搜索
《智能决策技术》实验报告册20-20学年第学期班级：学号：姓名：授课教师：实验教师：《智能决策技术》实验指导书-2-目录实验一智能决策技术的未来发展趋势...........................................................................................实验二具有事前信息的决策树技术的操作应用………………………………………………..实验三应用层次分析法进行多目标决策.......................................................................................实验四遗传算法...............................................................................................................................《智能决策技术》实验指导书-3-实验一智能决策技术的未来发展趋势随着时间的推移，智能决策技术越来越成熟，在不断地发展与前进。从目前的智能决策系统的发展趋势和未来对其的需求状况来看。在一般决策支持的基础上，引进和集成电子商务平台的功能，形成与电子商务的集成、融合发展的态势。电子商务是信息时代和网络环境下越来越流行的一种商业运作模式，是商务电子化和信息化的结果。电子商务的发展不仅强烈地冲击着传统的管理模式和商务运作模式，同时也产生了许多新的管理决策问题。所以DSS的设计与开发越来越多地考虑电子商务这一重要应用背景，向决策者提供多种分析模型和多种分析角度，在市场—客户—产品等多种条件下进行多维度分析。例如目前开发的基于Web的DSS基于GIS的DSS都面向这类应用提供支持。不断强化知识管理的功能，提升系统的知识管理与知识综合应用能力。例如具有知识学习能力的IDSS的智能主要体现在系统能利用专家知识辅助决策，并能够随着决策环境的变化改变自己的行为，要求其知识处理系统能随环境变化学习新知识、更新知识库。知识管理与应用则涉及到推理知识、描述知识和过程知识，从而支持问题求解过程。另外，将知识管理理论与方法应用于DSS的实现中，可以实现专家经验（隐性知识）的分享，提高系统的决策支持水平与能力。谋求技术及应用上的突破，关注和重视对决策过程中的不确定信息的组织和处理。尽管现代科学的认识是“世界是物质的，物质是运动的，运动是有规律的”，但是，在现实世界中还是普遍存在许多的不确定性。为了有效地解决这类问题，专家们发展了“软计算方法”。所谓软计算主要包括模糊逻辑、神经计算、概率推理、遗传算法、混沌系统、信任网络及其它学习理论。现有的人工智能技术主要致力于以语言和符号来表达和模拟人类的智能行为，软计算方法则通过与传统的符号逻辑完全不同的方式，解决那些无法精确定义的问题决策、建模和控制。软计算方法已在很多领域的决策问题中得到应用。如王光远的不确定信息及其建模方法；任守榘等提出利用遗传算法实现处于混沌与湍流环境下具有重构自身的先进制造系统的决策模式及其决策支持系统。日益强调多种数据、知识的综合、集成运用。在技术不断更新的条件下，准确数据信息和高效率的工具是决策者以更低的成本、更加快捷的方式做出及时的科学决策的前提与保证。因此，在DSS的设计与开发中充分考虑对众多数值数据资源、事实数据资源、先验知识、推理知识等的综合、集成运用构建有丰富的数据仓库、机构知识仓储等，并配置和开发众多的数据挖掘和知识发现及分析工具。丰富的资源基础保证了系统支持决策的效率。《智能决策技术》实验指导书-4-实验二具有事前信息的决策树技术的操作应用实验类型：验证性实验学时：2实验目的：掌握风险型决策中的贝叶斯决策，利用决策树进行决策的方法。实验内容：某石油公司的决策人，打算投资开发某油田。根据现有资料，预计这口油井有高产、低产两种不同状态，分别记为S1、S2。