View
11
Download
0
Category
Preview:
Citation preview
Analiza wielokryterialna wiedzy reprezentowanejontologicznie
Zastosowanie metod analizy semantycznej do zwiększeniaefektywności wykorzystania gridu
Katarzyna Wasielewska-Michniewska
Studia Doktoranckie IBS PANTechniki informacyjne - teoria i zastosowania
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Zakres i cel pracy
Zadanie badawcze
Zaproponowanie metod wspomagających użytkownika przyefektywnym wykorzystywaniu zasobów gridu z zastosowanieagentów programowych, ontologicznej reprezentacji wiedzy orazwielokryterialnej oceny przy podejmowaniu decyzji.
Cele badawcze1 Opracowanie metody reprezentacji wiedzy dziedzinowej
opartej na ontologii.2 Zastosowanie analizy wielokryterialnej do wsparcia
użytkownika przy definiowaniu zadania oraz w określaniuograniczeń dotyczących wymaganego zasobu.
3 Wsparcie użytkownika przy wyborze optymalnej oferty(kontraktu) określającej warunki wykonania zadania.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Motywacja
Grid jako narzędzie do rozwiązywania problemówobliczeniowych dużej skaliProblemy z wykorzystaniem udostępnionych zasobów:
luka w komunikacji pomiędzy twórcami narzędzi aużytkownikamiciągłe wykorzystywanie jednej metody / algorytmu / bibliotekido rozwiązania danego problemu
Integracja gridu z biznesem
Zastosowanie ontologii oraz agentów programowych w celudostarczenia inteligentnej infrastruktury
Wsparcie użytkownika o małej wiedzy technicznej w jegowspółdziałaniu z gridem - jak wybrać odpowiednie narzędziedo rozwiązania problemu?Mechanizmy integrujące z warstwą ekonomiczną
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Kontekst
Agents in Grid – inteligentne zarządzanie zasobamiudostępnianymi w gridzie z wykorzystaniem agentówprogramowych oraz semantycznego przetwarzania danych.Scenariusz: wyszukiwanie zasobu do wykonania zadania
Założenia:
grid jako środowisko otwarte, do którego może się przyłączyćdowolny zasób,
wszyscy “użytkownicy” oraz udostępnione zasobyreprezentowane są przez agenty programowe,
agenty działają w zespołach reprezentowanych przez liderów,
użytkownik ma do wykonania zadanie obliczeniowe, doktórego chce wykorzystać zasób dostępny na gridzie,
użytkownik ma wiedzę dotyczącą problemu oraz posiadaogólną wiedzę na temat metody, natomiast nie jest pewien,które narzędzie oraz konfiguracja zasobu będzie optymalna.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Kontekst
Agents in Grid – inteligentne zarządzanie zasobamiudostępnianymi w gridzie z wykorzystaniem agentówprogramowych oraz semantycznego przetwarzania danych.Scenariusz: wyszukiwanie zasobu do wykonania zadania
Założenia:
grid jako środowisko otwarte, do którego może się przyłączyćdowolny zasób,
wszyscy “użytkownicy” oraz udostępnione zasobyreprezentowane są przez agenty programowe,
agenty działają w zespołach reprezentowanych przez liderów,
użytkownik ma do wykonania zadanie obliczeniowe, doktórego chce wykorzystać zasób dostępny na gridzie,
użytkownik ma wiedzę dotyczącą problemu oraz posiadaogólną wiedzę na temat metody, natomiast nie jest pewien,które narzędzie oraz konfiguracja zasobu będzie optymalna.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Kontekst
Agents in Grid – inteligentne zarządzanie zasobamiudostępnianymi w gridzie z wykorzystaniem agentówprogramowych oraz semantycznego przetwarzania danych.Scenariusz: wyszukiwanie zasobu do wykonania zadania
Założenia:
grid jako środowisko otwarte, do którego może się przyłączyćdowolny zasób,
