智慧型決策支援系統(tǒng).ppt

第十章 智慧型決策支援系統(tǒng),本章大綱,第一節(jié) 導(dǎo)論 第二節(jié) 人工智慧的概念 第三節(jié) 第一代智慧型DSS 第四節(jié) 第二代智慧型系統(tǒng) 第五節(jié) 結(jié)論,學(xué)習(xí)目標(biāo),智慧型DSS的概念 人工智慧與專家系統(tǒng)的概念與應(yīng)用 類神經(jīng)網(wǎng)路技術(shù)與應(yīng)用 基因演算法技術(shù)與應(yīng)用 案例推理技術(shù)與應(yīng)用,表10-1 兩代IDSS系統(tǒng)的 比較,智慧應(yīng)包括的能力,觀察外界環(huán)境的能力 對環(huán)境作彈性反應(yīng) 與外界環(huán)境或其他事物溝通 瞭解不同因素的相對重要性 擁有內(nèi)部知識 能夠異中求同或同中求異 設(shè)定目標(biāo)並達成目標(biāo) 創(chuàng)造力 學(xué)習(xí)能力,人工智慧的兩種觀點,實用觀點 AI是電腦科學(xué)中的一支，其目的在創(chuàng)造電腦程式來執(zhí)行以往由人類所進行的工作；偏重實用性。 科學(xué)觀點 AI是一套方法，其目的在探討許多難解的問題，如人類智慧；偏重學(xué)術(shù)性。,圖10-1 AI重點的演變,圖10-2 AI家族的成員,機器人,自動學(xué)習(xí),專家系統(tǒng),定理證明,遊戲程式,自然語言瞭解,影像辨識,聲音辨識,第一代智慧型DSS,是運用專家系統(tǒng)技術(shù)的系統(tǒng) 專家系統(tǒng)概念解析 專家 專才 專家系統(tǒng)的要求 為何需要專家系統(tǒng) 專家系統(tǒng)與傳統(tǒng)DSS之不同,專家,能夠比其他絕大多數(shù)人更有效地解決某些特定問題的人。,專才,專家所賴以解決問題的知識，其通常包括知識與經(jīng)驗 可以由它的形式和本質(zhì)兩方面來探討 就形式而言，知識包括了經(jīng)驗和法則 就知識的本質(zhì)而言，可以分為表面知識與深度知識 表面知識是指與某個特定問題有關(guān)的知識，它只與該問題的解決有關(guān)。 深度知識則是指和許多問題都有關(guān)聯(lián)，而且可以加以一般化的知識。,專家系統(tǒng)的要求,專才 一個專家系統(tǒng)必須擁有足夠水準(zhǔn)的專才，以表現(xiàn)出專家的水準(zhǔn)，並且有充分的穩(wěn)定性。 符號推理 符號是指敘述性的文字。 知識深度 專家系統(tǒng)必須要能夠運用複雜的深度知識，以解決困難的問題，否則便難稱為專家系統(tǒng)。,專家系統(tǒng)的要求（續(xù)）,自我充實 另一項專家系統(tǒng)的重要要求則是能夠檢討自己的推理思考過程，解釋自己的建議，並自經(jīng)驗中學(xué)習(xí)改進，達到自我充實的要求。,表10-2 人類專家與專家系統(tǒng)的優(yōu)劣,專家系統(tǒng)與傳統(tǒng)DSS之 不同,系統(tǒng)目標(biāo)：取代 vs. 支援 系統(tǒng)重心：知識移轉(zhuǎn) vs. 決策過程 交談方向：系統(tǒng)主導(dǎo) vs. 用戶主導(dǎo) 知識表達：敘述性知識和符號 vs. 數(shù)學(xué)模式 決策方法：經(jīng)驗 vs. 數(shù)學(xué)演算法 適用問題：狹窄而特定 vs. 非結(jié)構(gòu)化 解釋能力：可以 vs. 困難,專家系統(tǒng)的實例,美國史丹佛大學(xué)開發(fā)的MYCIN傳染病系統(tǒng) Coopers & Lybrand開發(fā)的Exper Tax稅務(wù)規(guī)劃與管理系統(tǒng) DEC電腦公司開發(fā)的XCON系統(tǒng)，其可協(xié)助銷售及技術(shù)人員選購恰當(dāng)?shù)拿阅汶娔X組合 Cognitive systems, Inc.開發(fā)的La-Courtier財務(wù)規(guī)劃系統(tǒng),第二代智慧型系統(tǒng),第二代的專家系統(tǒng)又加入了學(xué)習(xí)能力，故稱為智慧型系統(tǒng) 具有下列幾項特質(zhì) 更瞭解專業(yè)領(lǐng)域的知識 明確地陳述問題 找出適當(dāng)?shù)慕鉀Q之道 解釋結(jié)果 自我成長,第二代智慧型系統(tǒng)之發(fā)展技術(shù),類神經(jīng)網(wǎng)路 是一種以電腦來模擬人類腦神經(jīng)細(xì)胞網(wǎng)路的科學(xué)。 基因演算法 一種模擬人類基因演化的模型。 案例推理 以案例為基礎(chǔ)的推理系統(tǒng)，可以收集解決舊問題的案例，加以整理，並用來找出解決未來問題的方法。