سیستم های تصمیم یار هوشمند
_______ ______ _____
2
فهرست
موارد استفاده سیستم های تصمیم یار
جایگاه DSS در کامپیوتر
تعریف DSS
مقایسه DSS با سیستم های پردازش تراکنش
روند تغییرات DSS
…
Dr. Ahmad Abdollahzadeh
3
موارد استفاده سیستم های تصمیم یار
IT( Information Technology)
MS( Management System)
Computer based systems
Computer Engineering
که ما دراین درس بر روی موارد 3و4 تمرکز خواهیم کرد
" "
4
کامپیوتر
مهندسی کامپیوتر
علم کامپیوتر
ارتباطات
سخت افزار
نرم افزار
سیستم های پردازش داده
سیستم های پردازش دانش
ابزار
کاربرد
تکنیک
ابزار
کاربرد
تکنیک
سیستم های هوشمند
DSS
MIS
NLP
ES
BI
DSS
KR
KA
R&L
Lisp
ابزار
کاربرد
تکنیک
ES
DSS
MIS
ES: Expert System
BI: Business Intelligent
KA: Knowledge Acquisition
R&L: Reasoning & Learning
KR: Knowledge Representation
درکامپیوترDSS جایگاه
" "
5
تعریف DSS
DSS یک مجموعه از رویه ها را در مدل مشخص برای پردازش داده و کمک به مدیران در تصمیم گیری بیان می کند.
DSS اولین بار در سالهای 1970 توسط آقای Lester مطرح شد.
واحد عملیاتی درDSS پرس وجو (Query که فقط می تواند واکشی داده را انجام دهد) است و امروزه مبتنی بر دانش است.
DSS می تواند دو رویکرد داشته باشد:
What If
Goal Seeking
DSS یک Modeling System است، یعنی باید ابتدا کد مجازی آن نوشته شود.
" "
6
مقایسه DSS با سیستم های پردازش تراکنش در سال 1970
" "
7
روند تغییرات DSS
روند تغییرات در DSS از سال 1970 تا 1989بگونه ای بود که در این سال یک سیستم تصمیم یار شامل
یک واسط کاربری
یک پایگاه دانش
ومکانیزم پردازش
شد.
و این یعنی ورود به دنیای DSSهوشمند (IDSS) .
8
تمرین
تفاوت یک سیستم هوشمند با یک سیستم غیرهوشمند را چگونه تشخیص میدهند؟
آنتالوژی ارائه شده در اسلاید 19 را کامل کنید.
یک سیستم هوشمند، نیمه هوشمند و غیرهوشمند مثال بزنید.
سیلابس درس DSS در دانشگاه های دیگر
مقایسه تعاریف DSS از سال 1970 تاکنون و پارامترهای ارزیابی و تغییرات آنها.
تفاوت DSS با سیستمهای کامپیوتری دیگر (مبتنی بر داده و دانش) از جمله MIS، EIS، ES، KBMS و … را با ذکر پارامترهای ارزیابی استاندارد در قالب یک جدول بیان کنید.
9
معماری چند لایه BI و جایگاه DSS در آن
پایگاه داده تحلیلی
OLAP
تحلیل
داده کاوی
پرس وجو و
گزارش گیری
Monitor
&
Integrator
داده جانبی
منابع داده
ابزارهای سطح بالا
سرویس
Data Marts
پایگاه های داده
عملیاتی
سایرمنابع
پایگاه داده تحلیلی
کاربردها
DSS
" "
10
معماری چند لایه BI و جایگاه DSS در آن (ادامه)
DATA SOURCES STAGING AREA DATA WAREHOUSE DECISION SUPPORT
Application Databases
Packaged application/ERP Data
Desktop Data
External Data
Web-based Data
______________________________________________________
INCOME ANNUAL REPORT
___ ___ ____ _____ ___ __
___ ___ ____ _____ ___ __
___ ___ ____ _____ ___ __
Reports
EIS
OLAP
Statistical & Financial Analysis
EXTRACTION
TRANSFORMING
CLEANING
AGGREGATION
DATA
WAREHOUSE
DATA MARTS
OR
" "
11
DATA SOURCES STAGING AREA DATA WAREHOUSE DECISION SUPPORT
Application Databases
Packaged application/ERP Data
Desktop Data
External Data
Web-based Data
______________________________________________________
INCOME ANNUAL REPORT
___ ___ ____ _____ ___ __
___ ___ ____ _____ ___ __
___ ___ ____ _____ ___ __
Reports
EIS
OLAP
Statistical & Financial Analysis
EXTRACTION
TRANSFORMING
CLEANING
AGGREGATION
DATA
WAREHOUSE
DATA MARTS
OR
معماری چند لایه BI و جایگاه DSS در آن (ادامه)
" "
12
برخی از خصوصیات DSS
DSS
باید بتواند داده های
نیم ساختیافته
را پردازش کند.