wszyscy “użytkownicy” oraz udostępnione zasobyreprezentowane są przez agenty programowe,
agenty działają w zespołach reprezentowanych przez liderów,
użytkownik ma do wykonania zadanie obliczeniowe, doktórego chce wykorzystać zasób dostępny na gridzie,
użytkownik ma wiedzę dotyczącą problemu oraz posiadaogólną wiedzę na temat metody, natomiast nie jest pewien,które narzędzie oraz konfiguracja zasobu będzie optymalna.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Kontekst
Agents in Grid – inteligentne zarządzanie zasobamiudostępnianymi w gridzie z wykorzystaniem agentówprogramowych oraz semantycznego przetwarzania danych.Scenariusz: wyszukiwanie zasobu do wykonania zadania
Założenia:
grid jako środowisko otwarte, do którego może się przyłączyćdowolny zasób,
wszyscy “użytkownicy” oraz udostępnione zasobyreprezentowane są przez agenty programowe,
agenty działają w zespołach reprezentowanych przez liderów,
użytkownik ma do wykonania zadanie obliczeniowe, doktórego chce wykorzystać zasób dostępny na gridzie,
użytkownik ma wiedzę dotyczącą problemu oraz posiadaogólną wiedzę na temat metody, natomiast nie jest pewien,które narzędzie oraz konfiguracja zasobu będzie optymalna.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Kontekst
Agents in Grid – inteligentne zarządzanie zasobamiudostępnianymi w gridzie z wykorzystaniem agentówprogramowych oraz semantycznego przetwarzania danych.Scenariusz: wyszukiwanie zasobu do wykonania zadania
Założenia:
grid jako środowisko otwarte, do którego może się przyłączyćdowolny zasób,
wszyscy “użytkownicy” oraz udostępnione zasobyreprezentowane są przez agenty programowe,
agenty działają w zespołach reprezentowanych przez liderów,
użytkownik ma do wykonania zadanie obliczeniowe, doktórego chce wykorzystać zasób dostępny na gridzie,
użytkownik ma wiedzę dotyczącą problemu oraz posiadaogólną wiedzę na temat metody, natomiast nie jest pewien,które narzędzie oraz konfiguracja zasobu będzie optymalna.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Przykładowy scenariusz
Krok 1
Użytkownik szuka zasobu o wskazanej konfiguracji (np. dostępnapamięć większa niż 1024MB) do rozwiązania zadania z jegodziedziny (np. znalezienie najmniejszej wartości własnej dlamacierzy symetrycznej).
użytkownik definiuje problem / własności danych/konfigurację zasobu zgodnie ze swoim stanem wiedzy (różnypoziom szczegółowości)wielokryterialna ocena “poprawności” wymagań użytkownika
Krok 2
Użytkownik chce określić warunki współpracy z dostawcą zasobu.
wielokryterialna ocena ofert kontraktów otrzymanych wwyniku negocjacji
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wspomaganie użytkownika w ramach AiG IWyszukiwanie zasobu do wykonania zadania
1 Użytkownik wprowadza wymagania dotyczące zasobu orazzadania.
2 Agent użytkownika przeszukuje repozytorium z wiedząekspercką i wybiera pasujące opinie eksperckie (analizawielokryterialna).
3 Bazując na opiniach eksperckich można wyróźnić trzysytuacje:1 użytkownik prawidłowo i w pełni zdefiniował zadanie i
konfigurację zasobów (bez zmian)2 można precyzyjniej określić metodę rozwiązania i/lub
optymalną konfigurację zasobów (rozszerzenie/modyfikacja)3 wiedza ekspercka wskazuje na to, że należałoby zastosować
inną metodę i/lub inaczej skonfigurować zasoby (wskazaniealternatyw)
4 Użytkownik akceptuje lub odrzuca zmodyfikowane wymagania.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wspomaganie użytkownika w ramach AiG IIWyszukiwanie zasobu do wykonania zadania
