ін)
- •2.2. Навчання формування гіпотез на основі зростаючих пірамідальних мереж
- •1. Стан і тенденції розвитку штучного інтелекту
- •2. Успіхи систем штучного інтелекту і їхньої причини
- •3. Експертні системи реального часу - основний напрямок штучного інтелекту
- •4. Основні виробники
- •5. Архітектура експертної системи реального часу
- •6. Розширення прототипу до додатка
- •7. Тестування додатка на наявність помилок
- •8. Тестування логіки додатка й обмежень (за часом і пам'яттю)
- •9. Супровід додатка
- •2. Стисла історія розвитку систем підтримки прийняття рішень
- •2.1. Зародження і розвиток концепції сппр
- •2.2. Теорія розроблення сппр
- •2.3. Розширення рамок сппр
- •2.4. Технологічні просування
- •3. Цілі сппр та чинники,що сприяють їх досягненню
- •4. Посилення конкурентної переваги завдяки сппр
- •1. Еволюція концепції і структури сппр
- •2. Способи взаємодії особи, що приймає рішення, з сппр
- •3. Еволюція сппр
- •4. Характеристика сучасних сппр
- •5. Підсистеми програмного забезпечення сппр
- •1. Галузі застосування сппр
- •2. Приклади застосування сппр
- •3. Сппр Marketing Expert
- •4. Сппр Decision Grid
- •5. Сппр RealPlan
- •6. Сппр tax advisor
- •7. Сппр Advanced Scout
- •8. Система бізнесової інформації(Business Intelligence) FedEx
- •9. Сппр ShopKo
- •1. Архітектура систем підтримки прийняття рішень
- •2. Компоненти користувацького інтерфейсу
- •2.1. Призначення та загальні ознаки користувацького інтерфейсу
- •2.1.1. Важливість та ефективність користувацького інтерфейсу сппр
- •2.1.2. Основні теми та механізмистворення користувацького інтерфейсу
- •2.1.3. Загальні висновки щодо користувацького інтерфейсу
- •2.1.4. Компоненти мови відображень (презентацій)
- •2.1.4. Роль знань у користувацькому інтерфейсі
- •2.1.5. Питання проектування користувацького інтерфейсу
- •Тема: Класифікаційні групи та моделі систем підтримки прийняття рішень.
- •1. Класифікація на основі інструментального підходу
- •2. Класифікація за ступенем залежності опр у процесі прийняття рішень
- •3. Класифікація за часовим горизонтом
- •Характеристика інформаціїдля різних управлінських рівнів
- •4. Інституційні сппр та сппр на даний випадок
- •1. Моделі в аспекті інформаційного підходу
- •2. Модель, основана на знаннях
- •3. Модель єрархії управління
- •4. Моделі, орієнтовані на особистість опр
- •Характерні аспекти процесів оброблення інформації людиною
- •5. Моделі для планування та прогнозування
- •6. Модель для конторської діяльності
- •1. Облікові і фінансові моделі
- •1.1. Аналіз беззбитковості
- •1.2. Моделі фінансового планування
- •1.3. Орієнтовні фінансові звіти (баланси)
- •1.4. Аналіз на основі розрахунку коефіцієнтів за даними звітності
- •2. Моделі аналізу рішень
- •2.1. Аналітичний єрархічний процес (ahp)
- •2.2. Дерева рішень і моделі багатоатрибутної корисності
- •2.3. Діаграми впливу
- •2.4. Прийняття ризикованих рішень за допомогою функції вигідності
- •3. Моделі прогнозування
- •4. Сітьові і оптимізаційні моделі
- •5. Імітаційні (симуляційні) моделі
- •6. Мови моделювання і електронні таблиці
- •1. Стратегія оцінювання і вибору методів підтримки прийняття рішень у сппр
- •2. Процес прийняття рішень
- •3. Ситуації, пов’язані з прийняттям рішень
- •4. Функції і завдання прийняття рішень
- •5. Узагальнена матриця методів/ситуацій, пов’язаних з прийняттям рішень
- •1. Генетичні успадкування — концептуальна засада генетичних алгоритмів
- •2. Загальна схема генетичних алгоритмів
