Upload
vanmien
View
219
Download
0
Embed Size (px)
Citation preview
Systemy wspomagania decyzji
Andrzej PIECZYNSKI
Instytut Sterowania i Systemów InformatycznychWydział Informatyki, Elektrotechniki i Automatyki
Uniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 1|154
Plan wykładów
1. Wprowadzenie. Proces podejmowania decyzji. Zadania systemu podejmowaniadecyzji. Systemy wspomagania decyzji.
2. Podejmowanie decyzji w srodowisku wielokryterialnym. Metody eliminacji.Scenariusze wielowariantowe. Niepewnosc i ryzyko.
3. Baza wiedzy. Reprezentacja wiedzy. Teoria zbiorów rozmytych, rozmyta baza wiedzy.
4. Pozyskiwanie wiedzy od eksperta. Metody wydobywania wiedzy z danych.5. Zastosowanie metody Quinlana w budowie drzewa decyzyjnego.6. Wydobywanie wiedzy metodami heurystycznymi z danych, metoda
Wang’a-Mendel’a, metoda górska.7. Typy, budowa i zadania systemów ekspertowych. Metody wnioskowania.
Zastosowanie logiki rozmytej w systemach ekspertowych.8. Projekt i implementacja systemów ekspertowych w oparciu o systemy szkieletowe.
9. Kolokwium
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 2|154
Literatura
[1 ]. Koncepcje i narzedzia zarzadzania informacja i wiedza, pod red. E. Niedzielskiej,K. Perechudy - Wydawnictwo Akademii Ekonomicznej we Wrocławiu, Wrocław 2004
[2 ]. Chwiałkowska E.: Sztuczna inteligencja w systemach eksperckich. - MIKOM,Warszawa,1991.
[3 ]. Jagielski J.: Inzynieria wiedzy w systemach ekspertowych. - Lubuskie TowarzystwoNaukowe, Zielona Góra, 2001.
[4 ]. Kacprzyk J.: Wieloetapowe sterowanie rozmyte. - WydawnictwoNaukowo-Techniczne, WNT, Warszawa, 2001.
[5 ]. Kozminski A.: Zarzadzanie w warunkach niepewnosci. - WNT, Warszawa, 2004.
[6 ]. Kwiatkowska A.M.: Systemy wspomagania decyzji. Jak korzystac z wiedzy iinformacji w praktyce. - Wydawnictwo Naukowe PWN SA, Warszawa 2007.
[7 ]. Łeski J.: Systemy neuronowo-rozmyte. - Wydawnictwa Naukowo-Techniczne,Warszawa, 2008.,
[8 ]. Mulawka J.J.: Systemy ekspertowe - Wydawnictwo Naukowo-Techniczne, WNT,Warszawa, 1996.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 3|154
Literatura - cd.
[9 ]. Nowicki R. K.: Rozmyte systemy decyzyjne w zadaniach z ograniczona wiedza. -Akademicka Oficyna Wydawnicza Exit, Warszawa, 2009 ,
[10 ]. Pieczynski A.: Reprezentacja wiedzy w diagnostycznych systemach ekspertowych.- Lubuskie Towarzystwo Naukowe, Zielona Góra, 2003.
[11 ]. Piegat A.: Modelowanie i sterowanie rozmyte. - Akademicka Oficyna WydawniczaEXIT, Warszawa, 1999.
[12 ]. Rutkowska D., Pilinski M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne izbiory rozmyte, - Wydawnictwo Naukowe PWN, Warszawa, 1999.
[13 ]. Surma J.: Business Intelligence Systemy wspomagania decyzji biznesowych. -Wydawnictwo Naukowe PWN SA, Warszawa 2012.
[14 ]. Larose D. T.: Metody i modele eksploracji danych. Wydawnictwo Naukowe PWNSA, Warszawa 2012.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 4|154
W:1 Wprowadzenie
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 5|154
Podejmowanie decyzji - racjonalnosc [6]
Podejmowanie decyzji (PD) proces analizy zaistniałej sytuacji, z której wystepujaco najmniej dwie drogi dalszego postepowania. PD zwiazane jest z wyboremdrogi dalszego postepowania.
• działalnosc racjonalna - oparta na logicznym mysleniu i chłodnej kalkulacji:
� uczucia i emocja - oznaka słabosci,� odwołania do intuicji - usmiech politowania,� podstawowa baza w podejmowaniu decyzji to rozum,� pomijanie emocji czesto jest destrukcyjne dla osobowosci decydenta.
• działalnosc racjonalno - emocjonalna:
� ograniczona racjonalnosc - wykorzystywanie własnych odczuc, emocji,intuicji,
� zycie wewnetrzne człowieka - zyskuje na znaczeniu,� wykorzystywanie ilorazu inteligencji (IQ) uzupełniane ilorazem emocji
(EQ).
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 6|154
Podejmowanie decyzji - umysł i intuicja
• Podejmowanie decyzji - to proces nie tylko racjonalny. Na ten proces mawpływ:
� poznanie problemu,
� motywacje,
� emocje,
• Nowoczesne mechanizmy podejmowania decyzji wprowadzaja:
� mechanizmy pozwalajace na ocene intuicyjna,
� działania na niepewnych i niepełnych danych.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 7|154
Podejmowanie decyzji - problemy
• Problemy strukturalne - procedury rozwiazania ich sa dobrze znane:
� metody analityczne,
� oparte na logice dwuwartosciowej,
• Problemy niestrukturalne - nie poddaja sie algorytmizacji albo do ichrozwiazania brakuje dostatecznej wiedzy lub danych
� sa zbyt skomplikowane do algorytmizacji,
� do ich rozwiazania niezbedna jest intuicja lub uwzglednienie emocji.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 8|154
Podejmowanie decyzji - problemy niestrukturalne [6]
• Problemy niestrukturalne - przykłady:
� modelowanie zjawisk zachodzacych w srodowisku,
� modelowanie zjawisk ekonomicznych i ich wpływ na rozwójspołeczenstwa,
� ocena wpływu inwestycji na srodowisko,
� przewidywanie zmian klimatycznych.
• Problemy niestrukturalne z którymi spotykaja sie inzynierowie decydenci:
� specyfika projektowania nowych rozwiazan,
� tworzenie i implementacja oprogramowania,
� itp.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 9|154
Problemy niestrukturalne - cechy
• dynamika:
� powiazanie przeszłosci i przyszłosci,
� zmiennosc otoczenia - zmiana warunków podejmowania decyzji,
� dynamika uwzgledniana jawnie lub poprzez wprowadzanie odpowiednichograniczen,
• trójwymiarowa przestrzen nieograniczona - przestrzen ograniczona lubgranice niejasno okreslone,
• okresowosc - cykle natury, rózny i zmienny czas cyklu,
• przypadkowosc - szumy i zakłócenia,
• duza liczba danych.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 10|154
Poziomy podejmowania decyzji [6]
• Planowanie strategiczne:
� decyzje na najwyzszym szczeblu,� decyzje długoplanowe,� dopracowanie zadan na nizszych szczeblach,
• Zarzadzanie:
� połaczenie planowania i koordynacji działan,� dostarczenie i stosowne wykorzystanie zasobów - najwazniejsze zadanie
danego poziomu,
• Kierownictwo:
� przewodniczenie grupie ludzi wykonujacej zadanie,� decyzje krótkoterminowe,� istnieja reguły, algorytmy wspomagajace,� istnieja sytuacje wymagajace doswiadczenia, bazujace na intuicji i wiedzy
praktyków.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 11|154
Proces podejmowania decyzji - fazy
• analiza:
� identyfikacja problemu,
� zbieranie danych,
� gromadzenie wiedzy od ekspertów,
� precyzowanie problemu - dokładniejsza definicja - okreslenie struktury,
• projekt:
� poszukiwanie lub tworzenie modelu,
� gromadzenie wiedzy o mozliwosciach rozwiazan, podział na czesci ietapy realizacji,
� powstaje kilka róznych planów rozwiazania,
• wybór - selekcja rozwiazania ze wskazanych rozwiazan,
• implementacja realizacja wybranego rozwiazania.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 12|154
System wspomagania decyzji [6]
System wspomagania decyzji (SWD) to System Komputerowy interaktywnypomagajacy decydentom rozwiazywac problemy niestrukturalne zwykorzystaniem danych i modeli. SWD ma zaszyte elementy sztucznejinteligencji, badaja problem i wspomagaja podejmowanie decyzji w warunkachniepewnosci, braku danych. Wykorzystuja mechanizmy uczenia lub analogii orazpozwalaja na uzycie intuicji.
• system interaktywny - wymaga aktywnosci obu stron opartej na ciagłymdialogu, umozliwia w dowolnym momencie na:
� wprowadzanie danych,� zadawanie pytan o brakujace dane,� radzenie sobie z niekompletna wiedza (po uzyskaniu zgody uzytkownika),
• pomagajacy decydentom:
� nie podejmuje ostatecznej decyzji,� gromadzi i wizualizuje dane,� wskazuje rozwiazanie najlepsze.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 13|154
Zadania SWD
System wspomagania decyzji ułatwia rozumienie i modelowanie swiatazewnetrznego.
• wspomaga w procesach decyzyjnych przy rozwiazywaniu problemówniestrukturalnych,• skraca czas zbierania i przetwarzania duzej ilosci danych,• zadawanie pytan o brakujace dane - wzrost efektywnosci procesu
podejmowania decyzji,• łaczy rózne techniki przetwarzania danych - techniki analityczne,
zastosowanie modeli uzyskanych róznymi metodami,• umozliwia stosowanie elementów intuicyjnych,• niekiedy pracuje z niepełna lub niepewna informacja,• pozwala na prace metoda prób i błedów w poszukiwaniu bazy wiedzy,• czesto pracuje w oparciu o reguły wnioskowania
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 14|154
Cechy aplikacji SWD
• precyzja w odtwarzaniu szeroko pojetego swiata:
� zgodnosc modelu z obserwacjami swiata,� interpretacja fizyczna odpowiedzi modelu,� techniki stosowane w teorii identyfikacji.
• komunikatywnosc:
� dialogi i objasnienia,� systemy wielopoziomowej pomocy,
• odpornosc na zakłócenia:
� szumy (do 20% poziomu sygnału),� odszumianie (systemy uczace, systemy rozmyte).