بطور زایشی تکامل یابد
(دارای قابلیت Learningباشد)
برای مدیریت مورد استفاده قرار می گیرد
باید با توجه به اصول
معماری Enterprise ساخته شود.
برای گروه و تصمیم گیری آنان موثر باشد
تصمیم گیری مستقل یا غیر وابسته ارائه کند.
در کنترل کاربر باشد
برمبنای مدل باشد
به روشهای مختلف تصمیمگیری دسترسی داشته باشد
Effective باشد (کارش را درست انجام دهد)
انعطاف پذیر باشد
واسط کاربری قابل استفاده برای همگان داشته باشد.
13
تعریف دیگری از DSS
DSS عبارت است از یک سیستم تحلیلی
در مجموعه سیستم های هوش تجاری
در یک معماری Enterprise .
14
معماری Enterprise
Enterprise
فروش
لیست اموال
توزیع
امورمالی
بازار
قیمت گذاری محصول
پشتیبانی مشتری
IA
DM
ERP
IDSS
KMS
CRM
SCM
EIM
DB
OLAP
OLTP
DW
15
معماری Enterprise (ادامه)
16
معماریDSS در4 فاز (Simon’s 4 Phase )
17
مدل سایمون- فاز هوشمندی
فاز هوشمندی (Intelligence)
آزمایش وضعیت جاری و تشخیص مساله
پیمایش محیط به صورت پیوسته یا متناوب
تشخیص مساله
جمع آوری داده ها و تخمین داده های آتی
تصمیمگیری
آیا مساله قابل حل هست یا خیر؟
تعریف مساله
دسته بندی مساله
درک مساله با هدف قرار دادن آن در یک دسته از مسائل تعریف شده
عرضه راه حل استاندارد برای آن
معیار مهم دسته بندی: میزان ساخت یافتگی
مدل مساله تعریف شده
18
مدل سایمون- فاز هوشمندی
در DSS
تبدیل یک مساله بزرگ (پیچیده) و بدون ساختار به یکسری مسائل کوچک و با ساختار
انجام این کار در فاز هوشمندی
توسط Decomposition انجام میشود.
خروجی فاز هوشمندی مدل مساله تعریف شده است.
19
مدل سایمون- فاز طراحی
فاز طراحی (Planning)
مدل Alternative ها در فاز طراحی ساخته میشود
مدلسازی یعنی مفهومی ساختن مساله و مجرد سازی آن به شکل کیفی یا کمی
ساخت مدل
گزینه های مختلف تصمیم گیری
رویدادهای غیر قابل کنترل
معیارها
رابطه سمبولیک یا عددی بین متغیرهای فوق
بهترین Alternative بر اساس پارامترهای ارزیابی برای حل مساله انتخاب میشود
20
مدل سایمون- فاز طراحی
توصیف دقیق واقعیات معمولاً بسیار پیچیده است
نقش نداشتن بسیاری از این پیچیدگی ها در حل یک مساله خاص
یک مدل یک نمایش ساده یا مجرد از واقعیت است و موجب
ساده شدن حل مسایل
ارزیابی سریع و ارزان راه حل های مختلف میشود
مدل باید
خاصیت پاسخگویی به تست حساسیت را داشته باشد
با دنیای واقعی و نحوه شناخت انسان نزدیک باشد
21
مدل سایمون- فاز طراحی
نمایش سیستم ها یا مسایل توسط مدل ها، می تواند در سطوح مختلفی از تجرد انجام شود.
مدل ها بر اساس درجه تجردشان در سه گروه طبقه بندی می شوند:
مدل تجسمی (Iconic) که یک نسخه فیزیکی از سیستم است.
مدل قیاسی (Analog)
که از نظر رفتاری مشابه سیستم، اما از نظر فیزیکی در مقیاس کوچکتری است.
نسبت به مدل Iconic مجردتر است.
