سیستم های تصمیم یار هوشمند

سیستم های تصمیم یار هوشمند

اسلاید 1: سيستم های تصميم يار هوشمندارائه دهنده: دکتر احمد عبدالله زادهتنظيم کننده: عباس رسول زادگان _______ ______ _____ _______ ______ _____

اسلاید 2: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 2فهرستموارد استفاده سيستم هاي تصميم يار جايگاه DSS در كامپيوترتعريف DSSمقايسه DSS با سيستم هاي پردازش تراكنشروند تغييرات DSS‌ ...Dr. Ahmad Abdollahzadeh

اسلاید 3: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 3موارد استفاده سيستم های تصميم يار IT( Information Technology)MS( Management System)Computer based systemsComputer Engineeringكه ما دراين درس بر روي موارد 3و4 تمركز خواهيم كرد

اسلاید 4: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 4کامپيوترمهندسی کامپيوترعلم کامپيوترارتباطاتسخت افزارنرم افزارسيستم های پردازش دادهسيستم های پردازش دانشابزارکاربردتکنيکابزارکاربردتکنيکسيستم های هوشمندDSSMISNLPESBIDSSKRKAR&LLispابزارکاربردتکنيکESDSSMISES: Expert SystemBI: Business IntelligentKA: Knowledge AcquisitionR&L: Reasoning & LearningKR: Knowledge Representation دركامپيوترDSS جايگاه

اسلاید 5: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 5تعريف DSSDSS يك مجموعه از رويه ها را در مدل مشخص براي پردازش داده و كمك به مديران در تصميم گيري بيان مي كند.DSS اولين بار در سالهاي 1970 توسط آقاي Lester مطرح شد. واحد عملياتي درDSS پرس وجو (Query كه فقط مي تواند واكشي داده را انجام دهد) است و امروزه مبتني بر دانش است.DSS مي تواند دو رويكرد داشته باشد:What IfGoal SeekingDSS يك Modeling System است، يعني بايد ابتدا كد مجازي آن نوشته شود.

اسلاید 6: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 6مقايسه DSS با سيستم هاي پردازش تراكنش در سال 1970

اسلاید 7: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 7روند تغييرات DSS‌ روند تغييرات در DSS‌ از سال 1970 تا 1989بگونه اي بود كه در اين سال يك سيستم تصميم يار شامل يك واسط كاربرييك پايگاه دانشومكانيزم پردازش شد.و اين يعني ورود به دنياي DSSهوشمند (IDSS) .

اسلاید 8: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 8تمرينتفاوت يك سيستم هوشمند با يك سيستم غيرهوشمند را چگونه تشخيص ميدهند؟ آنتالوژي ارائه شده در اسلايد 19 را كامل كنيد. يك سيستم هوشمند،‌ نيمه هوشمند و غيرهوشمند مثال بزنيد.سيلابس درس DSS در دانشگاه هاي ديگرمقايسه تعاريف DSS از سال 1970 تاكنون و پارامترهاي ارزيابي و تغييرات آنها.تفاوت DSS با سيستمهاي كامپيوتري ديگر (مبتني بر داده و دانش) از جمله MIS، EIS، ES، KBMS و ... را با ذكر پارامترهاي ارزيابي استاندارد در قالب يك جدول بيان كنيد. ‌

اسلاید 9: 9معماري چند لايه BI و جايگاه DSS در آنپايگاه داده تحليلي استخراج تغييرشكل بارگذارينوسازيOLAPتحليلداده‌كاوي پرس‌وجو وگزارش‌گيريMonitor&Integratorداده‌جانبيمنابع دادهابزارهاي سطح بالاسرويسData Martsپايگاه‌هاي داده عملياتيسايرمنابعپايگاه داده تحليليکاربردهاDSS