• modyfikowalnosc:
� całkowity brak mozliwosci modyfikacji systemu,� umozliwiajace na daleko idace modyfikacje nawet w zródłach.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 15|154
Architektura funkcjonalna SWD
Schemat funkcjonalny
Systemprzetwarzania
problemu
Schemat funkcjonalny
Systemprzetwarzania
problemu
Systembazy wiedzy
Schemat funkcjonalny
Systemprzetwarzania
problemu
Systembazy wiedzy
Interfejsu¿ytkownika
Schemat funkcjonalny
Systemprzetwarzania
problemu
Systembazy wiedzy
Interfejsu¿ytkownika
Schemat funkcjonalny
maszyna wnioskuj¹casystem zarz¹dzaniabazami danych
modu³ ucz¹cy siêanaliza danych
Systemprzetwarzania
problemu
Systembazy wiedzy
Interfejsu¿ytkownika
Schemat funkcjonalny
modelefaktyregu³ybazy danychgrafika
maszyna wnioskuj¹casystem zarz¹dzaniabazami danych
modu³ ucz¹cy siêanaliza danych
Systemprzetwarzania
problemu
Systembazy wiedzy
Interfejsu¿ytkownika
Schemat funkcjonalny
modelefaktyregu³ybazy danychgrafika
maszyna wnioskuj¹casystem zarz¹dzaniabazami danych
modu³ ucz¹cy siêanaliza danych
manujêzyk poleceñ
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 16|154
Architektura narzedziowa SWD
Schemat narzêdziowySchemat narzêdziowy
maszynawnioskuj¹ca
Schemat narzêdziowy
maszynawnioskuj¹ca
bazawiedzy
Schemat narzêdziowy
maszynawnioskuj¹ca
bazawiedzy
bazamodeli
Schemat narzêdziowy
maszynawnioskuj¹ca
bazawiedzy
bazamodeli
bazadanych
Schemat narzêdziowy
maszynawnioskuj¹ca
bazawiedzy
bazamodeli
bazadanych
interfejsu¿ytkownika
Schemat narzêdziowy
maszynawnioskuj¹ca
bazawiedzy
bazamodeli
bazadanych
interfejsu¿ytkownika
modelucz¹cy siê
Schemat narzêdziowy
maszynawnioskuj¹ca
bazawiedzy
bazamodeli
bazadanych
interfejsu¿ytkownika
modelucz¹cy siê
Schemat narzêdziowy
maszynawnioskuj¹ca
bazawiedzy
bazamodeli
bazadanych
interfejsu¿ytkownika
modelucz¹cy siê
Schemat narzêdziowy
maszynawnioskuj¹ca
bazawiedzy
bazamodeli
bazadanych
interfejsu¿ytkownika
modelucz¹cy siê
Schemat narzêdziowy
maszynawnioskuj¹ca
bazawiedzy
bazamodeli
bazadanych
interfejsu¿ytkownika
modelucz¹cy siê
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 17|154
W:2 Podejmowanie decyzji wsrodowisku
wielokryterialnym.Niepewnosc a podejmowanie
decyzji
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 18|154
Podejmowanie decyzji w srodowisku wielokryterialnym [6]
Proces decyzyjny w srodowisku wielokryterialnym - etapy:
• opracowanie mozliwych rozwiazan (wariantów),• okreslenie kryteriów:
� ekonomiczne,� techniczne,� ekologiczne,� społeczne.
• estymacja ilosciowa lub jakosciowa:� prognozy, modele,� estymacja ilosciowa i jakosciowa.
• definicja waznosci kryteriów:� które kryteria sa najwazniejsze,� skala wag.
• eliminacja i wybór:� wybór jednego rozwiazania lub podzbioru rozwiazan (problematyka Pα),� przydział wariantów do okreslonych kategorii (problematyka Pβ),� uporzadkowanie wariantów od najlepszych do najgorszych (problematykaPγ)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 19|154
Decyzje w srodowisku wielokryterialnym - metody oceny(1)
• metoda sumy wazonej:,
fj =
p∑i=1
wi · kij (1)
gdzie: i - numer kryterium, j - numer wariantu, wi - waga i-tego kryterium,kij - wartosc j-tego wariantu dla i-tego kryterium,
• metoda dominacji:
� porównania parami, zdominowane sa odrzucane (system pucharowy),
� porównania dla wielu kryteriów: A jest lepsze od B gdy dla m-tegokryterium Am > Bm i An ≥ Bn dla pozostałych kryteriów,
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 20|154
Decyzje w srodowisku wielokryterialnym - metody oceny(2)
• metoda Copelanda:
� porównanie wariantu A z B. Wyznaczenie liczby kryteriów, dla których Ajest lepszy od B (s+) i liczby tych, dla których A jest gorsze od B(s−),
� inkrementacja zmiennej A, gdy s+ > s−, lub inkrementacja zmiennej B wprzeciwnym przypadku,
� wyznaczenie liczby zwyciestw dla wszystkich kryteriów,
� wybór wariantu zwyciescy.
• metoda rangowania:
� szeregowanie wariantów ze wzgledu na i-te kryterium,
� w zaleznosci od miejsca jakie wariant otrzymał nadanie mu wagi (rangi),
� wykonanie zadania dla wszystkich kryteriów,
� sumowanie wag dla poszczególnych wariantów,
� wybór wariantu o najwyzszej (najnizszej) randze.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 21|154
Niepewnosc a podejmowaniedecyzji
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 22|154
Wiedza niepewna
è Wiedza naukowa - jest ciagle rozszerzana i zmieniana. Nawet pewnikinaukowe zawodza i podlegaja rewolucjom.
è Czym jest wiec nauka?
è Jakie sa jej osiagniecia i mozliwosci?
è Czy wiedza naukowa odpowiada scisle rzeczywistosci?
è Gdzie działa najlepiej, a gdzie zawodzi?
è Czy rzeczywiscie mozemy okreslic granice miedzy nauka a pseudonauka?
è Czy w przyszłosci komputery beda w stanie prowadzic samodzielne badanianaukowe?
è Czy mozna do konca wierzyc nauce w obecnej postaci?
è niepewna wiedza daje nam wciaz nadzieje na przyszłosc.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 23|154
Teoria decyzji, niepewnosc i ryzyko 1
é Teoria decyzji to wspólny obszar zainteresowan wielu róznych dziedzinnauki, obejmujacy analize i wspomaganie procesu podejmowania decyzji.
é Korzystaja z niej i dostarczaja metod miedzy innymi:
• matematyka,
• statystyka,
• psychologia,
• socjologia,
• ekonomia,
• zarzadzanie,
• filozofia,
• informatyka,
• medycyna.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 24|154
Teoria decyzji, niepewnosc i ryzyko 2
ê Teoria decyzji zajmuje sie:
• analiza decyzji - rozpatruje sie konkretny przypadek decyzji podjetejprzez osobe lub grupe osób. Analiza polega na wyznaczeniu decyzjioptymalnej oraz, jesli podjeta decyzja nie była optymalna, znalezieniuprzyczyn pomyłki.
• wspomaganiem decyzji - próba wyznaczenia rozwiazania optymalnegoprzy danym zasobie wiedzy o mozliwych konsekwencjach. Dotyczy torówniez podejmowania decyzji grupowych.
ê Teoria decyzji zajmuje sie sytuacja problemowa (problem decyzyjny), wktórej podmiot (decydent), staje przed koniecznoscia wyboru jednego zprzynajmniej dwóch wariantów działania (decyzji).
Jak kazda teoria, tak i teoria decyzji systematyzuje pojeciazwiazane z decyzjami.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 25|154
Teoria decyzji, niepewnosc i ryzyko 3
Ze wzgledu na posiadane informacje, problemy decyzyjne mozemy podzielic natrzy grupy:
ì decyzja podejmowana w warunkach pewnosci - kazda decyzja pociaga zasoba okreslone, znane konsekwencje,
ì decyzja podejmowana w warunkach ryzyka - kazda decyzja pociaga za sobawiecej niz jedna konsekwencje, znamy zbiór mozliwych konsekwencji iprawdopodobienstwa ich wystapienia,
ì decyzja podejmowana w warunkach niepewnosci - nie znamyprawdopodobienstw wystapienia konsekwencji danej decyzji.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 26|154
Teoria decyzji, niepewnosc i ryzyko 4
Podstawowe zagadnienia zwiazane z teoria decyzji:
à sytuacja decyzyjna,
à problem decyzyjny,
à model decyzyjny,
à proces decyzyjny,
à decydent,
à decyzja,
à przestrzen decyzyjna,
í kryterium oceny decyzji,
í decyzja dopuszczalna,
í decyzja optymalna,
í warunek ograniczajacy decyzje,
í pewnosc,
í ryzyko,
í niepewnosc.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 27|154
Teoria decyzji, niepewnosc i ryzyko 5
Pewnosc
• Pewnosc to pojecie z zakresu teorii decyzji, oznaczajace sytuacje, w którejwybranie danego wariantu na pewno pociaga za soba okreslone, znanekonsekwencje.
• Formalnie, decyzjami podejmowanymi w warunkach pewnosci nazywamytaka klase problemów decyzyjnych, w której dla kazdej decyzjiprawdopodobienstwo wystapienia jej konsekwencji wynosi 1.
Przykład: Decydujemy jakim srodkiem transportu dotrzemy na miejsce,wybieramy sposród nastepujacych srodków: pociag (cena dojazdu na miejsce:35 zł), samochód (50 zł), samolot (100 zł). Jedynym kryterium oceny decyzji jestminimalizacja kosztów przejazdu. Wybieramy pociag. Kazda decyzja na pewnopociagała za soba okreslone konsekwencje, zatem decyzja została podjeta wwarunkach pewnosci.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 28|154
Teoria decyzji, niepewnosc i ryzyko 6Pewnosc
ç W przypadku, gdy znamy wszystkie mozliwe konsekwencje wariantówdecyzyjnych, wybór wariantu optymalnego sprowadza sie do wyboru decyzjiprzynoszacej najwieksze korzysci.