مدل ریاضی (Mathematical)
پیچیدگی روابط در بسیاری از سیستم های سازمانی را نمی توان با دو مدل قبلی نشان داد.
مدل ریاضی از هر دو مدل قبلی مجردتر است.
بیشتر تحلیل های DSS توسط این مدل انجام می شود.
22
مدل سایمون- فاز طراحی
در رابطه با هر مدل موضوعات زیر باید روشن باشد:
اجزاء مدل
متغیرهای تصمیم گیری
متغیرهای غیر قابل کنترل (پارامترها)
متغیرهای نتیجه (خروجی)
ساختار مدل
نحوه انتخاب مدل (ارزیابی)
تولید Altenative
تخمین خروجی
اندازه گیری خروجی
23
مدل سایمون- فاز طراحی
روشهای مختلف تست مدل در مرحله ارزیابی مدل:
Sensetive Test
محکم بودن (Robust) : Reliable باشد
کامل بودن (Completeness) : همه استثناءها را پوشش دهد
Multiple Goal Test
Trial and Error
What If analysis
Goal Seeking
24
مدل سایمون- فاز طراحی
مدل ریاضی در 4 قدم تشکیل میگردد:
شناخت متغیرها (اجزاء مدل)
ایجاد رابطه بین متغیرها بوسیله عبارات ریاضی و جبری، معادلات و نامعادلات
ساده سازی ازطریق ارائه مفروضات درمورد متغیرها و روابط بین آنها
تطابق مدل ساخته شده با موقعیتهای مختلف (ارزیابی مدل)
25
مدل سایمون- فاز طراحی
پارامترهای ارزیابی برای انتخاب بهترین Alternative
زمان
میزان سادگی ساخت (یادگیری + زمان + هزینه)
هزینه اجرا
میزان ریسک
وضعیت Learning مدل
میزان استفاده از ابزارهای گرافیکی
بمنظور مقایسه و ارزیابی گزینه ها، پیش بینی خروجی هریک از گزینه های پیشنهادی ضروری است
انواع خروجی
مطمئن
همراه با ریسک
نامطمئن
26
مدل سایمون- فاز طراحی
بسته به اینکه برای انتخاب یکی از Alternative ها از بینAlternative های موجود به عنوان راه حل مساله، چه اصولی را لحاظ کنیم، دو نوع مدل وجود دارد:
مدل Normative
ثابت می شود که گزینه منتخب بهترین انتخاب ممکن برای حل مساله است
بهترین گزینه بر اساس تئوری تصمیم گیری Normative انجام می شود
مدل Descriptive
چیزها را آنگونه که باید باشند توصیف می کند. نه، آنگونه که انتظار می رود، باشند
این مدل مبتنی بر ریاضی است
گزینه منتخب توسط این مدل، لزوماً بهترین انتخاب ممکن نیست بلکه انتخابی مبتنی بر Good Enough است
متداولترین ابزار مدلسازی Descriptive، شبیه سازی (Simulation) است
سایر ابزارها
27
مدل سایمون- فاز طراحی
تئوری تصمیم گیری Normative بر اساس فرضیات منطقی و عقلانی زیر می باشد:
انسان یک موجود اقتصادی است که هدفش، بیشینه ساختن امکان دستیابی به goal هاست
برای اتخاذ یک تصمیم تمام گزینه های حل مساله و نتایج حاصل از آنها باید شناخته شوند
تصمیم گیرندگان این اختیار را دارند که میزان مطلوبیت همه نتایج آنالیز را رتبه بندی کنند
28
مدل سایمون- فاز طراحی
سایر ابزارهای مدلسازی Descriptive:
Information flow
Scenario analysis
Financial planning
Complex inventory decisions
Markov analysis (predictions)
Environmental impact analysis
Technological forecasting
Waiting line (queuing) management
29
تمرین
مفهوم واژه های زیر و رابطه آنها با مدل چیست؟
Deduction (قیاس)
Trial and Error (سعی و خطا)
Abduction (قیاس معکوس)
Default (پیش فرض)
Self-learning (خودآموزی)
Non-monotonic (استنتاج غیریکنواخت)
Heuristic (یادگیری مبتنی برآموزش)
Intuition (درک شهودی)
Analogue (تمثیل)
30
تمرین
انواع روشهای Reasoning را توضیح دهید؟
چند مثال در رابطه با Lineare Programing بزنید؟
تولید Alternative در DSS بر مبنای مدل ریاضی چه زمانی متوقف میشود؟
یک Checklist برای ساخت مدل ارائه دهید.