اسلاید 10: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 10معماري چند لايه BI و جايگاه DSS در آن (ادامه) DATA SOURCES STAGING AREA DATA WAREHOUSE DECISION SUPPORTApplication DatabasesPackaged application/ERP DataDesktop DataExternal DataWeb-based Data______________________________________________________INCOME ANNUAL REPORT___ ___ ____ _____ ___ __ ___ ___ ____ _____ ___ __ ___ ___ ____ _____ ___ __ ReportsEISOLAPStatistical & Financial AnalysisEXTRACTIONTRANSFORMINGCLEANINGAGGREGATIONDATA WAREHOUSEDATA MARTSOR

اسلاید 11: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 11 DATA SOURCES STAGING AREA DATA WAREHOUSE DECISION SUPPORTApplication DatabasesPackaged application/ERP DataDesktop DataExternal DataWeb-based Data______________________________________________________INCOME ANNUAL REPORT___ ___ ____ _____ ___ __ ___ ___ ____ _____ ___ __ ___ ___ ____ _____ ___ __ ReportsEISOLAPStatistical & Financial AnalysisEXTRACTIONTRANSFORMINGCLEANINGAGGREGATIONDATA WAREHOUSEDATA MARTSORمعماري چند لايه BI و جايگاه DSS در آن (ادامه)

اسلاید 12: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 12برخي از خصوصيات DSS DSSبايد بتواند داده هاي نيم ساختيافته را پردازش كند.بطور زايشي تكامل يابد(داراي قابليت Learningباشد)براي مديريت مورد استفاده قرار مي گيردبايد با توجه به اصول معماري Enterprise ساخته شود.براي گروه و تصميم گيري آنان مؤثر باشدتصميم گيري مستقل يا غير وابسته ارائه كند.در كنترل كاربر باشدبرمبناي مدل باشدبه روشهاي مختلف تصميمگيري دسترسي داشته باشد Effective باشد (كارش را درست انجام دهد)انعطاف پذير باشدواسط كاربري قابل استفاده براي همگان داشته باشد.

اسلاید 13: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 13تعريف ديگري از DSS DSS عبارت است از يك سيستم تحليلي در مجموعه سيستم هاي هوش تجاري در يك معماري Enterprise .

اسلاید 14: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 14معماري EnterpriseEnterpriseفروشليست اموالتوزيعامورماليبازارقيمت گذاري محصولپشتيباني مشتريIADMERPIDSSKMSCRMSCMEIMDBOLAPOLTPDW

اسلاید 15: 15 معماري Enterprise (ادامه) بستر سخت افزاري شبکهسيستم مديريت پايگاه داده و ابزارميان افزارمديريت دادهمجتمع سازي دادهپاکسازي دادهارائه داده دسترسي به داده دستکاري دادهمعماري تجارتمعماري اطلاعاتمعماري برنامة کاربردي معماري تکنولوژي اهداف و مأموريت سيستم اصول سِيتم عمليات سيستمبرنامة اداره سيستم مدل داده اي Enterprise استاندارد سازي داده مجتمع سازي داده تلفيق دادهکيفيت دادهبرنامه هاي کاربردي عملياتيبرنامه هاي کاربردي دسترسي به دادهبرنامه هاي کاربردي آناليز دادهپايگاه داده برنامه هاي کاربرديمحتوا ذخيره سازي وبازنمايي

اسلاید 16: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 16معماريDSS در4 فاز (Simon’s 4 Phase )

اسلاید 17: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 17مدل سايمون- فاز هوشمندی فاز هوشمندي (Intelligence)آزمايش وضعيت جاري و تشخيص مسأله پيمايش محيط به صورت پيوسته يا متناوبتشخيص مسالهجمع‌آوري داده‌ها و تخمين داده‌هاي آتيتصميمگيریآيا مسأله قابل حل هست يا خير؟تعريف مسألهدسته بندي مسالهدرك مساله با هدف قرار دادن آن در يك دسته از مسائل تعريف شدهعرضه راه حل استاندارد براي آنمعيار مهم دسته بندي: ميزان ساخت يافتگيمدل مسأله تعريف شدهبرنامه ريزي شده (ساخت يافته)برنامه ريزي نشده (ساخت نايافته)

اسلاید 18: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 18مدل سايمون- فاز هوشمندیدر DSS تبديل يک مسأله بزرگ (پيچيده) و بدون ساختار به يکسری مسائل کوچک و با ساختار انجام اين کار در فاز هوشمندی توسط Decomposition انجام ميشود.خروجی فاز هوشمندی مدل مسأله تعريف شده است.

