9290

Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего образования

«Нижегородский государственный архитектурно-строительный университет»

Прокопенко Н.Ю.

СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

Учебно-методическое пособие по подготовке к лекциям, практическим занятиям

(включая рекомендации по организации самостоятельной работы)

для обучающихся по дисциплине «Системы поддержки принятия решений» по направлению подготовки 09.03.03 Прикладная информатика

профиль Прикладная информатика в экономике

Нижний Новгород

2016

УДК 004.9

Прокопенко Н.Ю. / Системы поддержки принятия решений [Электронный ресурс]: учеб.-метод. пос. / Н.Ю. Прокопенко; Нижегор. гос. архитектур. - строит. ун-т – Н. Новгород: ННГАСУ, 2016. – 95 с.– 1 электрон. опт. диск (CDRW).

В настоящем учебно-методическом пособии по дисциплине «Системы поддержки принятия решений» даются конкретные рекомендации учащимся для освоения как основного, так и дополнительного материала дисциплины и тем самым способствующие достижению целей, обозначенных в учебной программе дисциплины. Цель учебно-методического пособия – это помощь в усвоении лекций и в подготовке к практическим занятиям.

Учебно-методическое пособие предназначено для обучающихся в ННГАСУ по дисциплине «Системы поддержки принятия решений» по направлению подготовки 09.03.03 Прикладная информатика, профиль Прикладная информатика в экономике.

Учебно-методическое пособие ориентировано на обучение в соответствии с календарным учебным графиком и учебным планом по основной профессиональной образовательной программе направления 09.03.03 Прикладная информатика, профиль Прикладная информатика в экономике, утверждённым решением учёного совета ННГАСУ от 02.09.2016 г. (протокол № 1).

© Н.Ю. Прокопенко, 2016 © ННГАСУ, 2016

2

Оглавление

1.Общие положения………………………………………………………………...4

1.1Цели изучения дисциплины и результаты обучения………………………4

1.2Содержание дисциплины…………………………………………………….4

1.3Порядок освоения материала………………………………………………...5

2.Методические указания по подготовке к лекциям……………………………..6

2.1Общие рекомендации по работе на лекциях………………………………..6

2.2Общие рекомендации при работе с конспектом лекций…………………...7

2.3Общие рекомендации по изучению материала лекций ……………………7

2.4Контрольные вопросы……………………………………………………….22

3.Методические указания по подготовке к практическим занятиям…………...25

3.1Общие рекомендации по подготовке к практическим занятиям…………25

3.2Примеры задач для практических занятий…………………………...……26

4.Методические указания по организации самостоятельной работы……….....76

4.1Общие рекомендации для самостоятельной работы………………………76

4.2Темы для самостоятельного изучения…………………………………..….79

4.3.Учебно-методическое обеспечение самостоятельной работы…………...82

4.4Задания для самостоятельной работы……………………………...……....82

3

1. Общие положения.

1.1 Цели изучения дисциплины и результаты обучения

Основными целями освоения учебной дисциплины «Системы поддержки принятия решений» являются: формирование у студентов теоретических зна-

ний в области принятия управленческих решений, ознакомление с принципами алгоритмизации при решении практических задач, формирование практических навыков по использованию специализированного программного обеспечения.

Знать:

современные методы принятия решений;

методы формального компьютерного анализа решения сложных проблем;

основные модели Data Mining (искусственные нейронные сети, деревья решений, логистическая регрессия, кластеризация);

компьютерные систем поддержки принятия решений для решения управ-

ленческих задач (Deductor Studio Academic).

Уметь:

использовать принципы системного подхода для описания предметной области и проблемных ситуаций;

использовать методы искусственного интеллекта;

использовать экспертные системы, работать с конкретной ИИС (на при-

мере АП Deductor).