5 Agent użytkownika odpytuje system, o zarejestrowane zespoły,które posiadają zasób o wskazanej konfiguracji.
6 Użytkownik wprowadza wymagania dotyczące kontraktu.
7 Agent użytkownika przystępuje do negocjacji z wybranymiliderami zespołów.
8 Agent użytkownika wybiera optymalną ofertę kontraktu(analiza wielokryterialna).
9 Następuje etap przesłania i wykonania zadania.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wiedza ekspercka
Ontologia
Formalna, jawna specyfikacja współdzielonej konceptualizacji.Ontologię specyfikuje się używając następujących konstruktów:
pojęcia opisujące elementy dziedziny,
własności opisujące cechy poszczególnych pojęć,
ograniczenia nałożone na wartości, jakie mogą przyjmowaćcechy danego pojęcia,
związki miedzy pojęciami i aksjomaty (np. używającaksjonamtu subclass można wskazać, że klasasparseSymmetricMatrix jest podklasą klasy SymmetricMatrix).
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Ontologia dziedzinowa IPodstawowe pojęcia - model koncepcyjny
Domain - identyfikuje dziedzinę wiedzy
Problem - hierarchia problemów
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Ontologia dziedzinowa IIPodstawowe pojęcia - model koncepcyjny
Algorithm - hierarchia algorytmów / metod, które możnawykorzystać do rozwiązania problemów
Data Element - typ danych, które stanowią wejście dlaalgorytmów
Data Property - hierarchia własności danych wejściowych;dla dziedziny obliczeniowej algebry liniowej własności sąpodklasami Matrix Property lub Matrix Element Property
Domain Expert - eksperci (ludzi bądź systemy), którzywprowadzają do systemu opinie (rekomendacje) w ramachprzypisanych do nich dziedzin
Job Profile - profil zadania stanowiący powiązanie instancjiklas Problem, Algorithm, Data Element, Expert Opinion
Expert Opinion - opinie eksperckie wiążące instancje klasyDomain Expert oraz Grid Entity
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Ontologia dziedzinowa IIIPodstawowe pojęcia - model koncepcyjny
Testowe zastosowanie dla dziedziny: obliczeniowa algebra liniowaW ontologii OWL można wyróźnić:
T-Box (terminologia - syntaktyka) – model koncepcyjny tj.aksjomaty definiujące i opisujące pojęcia
A-Box (asercje - semantyka) – zawiera asercje dotycząceinstancji
A-Box + T-Box = baza wiedzy
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Ontologia dziedzinowa IVPodstawowe pojęcia - model koncepcyjny
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu I
Definiowanie wstępnych wymagań
Profil zadania – ograniczenia na kombinację problemu, algorytmu,oraz własności danych wejściowych, ew. konfiguracji zasobu.Kluczowy element przy wyszukiwaniu opinii eksperckiej.Opinie ekspertów powinny zostać zagregowane i skonfrontowane ztym co określił użytkownik. Można wyróżnić dwie sytuacje:1 użytkownik niedookreślił “tego co chce zrobić”2 użytkownik zaproponował sformułowanie zagadnienia, które
nie jest optymalne
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu II
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu III
Opinie eksperckie
Opinie eksperckie wyrażone są semantycznie co pozwala na ichreprezentację w postaci drzewa.