اسلاید 19: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 19مدل سايمون- فاز طراحیفاز طراحي (Planning)مدل Alternative ها در فاز طراحی ساخته ميشود مدلسازی يعنی مفهومي ساختن مسأله و مجرد‌سازي آن به شكل كيفي يا كمي ساخت مدلگزينه‌هاي مختلف تصميم‌گيريرويدادهاي غير قابل كنترلمعيارهارابطه سمبوليك يا عددي بين متغيرهاي فوقبهترين Alternative بر اساس پارامترهای ارزيابی برای حل مساله انتخاب ميشود

اسلاید 20: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 20مدل سايمون- فاز طراحیتوصيف دقيق واقعيات معمولاً بسيار پيچيده استنقش نداشتن بسياری از اين پيچيدگی ها در حل يک مسأله خاص يک مدل يک نمايش ساده يا مجرد از واقعيت است و موجب ساده شدن حل مسايلارزيابی سريع و ارزان راه حل های مختلف ميشودمدل بايد خاصيت پاسخگويي به تست حساسيت را داشته باشدبا دنيای واقعی و نحوه شناخت انسان نزديک باشد _______ ______ _____

اسلاید 21: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 21مدل سايمون- فاز طراحینمايش سيستم ها يا مسايل 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 يک نسخه فيزيکی از سيستم است.مدل قياسی (Analog) که از نظر رفتاری مشابه سيستم، اما از نظر فيزيکی در مقياس کوچکتری است. نسبت به مدل Iconic مجردتر است.مدل رياضی (Mathematical)پيچيدگی روابط در بسياری از سيستم های سازمانی را نمی توان با دو مدل قبلی نشان داد. مدل رياضی از هر دو مدل قبلی مجردتر است. بيشتر تحليل های DSS توسط اين مدل انجام می شود.

اسلاید 22: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 22مدل سايمون- فاز طراحیدر رابطه با هر مدل موضوعات زير بايد روشن باشد:اجزاء مدل متغيرهای تصميم گيریمتغيرهای غير قابل کنترل (پارامترها)متغيرهای نتيجه (خروجی)ساختار مدلنحوه انتخاب مدل (ارزيابی)توليد Altenativeتخمين خروجیاندازه گيری خروجی

اسلاید 23: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 23مدل سايمون- فاز طراحیروشهای مختلف تست مدل در مرحله ارزيابی مدل:Sensetive Testمحکم بودن (Robust) : Reliable باشدکامل بودن (Completeness) : همه استثناءها را پوشش دهدMultiple Goal TestTrial and ErrorWhat If analysisGoal Seeking

اسلاید 24: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 24مدل سايمون- فاز طراحیمدل رياضی در 4 قدم تشکيل ميگردد:شناخت متغيرها (اجزاء مدل)ايجاد رابطه بين متغيرها بوسيله عبارات رياضی و جبری، معادلات و نامعادلاتساده سازی ازطريق ارائه مفروضات درمورد متغيرها و روابط بين آنهاتطابق مدل ساخته شده با موقعيتهای مختلف (ارزيابی مدل)

اسلاید 25: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 25مدل سايمون- فاز طراحیپارامترهای ارزيابی برای انتخاب بهترين Alternative زمانميزان سادگی ساخت (يادگيری + زمان + هزينه)هزينه اجراميزان ريسک وضعيت Learning مدلميزان استفاده از ابزارهای گرافيکیبمنظور مقايسه و ارزيابی گزينه ها، پيش بينی خروجی هريک از گزينه های پيشنهادی ضروری استانواع خروجیمطمئنهمراه با ريسکنامطمئن