Владеть:

навыками постановки и спецификации реальных прикладных задач с це-

лью их решения с использованием методов искусственного интеллекта;

практическими навыками работы с системой поддержки принятия управ-

ленческих решений (СППР) Deductor Studio Academic.

1.2 Содержание дисциплины

Материал дисциплины сгруппирован по следующим разделам:

1. История систем поддержки принятия решений. Их классификация.

4

История возникновения СППР, структура, принципы построения и функционирования, классификация СППР. Применение систем принятия решений в телекоммуникациях, торговле, банковском деле, страховании и других предметных областях. Пакеты программ по поддержке принятия решений.

2. Интеллектуальные информационные системы (ИИС).

Тенденции развития ИИС. Классификация и общая характеристика ИИС.

Самообучающиеся и адаптивные информационные системы. ИИС на нейрон-

ных сетях. Классификация нейронных сетей. Архитектура нейронных сетей.

Алгоритмы обучения нейронных сетей. Алгоритм обратного распространения ошибки. Персептрон. Многослойные нейронные сети. Нейронные сети Кохоне-

на. Самоорганизующаяся карта Кохонена. Модели Data Mining (деревья реше-

ний, ассоциативные правила, логистическая регрессия).

3. Адаптивные системы с генетическими алгоритмами.

Теоретические аспекты применения эволюционных методов и генетиче-

ских алгоритмов. Основные понятия генетических алгоритмов. Назначение и структура генетических алгоритмов. Математическая модель генетического ал-

горитма. Классический генетический алгоритм: инициализация, оценивание,

остановка, селекция, скрещивание, мутация, создание популяции, выбор наилучшей хромосомы.

4. Экспертные системы. Инженерия знаний. Модели знаний. Автома-

тическое формирование знаний.

Назначение и основные особенности экспертных систем (ЭС). Архитекту-

ра ЭС.

Режимы функционирования и классификация ЭС. Основные этапы разра-

ботки ЭС.

5

Представление знаний в СППР. Отличие знаний от данных. Декларативная и процедурная форма представления знаний. Логическая модель знаний. Се-

мантические сети. Фреймовые и продукционные модели знаний.

1.3 Порядок освоения материала

Материал дисциплины изучается в соответствии с порядком, определён-

ным в следующей таблице:

Таблица 1

Порядок освоения дисциплины

2. Методические указания по подготовке к лекциям

2.1 Общие рекомендации по работе на лекциях

Лекция является главным звеном дидактического цикла обучения. Ее цель

– формирование основы для последующего усвоения учебного материала. В

ходе лекции преподаватель в устной форме, а также с помощью презентаций передает обучаемым знания по основным, фундаментальным вопросам изучае-

мой дисциплины.

Назначение лекции состоит в том, чтобы доходчиво изложить основные положения изучаемой дисциплины, ориентировать на наиболее важные вопро-

6

сы учебной дисциплины и оказать помощь в овладении необходимых знаний и применения их на практике.

При подготовке к лекционным занятиям студенты должны ознакомиться с презентаций, предлагаемой преподавателем, отметить непонятные термины и положения, подготовить вопросы с целью уточнения правильности понимания.

Рекомендуется приходить на лекцию подготовленным, так как в этом случае лекция может быть проведена в интерактивном режиме, что способствует по-

вышению эффективности лекционных занятий.

2.2 Общие рекомендации при работе с конспектом лекций

В ходе лекционных занятий необходимо вести конспектирование учебного материала. Конспект помогает внимательно слушать, лучше запоминать в про-

цессе осмысленного записывания, обеспечивает наличие опорных материалов при подготовке к семинару, зачету, экзамену.

Полезно оставить в рабочих конспектах поля, на которых делать пометки из рекомендованной литературы, дополняющие материал прослушанной лек-

ции, а также подчеркивающие особую важность тех или иных теоретических положений.

В случае неясности по тем или иным вопросам необходимо задавать пре-

подавателю уточняющие вопросы. Следует ясно понимать, что отсутствие во-

просов без обсуждения означает в большинстве случаев неусвоенность матери-

ала дисциплины.