مدل Normative خودکشی را رسم کنید
31
مدل سایمون- فاز انتخاب
دراین فاز یکی از گزینه های موجود براساس اصول، معیارها و اهداف تعریف شده در فاز مدلسازی بعنوان راه حل مساله انتخاب می شود
این فاز شامل جستجو، ارزیابی و پیشنهاد یک راه حل مناسب برای مدل است
حل مدل به معنی حل مساله ای که آن مدل نشان می دهد، نیست
حل مدل به حل مساله منجر می شود
یک راه حل برای مدل به معنی تعیین مقادیر متغیرهای تصمیم گیری برای گزینه انتخابی است
در این فاز برای انتخاب گزینه مناسب حل مساله ازSearch استفاده می شود
32
مدل سایمون- فاز انتخاب
33
مدل سایمون- فاز اجرا
فاز اجرا (Implementation)
سنجش تحلیل ها و پیشنهادات
ارزش گذاری نتایج و اطمینان از تصمیم اتخاذ شده
ایجاد طرح اجرایی
تامین منابع
اجرای راه حل
بازبینی
34
تمرین
روشها و تئوریهای تصمیم گیری چیست؟
تمرینهای آخر فصل 2
(ص.82-83) تمارین 1-13را به فارسی تایپ کنید و تمارین 3و4و12و13راحل کنید
ص.85 تمرین3 حل شود
بقیه تمرینات فقط خوانده شوند
ساختار سیستمهای Search هوشمند چیست؟
35
یک نمونه Framework برای تعیین سیستمهای مورد نیاز یک سازمان
چارچوب تصمیم یاری
36
تعریف سیستم تصمیم یار
تعریف کاملی برای آن ارائه نشده است
مشخصات کلی
سیستمی به منظور پشتیبانی از تصمیم گیری نیمه ساخت یافته
مشاوری برای تصمیم گیران ولی تصمیم گیری نمی کند
مبتنی بر کامپیوتر
بر خط (On-line)
رابط کاربر و خروجی های گرافیکی
37
سطوح گوناگون تصمیم یاری
انواع سیستمهای موجود بر اساس شیوه پشتیبانی از تصمیم گیر
سیستم تصمیم یار (DSS)
سیستم اطلاعات اجرایی (EIS)
سیستم مبتنی بر دانش (KBS)
سیستم یادگیری ماشین (MLS)
سیستم بهبود خلاقیت (CES)
38
تمرین
روشهای Learning چیست؟
تفاوت Knowledgebase و DataBase چیست؟
فرق Process و Methodology چیست ؟ (حداقل بر مبنای 3 مرجع ) و نقش Lifecycle در آن چیست؟
دو Framework برای طراحی و تحلیل سیستمها در BI معرفی کنید.
Project Definition در ساخت سیستمهای نرم افزاری چیست؟ دارای چه ساختاری است؟
انواع روشهای تست سیستم چیست؟
Framework اسلاید 20 را برای BI در یک سازمان دلخواه (مانند وزارت بازرگانی) تهیه کنید.
39
تعریف سیستم
یک سیستم مجموعه ای از اشیاء مانند: کاربران، منابع، مفاهیم و رویه ها می باشد که به منظور انجام یک کار معلوم یا رسیدن به یک هدف مشترک با هم در ارتباطند.
هر سیستمی در واقع یک زیر سیستم درون یک سیستم بزرگتر است (سیستم دارای خاصیت سلسله مراتبی است). ارتباطات درونی و محاورات بین زیر سیستم های یک سیستم، رابط (Interface) نامیده می شود.
هر سیستم به سه بخش مجزا تقسیم می شود:
ورودی ها
پردازش ها
خروجی ها
بخش های فوق توسط یک محیط احاطه می شوند و غالباً شامل یک مکانیزم بازخرد می باشند. در ضمن یک فرد تصمیم گیر نیز به عنوان بخشی از سیستم در نظر گرفته می شود.
40
تعریف سیستم (ادامه)
محیط یک سیستم شامل عناصر متعددی است که خارج از سیستم قرار می گیرند و بر روی عملکرد سیستم و متعاقباً دستیابی سیستم به اهدافش تاثیر می گذارند.