اسلاید 26: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 26مدل سايمون- فاز طراحیبسته به اينکه برای انتخاب يکی از Alternative ها از بينAlternative های موجود به عنوان راه حل مسأله، چه اصولی را لحاظ کنيم، دو نوع مدل وجود دارد: مدل Normativeثابت می شود که گزينه منتخب بهترين انتخاب ممکن برای حل مسأله استبهترين گزينه بر اساس تئوری تصميم گيری Normative انجام می شود مدل Descriptiveچيزها را آنگونه که بايد باشند توصيف می کند. نه، آنگونه که انتظار می رود، باشنداين مدل مبتنی بر رياضی استگزينه منتخب توسط اين مدل، لزوماً بهترين انتخاب ممکن نيست بلکه انتخابی مبتنی بر Good Enough استمتداولترين ابزار مدلسازی Descriptive، شبيه سازی (Simulation) استساير ابزارها

اسلاید 27: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 27مدل سايمون- فاز طراحیتئوری تصميم گيری Normative بر اساس فرضيات منطقی و عقلانی زير می باشد:انسان يک موجود اقتصادی است که هدفش، بيشينه ساختن امکان دستيابی به goal هاستبرای اتخاذ يک تصميم تمام گزينه های حل مسأله و نتايج حاصل از آنها بايد شناخته شوندتصميم گيرندگان اين اختيار را دارند که ميزان مطلوبيت همه نتايج آناليز را رتبه بندی کنند

اسلاید 28: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 28مدل سايمون- فاز طراحیساير ابزارهای مدلسازی Descriptive:Information flowScenario analysisFinancial planningComplex inventory decisionsMarkov analysis (predictions)Environmental impact analysisTechnological forecastingWaiting line (queuing) management

اسلاید 29: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 29تمرينمفهوم واژه های زير و رابطه آنها با مدل چيست؟Deduction (قياس)Trial and Error (سعی و خطا)Abduction (قياس معکوس)Default (پيش فرض)Self-learning (خودآموزی)Non-monotonic (استنتاج غيريکنواخت)Heuristic (يادگيری مبتنی برآموزش)Intuition (درک شهودی)Analogue (تمثيل)

اسلاید 30: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 30تمرينانواع روشهای Reasoning را توضيح دهيد؟چند مثال در رابطه با Lineare Programing بزنيد؟توليد Alternative در DSS بر مبنای مدل رياضی چه زمانی متوقف ميشود؟يک Checklist برای ساخت مدل ارائه دهيد.مدل Normative خودکشی را رسم کنيد

اسلاید 31: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 31مدل سايمون- فاز انتخابدراين فاز يکی از گزينه های موجود براساس اصول، معيارها و اهداف تعريف شده در فاز مدلسازی بعنوان راه حل مسأله انتخاب می شوداين فاز شامل جستجو، ارزيابي و پيشنهاد يك راه‌ حل مناسب برای مدل استحل مدل به معنی حل مسأله ای که آن مدل نشان می دهد، نيستحل مدل به حل مسأله منجر می شوديک راه حل برای مدل به معنی تعيين مقادير متغيرهاي تصميم‌گيري براي گزينه انتخابي است در اين فاز برای انتخاب گزينه مناسب حل مسأله ازSearch استفاده می شود

اسلاید 32: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 32مدل سايمون- فاز انتخابHeuristicsBlindBlindOptimization(Analytical) انواعSearch ويژگی هاHeuristicsPartialCompleteEnumerationOptimization(Analytical) انواعSearch ويژگی هافقط راه حلهای اميد بخش چک ميشوندفقط بعضی راه حلها چک ميشوند (بطورسيستماتيک راه حلهای نامناسب حذف ميشوند)تمام راه حلهای ممکن چک ميشوندتوليد راه حل بهبود يافته يا يافتن راه حل بهينه بطور مستقيمفرايند جستجوزمانی که به Good Enough برسيماتمام مقايسه و شبيه سازی، زمانی که به Good Enough برسيم اتمام مقايسه، زمانی که همه راه حلها چک شده باشندزمانی که ديگر امکان هيچ بهبود جديدی وجود نداشته باشد توقف آزمايشGood Enoughبهترين در بين راه حل های چک شدهبهينهبهينه راه حلمدلهای Descriptiveمدلهای Descriptiveمدلهای Normativeمدلهای Normative کاربرد

