智能决策报告.docx
《智能决策报告.docx》由会员分享，可在线阅读，更多相关《智能决策报告.docx（18页珍藏版）》请在冰点文库上搜索。
智能决策报告
《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：
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
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。
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）。
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。
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。
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
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。
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）。
5）种群（Population）染色体带有特征的个体的集合称为种群。
该集合内个体数称为群体的大小。
有时个体的集合也称为个体群。
6）群体大小（PopulationSize）在群体中个体的数量称为群体的大小。
7）表现型（Phenotype）由染色体决定性状的外部表现，或者说，根据遗传子型形成的个体。
8）基因位置（GenePosition）一个基因在串中的位置称为基因位置，有时也简称基因位。
基因位置由串的左向右计算，例如在串S＝1101中，0的基因位置是3。
基因位置对应于遗传学中的地点（Locus）。
9）基因特征值（GeneFeature）在用串表示整数时，基因的特征值与二进制数的权一致；例如在串S=1011中，基因位置3中的1，它的基因特征值为2；基因位置1中的1，它的基因特征值为8。
10）串结构空间
s在串中，基因任意组合所构成的串的集合。
基因操作是在结构空间中进行的。
串结构空间对应于遗传学中的基因型（Genotype）的集合。
11）参数空间
s这是串空间的物理系统中的映射，它对应于遗传学中的表现型（Phenotype）的集合。
12）非线性它对应遗传学中的异位显性（Epistasis）。
13）适应度（Fitness）表示某一个体对于环境的适应程度。
14）选择（Selection）指决定以一定的概率从种群中选择若干个体的操作。
一般而言，选择的过程是一种基于适应度的优胜劣汰的过程。
15）复制（Reproduction）细胞在分裂时，遗传物质DNA通过复制而转移到新产生的细胞中，新的细胞就继承了旧细胞的基因。
16）交叉（Crossover）有性生物在繁殖下一代时两个同源染色体之间通过交叉而重组，亦即在两个染色体的某一相同位置处DNA被切断，其前后两串分别交叉组合形成两个新的染色体。
这个过程又称基因重组recombination，俗称“杂交”。
17）变异（Mutation）在细胞进行复制时可能以很小的概率产生某些复制差错，从而使DNA发生某种变异，产生出新的染色体，这些新的染色体表现出新的性状。
18）编码（Coding）DNA中遗传信息在一个长链上按一定的模式排列，也即进行了遗传编码。
遗传编码可以看作从表现型到遗传子型的映射。
19）解码（Decoding）从遗传子型到表现型的映射。
遗传算法的模式定理
模式定理是遗传算法的理论基础，它描述了遗传算法的搜索策略。
欺骗问题
在遗传算法中，将所有防止评价值高的个体生成从而影响遗传算法正常工作的问题统称为欺骗问题（DeceptiveProblem）。
遗传算法运行过程具有将高于平均适应度、低阶和短定义距的模式重组成高阶模式的趋势。
如果在低阶模式中包含了最优解的话，则遗传算法就可能找出它来。
但低阶、高适应度的模式可能没有包含最优串的具体取值，于是遗传就会收敛到一个次优的结果。
下面给出有关欺骗性的概念。
遗传算法的应用概述进入90年代后，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。
尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。
此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增添了新的活力。
遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于很多学科。
如工程结构优化、计算数学、制造系统、航空航天、交通、计算机科学、通信、电子学、材料科学等。
1）GA在数值优化上的应用
最优化问题是遗传算法经典应用领域，但采用常规方法对于大规模、多峰态函数、
含离散变量等问题的有效解决往往存在许多障碍。
对全局变化问题，目前存在确定性和
非确定性两类方法。
前者以Brianin的下降轨线法、Levy的隧道法和R.Ge的填充函数
为代表。
该类方法虽然收敛快、计算效率高，但算法复杂，求得全局极值的概率不大。
遗传算法作为现代最优化的手段，实践证明，它应用于大规模、多峰多态函数、含离散
变量等情况下的全局优化问题是合适的，在求解速度和质量上远远超过常规方法。
2）GA在组合优化中的应用