یک روش برای تشخیص عناصر محیط یک سیستم، طرح دو سئوال زیر است:
آیا دستیابی به اهداف سیستم وابسته به عنصر است؟
آیا کنترل عنصر در اختیار تصمیم گیر است؟
فقط در صورتی که پاسخ سئوال اول مثبت و پاسخ سئوال دوم منفی باشد، عنصر مذکور یکی از عناصر موجود در محیط آن سیستم است.
یک سیستم توسط یک مرز از محیطش جدا می شود.
41
تعریف سیستم (ادامه)
سیستم ها از نظر وابستگی به محیط دو نوع اند:
سیستم بسته مانند TPS و ES و …
سیستم باز مانند DSS و …
برای تشخیص باز یا بسته بودن یک سیستم دو سئوال زیر مطرح می شود:
آیا سیستم به محیط وابسته است؟
آیا می توان محیط را نادیده گرفت؟
فقط در صورتی که پاسخ سئوال اول مثبت و پاسخ سئوال دوم منفی باشد، سیستم مذکور به محیطش وابسته است.
اگر یک سیستم به محیطش وابسته باشد، باز و در غیر اینصورت بسته است.
42
دو معیار ارزیابی عملکرد یک سیستم
عملکرد یک سیستم با دو معیار زیر ارزیابی می شود:
Effectiveness: انجام کارِ درست.
Efficiency: انجام درستِ کار.
در MSS تاکید بیشتر بر اتخاذ تصمیمِ درست (Effectiveness یا Goodness) است تا درستی محاسبات مربوط به رسیدن به آن تصمیم (Efficiency).
43
سیستم و محیط آن
تصمیم گیرنده
بازخرد
ذینفعان
بانک ها
رقبا
دولت
مشتریان
شرایط آب و هوا
فروشندگان
محیط
مرز سیستم
سیستم
44
تمرین
روشهای مختلف بازنمایی دانش چیست؟
روشهای ارزیابی یک سیستم داده ای؟
Ad-hoc Reasoning چیست؟
خروجی هر مرحله از Lifecycle را بنویسید؟
45
نمایشی دیگر از معماری DSS
مدیریت داده
مدیریت مدل
زیر سیستم های
مبتنی بر دانش
رابط کاربر
مدلهای خارجی
اینترنت،
اینترانتها و
اکسترانتها
سیستم های
مبتنی بر کامپیوتر
دیگر
کاربر (مدیر)
پایگاه دانش سازمانی
داده: خارجی و داخلی
46
تمرین
روشهای مختلف تخمین چیست؟
تمرینات آخر فصل 3
صورت تمارین به فارسی تایپ شود؟
یکی از آنها به اختیار حل شود؟
حداقل 2 تا از تمارین اینترنتی به دلخواه حل شوند؟
برای یک بیمارستان میخواهیم یکDSS بسازیم، خروجیهای پیشنهادی این DSS را بیان کنید. برای فعال نمودن Alternative ها، سناریو بنویسید.
47
48
Validaton وVerification دانش
مدل باید همواره موجب کاهش هزینه و زمان پردازش شود.
مدل داده + دانش
دانش Rule+Fact : وجود Rule لازم ولی وجود Fact اختیاری است
دانش نیاز به Validation وVerification دارد (V&V)
فرضیات
دانش موردنظر در اینجا به صورت Rule است
کلیه قواعد پایگاه دانش، قطعی هستند (CF آنها برابر 1 میباشد)
استراتژی استنتاج از نوع رو به عقب (backward chaining) میباشد
P(k) مجوعه شرایط قاعده k
C(k)مجموعه نتایج قاعده k
49
Validaton و Verification دانش
دانش باید لازم و کافی باشد: اگر
, {P(R1)}= {P(R2)} {C(R1)} {C(R2)} آنگاه R1 اضافی است و باید حذف شود
R1: If A=x and B=b
Then C=z
R2: If A=x and B=b
Then C=z and D=w
لذا طبق اصل 1، R1 اضافی است ( Valid است اماVerify نشد)
50
Validaton وVerification دانش
رفع تضاد بین قواعد:
{P(R1)}= {P(R2)} اما {C(R1)} در تضاد با {C(R2)} باشد، آنگاه R1 وR2 با هم متضادند.