اسلاید 33: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 33مدل سايمون- فاز اجرافاز اجرا (Implementation)سنجش تحليل‌ها و پيشنهاداتارزش‌گذاري نتايج و اطمينان از تصميم اتخاذ شدهايجاد طرح اجراييتامين منابعاجراي راه حلبازبيني

اسلاید 34: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 34تمرينروشها و تئوريهای تصميم گيری چيست؟تمرينهای آخر فصل 2(ص.82-83) تمارين 1-13را به فارسی تايپ کنيد و تمارين 3و4و12و13راحل کنيدص.85 تمرين3 حل شودبقيه تمرينات فقط خوانده شوندساختار سيستمهای Search هوشمند چيست؟

اسلاید 35: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 35يك نمونه Framework براي تعيين سيستمهاي مورد نياز يك سازمان چارچوب تصميم يارينوع كنترل نوع كنترل نوع كنترل نوع كنترل پشتيباني مورد نيازطراحي استراتژيككنترل مديريتيكنترل عملياتينوع تصميمسيستم‌هاي اطلاعات مديريت، مدل‌هاي علوم مديريت، مدل‌هاي مالي،مدل‌هاي آماري مديريت مالي ( سرمايه گذاري)،مكان يابي انبار،سيستم‌هاي توزيع شدهتحليل بودجه،پيش‌بيني كوتاه مدت،گزارشات شخصي،تحليل توليد يا خريد حسابهاي دريافتي،ثبت سفارش ساخت يافته سيستم تصميم‌يارساخت كارگاه جديد، طراحي محصول جديد، طراحي جبران خسارت، طراحي كنترل كيفيتاعتبارسنجي، تهيه بودجه، طرح‌بندي كارگاه، زمان‌بندي پروژهزمانبندي توليد، كنترل انبار نيمه ساخت‌يافته سيستم تصميم‌يار،سيستم خبره،شبكه‌هاي عصبيطراحي تحقيق و توسعه،توسعه تكنولوژي جديد،طراحي وظايف اجتماعيتبادل نظر, استخدام يك مجري جديد، خريد سخت افزار، سخنرانيانتخاب جلدي براي مجله،خريد نرم‌افزار،تصويب تقاضاي وامساخت‌نيافته سيستم تصميم‌يار،سيستم خبره،شبكه‌هاي عصبيسيستم‌هاي اطلاعات مديريت، DSS، ES، EIS سيستم‌هاي اطلاعات مديريت،علوم مديريتپشتيباني مورد نياز

اسلاید 36: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 36تعريف سيستم تصميم ‌يارتعريف کاملي براي آن ارائه نشده استمشخصات کليسيستمي به منظور پشتيباني از تصميم‌گيري نيمه‌ساخت‌يافتهمشاوري براي تصميم‌گيران ولي تصميم‌گيري نمي‌کندمبتني بر کامپيوتربر خط (On-line)رابط کاربر و خروجي‌هاي گرافيکي

اسلاید 37: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 37سطوح گوناگون تصميم‌ياريانواع سيستمهاي موجود بر اساس شيوه پشتيباني از تصميم گيرسيستم تصميم يار (DSS)سيستم اطلاعات اجرايي (EIS)سيستم مبتني بر دانش (KBS)سيستم يادگيري ماشين (MLS)سيستم بهبود خلاقيت (CES)

اسلاید 38: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 38تمرينروشهاي Learning چيست؟تفاوت Knowledgebase و DataBase چيست؟فرق Process و Methodology چيست ؟ (حداقل بر مبناي 3 مرجع ) و نقش Lifecycle در آن چيست؟دو Framework براي طراحي و تحليل سيستمها در BI معرفي كنيد.Project Definition در ساخت سيستمهاي نرم افزاري چيست؟ داراي چه ساختاري است؟انواع روشهاي تست سيستم چيست؟Framework اسلايد 20 را براي BI در يك سازمان دلخواه (مانند وزارت بازرگاني) تهيه كنيد.