<owl:NamedIndividual rdf:about="AiGExpInst;eigenvalueJobProfile">
<rdf:type rdf:resource="AiGExpOnto;JobProfile"/><AiGExpOnto:forProblem rdf:resource="AiGExpInst;
smallestEigenvalueProblem"/><AiGExpOnto:forMatrix rdf:resource="AiGExpInst;
sparseSymmetricMatrix"/><AiGExpOnto:hasAlgorithm rdf:resource="AiGExpInst;
eigenSolverJacobiMethod"/><AiGExpOnto:hasexpertOpinion rdf:resource="AiGExpInst;
Opinion1ForEigenvalueProblem"/></owl:NamedIndividual ><owl:NamedIndividual rdf:about="AiGExpInst;
Opinion1ForEigenvalueProblem"><rdf:type rdf:resource="AiGExpOnto;ExpertOpinion"/><AiGExpOnto:hasExpert rdf:resource="AiGExpInst;HPCExpert1"/>
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu IV
<AiGExpOnto:hasRecommendedResource rdf:resource="AiGExpInst;computingElement"/>
<AiGExpOnto:forJobProfile rdf:resource="AiGExpInst;eigenvalueJobProfile"/>
</owl:NamedIndividual ><owl:NamedIndividual rdf:about="AiGExpInst;computingElement"
><rdf:type rdf:resource="AiGExpInst;DefinedCompElement"/></owl:NamedIndividual >
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu V
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu VI
Analiza wielokryterialna
Powinna pozwolić na wybranie zagregowanej opinii wyrażającejpogląd na temat tego jaki zasób byłby najlepszy dla wykonaniazadania.
wielu ekspertów (decydentów), którzy mogą mieć różne„wagi”
wiele kryteriów ilościowych i jakościowych, które mogą miećwagi istotnościowe
możliwość naturalnego / prostego uwzględnienia drzewiastejstruktury kryteriów
ograniczenia na kryteria mogą stanowić konkretne wartościlub przedziały
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobuRekomendacje
Wynik
Maksymalnie precyzyjne określenie tego, jakie zasoby (sprzęt ioprogramowanie) są potrzebne aby rozwiązać zadanie orazewentualnie zasugerowanie metody rozwiązania problemu.
W tej sytuacji może okazać się, że:1 użytkownik prawidłowo i w pełni zdefiniował zadanie i
konfigurację zasobów (bez zmian),2 wiedza ekspercka wskazuje na to, że można precyzyjniej
określić metodę rozwiązania i/lub optymalną konfiguracjęzasobów (rozszerzenie / modyfikacja),
3 wiedza ekspercka wskazuje na to, że należałoby zastosowaćinną metodę i/lub inaczej skonfigurować zasoby (wskazaniealternatyw).
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze kontraktu I
Definiowanie wstępnych wymagań
W tym przypadku jeden ekspert (agent reprezentującyużytkownika), wybiera najlepszą ofertę kontraktu spośródotrzymanych ofert (lub stwierdza, że żadna z otrzymanych ofertnie jest „dostatecznie dobra”).Struktura problemu decyzyjnego generowana jest na podstawiewymagań użytkownika.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze kontraktu II
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze kontraktu III
Wymagania oraz oferty kontraktów wyrażone są semantycznie copozwala na ich reprezentację w postaci drzewa.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze kontraktu IV
Analiza wielokryterialna
jeden ekspert
wiele kryteriów ilościowych i jakościowych, które mogą miećwagi istotnościowe
możliwość naturalnego / prostego uwzględnienia drzewiastejstruktury kryteriów
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Metody analizy wielokryterialnej
Analytical Hierarchy Process (AHP; Thomas Saaty, 1970+)
PROMETHEE (B. Mareschal, J. P. Brans, C. Macharis,1998)
Technique for Order Preference by Similarity to IdealSolution (TOPSIS; H.-S. Shih, H.-J. Shyur, E. S. Lee, 2008) iOntological Matchmaking
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Analytical Hierarchy Process (AHP)
AHP – analiza wielokryterialna w przypadku złożonego problemu zlicznymi, antagonistycznymi oraz podlegającymi subiektywnejocenie kryteriami (o hierarchicznej strukturze), wspierająca analizęskończonej ilości wariantów (alternatyw) przez wielu ekspertów;możliwość oceny poziomu spójności dla wyrażonych preferencji.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu IAHP
1 Wybór kryteriów.C1, . . . ,CM– zbiór kryteriów służących do oceny wariantów
2 Wybór ekspertów.E = {ei}i=1,...,K – zbiór ekspertów
3 Numeryczna ocena i stworzenie rankingu wariantów.
Tworzenie hierarchicznej struktury problemu decyzyjnego.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu IIAHP
Definicja preferencji oraz obliczanie ocen ważności dlawszystkich elementów hierarchii.
