Крючков М.С.
АНАЛИЗ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ *
Аннотация:
интеллектуальные системы поддержки принятия решений (IDSS) создается путь сплочения искусственного интеллекты и системы поддержки принятия решений (DSS). В этой статье дается информация о создании, а также представлено текущее состояние IDSS. Далее освещается три типа и сценарии применения IDSS, описываются характеристики IDSS, приводится структура системы IDSS. В том числе анализируется и излагается система конституции структуры системы, анализируется тенденция развития IDSS. В заключение приводится будущее направление исследований IDSS.
Ключевые слова:
ИИ, хранилище данных, интеллектуальные системы, принятие решений
В 1970-х годах ученые начали исследовать DSS (системы поддержки принятия решений) [1]. Все большее значение придается системам поддержки принятия решений в различных областях, включая науку управления, экономику, прикладную математику, инженерные технологии, информатику и т. д. Исследователи выдвинули различные методы анализа решений и решили ряд репрезентативных задач поддержки принятия решений путем интеграции нескольких предметов и объединения искусственного интеллекта, сетевых технологий, коммуникационных технологий и технологий обработки информации (рис.1).Рисунок 1. Архитектура DSS.IDSS (Интеллектуальная система поддержки принятия решений) создана путем объединения DSS и AI. Это одна из горячих точек исследований в области DSS. IDSS — это интеллектуальная система поддержки принятия решений, основанная на знаниях (рис.2). Рисунок 2. Совместная работа DSS и AI.Ее основная идея заключается в объединении DSS и AI (искусственного интеллекта), применении технологии экспертной системы и помощи в решении сложных задач принятия решений посредством достаточного применения знаний экспертов-людей и логических рассуждений. IDSS отражает характеристику экспертной системы, решающей качественные проблемы в форме рассуждений на основе знаний, в достаточной степени использует характеристику системы поддержки принятия решений, решающей количественные проблемы с помощью расчета базовой модели, объединяет качественный анализ и количественный анализ и еще больше расширяет возможности решения проблем.Классификация IDSS. С 1990-х годов развитие интернет-технологий принесло DSS сложные проблемы[2]. С быстрым развитием распределенных вычислений и сетевых вычислений IDSS начинает развиваться и производить серьезное количество новых концепций, идей и структур из своей централизации. Согласно методу интеллектуального принятия решений, IDSS можно разделить на 3 типа [3-4]: IDSS на основе ИИ, IDSS на основе хранилища данных и IDSS на основе рассуждений по прецедентам.IDSS на основе ИИ. IDSS на основе ИИ включает в себя следующие типы: (1) IDSS на основе ES. ES (экспертная система) — это область IDSS, которая в настоящее время зрело применяется. Она состоит из базы знаний, механизма вывода и базы данных. Она использует неколичественные логические утверждения для выражения знаний и использует автоматические рассуждения для решения вопросов. IDSS в основном использует метод количественной оценки для моделирования проблем и предлагает поддержку принятия решений, используя результат расчета модели стоимости (рис.3).Рисунок 3. Основа модели.IDSS на основе машинного обучения. Машинное обучение заключается в получении знаний о решении человеческих проблем с помощью компьютерного моделирования обучения человека. Машинное обучение может автоматически приобретать знания. Таким образом, узкое место приобретения знаний в экспертной системе может быть решено в определенной степени.IDSS на основе агента. В настоящее время Agent является центром исследований в области искусственного интеллекта, включая исследования интеллектуальных агентов, исследования систем Mufti-Agent и исследования проектирования программ, ориентированных на агентов. IDSS на основе хранилища данных. Благодаря обобщению, сбору и интеграции информации об источниках данных хранилище данных создает интегрированный, изменчивый и долговечный набор данных, обращенный к теме, и предлагает полезную информацию для принятия решений. OLAP (онлайновая аналитическая обработка) одновременно развивается с хранилищем данных. Благодаря многомерному и сложному запросу и синтетическому анализу в режиме реального времени в хранилище данных можно узнать общие характеристики и тенденцию развития, скрытые в данных. Многомерный анализ данных OLAP может быть в формах удаления и нарезки, вращения и детализации.IDSS на основе рассуждений по прецедентам. Рассуждение по прецедентам заключается в поиске метода решения текущих проблем из предыдущего опыта. Набор предыдущих инцидентов может сформировать базу прецедентов, а именно модель обработки проблем. Текущие проблемы являются целевыми прецедентами, проблемы или обстоятельства в памяти являются исходными прецедентами. В то время как CBR обрабатывает проблемы, найдите исходные прецеденты, которые имеют те же атрибуты, что и целевые прецеденты из базы прецедентов, затем выполните корректировку путем сопоставления прецедентов. Рассуждение на основе кейса упрощает процесс получения знаний, повторно использует предыдущий процесс решения и играет хорошие функции для проблем, которые могут быть решены с помощью вычислений.Характеристики IDSS. IDSS имеет следующие характеристики.Определенная способность к самостоятельному обучению. Лицам, принимающим решения, разрешено изменять и расширять знания в базе знаний. Таким образом, способность решать проблемы может быть дополнительно улучшена.IDSS имеет механизм рассуждения. Он имитирует процесс мышления лиц, принимающих решения, и применяет соответствующие знания, чтобы направлять лиц, принимающих решения, для выбора правильных моделей решений посредством интервьюирования человека с машиной в соответствии с требованиями лиц, принимающих решения.IDSS имеет функцию интеллектуального управления моделью. Он управляет моделью как своего рода структурой знаний и упрощает интерфейс между различными подсистемами.IDSS создает универсальную структуру системы поддержки принятия решений для расширения сферы обслуживания системы и улучшения ее адаптации к изменению окружающей среды и изменению формы решений (рис.4).