اسلاید 39: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 39تعريف سيستميك سيستم مجموعه اي از اشياء مانند: كاربران،‌ منابع، مفاهيم و رويه ها مي باشد كه به منظور انجام يک کار معلوم يا رسيدن به يک هدف مشترک با هم در ارتباطند. هر سيستمی در واقع يک زير سيستم درون يک سيستم بزرگتر است (سيستم دارای خاصيت سلسله مراتبی است). ارتباطات درونی و محاورات بين زير سيستم های يک سيستم، رابط (Interface) ناميده می شود. هر سيستم به سه بخش مجزا تقسيم می شود: ورودی هاپردازش هاخروجی ها بخش های فوق توسط يک محيط احاطه می شوند و غالباً شامل يک مکانيزم بازخرد می باشند. در ضمن يک فرد تصميم گير نيز به عنوان بخشی از سيستم در نظر گرفته می شود.

اسلاید 40: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 40تعريف سيستم (ادامه)محيط يک سيستم شامل عناصر متعددی است که خارج از سيستم قرار می گيرند و بر روی عملکرد سيستم و متعاقباً دستيابی سيستم به اهدافش تأثير می گذارند.يک روش برای تشخيص عناصر محيط يک سيستم، طرح دو سئوال زير است:آيا دستيابی به اهداف سيستم وابسته به عنصر است؟آيا کنترل عنصر در اختيار تصميم گير است؟ فقط در صورتی که پاسخ سئوال اول مثبت و پاسخ سئوال دوم منفی باشد، عنصر مذکور يکی از عناصر موجود در محيط آن سيستم است.يک سيستم توسط يک مرز از محيطش جدا می شود.

اسلاید 41: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 41تعريف سيستم (ادامه)سيستم ها از نظر وابستگی به محيط دو نوع اند:سيستم بسته مانند TPS و ES و ... سيستم باز مانند DSS و ... برای تشخيص باز يا بسته بودن يک سيستم دو سئوال زير مطرح می شود:آيا سيستم به محيط وابسته است؟ آيا می توان محيط را ناديده گرفت؟ فقط در صورتی که پاسخ سئوال اول مثبت و پاسخ سئوال دوم منفی باشد، سيستم مذکور به محيطش وابسته است.اگر يک سيستم به محيطش وابسته باشد، باز و در غير اينصورت بسته است.

اسلاید 42: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 42دو معيار ارزيابی عملکرد يک سيستمعملکرد يک سيستم با دو معيار زير ارزيابی می شود:Effectiveness: انجام کارِ درست. Efficiency: انجام درستِ کار.در MSS تأکيد بيشتر بر اتخاذ تصميمِ درست (Effectiveness يا Goodness) است تا درستی محاسبات مربوط به رسيدن به آن تصميم (Efficiency).

اسلاید 43: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 43سيستم و محيط آنتصميم گيرندهبازخردذينفعانبانک هارقبادولتمشتريانشرايط آب و هوافروشندگانمحيطمرز سيستمسيستم

اسلاید 44: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 44تمرينروشهای مختلف بازنمايی دانش چيست؟روشهای ارزيابی يک سيستم داده ای؟Ad-hoc Reasoning چيست؟خروجی هر مرحله از Lifecycle را بنويسيد؟

اسلاید 45: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 45نمايشی ديگر از معماری DSS مديريت داده مديريت مدل زير سيستم های مبتنی بر دانش رابط کاربر مدلهای خارجی اينترنت، اينترانتها و اکسترانتها سيستم های مبتنی بر کامپيوتر ديگر کاربر (مدير) پايگاه دانش سازمانیداده: خارجی و داخلی

اسلاید 46: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 46تمرينروشهای مختلف تخمين چيست؟ تمرينات آخر فصل 3صورت تمارين به فارسی تايپ شود؟يکی از آنها به اختيار حل شود؟حداقل 2 تا از تمارين اينترنتی به دلخواه حل شوند؟برای يک بيمارستان ميخواهيم يکDSS بسازيم، خروجيهای پيشنهادی اين DSS را بيان کنيد. برای فعال نمودن Alternative ها، سناريو بنويسيد.