1 c12 ... c1mc21 1 ... c2m... ... ... ...cm1 cm2 ... cmm
(1)
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu IIIAHP
cij = 1cji
, cii = 1
oceny ważności kryteriów z danego poziomu względemrodzica to współczynniki znormalizowanego wektorawłasnego c̄ dla maksymalnej wartości własnej λmax
(posiadającej wektor własny c z dodatnimi współczynnikamici > 0, i = 1, ...,m)
c̄i =ci∑m
i=1 ci
,
m∑i=1
c̄i = 1
hasCPU hasMemory isRunningOShasCPU 1 1
3 3hasMemory 3 1 5isRunningOS 1
315 1
lokalne wagi: hasCPU 0.2, hasMemory 0.68, isRunningOS 0.12
hasClockSpeed hasCoreshasClockSpeed 1 1
3hasCores 3 1
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu IVAHP
lokalne wagi: hasClockSpeed 0.25, hasCores 0.75
hasTotalSize hasAvailableSizehasTotalSize 1 1
7hasAvailableSize 7 1
lokalne wagi: hasTotalSize 0.12, hasAvailableSize 0.88oceny wyliczone na każdym poziomie są wykorzystywane dowyliczenia ważonych ocen na poziomie bezpośrednio poddanym elementem - globalne oceny ważności dla każdegoci , i = 1, ...,MchasClockSpeed = c̄computingElement ∗ c̄CPU ∗ c̄hasClockSpeed = 0.025chasCores = c̄computingElement ∗ c̄CPU ∗ c̄hasCores = 0.075chasTotalSize = c̄computingElement ∗ c̄Memory ∗ c̄hasTotalSize = 0.041chasAvailableSize = c̄computingElement ∗ c̄Memory ∗ c̄hasAvailableSize = 0.3cisRunningOS = c̄computingElement ∗ c̄isRunningOS = 0.06chasAlgorithm = c̄JobProfile ∗ c̄hasAlgorithm = 0.5
Badania spójności macierzy preferencji.Wyznaczenie ocen ważności dla ekspertów.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu VAHP
HPCExpert1 HPCExpert2 HPCExpert3HPCExpert1 1 5 1
3HPCExpert2 1
5 1 17
HPCExpert3 3 7 1
wagi: HPCExpert1 0.28, HPCExpert2 0.07, HPCExpert3 0.65Tworzenie rankingu końcowego.macierz ocen, gdzie xn
ij , i = 1, ...,M, j = 1, ...,K – ocenąn-tego wariantu przez j-tego eksperta (o ważnościwj , j = 1, ...,K ) mając na uwadze i-te kryterium
e1 e2 ... eK
C1 xn11 xn
12 ... xn1K
C2 xn21 xn
22 ... xn2K
... ... ... ... ...CM xn
M1 xnM2 ... xn
MK
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu VIAHP
Ocena Mn n-ego wariantu jest wyliczana jako:
Mn =M∑
i=1
(ci
K∑j=1
xnijwj )
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu VIIAHP
Alternatywa 1 HPCExpert1 HPCExpert2 HPCExpert3hasClockSpeed 1 3 3hasCores 3 -1 -1hasTotalSize 5 5 1hasAvailableSize 1 1 1isRunningOS 7 5 3hasAlgorithm 1 3 1
M1 = 0.025 ∗ (0.28 ∗ 1 + 0.07 ∗ 3 + 0.65 ∗ 3) + 0.075 ∗ (0.28 ∗ 3 + 0.07 ∗(−1) + 0.65 ∗ (−1)) + ... = 1.3
Alternatywa 2 HPCExpert1 HPCExpert2 HPCExpert3hasClockSpeed 3 1 3hasCores -1 -1 1hasTotalSize 5 3 7hasAvailableSize 1 1 3isRunningOS 5 3 3hasAlgorithm 3 1 3
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Wsparcie przy wyborze zasobu VIIIAHP
