wykłady - cz. 5, Pomoce naukowe, studia, informatyka


Systemy ekspertowe

Kierunki rozwoju technik informatycznych i zastosowanie w wybranych obiektach ekonomicznych.

0x08 graphic
0x08 graphic
0x08 graphic
0x08 graphic
Typowy proces pozyskiwania wiedzy

Dane, pytania

problemy

0x08 graphic
wiedza sfor-
malizowana

(reguły)

0x08 graphic

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

0x08 graphic
0x08 graphic
0x08 graphic
0x08 graphic

0x08 graphic
0x08 graphic
0x08 graphic

0x08 graphic

0x08 graphic
0x08 graphic
0x08 graphic
0x08 graphic

0x08 graphic

0x08 graphic
0x08 graphic
0x08 graphic

0x08 graphic

0x08 graphic

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

  1. 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

  1. 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.

  1. 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:

  1. Mechanizm generacji populacji początkowej

  2. Mechanizm oceniający jakość konkretnego chromosomu

  3. Mechanizm selekcji do dalszego przetwarzania tzw. reprodukcji

  4. Mechanizm mutacji

  5. 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

  1. Sumujemy wartości FP wszystkich chromosomów

  2. Obliczona suma traktowana jest jako 100% koła ruletki

  3. Każdemu chromosomowi przydzielany jest kolejno taki wycinek koła ruletki jak wynika z proporcji

  4. Losujemy liczbę „p” z przedziału 0-100 która wskazuje konkretny punkt na kole ruletki

  5. 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



Wyszukiwarka

Podobne podstrony:
wykłady - cz. 1, Pomoce naukowe, studia, informatyka
wykłady - cz. 6, Pomoce naukowe, studia, informatyka
wykłady - cz. 2, Pomoce naukowe, studia, informatyka
wykłady - cz. 1, Pomoce naukowe, studia, informatyka
projekt i wykonanie sieci komputerowej - cz.2, Pomoce naukowe, studia, informatyka
projekt i wykonanie sieci komputerowej - cz.1, Pomoce naukowe, studia, informatyka
Informatyka- wykladI, Pomoce naukowe, studia, informatyka
hakerzy jako subkultura, Pomoce naukowe, studia, informatyka
język XML, Pomoce naukowe, studia, informatyka
język SQL, Pomoce naukowe, studia, informatyka
wirtualni operatorzy komórkowi, Pomoce naukowe, studia, informatyka
automatyka - ściąga, Pomoce naukowe, studia, informatyka
polityka bezpieczeństwa w sieciach komputerowych, Pomoce naukowe, studia, informatyka
analiza systemu informatycznego biura pośrednictwa pracy, Pomoce naukowe, studia, informatyka
skróty klawiaturowe, Pomoce naukowe, studia, informatyka
etapy projektowania bazy danych, Pomoce naukowe, studia, informatyka
system zarządzania bazami danych access, Pomoce naukowe, studia, informatyka
system Netware, Pomoce naukowe, studia, informatyka
systemy informatyczne w ekonomii, Pomoce naukowe, studia, informatyka

więcej podobnych podstron