Systemy ekspertowe
Kierunki rozwoju technik informatycznych i zastosowanie w wybranych obiektach ekonomicznych.
Typowy proces pozyskiwania wiedzy
Dane, pytania
problemy
wiedza sfor-
malizowana
(reguły)
Koncepcje,
wiedza, rozwiązania
Systemy ekspertowe tj. sieci neuronowe, algorytmy genetyczne stosujemy je w sytuacjach ryzyka i niepewności, różnice między warunkiem ryzyka podejmowania decyzji w warunkach ryzyka a niepewności polega na tym że w pierwszym przypadku mamy prawdopodobieństwa wystąpienia stanu natury.
Elementy systemu ekspertowego
Systemy ekspertowe stosujemy coraz częściej w różnych dziedzinach podejmowania decyzji, systemy decyzyjne zawierają setki tysięcy reguł.
Cztery przykładowe reguły.
Jeżeli narzut rośnie to prawdopodobieństwo sukcesu przetargu zmniejsza się
Jeżeli narzut zmniejsza się to prawdopodobieństwo sukcesu przetargu rośnie
Jeżeli sytuacja rynkowa pogarsza się to narzut zmniejsza się
Jeżeli sytuacja rynkowa polepsza się to narzut rośnie
Sytuacja rynkowa f(m,n)
m- liczba przedsiębiorstw w przetargu
n- ilość zamówień w przetargu
Marża |
Extra change |
EXCHAR |
Sytuacja rynkowa |
Market conditions |
MARCON |
Prawdopodobieństwo sukcesu |
Probability success |
PROBSU |
Koszty produkcyjne |
Production costs |
ROCOS |
Rośnie |
Increase |
INC |
Maleje |
Decrease |
DEC |
Polepszy się |
Improv |
IMP |
Pogarsza się |
Aggrav |
AGG |
< IF EXCHAR INC, THEN PROBSU DEC>
< IF EXCHAR DEC, THEN PROBSU IMP>
< IF MARCON AGG, THEN EXCHAR DEC>
< IF MARCON IMP, THEN EXCHAR INC>
W systemach ekspertowych wykorzystujemy formułę Bayeza, która ma następującą postać
P[h]=P[h/e] P[e]+P[h/NOT e P[NOT e]
Prawdopodobieństwa wystąpienia zdarzenia „h” pod warunkiem że wystąpiło zdarzenie „e”
Prawdopodobieństwa wystąpienia zdarzenia „e” pod warunkiem nie wystąpienia zdarzenia „e”
h=PROBSU INC, e=EXCHAR DEC
System ma określić prawdopodobieństwo sukcesu w przetargu.
System realizujący wnioskowanie w części reguł ZEN poszukuje wniosek
„ prawdopodobieństwo w przetargu rośnie” z pośród czterech reguł wykorzystujemy regułę drugą. Zgodnie z regułą Bayeza mamy
P[PROBSU=INC]= P[PROBSU=INC/EXCHAR=
=DEC]x P[EXCHAR=DEC]+P[PROBSU=INC/EXCHAR=
=NOT[DEC] P[EXCHAR=NOT DEC]
Dla sprawdzenia czy przyswojono zmienne EXCHAR wartość DEC należy rozpatrzyć regułę trzecią która przekształca się w równanie.