ç W prostych przypadkach wybór wariantu jest trywialny, jesli problemdecyzyjny przyjmuje bardziej skomplikowana postac, wykorzystuje sie działmatematyki zwany badaniami operacyjnymi.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 29|154
Teoria decyzji, niepewnosc i ryzyko 7PewnoscW szczególnosci duze znaczenie w podejmowaniu decyzji maja nastepujacemetody:à programowanie matematyczne
• programowanie liniowe
• programowanie całkowitoliczbowe
• programowanie zero-jedynkowe
• programowanie celowe
• programowanie kwadratowe
• programowanie nieliniowe
• programowanie dynamiczne
à zagadnienie transportowe
à algorytmy sieciowe
í zarzadzanie projektem
• CPM
• PERT
• wykres Gantta
í teoria zapasów
• zagadnienie gazeciarza
í teoria kolejek
í proces Markowa
í analiza szeregów czasowych
í metody gradientowe
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 30|154
Teoria decyzji, niepewnosc i ryzyko 8
Komputerowe wspomaganie decyzji
é Gwałtowny rozwój technologii informatycznych spowodował, ze systemykomputerowe zaczeły pełnic istotna role w procesach decyzyjnych,szczególnie tam, gdzie:
• do podjecia decyzji konieczne jest szybkie przetworzenie ogromnychilosci danych (np. w duzych przedsiebiorstwach),
• gdzie charakterystyka sytuacji decyzyjnej wymaga zastosowaniaskomplikowanych obliczeniowo modeli.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 31|154
Teoria decyzji, niepewnosc i ryzyko 9
Komputerowe wspomaganie decyzji
é W licznych obszarach działalnosci rózne kategorie systemów pełnia róznerole:
• systemy transakcyjne - zadaniem tych systemów jest dostarczanieaktualnych informacji, potrzebnych do podejmowania decyzji na poziomieoperacyjnym; systemy transakcyjne moga równiez zasilac danymisystemy wyzszego poziomu,
• hurtownie danych - dostarczaja zagregowanych informacji potrzebnychdo podejmowania decyzji taktycznych i strategicznych,
• systemy informowania kierownictwa - dostarczaja z nizszych systemówinformacje przygotowane w sposób ułatwiajacy podejmowanie decyzji nanajwyzszych szczeblach kierowniczych (systemy raportujace,wizualizacyjne),
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 32|154
Teoria decyzji, niepewnosc i ryzyko 10
Komputerowe wspomaganie decyzji
• systemy wspomagania decyzji - kategoria ta obejmuje dwa typy systemów:
� systemy klasy business intelligence - systemy analityczno-decyzyjne wduzych organizacjach, zasilane z hurtowni danych lub bezposrednio zsystemów transakcyjnych, ekstrahuja z dostarczonych informacji wiedzewykorzystujac baze zaawansowanych modeli statystycznych,optymalizacyjnych czy algorytmy sztucznej inteligencji,
� specjalistyczne systemy decyzyjne - ich zadaniem jest ułatwieniekorzystania z jednego lub kilku modeli, wykorzystywane najczesciej przezanalityków lub do automatyzacji procesu decyzyjnego (np. w medycynie)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 33|154
Systemy klasy business intelligence (1)
Systemy klasy business intelligence dostarczaja wiedze o funkcjonowaniuprzedsiebiorstw w dziedzinie:
é wyników finansowych,é poziomów sprzedazy,é naleznosci zobowiazan,é stanów kadrowych,é wyników pracy.
Podczas działania systemy BI:
é przekształcaja dane (faktury) w informacje (ilosc sprzedanego towaru),é przekształcaja informacje w wiedze (analiza sprzedazy),é pracuja z danymi niekompletnymi lub nierzetelnymi.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 34|154
Systemy klasy business intelligence (2)
Od systemów klasy BI wymaga sie:
é analiz biezacych i strategicznych w zakresie:• kosztów,• przychodów,• marz,• budzetowania w celu symulacji lub prognoz finansowych.
é wyznaczenia najlepszych kierunków inwestycji i rozwoju,é wskazania potencjalnych oszczednosci i przychodów,é modelowania biznesowego,é symulacji wyników,é integracji i zunifikowania danych w firmie.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 35|154
Systemy klasy business intelligence (3)
W skład systemów BIwchodza:
é hurtownia danych,
é moduł OLAP,
é moduł data mining,
é moduł raportowania,
é elementy syste-mu wspomaganiadecyzji.
Architektura systemu BIArchitektura systemu BI
Bazadanych
Architektura systemu BI
Hurtowniadanych
Bazadanych
Architektura systemu BI
DataMining
Hurtowniadanych
Bazadanych
Architektura systemu BI
DataMining
OLAP
Hurtowniadanych
Bazadanych
Architektura systemu BI
Raporty
DataMining
OLAP
Hurtowniadanych
Bazadanych
Architektura systemu BI
Raporty
DataMining
OLAP
Hurtowniadanych
Bazadanych
Architektura systemu BI
SWD
Raporty
DataMining
OLAP
Hurtowniadanych
Bazadanych
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 36|154
Wnioskowanie w warunkach niepewnosci i niepełnej wiedzy
Czy mozna radzic sobie z podejmowaniem decyzji w warunkach niepewnosci ?
ç pomiedzy pełna informacja a zupełnym jej brakiem moga wystapic przypadkiposrednie,
ç posiadana informacja moze byc niedokładna, niepełna,
ç w takiej sytuacji podejmowanie decyzji moze sie opierac na osłabionychwymaganiach,
ç niepewnosc wiedzy wystepuje wtedy gdy stan rzeczy jest trudny lub wreczniemozliwy do precyzyjnego okreslenia za pomoca dostepnych pomiarów,
ç w takich sytuacjach czesto korzysta sie z wiedzy ekspertów,
ç zdobyta w ten sposób wiedza jest niepewna, eksperci róznia sie w ocenach.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 37|154
Postacie niepewnosci
ç Przypadkowosc - niepewnosc co do faktu wystapieniazdarzenia i jego przynaleznosci do danego zbioru,
ç Rozmytosc - czesciowa przynaleznosc do zbioru onieprecyzyjnych granicach.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 38|154
Narzedzia formalne uzywane w przypadkach niepewnosci
ç Teoria prawdopodobienstwa, rozumowanie probabilistyczne -prawo Bayes’a,
ç Współczynniki pewnosci,
ç Rozumowanie rozmyte
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 39|154
Współczynniki pewnosci
Technika ta polega na:
1. dokładnych reguł i przyblizonych przesłanek,
2. przyblizonych reguł i dokładnych przesłanek,
3. przyblizonych reguł i przyblizonych przesłanek.
Zastosowanie wnioskowania przyblizonego wymaga ustalenia niepewnosci:
é stwierdzen przyblizonych,
é przyblizonych reguł wnioskowania,
é przesłanek złozonych z kilku stwierdzen przyblizonych,
é konkluzji wynikajacych z przyblizonych przesłanek i przyblizonych reguł,
é konkluzji wyznaczonej za pomoca kilku niezaleznych reguł przyblizonych.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 40|154
Przetwarzanie wiedzy niepełnej
Wiedze niepełna przetwarza sie trudno:ç najczesciej realizowane to jest za pomoca metod symbolicznych,ç dla wiedzy niepewnej okresla sie poziomy ufnosci - CF,ç dla wiedzy niepeªnej rozwaza sie zagadnienie ogólniejsze - analizowany
wniosek jest słuszny lub niesłuszny,Wiedze niepełna mozna reprezentowac za pomoca stwierdzen:è cos ma pewna własnosc, brak wskazania tej rzeczy,è wszystkie elementy danej grupy maja okreslona własnosc - brak wyliczania
elementów tej grupy,è Przynajmniej jedno z dwóch stwierdzen jest prawdziwe - brak
rozstrzygniecia które.Przykłady:1. mamy liste losów wygrywajacych, losu danej osoby nie ma - ta osoba nie
wygrała,2. przegladamy ksiazke telefoniczna, numeru telefonu danej osoby nie ma w
ksiazce - nie oznacza to, ze ta osoba nie ma telefonu.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 41|154
W:3 Baza wiedzy
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 42|154
Baza wiedzy
è Wiedza definiowana jest jako znajomosc zjawisk zachodzacych wsrodowisku, obiektach, zachowaniach ludzkich i zwierzecych.
è Wiedza to takze umiejetnosc opisu budowy, własnosci, parametrów obiektówz otoczenia człowieka i jego zakresu aktywnosci.
è Wiedza to takze nabyte umiejetnosci zachowan, postepowania w aktywnoscicodziennej oraz w sytuacjach wyjatkowych.
è Reprezentacja wiedzy w danym systemie informacyjnym jest waznym, azarazem trudnym problemem, który nie został jeszcze w pełni rozwiazany.
è Wiedze mozna reprezentowac w formie symbolicznej lub niesymbolicznej.
è Baza wiedzy to zbiór definicji, faktów, pojec i relacji miedzy nimi oraz regułwnioskowania.
è Proces organizowania zebranej wiedzy wiaze sie z wyborem odpowiedniejmetody reprezentacji wiedzy oraz weryfikacji bazy wiedzy i mechanizmuwnioskowania.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 43|154
Reprezentacja wiedzy (1)
ç SYMBOLICZNA:
• reprezentacja proceduralna - duza efektywnosc reprezentowaniaprocesów,
• reprezentacja deklaratywna - duza efektywnosc reprezentowania faktów.
ç NIESYMBOLICZNA:
• sieci neuronowe,
• sieci neuro-rozmyte,
• algorytmy ewolucyjne.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 44|154
Reprezentacja wiedzy (2)
ç Metody organizowania baz wiedzy:
• metody bazujace na bezposrednim zastosowaniu logiki,
• metody oparte sieci Bayes’a
• metody wykorzystujace zapis stwierdzen,
• metody wykorzystujace systemy regułowe,
• metody wykorzystujace sieci semantyczne,
• metody oparte o drzewa decyzyjne
• metody oparte na ramach,
• metody oparte o logike rozmyta
• metody uzywajace modele obliczeniowe.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 45|154
Reprezentacja wiedzy - Rachunek zdan
Elementami rachunku zdan sa:
ç zmienne zdaniowe (atomy) : p, q, r, · · · , reprezentujace zdania oznajmujace,
ç funktory (spójniki zdaniowe):
• ¬ - negacja,• ∧ - koniunkcja,• ∨ - alternatywa,• =⇒ - implikacja,• ⇐⇒ - równowaznosc.
ç nawiasy.
Klasyczny rachunek zdan:
æ Aksjomaty,æ Reguły,æ Tautologie.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 46|154
Reprezentacja wiedzy - Sieci Bays’a
A
BC
D
E
P(D,A,E,B,C)=P(B)P(A|B)P(C|B,A)P(E|C)P(D|A,C)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 47|154
Rozumowanie probabilistyczne - prawo Bayes’a (1)
æ Zalety: - zwarty i scisły aparat matematyczny,
æ Wady:
• stosowanie prawdopodobienstwa warunkowego,
• prawdopodobienstwa a’priori trudne do oszacowania.