R1: If A=x and B=b
Then C=z
R2: If A=x and B=b
Then C=w
51
Validaton وVerification دانش
اگر {P(R1)} {P(R2)} و {C(R1)} = {C(R2)} آنگاه R2 اضافی است و باید حذف شود:
R1: If A=x
Then C=z
R2: If A=x and B=b
Then C=z
52
Validaton وVerification دانش
مقادیر غیرارجاع:
مثلاً فرض کنید متغیر I بتواند یکی از مقادیر high وmedium وlow را بگیرد. در اینصورت ما باید قواعدی داشته باشیم که هر سه مقداری را که I ممکن است بگیرد، پوشش دهند.
If I=high
Then In=b1
If I=low
Then In=b2
همانطور که مشاهده میشود برای مقدار medium قاعده ای در نظر گرفته نشده است. در این حالت مقدار medium یک مقدار غیر ارجاع میباشد
53
Validaton وVerification دانش
مقادیر غیر قانونی
If I=veryhigh
Then In=b4
با فرضی که برای متغیر I در اسلاید قبلی کردیم، این متغیر مقدار veryhigh را نمیتواند بگیرد. لذا استفاده از این مقدار در قاعده فوق غیر قانونی است.
در حالت کلی، انتساب مقداری به یک متغیر و استفاده از آن در یک یا چند قاعده در حالی که آن مقدار در مجموعه مقادیر قابل انتساب به آن متغیر نباشد، غیر قانونی است.
54
Validaton وVerification دانش
مقادیر غیر قابل دسترسی
به عنوان مثال زنجیره قواعد زیر را در نظر بگیرید:
R1: If A=U
Then C=W
R2: If C=W
Then D=X
R3: If D=X
Then E=Q
R4: If E=Q
Then goal=yes
اگر قاعده R3 نباشد دسترسی به goal غیر ممکن میشود
55
مدلسازی
سیستمهای تصمیم یار غالباً از مدلهای کمّی استفاده میکند، در حالیکه سیستمهای خبره از مدلهای مبتنی بردانش و کیفی استفاده میکنند.
مدل
ایستا: یک برش از فعالیتهای ثابت
پویا:
ارائه سناریوهای مختلف و متغیر در طول زمان
یک مدل توسعه یافته ایستا میباشد
متغیرها در این مدل، مطمئن، غیرمطمئن و یا همراه با ریسک میباشند
56
بهینه سازی از طریق برنامه سازی ریاضی
برنامه سازی ریاضی یکی ابزارهای بهینه سازی است
Linear Programming (LP) معروفترین تکنیک در خانواده برنامه سازی ریاضی میباشد
LP بطور گسترده در DSS استفاده میشود
خصوصیات مسائل قابل حل توسط LP:
منابع اقتصادی محدودی برای تخصیص وجود دارد
منابع در تولید محصولات یا خدمات مورد استفاده قرار میگیرند
دو یا بیشتر راه برای استفاده منابع وجود دارد و هر یک از این راه ها یک راه حل یا برنامه نامیده میشوند
هر فعالیت موجب تولید محصول در راستای هدف میشود
تخصیص معمولاً بوسیله تعداد زیادی محدودیت و نیازمندی محدود میشود
57
Heuristic Programming
یکی از LP ها که good enough را پشتیبانی میکند Heuristic Programming است
Heuristic Programming شامل
Tabu search
Genetic algorithms
و… میباشد
کاربرد
داده ورودی غیردقیق و محدود باشد
واقعیت بحدی پیچیده باشد که از مدلهای بهینه سازی نتوان استفاده نمود
یک الگوریتم قابل اعتماد و دقیق موجود نباشد
مسائل پیچیده برای بهینه سازی یا شبیه سازی، صرفه اقتصادی ندارند و یا زمان محاسبات زیادی را می طلبند
امکان بهبود کارایی فرایند بهینه سازی وجود داشته باشد (مثلاً از طریق تولید یک راه حل شروع خوب)
نیاز به اتخاذ تصمیم سریع باشد و امکان استفاده ازکامپیوتر نباشد (بعضی Heuristic ها نیاز به کامپیوتر ندارند )
" "
58
شبیه سازی
متدولوژی شبیه سازی شامل مراحل:
تعریف مساله
تعیین هدف و منظور
تعریف محیط و محدودیتهای سیستم
ساخت مدل شبیه سازی
تعیین متغیرها و روابط بین آنها و جمع آوری داده
اغلب فرایند بوسیله یک فلوچارت، توصیف و سپس یک برنامه کامپیوتری نوشته میشود
تست و اعتبارسنجی مدل
طراحی آزمایش
اداره کردن آزمایش
مسائلی از قبیل تولید اعداد تصادفی و ارائه نتایج آزمایش
ارزیابی نتایج
پیاده سازی
پیاده سازی نتایج شبیه سازی
59
انواع شبیه سازی
شبیه سازی احتمالی
شامل یک یا چند متغیر مستقل احتمالی که از توزیع احتمال معینی تبعیت میکنند
توزیع احتمال پیوسته
توزیع احتمال گسسته
شبیه سازی بصری
نمایش گرافیکی نتایج کامپیوتری که ممکن است شامل متحرک سازی نیز باشند
شبیه سازی شیء گرا
UML یک ابزار مدلسازی است که برای سیستمها و کاربردهای شیء گرا طراحی شده است
60
زبانهای مدلسازی
زبانهای مدلسازی برای ساخت مدلهای ریاضی
Lingo
AMPL
GAMS
61
تمرین
AHP (Analytical Hierarchical Processing)چیست؟
انواع Rule چیست؟
نحوه نگهداری Case در Knowledge Base ؟
چارچوب تئوریک دارای چه مفهوم و مشخصاتی است؟
ارائه یک مساله و آنالیز آن به کمک Influence Diagram و پیاده سازی آن برروی Spreadsheet.
