- •1. Процесс принятия решений. Три условия принятия решений.
- •2. Принятие решений в условиях определенности. Структура с одним иерархическим уровнем.
- •3. Принятие решений в условиях определенности. Структура с двумя иерархическими уровнями.
- •4. Принятие решений в условиях определенности. Понятие веса и комбинированного веса.
- •5. Принятие решений в условиях определенности. Понятие матрицы парных сравнений.
- •6. Принятие решений в условиях определенности. Понятие нормализованной матрицы.
- •7. Принятие решений в условиях определенности. Пример согласованной матрицы.
- •8. Принятие решений в условиях определенности. Условие согласованности.
- •9. Принятие решений в условиях определенности. Коэффициент согласованности.
- •10. Принятие решений в условиях риска. Сравнение альтернативных решений.
- •11. Принятие решений в условиях риска. Понятие дерева решений.
- •12. Принятие решений в условиях риска. Связь между «состоянием природы» и ожидаемым платежом.
- •13. Принятие решений в условиях риска. Альтернатива на примере ремонта автомобилей.
- •14. Принятие решений в условиях риска. Критерий выбора периодичности ремонта автомобилей.
- •15. Принятие решений в условиях риска. Зависимость вероятности поломки автомобиля от срока эксплуатации.
- •16. Принятие решений в условиях риска. Априорные вероятности.
- •17. Принятие решений в условиях риска. Апостериорные вероятности.
- •18. Принятие решений в условиях риска. Вероятностные соотношения, отражающие мнение специалиста при принятии решения на основе эксперимента над исследуемой системой.
- •19. Принятие решений в условиях риска. Дерево решений при использовании апостериорных вероятностей.
- •20. Принятие решений в условиях риска. Вероятность совместного появления событий m и .
- •21. Принятие решений в условиях риска. Абсолютная вероятность.
- •22. Принятие решений в условиях риска. Выражение для апостериорной вероятности.
- •23. Принятие решений в условиях риска. Понятие функции полезности.
- •24. Принятие решений в условиях риска. Графическое изображение функции полезности.
- •25. Принятие решений в условиях риска. Процедура построения функции полезности.
- •26. Принятие решений в условиях риска. Понятие критерия ожидаемого значения.
- •27. Принятие решений в условиях риска. Составляющие критерия ожидаемого значения – дисперсия.
- •28. Принятие решений в условиях риска. Понятие критерия предельного уровня.
- •29. Принятие решений в условиях риска. Использование критерия предельного уровня в сфере массового обслуживания.
- •30. Принятие решений в условиях риска. Критерий наиболее вероятного исхода.
- •31. Принятие решений в условиях неопределенности. Критерий Лапласа.
- •32. Принятие решений в условиях неопределенности. Минимаксный критерий.
- •33. Принятие решений в условиях неопределенности. Критерий Сэвиджа.
- •34. Принятие решений в условиях неопределенности. Критерий Гурвица.
- •35. Марковские процессы. Понятие матрицы переходных вероятностей и матрицы доходов.
- •36. Марковские процессы. Стационарная стратегия.
- •37. Марковские процессы. Основной смысл решений, принимаемых садовником.
- •38. Марковские процессы. Представление задачи садовника как задачи динамического программирования с конечным числом этапов (основные элементы).
- •39. Марковские процессы. Ожидаемый доход, обусловленный одним переходом.
- •40. Марковские процессы. Понятие обратной прогонки в задаче динамического программирования.
- •41. Марковские процессы. Рекуррентное уравнение динамического программирования при условии изменения переходных вероятностей и функции дохода во времени.
- •42. Марковские процессы. Коэффициент дисконтирования. Его учет в рекуррентном уравнении динамического программирования при конечном числе этапов.
- •43. Марковские процессы. Общая характеристика методов решения задачи с бесконечным числом этапов.
- •44. Марковские процессы. Алгоритм метода полного перебора. Общая характеристика.
- •45. Марковские процессы. Пример вычисления долгосрочных стационарных вероятностей в методе полного перебора в модели с бесконечным числом этапов.
- •46. Марковские процессы. Характеристика результирующей таблицы в методе полного перебора в методе с бесконечным числом этапов.
- •47. Марковские процессы. Недостаток метода полного перебора в модели с бесконечным числом этапов.
- •48. Марковские процессы. Модификация рекуррентного уравнения в методе итераций по стратегиям при бесконечном числе этапов.
- •49. Марковские процессы. Необходимость применения итеративной процедуры в методе итераций по стратегиям при бесконечном числе этапов.
- •50. Марковские процессы. Алгоритм метода итераций по стратегиям при бесконечном числе этапов. Общая характеристика.
- •1.Шаг оценивания параметров:
- •2.Шаг улучшения стратегии:
- •51. Марковские процессы. Критерий выбора оптимального решения в методе итераций по стратегиям при бесконечном числе этапов.
- •52. Марковские процессы. Пример шага оценивания параметров в методе итераций по стратегиям при бесконечном числе этапов.
- •53. Марковские процессы. Пример шага улучшения стратегии в методе итераций по стратегиям при бесконечном числе этапов.