Prawdopodobienstwo całkowite
P (A) =n∑i=1
P (Bi)P (A/Bi) (2)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 48|154
Rozumowanie probabilistyczne - prawo Bayes’a (2)
Gdy zdarzenie A wystapiło to prawdopodobienstwo zajscia pozostałych Bi(kazdego) mozna wyznaczyc za pomoca wzoru Bayes’a - prawdopodobienstwoa posteriori.
P (Bi/A) =P (Bi)P (A/Bi)
P (A)=
P (Bi)P (A/Bi)n∑i=1
P (Bi)P (A/Bi)(3)
A = A ∧B1 ∨A ∧B2 ∨A ∧B3 ∨A ∧B4 (4)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 49|154
Reprezentacja wiedzy - Stwierdzenia
è dla wiedzy pewnej
(〈OBIEKT 〉, 〈ATRY BUT 〉, 〈WARTOSC〉)
è dla wiedzy niepewnej
(〈OBIEKT 〉, 〈ATRY BUT 〉, 〈WARTOSC〉, 〈CF 〉)
gdzie: CF - stopien pewnosci.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 50|154
Reprezentacja wiedzy - Reguły
Regułowa baza wiedzy
(A, a) ∧ (B, b) =⇒ (C, c)
IF A przyjmuje wartosc a AND B przyjmuje wartosc b THEN C przyjmujewartosc c.
((P, p) ∨ (Q, q) =⇒ (R, r))⇐⇒
{(P, p) =⇒ (R, r)
(Q, q) =⇒ (R, r)
}Reguła Horna
A i B i C D
przes³anki wniosek
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 51|154
W:I Reprezentacja wiedzy - Reguły produkcyjne
Reguły produkcji (RP)
Jesli φ i ψ sa wyrazeniami logicznymi, to:φ⇒ ψ i ψ ⇐ φ
sa regułami produkcji.
przy czym φ to warunkiψ to konkluzje
Przykład:Jesli przystapisz do egzaminu i udzielisz poprawnych odpowiedzi to zdaszegzamin
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 52|154
W:I Reprezentacja wiedzy - Reguły decyzyjne
Reguły decyzyjne
Praktycznie - konkluzja czesto zawiera polecenia czy akcje, decyzjeJesli w wyrazeniach logicznych φ i ψ symbole operatorów logicznych ¬,∧,∨zastapi sie operatorami not, and, orwtedy napisy:
• if φ then ψ,
• if φ then ψ else χ
staja sie regułami decyzyjnymi.
Przykład:Jesli przystapisz do egzaminu i uzyskasz pytania to zacznij udzielac odpowiedzi
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 53|154
Reprezentacja wiedzy - Sieci semantyczne
Urz¹dzenie Operacja Sygna³
Turbina Kocio³ Rozruch Ciœnienie Temperatura
£opatka Palenisko Rozpalanie
jest jest jest jest jest
jest czêœci¹ jest czêœci¹ jest czêœci¹
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 54|154
Reprezentacja wiedzy - Drzewa decyzyjne
T
p nN
u1 u2 N u3
T1T2
T3
p1 p2 n1 n2
Legenda:T- temperaturap- ciœnienien- obrotyN- stan normalnyu1, u2, u3 - uszkodzenia
Jeœli p wtedyT=T2 i =p2 klasa=u2
korzeñ
liϾ
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 55|154
Reprezentacja wiedzy - Ramy
przep³yw wartoœæ 1
obroty
sprawnoϾ
Obiekt - Turbina
wartoϾ 2
wartoϾ 3
procedura 1
procedura 2
procedura 3
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 56|154
Teoria zbiorów rozmytych - pojecia podstawowe
Lingwistyka
Od przetwarzania liczb do przetwarzania sªówLofthi Zadeh(1999)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 57|154
Teoria zbiorów rozmytych - pojecia podstawowe
Zbiory rozmyte
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 58|154
Teoria zbiorów rozmytych - pojecia podstawowe
Rozmywanie
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 59|154
Teoria zbiorów rozmytych - pojecia podstawowe
Wnioskowanie
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 60|154
Optymalizacja bazy wiedzy:kompletnosc, sprzecznosc,
nadmiarowosc
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 61|154
Optymalizacja bazy wiedzy - kompletnosc
Kompletnosc modelu rozmytego
ç kompletnosc numeryczna,
ç kompletnosc modelu rozmytego.
Definicja 10Model rozmyty jest kompletny jezeli dla kazdego stanu wejsc x? = (x?1, . . . , x
?n)
przyporzadkowuje pewien stan wyjscia y?.
Model rozmyty nie spełnia zasady kompletnosci gdy istnieje choc jedna wartoscwejscia x?, dla której nie zdefiniowano zadnej wartosci wyjscia y?.
Dla rozmytego modelu wystepuja równiez pojecia kompletnosci podziałuobszaru wejsciowego oraz kompletnosci bazy reguł.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 62|154
Optymalizacja bazy wiedzy - sprzecznosc
Definicja 13Baza reguł jest niesprzeczna jesli nie zawiera reguł sprzecznych, tzn. reguł ojednakowych przesłankach i róznych konkluzjach.
W przypadku rozmytej regułowej reprezentacji wiedzy wyróznia sie róznepoziomy sprzecznosci reguł.
ë silna sprzecznosc reguł - wystepuje jesli konkluzje sprzecznych regułopisane sa za pomoca znacznie rózniacych sie wyjsciowych zbiorówrozmytych,
ë słaba sprzecznosc reguł - obejmuje przypadki, gdy konkluzje opisane sa zapomoca zbiorów rozmytych o zblizonej wartosci modalnej (punkt lub zbiórpunktów przestrzeni rozwazan, które uzyskuja maksymalna wartosc funkcjiprzynaleznosci. Dla zbioru punktów wartosc modalna wyznacza sie jakowartosc srednia).
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 63|154
Optymalizacja bazy wiedzy - nadmiarowosc
Nadmiarowosc bazy reguł - wystepuje wtedy gdy w bazie wystepuje kilka anawet kilkanascie reguł o takich samych przesłankach i konkluzjach.
Taka sytuacja moze wynikac z:
ì pomyłki eksperta lub inzyniera wiedzy,
ì wzmocnienia konkluzji nadmiarowych reguł wygenerowanych przezsamouczacy sie (samoorganizujacy sie) model rozmyty.
Dla nadmiarowosci wynikajacej z:
ì błedu człowieka - nadmiarowe reguły nalezy usunac,
ì celowego wprowadzenia nadmiarowych reguł - nalezy przeanalizowac ichfunkcje i dokonac syntezy powstałej bazy w celu akumulacji efektówwzmacniania konkluzji.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 64|154
W:4 Wydobywanie wiedzy
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 65|154
Pozyskiwanie wiedzy do bazy wiedzy [3]
Koncepcja systemu ekspertowego jako formy sztucznej inteligencjiw swym załozeniu ma nasladowac tok postepowania irozumowania specjalisty wymaga zaopatrzenia systemuekspertowego w wiedze stosowna do istoty problemu.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 66|154
Etapy pozyskiwania wiedzy [3]
Proces pozyskiwania wiedzy zawiera nastepujace etapy:
î definicja zakresu zadan oraz obszaru zastosowan SE, dla którego nalezypozyskac wiedze,
î identyfikacja zródeł wiedzy,î definicja metod reprezentacji wiedzy,î pozyskiwanie wiedzy i opracowanie prototypowej bazy wiedzy,î rozbudowa bazy wiedzy do pełnej wersji,î weryfikacja funkcjonalna bazy i usuniecie błedów,î ocena bazy wiedzy przez niezaleznych ekspertów i przekazanie do
eksploatacji po uzyskaniu pozytywnej opinii.
Zródła wiedzy:
î ekspert
î bazy danych.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 67|154
Klasyfikacja metod pozyskiwania wiedzy [3]
Metody pozyskiwania wiedzy dzielimy na:
î manualne,î półautomatyczne,î automatyczne.
Metody pozyskiwania wiedzy
Tradycyjne, manualne Wspomagane komputerowo
Poœrednie Bezpoœrednie Automatyczne
Uczenie maszynowe
Pó³automatyczne
Dialogowe
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 68|154
Pozyskiwanie wiedzy - Metody manualne [3]
Metody stosowane na etapie wstepnego projektowania bazy wiedzy. Zaliczamydo nich:
1. wywiad,2. analize protokołów,3. obserwacje procesu rozwiazywania problemu,4. "przerobienie" problemu,5. kwestionariusze,6. raport eksperta,7. "burze mózgów",8. głosne komentowanie w trakcie rozwiazywania problemu.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 69|154
Pozyskiwanie wiedzy - Metody półautomatyczne
Metody te zwane sa takze metodami dialogowymi lub trenowaniem systemu.Polega na zdobywaniu wiedzy podczas eksploatacji.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 70|154
Pozyskiwanie wiedzy - Metody automatyczne [3]
Metody automatyczne - uczenie maszynowe. W tym przypadku nie jestniezbedny inzynier wiedzy i ekspert. Procedury pozyskiwania wiedzy działajaautomatycznie. Zdobyta w ten sposób wiedza jest na biezaco wykorzystywana wpracy systemu.Przy wydobywaniu wiedzy od specjalistów stosuje sie dwa podejscia:
1. Bezposrednie - w pierwszej kolejnosci pracuje autor (autorzy) tworzac nowedzieła jako wyniki badan,
2. Posrednia - w pierwszej kolejnosci analizujemy osiagniecia autora (materiałyarchiwalne) a potem weryfikujemy baze z autorem. .
Narzêdzia
generowania
nowej wiedzy
Baza wiedzy
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 71|154
Pozyskiwanie wiedzy - Ekspert jako zródło wiedzy(1)
Człowiek jest ekspertem w wybranej dziedzinie poniewaz:
1. uczy sie przez doswiadczenie,
2. modyfikuje zbiór swoich pojec,
3. kieruje sie zdrowym rozsadkiem,
4. ma intuicje,
5. moze rozumowac poprzez analogie.