62
مراجع
[ 1] Burstein F., Bui T., Arnott D., Decision support in the new millennium, Decision Support Systems 31/2, Elsevier Science B.V., pp. 163-164, June 2001
[ 2] Carlsson C., Turban E., DSS: directions for the next decade, Decision Support Systems 33/1, Elsevier Science B.V., pp. 105-110, May 2002
گرایشات آتی تحقیقاتی و کاربردی
[ 3] Courtney J.F., Decision making and knowledge management in inquiring organizations: toward a new decision-making paradigm for DSS, Decision Support Systems 31, Elsevier Science B.V., pp. 17-38, 2001
شیوه تصمیم گیری با سیستم تصمیم یار
[ 4] Forgionne G. A, Mora M. Decision making support systems: achievements, challenges and opportunities, Decision Making Support Systems; Mora & Forgionne, Jadinter Gupta, pp. 392-402, 2002
دست یافته ها و مباحث تحقیقاتی
63
مراجع
[ 5] Forgionne G. A., An architecture for the integration of decision making support functionalities, Decision Making Support Systems; Mora & Forgionne, Jadinter Gupta, pp. 40-70, 2002
سطوح مختلف تصمیم یاری و سیستمهای تصمیم یار مرکب
[ 6]Nemati H.R, Steiger D. M., Iyer L. S., Herschel R. T., Knowledge warehouse: an architectural integration of knowledge management, decision support, artif icial intelligence and data warehousing, Decision Support Systems 33/2, Elsevier Science B.V., pp. 143-161, June 2002
سیستم های تصمیم یار راهبر داده و راهبر دانش
[ 7]Pomerol J.C., Adam F., From human decision making to DMSS architecture, Decision Making Support Systems; Mora & Forgionne, Jadinter Gupta, pp. 40-70, 2002
تصمیم گیری بشر و سطوح مختلف تصمیم گیری
[ 8] Power D.J., Categorizing Decision Support Systems, A Multidimensional Approach, Decision Making Support Systems; Mora & Forgionne, Jadinter Gupta, pp. 1-19, 2002
[ 9] Power D.J., Supporting Decision-Makers: An Expanded Framework, Informing Science, June 2001
دسته بندی سیستم های تصمیم یار
64
مراجع
[ 10] Sen A., From DSS to DSP: A Taxonomic Retrospection, Communications of the ACM (CACM) 41/5, pp. 206-216, May 1998
تاریخچه و سیر تکاملی سیستمهای تصمیم یار
[ 11] Shim J.P., Warkentin M., Courtney J. F., Power D. J., Sharda R., Carlsson C., Past, present, and future of decision support technology, Decision Support Systems 33/2, Elsevier Science B.V., pp. 111-126, June 2002
گذشته و حال و آینده سیستمهای تصمیم یار
[ 12] Turban E., Aronson J.E., Decision support systems and intelligent systems, Prentice Hall, 2001
تعاریف اولیه
[ 13] Turban E., McLean E., Wetherbe J., Information technology for management, John Wiley, 2000
تاریخچه و چارچوب تصمیم یاری