高产可获利润400万元，而低产时将净亏损200万元，已知这两种情况出现的概率分别为：P（S1）=0.6,P(S2)=0.4,一般来说，常见的地质结构有“好”、“中等”、“差”3种，分别记为C1、C2、C3，为判断该地区属于哪种结构，可作进一步勘测，勘测费用为10万元。已知在不同的油井状态下，勘测结果为不同地质结构的概率如下，P（C1/S1）=0.7，P（C2/S1）=0.2，P（C3/S1）=0.1，P（C1/S2）=0.3，P（C2/S2）=0.1，P（C3/S2）=0.6，问：应采取何种行动方案,才能获取最大收益?具体过程如下：第一步：将已知数据输入excel中，如表1所示。第二步：用贝叶斯公式计算各自然状态下的后验概率P（Sj│Ck），用概率论中的全概率公式计算勘测结果为Ck的概率P（Ck）。《智能决策技术》实验指导书-5-第三步：构造决策树。第四步：计算各方案的期望收益值，并进行决策。《智能决策技术》实验指导书-6-比较三个方案的期望收益，取期望收益最大的方案作为最优方案，在单元格D16中输入=MAX（G10，G14，G30）得到最大期望收益值为175万元，可见方案“先勘测”的期望收益最大，为最优方案。因此，本实验的最优决策结果是：先勘测，当勘测结果为“结构好”或“结构中等”时开发，当勘测结果为“结果差”时，不开发，该决策的期望收益为175万元。实验小结（要求手写）：本次实验是要求掌握风险型决策中的贝叶斯决策，贝叶斯决策就是对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率经行修正，最后在利用期望值和修正概率做出最优决策。而在实验的过程中我们要求使用贝叶斯公式进行计算，由于对这方面知识的欠缺。和对系统操作的不了解，我花费了很多时间去寻找老师和别的同学的帮助。贝叶斯决策是决策树中非常重要的一个知识点，对这方面的学习我还需要更加努力和认真。《智能决策技术》实验指导书-7-实验三应用层次分析法进行多目标决策实验类型：验证性实验学时：3实验目的：熟悉并应用层次分析方法对多方案进行优劣排序，从而使学生掌握综合定性和定量两种方法解决问题的思维方式。。实验内容：某公司打算增添一台新设备，现有三种不同型号的设备，P1，P2，P3供选择，选择设备主要考虑的要素是功能、价格和维护，你将如何选择？第一步，建立递阶层次结构模型。第二步，构造比较判断矩阵。第三步，层次单排序。第四步，层次总排序第五步，一致性检验A购置一台满意的设备C1功能强C2价格低C3易维护P1P2P3《智能决策技术》实验指导书-8-实验小结：本次实验的主要目的是使我们熟悉并应用层次分析方法对多方案经行优劣排序，从而掌握综合定性和定量两种解决问题的思维方法。层次分析法把研究对象作为一个系统。按照分解、比较判断、综合的方式经行决策，成为继机理分析、统计分析之后发展起来的系统分析的重要工具。系统的思想在于不割断各个因素对结果的影响，而层次分析法中每一层的权重设置最后都会直接或者间接影响到结果，而且在每个层次中的每个因素对结果的影响程度都是量化的，非常清晰、明确。-思考题：除了AHP方法外，解决多目标决策问题还有哪些方法？简单介绍其中的一种方法是如何解决多目标问题的?1.化多为少法：将多目标问题化成只有一个或二个目标的问题，然后用简单的决策方法求解，最常用的是线性加权和法。2.分层序列法：将所有目标按其重要性程度依次排序，先求出第一个最重要的目标的最优解，然后在保证前一目标最优解的前提下依次求下一目标的最优解，一直求到最后一个目标为止。3.直接求非劣解法：先求出一组非劣解，然后按事先确定好的评价标准从中找出一个满意的解。4.目标规划法：对于每一个目标都事先给定一个期望值，然后在满足系统一定约束条件下，找出与目标期望值最近的解。5.多属性效用法：各个目标均用表示效用程度大小的效用函数表示，通过效用函数构成多目标的综合效用函数，以此来评价各个可行方案的优劣。6.层次分析法：把目标体系结构予以展开，求得目标与决策方案的计量关系。7.