2.3 Общие рекомендации по изучению материала лекций.

Раздел 1. История систем поддержки принятия решений. Их класси-

фикация.

Цель: вызвать интерес к изучению курса, дать информацию о перспектив-

ных методах и компьютерных технологиях для реализации компонент систем поддержки принятия решений (СППР).

7

На лекциях рассматриваются следующие вопросы: основные понятия теории принятия решений, эволюция теории принятия решений, формирование информационных ресурсов и использование информационных технологий в процессе разрешения проблемных ситуаций.

При создании СППР учитывается ряд принципов.

1.Машина должна вычислять, рассчитывать варианты, а человек − принимать решение.

2.Принцип Шоу: система должна быть такой, чтобы с ней мог работать даже неподготовленный пользователь.

3.Принцип «бюрократичности». Этот принцип связан с уменьшением потока информации, который должен доставляться человеку для принятия решения.

4.Принцип объектно-ориентированного моделирования при построении картины предметной области.

5.Принцип динамической структуры.

6.Принцип полноты информационного пространства.

7.Принцип интеграции информационного пространства.

8.Принцип децентрализации информационного хранилища.

9.Принцип компонентной сборки прикладных режимов.

Структура СППР: источники данных, модель данных, база моделей и программная подсистема, которая состоит из системы управления базой данных (СУБД), системы управления базой моделей (СУБМ) и системы управления интерфейсом между пользователем и компьютером.

Этапы жизненного цикла СППР.

Различные подходы к построению СППР.

I Логический подход, основой которого служат Булева алгебра и нечеткая логика.

II. Под структурным подходом подразумевают попытки построения СППР путем моделирования структуры человеческого мозга. Такие ИС называются интеллектуальными.

III. Эволюционный подход. При построении СППР по данному подходу ос-

новное внимание уделяется построению начальной модели, и правилам, по ко-

торым она может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это может быть и ИНС и набор логи-

ческих правил модель, где кие генетические алгоритмы. После этого мы вклю-

чаем компьютер и он, на основании проверки моделей отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие, т. д.

IV. Имитационный подход. Данный подход является классическим для ки-

бернетики с одним из ее базовых понятий – "черным ящиком" (ЧЯ). ЧЯ – устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны специ-

фикации входных и выходных данных. Объект, поведение которого имитирует-

ся, как раз и представляет собой такой "черный ящик". Нам не важно, что у не-

го и у модели внутри и как он функционирует, главное, чтобы наша модель в

аналогичных ситуациях вела себя точно так же.

9

Таким образом, здесь моделируется другое свойство человека – способ-

ность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит ему массу времени, особенно в начале его жизни.

Раздел 2. Интеллектуальные информационные системы (ИИС).

Цель: дать основные понятия искусственного интеллекта, знакомство с ис-

торией развития методов искусственного интеллекта, дать информацию о про-

граммных реализациях ИИС.

Характерные признаки интеллектуальных информационных систем:

-развитые коммуникативные способности, которые характеризуют есте-

ственный способ взаимодействия (интерфейса) конечного пользователя с си-

стемой.

-способность к самообучению

-умение решать сложные плохо формализуемые задачи, т.е. задачи, кото-

рые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.

Условно каждому из признаков соответствует свой класс ИИС:

Системы с интеллектуальным интерфейсом;

Самообучающиеся системы;

Экспертные системы.

Исторически, именно экспертные системы были первыми СППР, которые привлекли внимание потребителей.

Система с интеллектуальным интерфейсом – это ИИС, предназначен-

ная для поиска неявной информации в базе данных или тексте для произволь-

ных запросов, составляемых, как правило, на ограниченном естественном языке Интеллектуальные БД отличаются от обычных БД возможностью выборки

по запросу необходимой информации, которая может явно не храниться, а вы-

10