组合优化（combinationaloptimization）是遗传算法最大基本的也是最重要的研究和应
用领域之一。
所谓组合优化是指在离散的、有限的数学结构上，寻找一个满足给定约束
条件并使其目标函数值达到最大或最小的解。
一般来说，组合优化问题通常带有大量的
局部极值点，往往是不可微的、不连续的、多维的、有约束条件的、高度非线性的NP
完全问题，因此精确地求出组合优化问题的全局最优解一般是不可能的。
遗传算法作为
一种新型的、模拟生物进化过程的随机化搜索、优化方法，近十几年来在组合优化领域
得到了相当广泛的研究和应用，并已在解决诸多典型组合优化问题中显示了良好的性能
和效果，例如，求解背包问题，八皇后问题，作业调度问题等。
3）遗传算法在机器学习中的应用
机器学习系统实际上是对人的学习机制的一种抽象和模拟，是一种理想的学习模
型。
基于符号学习的机器学习系统如监督型学习系统、条件反射学习系统、类比式学习
系统、推理学习系统等，只具备一些较初级的学习能力。
近年来，由于遗传算法的发展，
基于进化机制遗传学习成为一种新的机器学习方法，它将知识表达为另一种符号形式—
遗传基因型，通过模拟生物的进化过程，实现专门领域知识的合理增长型学习。
4）遗传算法在并行处理中的应用
遗传算法固有的并行性和大规模并行机的快速发展，促使许多研究者开始研究遗传
算法的并行化问题，研究数量更加接近自然界的软件群体将成为可能。
遗传算法与并行
计算的结合，能把并行机的高速性和遗传算法固有的并行性两者的长处彼此结合起来，
从而也促进了并行遗传算法的研究与发展。
5）遗传算法在人工生命中的应用
人工生命是用人工的方法模拟自然生命的特有行为，而基于遗传算法进化模型是研
究人工生命的主要基础理论之一，因此二者有着密切的关系。
遗传算法、遗传编程和进
化计算等是人工生命系统开发的有效工具。
一般而言，遗传操作过程和进化计算机制非
常适合于描述人工生命系统。
6）遗传算法在图解处理、模式识别中的应用
图像处理和模式识别是计算机视觉中的一个重要研究领域，在图像处理过程中，如
扫描、特征提取、图像侵害等不可避免地会产生一些误差，这些误差会影响到图像处理
和识别的效果。
如何使这些误差最小是使计算机视觉达到实用化的重要要求。
遗传算法
在图像处理中的优化计算方面是完全能胜任的，目前已在图像校准、图像侵害、几何形
状识别、图像压缩、三维重建优化以及图像检索等方面得到了应用。
7）遗传算法在生产调度问题中的应用
生产调度问题在许多情况下所建立起来的数学模型难以精确求解，即使经过一些简
化之后可以进行求解，也会因简化太多而使得求解结果与实际相差甚远。
因此，目前在
现实生产中也主要靠一些经验进行调度。
遗传算法已成为解决复杂调度问题的有效工
具，在单件生产车间调度、流水线车间调度、生产规划、任务分配等方面遗传算法都得
到了有效的应用。
8）遗传算法在计算智能中的地位
计算智能系统是在神经网络、模糊系统、进化计算三个分支发展相对成熟的基础上，通过相互之间的有机融合而形成的新的科学方法，也是智能理论和技术发展的崭新阶段。
这些不同的成员方法从表面上看各不相同，但实际上它们是紧密相关、互为补充和促进的。
近年来的研究发现：
神经网络反映大脑思维的高层次结构；模糊系统模仿低层次的大脑结构；进化系统则与一个生物体种群的进化过程有着许多相似的特征。
这些研究方法各自可以在某些特定方面起到特殊的作用，但是也存在一些固有的局限。
因此，将这些智能方法有机地融合起来进行研究，就能为建立一种统一的智能系统设计和优化方法提供基础。
基于这种考虑，将三者结合起来研究已经成为了一种发展趋势。
1994年起，IEEE的神经网络、模糊系统、进化计算三大会议合在一起召开，就反映了这种趋势，计算智能作为人工智能新发展的主流地位就从此确定了。
步1（初始化）
确定种群规模N，交叉概率cP，变异概率mP和终止进化准则；随机生成N个个体作为初始种群（0）X；置0t¬。
步2（个体评价）
计算评估（）Xt中各个体的适应度。
步3（种群进化）
3.1. 选择（母体） 从（）Xt中运用选择算子选择出/2M对母体（MN³）。
3.2. 交叉 对所选择的/2M对母体，以概率cP执行交叉，形成M个中间个体。
3.3. 变异 对M个中间个体分别独立以概率mP执行变异，形成M个候选个体。
3.4. 选择（子代） 从上述所形成的M个候选个体中依据适应度选择出N个个体组成新一代种群
（1）Xt+。
步4（终止检验）
如已满足终止准则，则输出
（1）Xt+中具有最大适应度的个体作为最优解，终止计算，否则置1tt¬+并转步2。
以上运算过程只是遗传算法的多种实现方式中的一种，根据实际问题的不同，遗传算法的实现也是多种多样的。
遗传算法具有通用、并行、稳健、简单与全局优化能力强等突出优点，适用于解决复杂、困难的全局优化问题。
一个优化问题被称为是复杂的，通常指它具有下述特征之一：
（1）目标函数没有明确解析表达（如非数值优化问题）。
（2）目标函数虽有明确表达，但不可能恰好估值（如大部分最优控制问题、金融优化问题）。
（3）目标函数有极多的峰值。
（4）多目标优化，即目标函数是向量值。
实验小结：
通过本次实验的遗传算法的实例结合书本资料的相关知识，充分认识遗传算法的重要性。
遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。
适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。
这一特点使得遗传算法的应用范围大大扩展。
升级会员 