- •58. Марковские процессы. Выражение (основа) для формулировки марковской задачи в виде задачи линейного программирования.
- •59. Марковские процессы. Формулировка Марковской задачи в виде задачи линейного программирования. Постановка задачи.
- •60. Марковские процессы. Пример формулировки задачи садовника без дисконтирования при бесконечном числе этапов в виде задачи линейного программирования.
- •76. Понятие регрессионного анализа.
- •77. Метод наименьших квадратов.
- •78. Понятие доверительный интервал для среднего значения оценки.
- •79. Понятие интервала предсказаний
- •80. Понятие коэффициента корреляции
- •81. Понятие тренда во временном ряду.
- •82. Модель аддитивных компонентов.
- •83. Модель мультипликативных компонентов.
- •1. Понятие эс
- •2. Назначение и области применения экспертных систем
- •3 . Структура экспертной системы
- •4. Основные классы и виды экспертных систем
- •5. Продукционные экспертные системы. Основные компоненты продукционной экспертной системы
- •6. Продукционные экспертные системы. Прямая и обратная цепочки вывода
- •7. Продукционные экспертные системы. Простая диагностирующая экспертная система
- •8. Продукционные экспертные системы. Формальное представление продукционной экспертной системы
- •9. Нейлоровские диагностирующие системы. Общие понятия
- •10. Нейлоровские диагностирующие системы. Байесовский подход
- •11. Нейлоровские диагностирующие системы. Элементы механизма логического вывода
- •12. Нейлоровские диагностирующие системы. Цены свидетельств — косвенная цепочка рассуждений
- •13. Нейлоровские диагностирующие системы. Правила остановки
- •14. Нейлоровские диагностирующие системы. Структура базы знаний
- •15. Нейлоровские диагностирующие системы. Алгоритм логического вывода
5. Продукционные экспертные системы. Основные компоненты продукционной экспертной системы
В соответствии со структурой типовой ЭС (см. рис. 12.2) рассмотрим особенности представления знаний и механизмы вывода в продукционных системах. Основные компоненты продукционной ЭС изображены на рис. 13.1.
Механизм вывода часто называется интерпретатором правил или планировщиком. Правила — продукции а, -> Р, интерпретируется с помощью конструкции:
ЕСЛИ . Здесь могут достаточно сложным образом зависеть от фактов ai. Например, можем иметь продукцию вида a1 ^ a2 ^ a3 -> a10, где ^ — знак конъюнкции (логическое "И").
При решении задач оптимизации с помощью некоторой диалоговой системы оптимизации или пакета прикладных программ для выбора метода конечномерной оптимизации без ограничений может применяться ЭС, содержащая, например, следующее правило:
ЕСЛИ решаемая задача = задача конечномерной оптимизации без ограничений, И количество переменных = 2, ТО рекомендуемый метод = метод вращения осей Розенброка.
Механизм вывода в продукционной ЭС может быть построен в соответствии с различными принципами. Рассмотрим основную идею.
Мы имеем базовое (неизменное) для данной ЭС множество возможных фактов: А = {а1...,аn}, формируемое при создании (разработке) ЭС. При этом важно понимать, что никакие новые факты не могут быть получены в результате работы ЭС. Основная и единственная задача ЭС — устанавливать определенные связи между фактами для конкретной ситуации, интересующей пользователя ЭС.
Будем различать два подмножества A0, А1 исходного множества А. Множество А1 будет называться множеством констатированных (или помеченных) фактов, а множество A0 —множество непомеченных фактов. Иногда множество А1 называется рабочим полем ЭС.
В начале работы ЭС множество А1 содержит некоторое количество фактов (исходная информация). Далее происходит последовательное пополнение множества А1 за счет элементов множества А0. Интерпретатор правил сопоставляет левые части продукций .
6. Продукционные экспертные системы. Прямая и обратная цепочки вывода
Выше мы рассмотрели процесс модификации множества A1 в соответствии с прямой цепочкой вывода. Основная идея заключалась в поиске новых фактов в направлении стрелок, разделяющих левые и правые части правил: .
Если же нам требуется установить наличие какого либо факта ai по имеющемуся входному множеству A1, то можно воспользоваться и прямой цепочкой вывода, но при этом если реальная база знаний содержит не три правила, а сотни и тысячи, то в результате прямой цепочки рассуждений будет проделана огромная лишняя (в смысле задачи установления конкретного факта) работа, связанная с построением большого числа вполне справедливых цепочек вывода и ситуаций, не
имеющих отношения к искомому результату.
Поэтому в подобных случаях более выгодной может оказаться обратная цепочка вывода. В этом случае сначала проверяются правые части продукций и ищутся продукции, в правой части которых есть факт ai, затем проверяется наличие в множестве A1 фактов, которые были в левой части найденных продукций. Если каких либо из этих фактов нету в множестве A1, то ищутся продукции в правой части которых расположены эти факты и процесс повторяется заново до тех пор пока не будет подтверждено, что в множестве A1 есть факты из которых можно получить факт ai, либо опровегнуто.