Рисунок 4. Методология принятия решений.Архитектура IDSS. IDSS обычно использует модель и строит ее посредством взаимодействия и рекурсивного процесса. Он может использоваться симплексным пользователем, а также может использоваться многими пользователями в разных местах на основе сети. Вообще говоря, на основе DSS традиционной базы моделей, базы данных и базы методов, базы знаний и механизма вывода добавляются к типичной архитектуре IDSS. Кроме того, система обработки естественного языка добавляется к подсистеме человеко-машинного общения. Система обработки проблем добавляется между системой обработки естественного языка и четырьмя базами: базой моделей, базой данных, базой методов и базой знаний.Подсистема пользовательского интерфейса. Интеллектуальный интерфейс человеко-машина четырехбазовой системы принимает решение, выраженное естественным языком или языком, близким к естественному языку. Это в значительной степени изменяет производительность человеко-машинного интерфейса. Через подсистему пользовательского интерфейса пользователи могут общаться с IDSS и получать инструкции IDSS (рис.5).Рисунок 5. Архитектура IDSS.Система обработки проблем. Система обработки проблем находится в центральном положении IDSS. Это мост между человеком и машиной и ресурсами решения, хранящимися в нем. Он состоит из анализатора проблем и решателя проблем.Система обработки естественного языка: что касается проблем с преобразованием, анализатор проблем оценивает степень их структурированности, выбирает или строит модель для структурированных проблем и использует традиционную модель для их расчета и решения. Что касается полуструктурированных или неструктурированных проблем, они могут быть решены с помощью модели правил и механизма рассуждения.Система обработки проблем: самая активная часть IDSS. Она может распознавать и анализировать проблемы, проектировать решения и вызывать данные, модели, методы и знания в четырех базах для решения проблем. Что касается полуструктурированных или неструктурированных проблем, механизм вывода должен быть запущен для рассуждения или получения новых знаний.Подсистема базы знаний и механизм вывода. Подсистема управления знаниями может работать как независимая единица или поддерживать работу другой подсистемы. Она предлагает интеллект лицам, принимающим решения, для повышения их возможностей. Эта система может взаимодействовать с базой знаний организации, которая состоит из трех частей: системы управления базой знаний, базы знаний и механизма вывода.Система управления базой знаний. Эта система удовлетворяет потребность в поддержании знаний (например, увеличение, удаление и изменение знаний в базе знаний) и удовлетворяет потребность в знаниях, необходимых для анализа проблем и суждения в процессе принятия решений.База знаний: ядро подсистемы базы знаний. База знаний используется для хранения экспертных знаний и опыта, которые не могут быть выражены данными или моделями, а именно знаний и опыта принятия решений экспертов по принятию решений. Специальные знания в некоторых конкретных проблемных областях также включены. Знания в базе знаний представляют собой группу соглашений для описания мира. Это процесс обозначения знаний [6].Механизм вывода должен извлекать новые факты (выводы) из существующих фактов. Это группа программ и процессов базы знаний (правил и фактов), направленных на проблемы пользователей. Подсистема управления данными. Подсистема управления данными представляет собой базу данных, содержащую соответствующие данные. Она управляется системой управления базами данных. Подсистема управления данными может взаимодействовать с хранилищем данных, анализировать и обрабатывать знания в базе данных и хранилище данных посредством интеллектуального анализа данных и анализировать многомерные данные с использованием OLAP.Подсистема управления моделями. Подсистема управления моделями предлагает возможности анализа и соответствующее программное обеспечение. управление системой, включая язык для построения пользовательских моделей. Подсистема управления моделями представляет собой программный пакет, который включает в себя финансы, статистику, управление и другие количественные модели. Подсистема управления моделями может подключать обычно используемые или внешние хранилища моделей.Тенденция развития IDSS. IDSS развивается в направлениях интеграции и комплексности. С развитием современной науки и техники важным вопросом IDSS является комплексное использование преимуществ ключевых технологий (таких как хранилище данных, онлайн-анализ, интеллектуальный анализ данных, база моделей, база данных, ES, объектно-ориентированный метод, агентное и машинное обучение), формирование интегрированной системы поддержки принятия решений и разработка практичной и эффективной IDSS. Многоагентная система с распределенной структурой является важной областью исследований распределенной интеллектуальной системы поддержки принятия решений (IDSS). Используя характеристики многоагентной технологии, можно решить проблемы принятия решений сложной системы. Она предлагает новые подходы для IDSS. Что касается IDSS, чтобы добиться прорыва, будущая разработка и достижение IDSS наверняка будут основаны на многоагентности. Поэтому очень важно исследовать способ разработки многоагентной системы поддержки принятия решений в новой среде [5].Теория принятия решений достигла заметного прогресса в новую эпоху. С 1990-х годов развитие искусственного интеллекта, технологий баз данных и компьютерных сетевых технологий предоставило мощную технологическую поддержку развитию IDSS. С развитием науки специальности подразделяются, все больше и больше крупных систем подразделяются на сложные малые системы. Для людей существенной проблемой является использование разумного метода и ограниченных людских и материальных ресурсов для управления и руководства большой и сложной системой. На этой основе твердо убеждены, что перспективы применения IDSS будут шире.
Номер журнала Вестник науки №7 (88) том 1
Ссылка для цитирования:
Крючков М.С. АНАЛИЗ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ // Вестник науки №7 (88) том 1. С. 303 - 314. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/25033 (дата обращения: 15.02.2026 г.)
Вестник науки © 2025. 16+