Alternatywa 3 HPCExpert1 HPCExpert2 HPCExpert3hasClockSpeed 1 1 1hasCores 1 1 1hasTotalSize 7 7 5hasAvailableSize 3 3 5isRunningOS 5 3 3hasAlgorithm 3 5 3
M2 = 2.87,M3 = 4.2
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Podsumowanie - AHP
popularna metoda uwzględniająca wielu decydentów orazkryteria ilościowe i jakościowe
agregacja możliwa na poziomie wyrażania preferencji odnośniekryteriów oraz ocen dla alternatyw
hierarchiczna struktura problemu decyzyjnego - intuicyjnadekompozycja problemu
skala werbalna pozwalająca ocenę wartości dla kryteriówilościowych i jakościowych
metoda sprawdzania spójności preferencji wprowadzonychprzez użytkownika / eksperta
problem rank reversal
krytyka odnośnie “naukowości” metody
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
PROMETHEE I
Metoda do grupowego podejmowania decyzji z grupy Outrankingmethods.Kroki obejmują:1 Wybór decydentów E = {er}r=1,...,R
2 Wybór kryteriów C1, . . . ,CM (wspólnych orazindywidualnych dla danego decyndenta)
3 Konstrukcja tabeli ewaluacji (evaluation table) - wartościfi (.) wyrażone numerycznie w odpowiednich jednostkach
Ci hasClockSpeed hasCores hasTotalSize ...wi 0.025 0.075 0.041 ...fi (.) f1(.) f2(.) f3(.) ...a f1(a) f2(a) f3(a) ...b f1(b) f2(b) f3(b) ...
4 Ocena alternatyw przez każdego z decydentów
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
PROMETHEE II
wyznaczenie wag kryteriów orazminimalizacja/maksymalizacjaw r1 ,w
r2 , ...,w
rM ,∑M
i=1 wri = 1
przypisanie funkcji preferencji do kryteriówPi (a, b) = Gi (fi (a)− fi (b)), i = 1, ...,M - porównania paramiGi - niemalejąca funkcja wyrażająca odchylenie pomiędzyfi (a), fi (b)ustalenie indywidualnego rankingu alternatywπr (a, b) =
∑Mi=1 Pi (a, b)w r
i
φ+r (a) =∑
x∈A πr (a, x) - moc alternatywy a
φ−r (a) =∑
x∈A πr (x , a) - słabość alternatywy a
φr (a) = φ+r (a)− φ−r (a) - net flow alternatywy a
5 Wyznaczenie globalnego rozwiązaniawagi ekspertówω1, ω2, ..., ωr , ..., ωR ,
∑Rr=1 ωr = 1
ustalenie globalnego rankingu alternatywΦG (a) =
∑Rr=1 φ
r (a)ωr
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Podsumowanie - PROMETHEE
metoda zaprojektowana do grupowego podejmowania decyzji
nie wykorzystywany jest fakt, że dane są reprezentowaneontologicznie
wagi dla wszystkich kryteriów wyznaczanie są bezpośrednio -problem nie jest dekomponowany
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
TOPSIS + Dopasowanie ontologiczne I
Technique for order preference by similarity to ideal solution
Metoda bazująca na wyznaczeniu idealnej (PIS) oraz anty-idealnej(NIS) alternatywy (najlepsza oraz najgorsza oferta). Celem jestwybranie alternatywy “najbliżej” idealnej oraz “najdalszej” odalternatywy negatywnie idealnej.