Ekspert wskazuje sposób pozwalajacy podejmowac decyzje woparciu o niedokładne, niepewne, a nawet sprzeczne dane.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 72|154
Pozyskiwanie wiedzy - Ekspert jako zródło wiedzy(2)
Problemem inzyniera wiedzy jest formalizacja zapisu wskazan eksperta.Z tym zagadnieniem wiaze sie kilka innych problemów, do których moznazaliczyc:
1. brak eksperta z danej dziedziny,2. aspekt psychologiczny - brak checi współpracy ze strony eksperta,3. paradoks ekspertyzy - ekspert czasami rozwiazuje problem ale nie wie jak
tego dokonał,4. problem kontekstu - pomijanie przez eksperta uwarunkowan otoczenia,
wiedza zdroworozsadkowa,5. zagadnienie uogólniania - ekspert czasami opiera swoja wiedze na
konkretnym przykładzie,6. rozbieznosc reprezentacyjna - u eksperta a w systemie ekspertowym,7. czasochłonnosc - pozyskiwanie wiedzy od eksperta jest najbardziej
pracochłonne.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 73|154
Techniki pozyskiwania wiedzy od eksperta [3]
Wyróznia sie kilka technik pozyskiwania wiedzy od eksperta. Zaliczamy do nich:
1. Obserwacje eksperta w miejscu pracy,2. Dyskusja problemu - organizacja wiedzy eksperta o problemie,3. Opisywanie problemu,4. Analizowanie problemu - sposób rozumowania przez eksperta,5. Doskonalenie systemu - ekspert zadaje problemy w celu weryfikacji
zgromadzonej wiedzy,6. Testowanie systemu - sprawdzanie kompletnosci i spójnosci wiedzy,7. Ocena systemu:• bład łagodnosci oceny,• bład surowosci oceny,• bład tendencji centralnej,• bład "halo!!!" - zauroczenie lub uprzedzenie do systemu.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 74|154
Techniki badan kwestionariuszowych [3]
Maja one charakter czesciowo metody bezposredniej oraz posredniej
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 75|154
Techniki badan kwestionariuszowych - 2
Budowa kwestionariusza:
1. Kilka lub kilkanascie ponumerowanych pytan,
2. Obok pytania odpowiedzi (kwestionariusz drukowany lub elektroniczny),
3. Rozpoczyna sie informacje od okreslenia celu (co jest celem badan i jakichma dostarczyc informacji),
4. Składa sie z 3 zasadniczych czesci:
• instrukcji,• wstepnych pytan informacyjnych,• pytan własciwych,
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 76|154
Techniki badan kwestionariuszowych - 3
Budowa kwestionariusza:
1. Instrukcja,
• motywacja szczerego wypełniania,• zachowanie dyskrecji,• sposób udzielania odpowiedzi,• informacja o sposobie oddania wypełnionego kwestionariusza.
2. Wstepne pytania - dane identyfikacyjne,
3. Pytania własciwe,
• dialog z ekspertami,• pytania dotycza zagadnien konkretnych (nie ogólne hasła),
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 77|154
Techniki badan kwestionariuszowych - 4
Przeprowadzenie badan:
1. Grupa reprezentatywna,
2. Proces badan
• omówienie,• rozdanie kwestionariuszy,• wypełnienie,• zebranie wypełnionych kwestionariuszy.• opracowanie wyników� wstepna selekcja,� ocena ilosciowa - obróbka statystyczna,� ocena jakosciowa - uwzglednienie tresci (wazne dane, oryginalne
sformułowania).
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 78|154
Techniki badan kwestionariuszowych - 5
Etapy przygotowania kwestionariusza
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 79|154
Techniki badan kwestionariuszowych - 6
Kwestionariusz a ankieta:
1. Formalne podobienstwo,
2. Róznice:
• ilosc pytan (ankieta znacznie mniej),
• w ankiecie - pytania otwarte (ogólne) / kwestionariusz - zamkniete (krótkiodpowiedzi),
• w kwestionariuszach stosuje sie pytania kontrolne (odkłamywacze),
• metodologicznie - kwestionariusz jest bardziej precyzyjny, ale wymagalepszego przygotowania.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 80|154
Techniki badan kwestionariuszowych - 7
Metody wydobywania wiedzy:
1. Preferencji grupowych (cechy):
• metoda szacunku ekspertów (metoda intuicyjna),• obszar zastosowan:� brak danych statystycznych lub niewystarczajaca ilosc,� brak pewnych statystycznych metod oceny na postawie doswiadczenia
uzyskanego w poprzednim okresie,� wystepowanie ostrych zmian o charakterystykach mało znanych.
• Badania maja dac odpowiedz na nastepujace pytania:� co sadza eksperci ?� na ile sa w sadach zgodni ?,� czy zgodnosc jest statystycznie istotna na załozonym poziomie
istotnosci α.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 81|154
Techniki badan kwestionariuszowych - 8
Etapy pozyskiwania wiedzy za pomoca kwestionariusza
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 82|154
Techniki badan kwestionariuszowych - 9
Metody wydobywania wiedzy:
1. Skalowanie odpowiedzi:
• metoda porzadkowa (porzadkowanie poprzez nadanie liczby od 1 do m -liczba reguł),
n∑r=1
arj = min; Rj = 1
n∑r=1
arj = max; Rj = m
j = 1, 2, . . . ,m; r = 1, 2, . . . , n (5)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 83|154
Techniki badan kwestionariuszowych - 10
Metody wydobywania wiedzy:
1. Skalowanie odpowiedzi:
• metoda punktowa (przypisanie regule punktów z okreslonej skali - wagareguły to suma punktów lub srednia arytmetyczna)
aj =
n∑r=1
Rjr, aj =1
n
n∑r=1
Rjr (6)
• metoda punktowa (przypisanie regule liczb naturalnych) aj = max; Rj = 1
aj = min; Rj = n
(7)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 84|154
Techniki badan kwestionariuszowych - 11
Metody wydobywania wiedzy:
1. Skale szacunkowe (kategorii przypisuje sie parametry w pewnej a’prioriokreslonej dla danej cechy skali):
• okreslenie kategorii,• okreslenie skali dla kategorii,
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 85|154
Techniki badan kwestionariuszowych - 12
Metody wydobywania wiedzy:
1. Skale szacunkowe:
• przygotowanie kategorii opisowych krancowych - wazne dobrezakotwiczenie,• oceny statystyczne:,� poziom zgodnosci ocen ekspertów� miara zgodnosci - współczynnik korelacji miedzy zbiorami oszacowan
grupy ekspertów,� współczynnik zgodnosci W - Kendalla (0 - brak zgodnosci, 1 - całkowita
zgodnosc),
• szacowanie poziomu zgodnosci metoda korelacji rangowej
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 86|154
Techniki badan kwestionariuszowych - 13
Szacowanie poziomu zgodnosci metoda korelacji rangowej
1. Oceny punktowe reguł nadane przez ekspertów stanowia zbiór surowychliczb naturalnych - przykład 1
• zbiór pieciu wyników: 9, 2, 6, 4, 1,• porzadkowanie zbioru w kolejnosci malejacej: 9, 6, 4, 2, 1,• przyporzadkowanie wynikom rang:
wyniki: 9, 6, 4, 2, 1rangi: 1, 2, 3, 4, 5
2. wyniki w przykładach pochodza od jednego eksperta, rangi słuza doobliczania współczynnika W .
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 87|154
Techniki badan kwestionariuszowych - 14
Szacowanie poziomu zgodnosci metoda korelacji rangowej
1. Oceny punktowe reguł nadane przez ekspertów stanowia zbiór surowychliczb naturalnych - przykład 2
• zbiór osiem wyników: 9, 4, 2, 6, 2, 4, 1, 7• porzadkowanie zbioru w kolejnosci malejacej: 9, 7, 6, 4, 4, 2, 2, 1• przyporzadkowanie wynikom liczb naturalnych:
wyniki: 9, 7, 6, 4, 4, 2, 2, 1rangi: 1, 2, 3, 4, 5, 6, 7, 8• wyznaczenie rang srednich:
oceny 4 otrzymuja range: (4 + 5)/2 = 4.5oceny 2 otrzymuja range: (6 + 7)/2 = 6.5
• przyporzadkowanie wynikom rang:wyniki: 9, 7, 6, 4, 4, 2, 2, 1rangi: 1, 2, 3, 4.5, 6.5, 8
2. wyniki w przykładach pochodza od jednego eksperta, rangi słuza doobliczania współczynnika W .
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 88|154
Techniki badan kwestionariuszowych - 15
Obliczanie współczynnika W :
1. Obliczanie sumy rang przyznanych kazdej z j reguł przez n ekspertów:
Rj =n∑r=1
Rjr (8)
2. Obliczanie wartosci przecietnej rang
M =
m∑j=1
Rj
m(9)
3. Obliczanie sumy kwadratów odchylen od wartosci przecietnej:
S =m∑j=1
(Rj −M)2 (10)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 89|154
Techniki badan kwestionariuszowych - 16
Obliczanie współczynnika W :
1. Obliczanie współczynnika:
W =S
112n
2(m3 −m)− n ·n∑j=1
Tj
(11)
gdzie: Tj - poprawki na rangi wiazane,n - liczba ekspertów,m - liczba ocenianych parametrów
2. Obliczanie wartosci poprawki
Tj =
∑(t3 − t)
12(12)
gdzie: t liczba ocen zwiazanych z ta sama ranga.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 90|154
Techniki badan kwestionariuszowych - 17
Obliczanie współczynnika W :
1. Ocena ogólne wariancji ocen wydanych przez ekspertów:
Kr =nW − 1
n− 1(13)
2. Obliczenie procentu wariancji ogólnej:
Pwo = K2r · 100 (14)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 91|154
Techniki badan kwestionariuszowych - przykład (1)
Nazwa problemu - Na co trzeba zwrócic przy zakupie samochodu
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 92|154
Techniki badan kwestionariuszowych - przykład (2)
Odpowiedzi wszystkich ekspertów
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 93|154
Techniki badan kwestionariuszowych - przykład (3)
Analiza wyników
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 94|154
Techniki badan kwestionariuszowych - przykład (4)
Testowanie statystycznej istotnosci wartosci współczynnika zgodnosci
1. Wartosc przecietna rang wynosi 60, 5,
2. Suma kwadratów odchylen od wartosci przecietnej wynosi S = 6237,
3. Współczynnik W - Kendalla wynosi 0.756,
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 95|154
Techniki pozyskiwania wiedzy - przeszukiwanie danych [6]
Budowa drzewa decyzyjnego
1. Stosowane wówczas gdy do dyspozycje sa dane opisujace obiekt decyzyjny,
2. Dane sa jedynym zródłem informacji przy wydobywaniu wiedzy,
3. Relacje opisujace powiazania miedzy danymi nie sa znane,
4. Heurystyczne metody budowy drzewa decyzyjnego czesto prowadzi dobardzo rozbudowanych drzew,
5. Z takich drzew czesto tworzy sie rozbudowane reguły,
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 96|154
Techniki pozyskiwania wiedzy - przeszukiwanie danych
Budowa drzewa decyzyjnego - przykładZałozenia:
1. trzy stany obiektu:
• C1 - stan normalny,
• C2 - uszkodzenie 1,
• C3 - uszkodzenie 2.