重排序法：把原来的不好比较的非劣解通过其他办法使其排出优劣次序来。8.多目标群决策和多目标模糊决策。9.TOPSIS法多目标规划的解法主要有单纯形法和图解法。图解法一般只适用于两个决策变量的情形。单《智能决策技术》实验指导书-9-纯形法对于求解多目标规划有普遍意义。多目标规划单纯形表的结构如图。表中Vj———变量，X1，X2，…，Xn是决策变量，其余n-n'个是偏差变量；Cj———价值系数，因多目标规划目标函数不包含决策变量，所以；bi———目标约束常数；θi———θ判据；BVi———基变量名；CBVi———基变量价值系数；aij———作业系数；Qij———单纯形判据矩阵元素；Pj———目标优先权排序；Zj———第j个优先级目标的目标函数值。表1与线性规划单纯形表相比，最大的不同是单纯形判据是一个N×n矩阵，而不是列向量，目标优先权排序P1,P2，…，PN给出了单纯形迭代过程中实现目标的顺序。在实现某一优先级目标后，应依顺序考虑一个优先级能否实现。但是，不能为实现较低目标而使较高级目标的实现受到影响。《智能决策技术》实验指导书-10-实验四遗传算法实验内容：1)遗传算法GA的基本思想遗传算法(GA)是近几年发展起来的一种崭新的全局优化算法。1962年霍兰德(Holland)教授首次提出了GA算法的思想，它的基本思想是基于Darwin进化论和Mendel的遗传演说。Darwin进化论最重要的是适者生存的原理，它认为每一代种群总是向着前进方向发展，越来越适应环境。每一个个体都有继承前代的特性，但不是完全继承，会产生一些新特性。最终只有适应环境的特征才能被保留下来。Mendel遗传学说最重要的是基因遗传原理，它认为遗传以密码方式存在细胞中，并以基因形式包含在染色体内。一条染色体中存在很多基因，每个基因有自己的位置并控制着外部特征；基因的产生和变异直接影响到个体的特性是否能适应环境。经过存优去劣的自然淘汰，适应性高的基因结构得以保存下来。遗传算法正是借用了仿真生物遗传学和自然选择机理，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性的提高。从某种程度上说遗传算法是对生物进化过程进行的数学方式仿真。这一点体现了自然界中物竞天择、适者生存进化过程。与自然界相似，遗传算法对求解问题的本身一无所知，从代表问题可能潜在解集的一个种群(population)开始，每一个种群则由经过基因(gene)编码(coding)的一定数目的个体(individual)构成。每个个体实际上是染色体(chromosome)带有特征的实体。把问题的解表示成染色体，并基于适应值来选择染色体，遗传算法所需要的仅是对算法所产生的每个染色体进行评价，使适应性好的染色体有更多的繁殖机会。在算法中也就是以二进制编码的串。并且，在执行遗传算法之前，给出一群染色体，也就是假设解。然后，把这些假设解置于问题的“环境”中，也即在一个适应度函数中来评价。并按适者生存的原则，从中选择出较适应环境的染色体进行复制,淘汰低适应度的个体，再通过交叉，变异过程产生更适应环境的新一代染色体群。对这个新种群进行下一轮进化，直到最适合环境的值。遗传算法的基本概念由于遗传算法是由进化论和遗传学机理而产生的搜索算法，所以在这个算法中要用到各种进化和遗传学的概念。这些概念如下：1)染色体(Chromosome)生物细胞中含有的一种微小的丝状化合物。这是遗传物质的主要载体，由多个遗传因子－基因组成。2)个体(Individual)指染色体带有特征的实体。3)串(String)它是个体(Individual)的形式，在算法中为二进制，并且对应于遗传学中的染色体(Chromosome)。4)基因(Gene)基因是串中的元素，基因用于表示个体的特征。例如有一个串S＝1011，则其中的1，0，1，1这4个元素分别称为基因。其值称为等位基因(Alletes)。《智能决策技术》实验指导书-11-5)种群(Population)染色体带有特征的个体的集合称