Alternatywa idealna (PIS)
wybór zasobu - alternatywy danego ekspertawybór kontraktu - oferta z najlepszymi otrzymanymi wartościami
Alternatywa anty-idealna (NIS)
wybór zasobu - wprowadzona przez danego ekspertawybór kontraktu - oferta z najgorszymi otrzymanymi wartościami
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
TOPSIS + Dopasowanie ontologiczne II
Dopasowanie ontologiczne
Wyznaczanie odległości pomiędzy ontologicznie wyrażonymialternatywami (instancjami), gdzie ontologia jest reprezentowana wpostaci grafu.Odległości jest liczona w dwóch etapach:1 dystans pomiędzy pojęciami w modelu koncepcyjnym -
opcjonalnie definiowany przez ekspertów,2 dystans semantyczny pomiędzy instancjami - skalowanie
dystansów eksperckich wartościami wprowadzonymi przezużytkownika.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
TOPSIS + Dopasowanie ontologiczne IGrupowa decyzja
S+i - odległość i − tej alternatywy od alternatywy idealnej
S−i - odległość i − tej alternatywy od alternatywy anty-idealnej
C ∗i =S−i
S+i +S−i
- odległość od alternatywy idealnej
Grupowe podejmowanie decyzji:
Agregacja zewnętrzna - operacje na wyznaczonych wagach iocenach poza procedurą TOPSIS
Agregacja wewnętrzna - agregacja indywidualnych preferencjiw ramach TOPSIS
Kroki:1 Dla każdego k − ego eksperta wyznaczamy PIS V k+ i NIS
V k−
2 Dla każdego eksperta liczymy odległość i − ej alternatywy odPIS Sk+
i i NIS Sk−i
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
TOPSIS + Dopasowanie ontologiczne IIGrupowa decyzja
3 Dla grupy liczymy zagregowaną odległość i − ej alternatywyod PIS S+
i = S1+i ⊗ ...⊗ SK+i i NIS S−i = S1−i ⊗ ...⊗ SK−
i
4 Dla grupy liczymy odległość i − ej alternatywy od idealnej
C ∗i =S−i
S+i +S−i
5 Wybieramy alternatywę o maksymalnej C ∗i
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Podsumowanie - TOPSIS + dopasowanie ontologiczne
globalna alternatywa idealna i negatywnie idealna wyznaczanana podstawie zagregowanych alternatyw ekspertów
metoda dopasowania ontologicznego jest wygodna gdyinformacje są reprezentowane ontologicznie
nieznaczny problem rank reversal w porównaniu do innychmetod
eksperci poza opinią idealną powinni wprowadzić równieżnegatywnie idealną
eksperci powinni zdefiniować dystanse dla modelukoncepcyjnego
nie ma możliwości sprawdzenia spójności wprowadzonychdanych
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Inne rozpatrywane metody I
Generalized Regression with Intensities of Preference (GRIP)
intuicyjna metoda wskazywania preferencji przez decydenta(holistyczne porównanie parami alternatyw referencyjnych) -częściowy porządek na podzbiorze alternatyw referencyjnych
decydent wskazuje tylko preferencje, których jest pewny, niemusi oceniać wszystkich kombinacji alternatyw względemkryteriów
budowanie modelu preferencji - zbiór liniowych ograniczeń
wynik - necessary/possible relations na zbiorze alternatyw
jak skonstruować zbiór alternatyw referencyjnych?
wsparcie dla wielu decydentów?
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Podsumowanie
Problem dopasowania metody analizy wielokryterialnej dowiedzy reprezentowanej ontologicznie okazał się nietrywialny.Proponowane rozwiązanie poza wyborem “najlepszejalternatywy” powinno również uwzględniać:
pomoc przy ulepszeniu specyfikacja wymagań,wybór spośród wielu alternatyw, które spełniają wymaganiaużytkownika.
AHP wydaje być się metodą najlepiej “dopasowaną”natomiast wzbudza wiele kontrowersji.
Dalsza praca ma na celu zidentyfikowanie oraz zastosowaniemetody alternatywnej dla AHP.
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Dziękuję
Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Recommended