2. atrybuty [x1, x2, x3],
3. wartosci atrybutów,
• x1 − u, n, d,
• x2 −m, s,w,
• x3 − p, l.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 97|154
Techniki pozyskiwania wiedzy - przeszukiwanie danych
Budowa drzewa decyzyjnego - przykładZałozenia:Baza danych - x1, x2, x3, stan:
• u,m, p, C2,• u, s, p, C1,• u,w, p, C1,• n,m, p, C1,• n, s, p, C1,• n,w, p, C2,• d,m, p, C3,• d, s, p, C2,• d,w, p, C1,
• u,m, l, C3,• u, s, l, C1,• u,w, l, C2,• n,m, l, C3,• n, s, l, C1,• n,w, l, C2,• d,m, l, C3,• d, s, l, C1,• d,w, l, C2,
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 98|154
Techniki pozyskiwania wiedzy - przeszukiwanie danych
Drzewo decyzyjne
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 99|154
Techniki pozyskiwania wiedzy - Algorytm Quinlana
é Budowa zredukowanego drzewa decyzyjnego z danych
é W algorytmie kazdy z obiektów, wchodzacych w skład danych, jestcharakteryzowany zbiorem atrybutów.
O = {O1, O2, O3, · · · , Om} (15)
gdzie: O - zbiór obiektów,
A = {A1, A2, A3, · · · , An} (16)
gdzie: A - zbiór atrybutów, kazdy przyjmuje wartosci ze zbioru skonczonego.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 100|154
Techniki pozyskiwania wiedzy - Algorytm Quinlana
è Algorytm Quinlana składa sie z 4 kroków:
• Obliczanie entropii zbioru n-elementowego,
• Obliczanie entropii atrybutu Ak,
• Obliczanie przyrostu informacji wprowadzonego przez kazdy atrybut,
• Budowa drzewa i wnioski.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 101|154
Techniki pozyskiwania wiedzy - Algorytm Quinlana
è Obliczanie entropii zbioru r-elementowego:
• Entropia - miara informacji zawarta w danych opisujacych obiekt, którymoze sie znajdowac w p stanach:
Ent =
r∑i=1
(−pi log2 pi) (17)
gdzie: pi - prawdopodobienstwo, ze obiekt jest w stanie s.
• Gdy entropia jest bardzo wysoka to oznacza, ze w systemie zawarta jestprawie pełna informacja.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 102|154
Techniki pozyskiwania wiedzy - Algorytm Quinlana
è Obliczanie entropii atrybutu Ak:
• Okreslenie ilosci informacji zawartej w kazdym z atrybutówwystepujacych w zbiorze danych:
Ent(O/Ak) =lw∑j=1
p(ak, j) ·
[−
N∑i=1
(p(oi/ak,j) · log2 p(oi/ak,j))
](18)
gdzie: lw - liczba wartosci atrybutu Ak,N - liczba klas,k - liczba atrybutów,p(ak, j) - prawdopodobienstwo, ze ak przyjmie wartosc j,p(oi/ak,j) - prawdopodobienstwo, ze wystapi klasa oi, gdy ak = j.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 103|154
Techniki pozyskiwania wiedzy - Algorytm Quinlana
è Obliczanie przyrostu informacji wprowadzanego przez kazdy atrybut
• Przyrost informacji atrybutu A− k wyraza sie wzorem:
∆Ent(Ak) = Ent− Ent(O/Ak) (19)
è Budowa drzewa i wnioski
• Budowe drzewa nalezy zaczynac od atrybutu wnoszacego najwiekszyprzyrost entropii.
• Kolejnym atrybutem jest nastepny w rankingu przyrostu entropii.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 104|154
Techniki pozyskiwania wiedzy - Algorytm Quinlana - przykład
• u,m, p, C2,• u, s, p, C1,• u,w, p, C1,• n,m, p, C1,• n, s, p, C1,• n,w, p, C2,• d,m, p, C3,• d, s, p, C2,• d,w, p, C1,• u,m, l, C3,• u, s, l, C1,• u,w, l, C2,• n,m, l, C3,• n, s, l, C1,• n,w, l, C2,• d,m, l, C3,• d, s, l, C1,• d,w, l, C2,
Obliczanie entropii zbioru 3-elementowego:
Ent =3∑i=1
(−pi log2 pi) (20)
Dla danych otrzymano:
• p(C1) = 818
• p(C2) = 618
• p(C3) = 418
Ent = − 8
18·log2·
8
18− 6
18·log2·
6
18− 4
18·log2·
4
18= 1.5305
(21)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 105|154
Techniki pozyskiwania wiedzy - Algorytm Quinlana - przykład
• u,m, p, C2,• u, s, p, C1,• u,w, p, C1,• n,m, p, C1,• n, s, p, C1,• n,w, p, C2,• d,m, p, C3,• d, s, p, C2,• d,w, p, C1,• u,m, l, C3,• u, s, l, C1,• u,w, l, C2,• n,m, l, C3,• n, s, l, C1,• n,w, l, C2,• d,m, l, C3,• d, s, l, C1,• d,w, l, C2,
Obliczanie entropii atrybutu A1:Dane: lw = 3, u, n, d,Prawdopodobienstwa wartosci atrybutu:p(A1, u) = 6
18 , p(A1, n) = 618 , p(A1, d) = 6
18 .Prawdopodobienstwa wartosci atrybutu przy danym stanie:
• p(C1/A1, u) = 36 , p(C2/A1, u) = 2
6 , p(C3/A1, u) = 16
• p(C1/A1, n) = 36 , p(C2/A1, n) = 2
6 , p(C3/A1, n) = 16
• p(C1/A1, d) = 26 , p(C2/A1, d) = 2
6 , p(C3/A1, ) = 26
Ent(O/A1) = 618 (− 3
6 · log2 ·36 −
26 · log2 ·
26 −
16 · log2 ·
16 )+
+ 618 (− 3
6 · log2 ·36 −
26 · log2 ·
26 −
16 · log2 ·
16 )+
+ 618 (− 2
6 · log2 ·26 −
26 · log2 ·
26 −
26 · log2 ·
26 )
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 106|154
Techniki pozyskiwania wiedzy - Algorytm Quinlana - przykład
è Obliczanie entropii atrybutu A2:Ent(O/A2) = 0.94
è Obliczanie entropii atrybutu A3:Ent(O/A2) = 1.468
è Obliczanie przyrostu informacji wprowadzanego przez kazdy atrybut
∆Ent(Ak) = Ent− Ent(O/Ak) (22)
• Przyrostu informacji wprowadzanego przez atrybut A1
∆Ent(O/A1) = 1.5305− 1.5011 = 0.0294,
• Przyrostu informacji wprowadzanego przez atrybut A2
∆Ent(O/A2) = 1.5305− 0.9400 = 0.5905,
• Przyrostu informacji wprowadzanego przez atrybut A3
∆Ent(O/A3) = 1.5305− 1.4680 = 0.0622,
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 107|154
Techniki pozyskiwania wiedzy - Algorytm Quinlana - przykład
è Budowa drzewa i wnioski
• Budowe drzewa nalezy zaczynac od atrybutu wnoszacego najwiekszyprzyrost entropii.
• Kolejnym atrybutem jest nastepny w rankingu przyrostu entropii.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 108|154
Techniki pozyskiwania wiedzy - przeszukiwanie danych - przykład
Drzewo decyzyjne
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 109|154
W:5 Wydobywanie wiedzy,metoda Wang’a - Mendel’a,
metoda górska
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 110|154
Wydobywanie bazy wiedzy z przykładów
Metoda Wang’a - Mendel’a (1992):
î strukture modelu okresla ekspert,
î parametry wyznacza sie na podstawie przykładów,
î proces identyfikacji realizowany jest w kilku fazach.
FAZA I
î definicja zmiennych lingwistycznych,
î podział przestrzeni obserwacji na partycje.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 111|154
Wydobywanie bazy wiedzy z przykładów
• FAZA II
ï Generacja reguł na podstawie eksperymentu.∀xk,yk generuj regułe
• FAZA III
ï Przyporzadkowanie wagi kazdej regule
ï Dla reguł sprzecznych wybiera sie regułe o najwiekszej wartosci wagi.
• FAZA IV
ï Utworzenie bazy reguł.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 112|154
Wydobywanie bazy wiedzy za pomoca metody górskiej
Cechy algorytmu:
í metoda intuicyjna - nie wymaga wczesniejszego definiowania liczby grup,
í porównac ja mozna z metoda Fuzzy C-Means (Filev 1990),
í składa sie on z 3 faz.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 113|154
Wydobywanie bazy wiedzy za pomoca metody górskiej 1
Faza 1: Dyskretyzacja przestrzeni obiektu.
y
x
y
x
y
x
y
x
r1
y
xr2
r1
y
xr2
r1linie dyskretyzacji
y
xr2
r1
Nij
linie dyskretyzacji
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 114|154
Wydobywanie bazy wiedzy za pomoca metody górskiej 2
Faza 2: Budowa funkcji górskiej M :
M : N → R (23)
gdzie: N oznacza wezły.
M(Nij) =
q∑k=1
exp(−(α · d(wij , ok))) (24)
gdzie: ok oznacza k − ty punkt danych (xk, yk), α - stała dodatnia,
d(Nij , ok) - miara odległosci:
d(Nij , ok) = (xi − xk)2 + (yi − yk)2 (25)
Im wi¦ksza odlegªo±¢, tym mniejszy wkªad w warto±¢ funkcji górskiej.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 115|154
Wydobywanie bazy wiedzy za pomoca metody górskiej 3
Faza 3: Tworzenie srodków grupowania
1. Szczyt funkcji górskiejM∗
1 = max[M(Nij)] (26)
gdzie: N∗1 = (x∗1, y
∗1) - pierwszy srodek grupowania,
2. Eliminacja optymalnego srodka,
3. Korekcja funkcji górskiej
M2(Nij) = M1(Nij)−M∗1 · exp(−β · d(N∗
1 , Nij)) (27)
gdzie: β - stała dodatnia
4. Gdy wartosc funkcji wygrywajacej jest wieksza od progu - powtórz punkty1-3.
M∗k > δ.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 116|154
Wydobywanie bazy wiedzy za pomoca metody górskiej 4
Na podstawie danych srodków grupowania buduje sie baze wiedzy
Jezeli x jest bliskie x∗i wtedy y jest bliskie y∗i
gdzie: x∗i , y∗i - współrzedne srodka grupowania N∗
i .Funkcje przynaleznosci bliskie x∗i i bliskie y∗i mozna opisac funkcja Gaussa:
Bi(x) = exp(−1
2(x− x∗iσi
)2), i = 1, 2, . . .m. (28)
gdzie: σi =√
12·β , i = 1, 2, . . .m
Optymalizacje parametryczna bazy wiedzy mozna uzyskac z pomoca:
ì filtru Kalmana,
ì metody najmniejszych kwadratów,
ì metody Widrowa-Hoffa,
ì metody propagacji wstecznej błedu
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 117|154
W:6 Systemy ekspertowe
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 118|154
Systemy ekspertowe - podstawowe pojecia (1)
à System ekspertowy jest programem komputerowym, który wykonuje złozonezadania o duzych wymaganiach intelektualnych i robi to tak dobrze jakczłowiek bedacy ekspertem w tej dziedzinie.