- •3. Доступне програмне забезпечення генетичних алгоритмів
- •1. Визначення виконавчих інформаційних систем
- •2. Призначення віс
- •3. Визначальні характеристики віс
- •Інформаційні потреби опр, реалізовані засобами віс
- •Вимоги щодо моделювання у віс
- •Вимоги щодо користувацького інтерфейсу віс
2.1. Аналітичний єрархічний процес (ahp)
Техніка аналітичного єрархічного процесу (Analytic Hierarchy Process —AHP), що розвивалася завдяки працям Томаса Сааті, може бути охарактеризована як методика мультикритеріальних рішень, яка може об’єднувати якісні й кількісні фактори за повного оцінювання альтернатив [32]. AHP — це потужний і гнучкий процес підтримки прийняття рішень, що допомагає менеджерам визначати пріоритети та приймати найкращі рішення за умов, коли мають бути враховані як кількісний, так і якісний аспекти прийняття рішення. Зменшуючи складну проблему прийняття рішення до серії попарних порівнянь, а потім синтезуючи їх результати, AHP не тільки допомагає ОПР отримати найкраще рішення, але також надає чітке логічне пояснення щодо того, чому це так має бути.
Слід зауважити, що цей метод досить складний, має цілий ряд окремих відгалужень і модифікацій. Для його застосування потрібне потужне програмне забезпечення, зокрема, модель AHP реалізована в СППР Expert Choice фірми «Decision Support Software» (м. Маклін, США). Ця СППР буде розглянута пізніше. Розроблені також інші пакети, наприклад HIPRE 3+, що є першою повністю графічно керованою (мишкою) реалізацією AHP і аналізу дерев вартостей. За допомогою HIPRE 3+ можна комбінувати різні підходи, як наприклад, AHP і функції корисності в одній моделі.
2.2. Дерева рішень і моделі багатоатрибутної корисності
У загальному випадку всі проблеми щодо прийняття рішень містять чотири елементи:
Який існує вибір (які альтернативи, дії)?
Які мають місце фактори невизначеності (випадкові події), котрі пов’язані з різними альтернативами?
Які можливі результати (післядії, наслідки) кожної альтернативи?
Що важливо для ОПР (які критерії вибору)?
Якщо проблема, що потребує розв’язання, усвідомлена, то перераховані елементи можуть бути подані (структуровані) у вигляді дерева рішень, на якому наглядно графічно зображена схема процесу вибору рішення. Для випадкових вершин мають бути задані ймовірності переходу. Для кожного переходу в дереві підраховується очікуваний виграш. Дерево рішень має дві найбільші переваги. По-перше, воно графічно показує зв’язки між елементами проблеми. По-друге, можна подати комплексніші ситуації в компактному зображенні. Є різні типи дерев рішень, котрі застосовуються в СППР.
Аналіз багатоатрибутної корисності (MAUA) є популярним інструментальним засобом аналізу рішень. За використання цього інструментального засобу атрибути інколи називають факторами рішень або критеріями. Атрибутам задаються коефіцієнти важливості. Творець рішення забезпечує інформацією про кожну альтернативу з кожного атрибута. Описання методу багатоатрибутної корисності буде наведене у сьомому розділі книги на прикладі оцінювання програмного забезпечення СППР.
MAUA традиційно використовувався для розв’язування проблем вибору, в яких є впевненість відносно атрибутних рівнів альтернатив. Інша техніка досліджень операцій — суб’єктивне визначення ймовірностей — може використовуватися для розроблення розподілів імовірностей атрибутних рівнів, коли є невпевненість у цих значеннях. Ці розподіли ймовірностей можуть використовуватися в MAUA, щоб забезпечити узгоджені критерії для відбору найкращого рішення.