,圖10-3 類神經(jīng)網(wǎng)路的類神經(jīng)元,圖10-4 單層感知機模型,倒傳遞網(wǎng)路學(xué)習(xí)模式,輸入層 由問題之自變數(shù)所構(gòu)成，將變數(shù)的資料輸入到類神經(jīng)網(wǎng)路中進行計算。 隱藏層 藉以表示輸入與輸出處理單元間之交互影響，而隱藏層之層數(shù)、單元數(shù)目前並無標(biāo)準(zhǔn)方法可決定，通常以試誤法(trial and error)決定。 輸出層 問題之因變數(shù)，也是網(wǎng)路計算結(jié)果的輸出。,圖10-6 倒傳遞神經(jīng)網(wǎng)路 模型,類神經(jīng)網(wǎng)路應(yīng)用基本步驟,蒐集足夠數(shù)量且輸入及輸出結(jié)果均已知的訓(xùn)練案例，來訓(xùn)練該神經(jīng)網(wǎng)路。 選定隱藏層的數(shù)量及各層中神經(jīng)元的數(shù)量。 選擇適當(dāng)?shù)霓D(zhuǎn)換函數(shù)，並決定學(xué)習(xí)率(learning rate)及動力(momentum)。 經(jīng)長時間的學(xué)習(xí)調(diào)整，直到其誤差的變化逐漸收斂為止。,類神經(jīng)網(wǎng)路在國內(nèi)的應(yīng)用,國內(nèi)銀行業(yè)者臺新銀行 醫(yī)學(xué)界忠孝醫(yī)院 股市投資,類神經(jīng)網(wǎng)路的優(yōu)點,類神經(jīng)網(wǎng)路可以建構(gòu)非線性的預(yù)測及分析模型。 類神經(jīng)網(wǎng)路有良好的推廣性，對於未知的輸入亦可得到正確的輸出。 類神經(jīng)網(wǎng)路可以接受不同種類的變數(shù)作為輸入，適應(yīng)性強。 類神經(jīng)網(wǎng)路可因應(yīng)新增案例而機動調(diào)整。,類神經(jīng)網(wǎng)路的缺點,類神經(jīng)網(wǎng)路以逐漸趨近的方式更新鍵結(jié)數(shù)值與臨界門檻值，計算量大，相當(dāng)耗費電腦資源。 類神經(jīng)網(wǎng)路的解有無限多組，無法得知哪一組的解為最佳解。 類神經(jīng)網(wǎng)路訓(xùn)練的過程中無法得知需要多少神經(jīng)元個數(shù)，太多或太少的神經(jīng)元均會影響系統(tǒng)的準(zhǔn)確性，因此往往需以試誤的方式得到適當(dāng)?shù)纳窠?jīng)元個數(shù)。,基因演算法,基因演算法是一種模擬人類基因演化的模型 在這種模型中，問題的解答被巧妙地安排成一串?dāng)?shù)值，模擬基因中的一串染色體。大量的基因經(jīng)過演化、突變與交配等等運算不停地產(chǎn)生新的基因，並淘汰不良的基因，最後演化出問題的最佳解答。 它是一種最佳化空間搜尋法，其主要目的如下 以嚴(yán)密而具象的科學(xué)方法解釋自然界物競天擇、適者生存的演化過程。 將生物界中遺傳演化重要機制以資訊科學(xué)軟體實作模擬。由達爾文進化論的觀點來看，物種靠不斷地演化而產(chǎn)生最適合生存的下一代。,圖10-7 基因演算法求解函數(shù)值之例,基因演算法的運作步驟,定義基因組以及適配函數(shù)，創(chuàng)造第一代的基因組 藉由選擇、交配及突變?nèi)齻€運算元，來改良起始群體 重複步驟2，直到這個群體不再進步為止,圖10-8 基因演算過程三個運算元選擇運算元,基因死亡,基因分裂,基因存活,(a)選擇,第m代,第m+1代,圖10-8 基因演算過程三個運算元交配運算元,基因交配位置,(b)交配,圖10-8 基因演算過程三個運算元突變運算元,(c) 突變,基因演算法過程的三個運算元,選擇 選擇類似於自然界中的天擇，最適者可以將其遺傳因子遺傳給下一代。在計算過程中，母群體的數(shù)量是保持恆定的，也就是整個群體不致滅種。 交配 交配也發(fā)生在自然界中，將兩組基因組原有的某部分與另一組互換，產(chǎn)生了新的2組基因組。,基因演算法過程的三個運算元（續(xù)）,突變 最後一種運算元的因素是突變，親代在繁衍後代時，基因編碼產(chǎn)生了錯誤所致，這在自然界中極少發(fā)生。,表10-4 經(jīng)過選擇作用後的適配值,表10-6 經(jīng)過選擇和交配過程所得的組成,表10-7 選擇交配和突變後的組成,基因演算法的優(yōu)點,產(chǎn)生的結(jié)果容易瞭解 可以處理不同類型的資料 可以用在複雜的最佳化問題求解 可以和類神經(jīng)網(wǎng)路及其他技術(shù)整合,基因演算法的缺點,許多問題編碼的困難 不保證最佳化 運算成本極高 可以運用的商業(yè)套裝軟體不多,案例推理的流程,為新案件製作索引 找出類似案例 修改解決方法 評估與測試 方案應(yīng)用 解釋、修正和測試 歸類和