à Okreslenie "system ekspertowy" moze byc zastosowane do dowolnegoprogramu komputerowego, który na podstawie szczegółowej wiedzy mozewyciagac wnioski i podejmowac decyzje, działajac w sposób zblizony doprocesu rozumowania człowieka.
à Systemy ekspertowe uzupełniaja lub zastepuja ludzi przy wykonywaniuniektórych czynnosci, poniewaz ludzie posiadaja wiedze niezbedna doekspertyz ale:• łatwo sie mecza,• zapominaja i staja sie opieszali,• moga byc tendencyjni lub niesubordynowani,• nie moga przetwarzac, zapamietac, sledzic duzej ilosci danych.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 119|154
Systemy ekspertowe - podstawowe pojecia (2)
á W wielu sytuacjach (np. podczas podejmowania decyzji w siłowniachenergetycznych) człowiek nie moze swymi zmysłami ogarnac całej sytuacji,wtedy system ekspertowy pracujacy w czasie rzeczywistym wykonuje swojefunkcje lepiej niz człowiek.
á Systemy ekspertowe stosuje sie w wielu przypadkach w takich dziedzinachgdzie informacja (wiedza) o danej dziedzinie jest niepewna, nie jest wsposób jednoznaczny sformalizowana (nie istnieje model matematycznyalgorytmów rozwiazujacych postawione zadania) lub postawiony problemmozna zaliczyc do NP-zupełnych.
á System ekspertowy, dysponujac zapisana wiedza eksperta z wybranejdziedziny, moze jej uzywac wielokrotnie w sposób efektywny bez obecnoscieksperta. Ponadto mozna w takim systemie zagregatyzowac wiedzelicznego zespołu ekspertów.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 120|154
Systemy ekspertowe - architektura (1)
System ekspertowy = baza wiedzy +
mechanizm wnioskowania +
I/O z u»ytkownikiem
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 121|154
Systemy ekspertowe - architektura (2)
Procedury
wnioskowania
Procedury
sterowania
dialogiem
Procedury
objaœniania
Proceduryaktualizacji
bazy wiedzy
Baza
wiedzy
Bazadanychsta³ych
Baza
danych
zmiennych
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 122|154
Systemy ekspertowe - współpraca z otoczeniem
Mechanizm
wnioskowania
Pamiêærobocza
Baza
wiedzy
In¿ynier wiedzy
Oprogramowanie
U¿ytkownicy Eksperci
Baza danychArkusze kalkulacyjne
Dane
Sprzêt
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 123|154
Systemy ekspertowe - element wiodacy
Moc programu ekspertowego (w zakresie rozwi¡zywania
danego problemu) tkwi w zakodowanej w nim wiedzy.
Tak wi¦c posiadanie peªnej wiedzy tkwi w bazie wiedzy, a
nie w sposobie realizacji procesu wnioskowania systemu
ekspertowego.
Zatem aby zbudowa¢ dobry system ekspertowy, nale»y gowyposa»y¢ w du»¡ ilo±¢ dobrej jako±ci, specy�cznej wiedzy o
danym procesie.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 124|154
Systemy ekspertowe - ograniczenia
ß Metodologia budowy systemów ekspertowych boryka sie z wielomaproblemami. Jako najbardziej istotne nalezy wymienic:
• problem adekwatnej reprezentacji wiedzy,
• wnioskowanie w warunkach niepewnosci,
• problem z gromadzeniem wiedzy.
ß Za waskie gardło przy tworzeniu systemu powszechnie uwaza sieekstrahowanie wiedzy od ekspertów.
ß Przyszłosc systemów ekspertowych lezy w procesie komputerowegouczenia sie w oparciu o redundancje programowa uzyskiwana w oparciu owybrane elementy sztucznej inteligencji (sieci neuronowe, zbiory rozmyte).
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 125|154
Systemy ekspertowe - podział 1
Według kryterium pełnionych funkcji systemy ekspertowe mozna podzielic natrzy podstawowe grupy: diagnostyczne, prognostyczne i planujace:
ß DIAGNOZA jest to ocena stanu istniejacego na podstawie posiadanychdanych.
ß PROGNOZA jest to przewidywanie stanu przyszłego na podstawieistniejacych danych.
ß PLANOWANIE (projektowanie) jest to opis pewnego stanu do którego nalezydazyc.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 126|154
Systemy ekspertowe - podział (2)
Ze wzgledu na sposoby realizacji systemy ekspertowe mozna podzielic na dwiegrupy:
ß Systemy dedykowane tworzone sa od podstaw dla wybranej dziedziny.Stanowia unikalne rozwiazanie dla okreslonej dziedziny działalnosciczłowieka.
ß Systemy szkieletowe (shells) zostały wczesniej opracowane i sa dostepne zpusta baza wiedzy. W przypadku systemu szkieletowego proces tworzeniafinalnego systemu ekspertowego jest krótszy niz dla systemudedykowanego.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 127|154
Systemy ekspertowe - cechyPrawidłowo przygotowany system ekspertowy powinien charakteryzowac sienastepujacymi cechami:ß POPRAWNOSC system powinien zapewnic wysoki poziom wydawanych
ekspertyz w dopuszczalnym czasie.ß UNIWERSALNOSC system powinien wykazywac zdolnosc do
rozwiazywania obszernej klasy zadan z danej dziedziny. Uniwersalnosc wstosunku do wielu dziedzin jest kierunkiem badan nad systemamiekspertowymi i prowadzi do budowy metasystemów.
ß NIESPRZECZNOSC system ma mechanizm wykrywania reguł sprzecznychtzn. reguł o róznych konkluzjach dla takich samych przesłanek.
ß KOMPLETNOSC baza wiedzy danego systemu powinna zawierac takaliczbe reguł aby uniemozliwic przypadki, w których wystapia: nie okreslonewartosci przesłanek, niedopuszczalne wartosci atrybutów, nieosiagalnewartosci przesłanek, nieosiagalne akcje (uaktywnienie reguły) i nieosiagalnycel.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 128|154
Systemy ekspertowe - metody wnioskowania
Wyrózniamy cztery podstawowe typy wnioskowania:
ß w przód - progresywne, dedukcyjne,
ß wstecz - regresywne,
ß mieszane,
ß rozmyte - ostatnio szybko rozwijane w róznych systemach ekspertowych
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 129|154
Systemy ekspertowe - wnioskowanie w przód
Wnioskowanie w przód realizuje prosta zasade poszukiwania celu.
• Na podstawie dostepnych reguł i faktów nalezy generowac nowe fakty domomentu wygenerowania faktu zgodnego z celem.
• Podstawowa cecha zaliczana do wad tego systemu jest ciagłe zwiekszanieliczby faktów, a zatem powiekszanie pojemnosci pamieci operacyjnejkomputera niezbednej do dalszego funkcjonowania systemu.
Wnioskowanie w przód realizuje sie w dwóch formach:
ß w głab,
ß wszerz.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 130|154
SE - wnioskowanie w przód - w głab
dedukcyjne wnioskowanie w głab - Cykl "od faktów do celu" składa sie zpojedynczych kroków. Krok odpowiada wykonaniu jednej reguły, której konkluzjajako nowy fakt jest dołaczana do bazy faktów.
predyka t 1 predyka t 2 predyka t 3 Ce l
R1 R2 R3
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 131|154
SE - wnioskowanie w przód - w głab - przykład
Dla obiektu cieplnego przyjeto nastepujace oznaczenia:a - niska temperatura paryb - przepływ paliwa poza normac - zawartosc tlenu w spalinach poza normad - uszkodzony zawór paliwae - uszkodzony zawór powietrzaf - uszkodzone palenisko
g - cisnienie pary poza norma
W systemie przyjeto nastepu-jacy zestaw reguł:
R1: if f and e then gR2: if a and c then eR3: if e and b then dR4: if d and e then f
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 132|154
SE - wnioskowanie w przód - wszerz
dedukcyjne wnioskowanie wszerz - baza faktów jest aktualizowana dopiero gdyna podstawie aktualnie dostepnych faktów zostana zastosowane wszystkiereguły, które mozna wykonac.
predykat 1
predykat 2 predykat 3 Cel
R1 R3
predykat 1
R2
R4
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 133|154
SE - wnioskowanie w przód - wszerz - przykład
Dla obiektu cieplnego przyjeto nastepujace oznaczenia:a - niska temperatura paryb - przepływ paliwa poza normac - zawartosc tlenu w spalinach poza normad - uszkodzony zawór paliwae - uszkodzony zawór powietrzaf - uszkodzone palenisko
g - cisnienie pary poza norma
W systemie przyjeto nastepu-jacy zestaw reguł:
R1: if f and e then gR2: if a and c then eR3: if a and b then dR4: if d and e then f
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 134|154
SE - wnioskowanie wstecz (1)
Wnioskowanie wstecz - przebiega w odwrotna strone niz w poprzedniejmetodzie:
ä Opiera sie ono na wykazaniu prawdziwosci hipotezy głównej na podstawieprawdziwosci przesłanek.
ä W przypadku nieokreslonej wartosci logicznej badanej przesłanki traktuje sieja jako nowa hipoteze i przeprowadza sie próbe wykazania jej prawdziwosci.
ä Proces zostaje zakonczony w przypadku znalezienia hipotezy, dla którejwykazano prawdziwosc wszystkich przesłanek.
ä Proces dowodzenia konkluzji przeprowadza sie wstecz do momentu dotarciado reguły zawierajacej konkluzje główna.