P[EXCHAR=DEC]= P[EXCHAR=DEC/MARCON=
=AGG]x P[MARCON=AGG]+ P[EXCHAR=DEC/MARCON=
=NOT AGG] P[MARCON=NOT DEC]
Ponieważ ani w jednej z reguł w części ZEN nie ma zmiennej MARCON to prawdopodobieństwa jej wystąpienia określa decydent
P[MARCON=AGG]=P1
P[MARCON=NOT AGG]=1-P1=P2
P[EXCHAR=DEC/MARCON=AGG]=P3
P[EXCHAR=DEC/MARCON=NOT AGG]=1-P3=P4
P[EXCHAR=DEC]=P3 x P1+ P4 x P2=P5
P[EXCHAR=NOT DEC]=1-P5=P6
P[PROBSU=INC/EXCHAR=DEC]=P7
P[PROBSU=INC/EXCHAR=NOT DEC]=1-P7=P8
P[PROBSU=INC]= P7 x P5+ P6 x P8
Podstawowe określenia algorytmu genetycznego
Coraz częściej w informatyce wykorzystuje się procesy biologiczne tj. sieci neuronowe, algorytmy genetyczne. Algorytm genetyczny operuje na zbiorach łańcuchów o stałej długości złożonych z zera ”0” i jedności „1”, długość łańcucha zależy od charakteru rozwiązywanego problemu. przykład(1,0,0,0,1,0,1,1,1,0,1,0,1,1)
Pojedynczy elementem łańcucha nazywamy genem, łańcuch genów nazywamy chromosomami, zbiór chromosomów o określonej liczności nazywamy populacją, dla tak zdefiniowanej populacji określone są następujące mechanizmy:
Mechanizm generacji populacji początkowej
Mechanizm oceniający jakość konkretnego chromosomu
Mechanizm selekcji do dalszego przetwarzania tzw. reprodukcji
Mechanizm mutacji
Mechanizm krzyżowania
Ad1
Mechanizm generacji populacji początkowej polega na losowym utworzeniu żądanej liczby chromosomów (załóżmy że mamy wygenerować populację liczącą 6 chromosomów o długości równej 10 genów)
1 |
1,1,1,0,1,1,1,1,0,1 |
FP 8 |
2 |
1,0,0,0,1,1,0,1,0,0 |
FP 4 |
3 |
0,0,0,1,1,0,1,1,0,1 |
FP 5 |
4 |
0,0,1,0,0,0,1,0,0,0 |
FP 2 |
5 |
0,1,1,0,1,0,1,1,0,1 |
FP 6 |
6 |
0,0,1,0,1,0,0,0,0,0 |
FP 2 |
Ad2
Mechanizm oceniający jakość konkretnego chromosomu polega na obliczaniu wartości tzw. funkcji przystosowania FP. Funkcja ta jest miarą w jakim stopniu chromosom rozwiązuje dany problem
Ad3
Mechanizm selekcji do dalszego przetwarzania tzw. reprodukcji polega na zbioru chromosomów o tej samej liczności co populacja początkowa, które staną się „rodzicami” nowo tworzonej populacji „potomków” selekcja ma charakter losowy i prowadzi się ją w taki sposób aby chromosomy o największej wartości FP miały największe szansę być wylosowane do reprodukcji. Następuje tu taj analogia do zasady przetrwania najsilniejszych
Nr |
Wartość FP |
Wycinek koła ruletki % |
Prawdopodobieństwo wylosowania |
Skumulowane wycinki koła ruletki % |
1 |
8 |
30 |
0,3 |
30 |
2 |
4 |
15 |
0,15 |
44 |
3 |
5 |
19 |
0,19 |
63 |
4 |
2 |
7 |
0,07 |
70 |
5 |
6 |
22 |
0,22 |
93 |
6 |
2 |
7 |
0,07 |
100 |
|
27 |
100 |
1 |
X |
Sumujemy wartości FP wszystkich chromosomów
Obliczona suma traktowana jest jako 100% koła ruletki
Każdemu chromosomowi przydzielany jest kolejno taki wycinek koła ruletki jak wynika z proporcji
Losujemy liczbę „p” z przedziału 0-100 która wskazuje konkretny punkt na kole ruletki
Chromosom na którego wycinek trafił punkt jest przeznaczony do reprodukcji (dla wygody interpretacji tego punktu wykorzystuje się wartości kumulowanych wycinków)
Zgodnie z etapem 4 losujemy 6 liczb , 17,56,28,89,41,96 i na tej podstawie wybieramy chromosomy do reprodukcji i w wyniku wybieramy chromosomy 1,3,1,5,2,6
Ad4
Mutacja jest mechanizmem oddziaływującym na populację rodziców przed procesem krzyżowania. Dla każdego n-tego genu z kolejnego chromosomu losowana jest liczba „k” z przedziału 0-1 i wybierany jest gen dla mutacji. Gen podlega mutacji polegającej na zamianie jego wartości z 0 na 1 lub 1 na 0
Przypuśćmy że poddajemy 6 chromosom mutacji a liczba n wynosi 6 to gen po mutacji będzie wyglądał następująco 0,0,1,0,1,0,1,0,0,0
Ad5
Krzyżowanie par chromosomów
Para rodziców |
Mechanizm krzyżowania |
Para potomków |
1,1,1,0,1,1,1,1,0,1 |
n=5 |
1,1,1,0,1,0,1,1,0,1 |
0,0,0,1,1,0,1,1,0,1 |
|
0,0,0,1,1,1,1,1,0,1 |
wykład 5 Informatyka
1
Ekspert dziedzinowy
Inżynier wiedzy
Baza wiedzy
Procedury wniosko-wania
Procedury sterowania dialogiem
Procedury
objaśniania
Baza danych zmiennych
Baza danych stałych
Procedury aktualizacji bazy wiedzy
Baza
wiedzy