ä W typowych zastosowaniach wnioskowanie to jest efektywniejsze i bardziejrozpowszechnione.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 135|154
SE - wnioskowanie wstecz (2)
Cel
Fakt 1
Fakt 3 Fakt 2
Fakt 4
hipoteza
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 136|154
SE - wnioskowanie wstecz - przykład
Dla obiektu cieplnego przyjeto nastepujace oznaczenia:a - niska temperatura paryb - przepływ paliwa poza normac - zawartosc tlenu w spalinach poza normad - uszkodzony zawór paliwae - uszkodzony zawór powietrzaf - uszkodzone palenisko
g - cisnienie pary poza norma
W systemie przyjeto nastepu-jacy zestaw reguł:
R1: if f and e then gR2: if a and c then eR3: if a and b then dR4: if d and e then f
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 137|154
SE - wnioskowanie wstecz z nawrotem
Wnioskowanie wstecz z nawrotem - obejmuje sytuacje w których wybrana regułanie moze byc spełniona.
å Dla analizy faktów nalezy wtedy dokonac nawrotu do poprzedniej reguły.
å Proces wnioskowania powinien byc kontynuowany przy wykorzystaniuinnych reguł.
Cel
Fakt 1
Fakt 3 Fakt 2
Fakt 4
hipoteza
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 138|154
SE - wnioskowanie wstecz z nawrotem - przykład
Dla obiektu cieplnego przyjeto nastepujace oznaczenia:a - niska temperatura paryb - przepływ paliwa poza normac - zawartosc tlenu w spalinach poza normad - uszkodzony zawór paliwae - uszkodzony zawór powietrzaf - uszkodzone palenisko
g - cisnienie pary poza normah - wydajnosc paliwa w normiei - przepływ powietrza poza norma
W systemie przyjeto nastepu-jacy zestaw reguł:
R1: if f and e then gR5: if h and i then eR2: if a and c then eR3: if a and b then dR4: if d and e then f
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 139|154
SE - wnioskowanie mieszane
Wnioskowanie mieszane - obejmuje wczesniej omówione dwa sposobywnioskowania:
å Dla czesci reguł stosuje sie wnioskowanie w przód a dla drugiejwnioskowanie wstecz.
å Najczesciej proces wnioskowania rozpoczyna sie od wnioskowania wstecz iw chwili znalezienia przesłanki której nie mozna udowodnic rozpoczyna siewnioskowanie w przód.
Cel
Fakt 1
Fakt 2
Fakt 4
Fakt 3Predykat 1
Predykat 2
Predykat 3
Cel
hipoteza
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 140|154
SE - wnioskowanie mieszane - przykład
Dla obiektu cieplnego przyjeto nastepujace oznaczenia:a - niska temperatura paryb - przepływ paliwa poza normac - zawartosc tlenu w spalinach poza normad - uszkodzony zawór paliwae - uszkodzony zawór powietrzaf - uszkodzone palenisko
g - cisnienie pary poza normah - wydajnosc paliwa w normiei - przepływ powietrza poza norma
W systemie przyjeto nastepujacyzestaw reguł:
R1: if f and e then gR5: if h and i then eR2: if a and c then eR3: if a and b then dR4: if d and e then fR6: if b and c then hR7: if c then i
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 141|154
Rozmyte podejmowaniedecyzji. Struktura FLC
( FLC - Fuzzy LogicController)
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 142|154
Rozmyte podejmowanie decyzji. Struktura FLC 3
Paradygmat sterowania rozmytego - uwagi
ë Algorytm sterowania oparty jest na bazie wiedzy, opisany przez metodylogiki rozmytej,
ë Układ regulatora pracujacego w logice rozmytej jest systemem ekspertowymopartym na bazie wiedzy,
ë Baza wiedzy zbudowana jest w regułowej reprezentacji,
ë Podstawowa róznica miedzy sterowaniem rozmytym a sterowaniemkonwencjonalnym polega na braku w pierwszym opisu analitycznego,
ë Mechanizm wnioskowania przyblizonego przekształca wiedze wpisana wbaze wiedzy w nierozmyty algorytm sterowania.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 143|154
Rozmyte podejmowanie decyzji. Struktura FLC 4
Prawo sterowania konwencjonalnego
u(k) = F (e(k), e(k − 1), · · · , e(k − r), u(k − 1), u(k − 2), · · · , u(k − s)), (29)
gdzie: F oznacza prawo sterowania.
W rzeczywistych regulatorach sens fizyczny maja trzy formy reprezentacjiuchybu:
1. uchyb sterowania e(k) = y0(k)− y(k),
2. zmiana uchybu sterowania ∆e(k) = e(k)− e(k − 1),
3. suma uchybów sterowania∑e(k) =
k∑l=0
e(l),
4. sterowanie u(k),
5. zmiana sterowania ∆u(k) = u(k)− u(k − 1).
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 144|154
Rozmyte podejmowanie decyzji. Struktura FLC 5
Pierwszy regulator rozmyty - Assilian i Mamdani, 1975
∆u(k) = F (e(k),∆e(k)) (30)
gdzie: F - oznacza prawo sterowania definiowane w bazie wiedzy.
Aktualna wartosc sterowania uzyskuje sie jako:
u(k) = u(k − 1) + ∆u(k). (31)
W ten sposób uzyskano regulator FLC typu Mamdaniego.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 145|154
Rozmyte podejmowanie decyzji. Struktura FLC 6
Przykład bazy reguł prostego FLC
1. JE�ELI e(k) jest dodatni I ∆e(k) jest prawie zero TO ∆u(k) jest dodatni,
2. JE�ELI e(k) jest ujemny I ∆e(k) jest prawie zero TO ∆u(k) jest ujemny,
3. JE�ELI e(k) jest prawie zero I ∆e(k) jest prawie zero TO ∆u(k) jestprawie zero,
4. JE�ELI e(k) jest prawie zero I ∆e(k) jest dodatni TO ∆u(k) jest dodatni,
5. JE�ELI e(k) jest prawie zero I ∆e(k) jest ujemny TO ∆u(k) jest ujemny.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 146|154
Rozmyte podejmowanie decyzji. Struktura FLC 7
Wewnetrzna struktura FLC w układzie sterowania
Strukturawewnêtrzna
FLC
e(k)
Strukturawewnêtrzna
FLC
u(k)D
e(k)
Strukturawewnêtrzna
FLC
z-1
e(k)
e(k)D
u(k)D
e(k)
Strukturawewnêtrzna
FLC
z-1 z-1
e(k)
e(k)D
u(k)D
e(k)
u(k)Struktura
wewnêtrzna
FLC
Funkcje przynaleznosci zbiorów rozmytych odniesienia
1
uchyb1-1 -0.5 0
(uchyb)m
0.5
1
uchyb1-1 -0.5 0
(uchyb)m
prawie zero
0.5
1
uchyb1-1 -0.5 0
(uchyb)m
prawie zero
dodatni
0.5
1
uchyb1-1 -0.5 0
(uchyb)mujemny
prawie zero
dodatni
0.5
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 147|154
Rozmyte podejmowanie decyzji. Struktura FLC 8
FLC - struktura prosta - uwagi:
î Zastosowano strategie zdroworozsadkowa,
î Moze byc ona stosowana z sukcesem dla obiektów pierwszego rzedu zopóznieniem:
G(s) = exp(−Tos)1+Ts ,
î Pierwsze dwie reguły wyznaczaja szybkie dojscie do stanu równowagi,
î Kolejne przeciwdziałaja zmianie gradientu uchybu.
d - dodatnipz - prawie zero
Legenda:u - ujemny
d
pz
u
du pze(k)D
e(k)
Du(k)
d - dodatnipz - prawie zero
Legenda:u - ujemny
d
pz
u
du pze(k)D
e(k)
Du(k)
d
ud - dodatnipz - prawie zero
Legenda:u - ujemny
d
pz
u
du pze(k)D
e(k)
Du(k)
d
u
pz du
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 148|154
Tablice decyzyjne. Charakterystyki decyzyjne 1Uzupełniona baza wiedzy:
1. JE�ELI e(k) jest DD I ∆e(k) jest Z TO ∆u(k) jest DD,
2. JE�ELI e(k) jest SD I ∆e(k) jest Z TO ∆u(k) jest SD,
3. JE�ELI e(k) jest MD I ∆e(k) jest Z TO ∆u(k) jest MD,
4. JE�ELI e(k) jest MU I ∆e(k) jest Z TO ∆u(k) jest MU,
5. JE�ELI e(k) jest SU I ∆e(k) jest Z TO ∆u(k) jest SU,
6. JE�ELI e(k) jest DU I ∆e(k) jest Z TO ∆u(k) jest DU,
7. JE�ELI e(k) jest Z I ∆e(k) jest Z TO ∆u(k) jest Z,
8. JE�ELI e(k) jest Z I ∆e(k) jest DD TO ∆u(k) jest DD,
9. JE�ELI e(k) jest Z I ∆e(k) jest SD TO ∆u(k) jest SD,
10. JE�ELI e(k) jest Z I ∆e(k) jest MD TO ∆u(k) jest MD,
11. JE�ELI e(k) jest Z I ∆e(k) jest MU TO ∆u(k) jest MU,
12. JE�ELI e(k) jest Z I ∆e(k) jest SU TO ∆u(k) jest SU,
13. JE�ELI e(k) jest Z I ∆e(k) jest DU TO ∆u(k) jest DU.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 149|154
Tablice decyzyjne. Charakterystyki decyzyjne 2
Tablica decyzyjna
e(k)
e(k)D
DU
SU
MU
Z
MD
SD
DD
DU SU MU Z MD SD DD
u(k)D
e(k)
e(k)D
DU
SU
MU
Z
MD
SD
DD
DU SU MU Z MD SD DD
DU
SU
MU
MD
SD
DD
u(k)D
e(k)
e(k)D
DU
SU
MU
Z
MD
SD
DD
DU SU MU Z MD SD DD
DU
SU
MU
MD
SD
DD
DU SU MU MD SD DD
u(k)D
e(k)
e(k)D
DU
SU
MU
Z
MD
SD
DD
DU SU MU Z MD SD DD
DU
SU
MU
Z
MD
SD
DD
DU SU MU MD SD DD
u(k)D
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski
Wykład, semestr IV, rok akademicki 2015/2016Systemy wspomagania decyzji 150|154
W:7 Projekt i implementacjaszkieletowych systemów
ekspertowych.
Instytut Sterowania i Systemów Informatycznych c©Andrzej PIECZYNSKIUniwersytet Zielonogórski