اسلاید 47: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 47ابزارفرايند و اهدافدسته بندی مدلهاجداول تصميم گيری و درختهای تصميم گيریيافتن بهترين راه حل از بين تعداد کمی Alternativeبهينه سازی مسائلی که دارای Alternativeهای محدودی هستندمدل برنامه سازی خطی و ساير مدلهای برنامه سازی رياضی و مدلهای شبکهيافتن بهترين راه حل از بين تعداد زياد و يا نامحدود Alternative با استفاده از فرايند بهبود قدم به قدمبهينه سازی از طريق الگوريتممدل برنامه سازی خطی و ساير مدلهای برنامه سازی رياضی، مدلهای مورد استفاده در تعيين مکان انبارداریيافتن بهترين راه حل در يک قدم با استفاده از يک فرمولبهينه سازی از طريق يک فرمول تحليلیروشهای مختلفsimulation يافتن يک راه حل good enough يا بهترين راه حل از بين alternative های چک شده با استفاده از آزمايششبيه سازی (simulation)برنامه سازی Heuristic و سيستم های خبرهيافتن يک راه حل good enough با استفاده از قواعدHeuristicsمدلهای مالی وwaiting lines حل يک موردwhat-if با استفاده از فرمولمدلهای ديگرمدلهای تخمين و تحليلهای مارکوفتخمين آينده برای يک سناريوی مفروضمدلهای تخمين

اسلاید 48: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 48Validaton وVerification دانش مدل بايد همواره موجب کاهش هزينه و زمان پردازش شود.مدل داده + دانشدانش Rule+Fact : وجود Rule لازم ولی وجود Fact اختياری استدانش نياز به Validation وVerification دارد (V&V)فرضياتدانش موردنظر در اينجا به صورت Rule استکليه قواعد پايگاه دانش، قطعی هستند (CF آنها برابر 1 ميباشد)استراتژی استنتاج از نوع رو به عقب (backward chaining) ميباشد P(k) مجوعه شرايط قاعده k C(k)مجموعه نتايج قاعده k

اسلاید 49: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 49Validaton و Verification دانشدانش بايد لازم و کافی باشد: اگر, {P(R1)}= {P(R2)} {C(R1)} {C(R2)} آنگاه R1 اضافی است و بايد حذف شودR1: If A=x and B=b Then C=zR2: If A=x and B=b Then C=z and D=wلذا طبق اصل 1، R1 اضافی است ( Valid است اماVerify نشد)

اسلاید 50: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 50Validaton وVerification دانشرفع تضاد بين 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=zR2: If A=x and B=b Then C=w

اسلاید 51: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 51Validaton وVerification دانشاگر {P(R1)} {P(R2)} و {C(R1)} = {C(R2)} آنگاه R2 اضافی است و بايد حذف شود:R1: If A=x Then C=zR2: If A=x and B=b Then C=z

اسلاید 52: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 52Validaton وVerification دانشمقادير غيرارجاع: مثلاً فرض کنيد متغير I بتواند يکی از مقادير high وmedium وlow را بگيرد. در اينصورت ما بايد قواعدی داشته باشيم که هر سه مقداری را که I ممکن است بگيرد، پوشش دهند.If I=high Then In=b1If I=low Then In=b2 همانطور که مشاهده ميشود برای مقدار medium قاعده ای در نظر گرفته نشده است. در اين حالت مقدار medium يک مقدار غير ارجاع ميباشد

اسلاید 53: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 53Validaton وVerification دانشمقادير غير قانونی If I=veryhigh Then In=b4 با فرضی که برای متغير I در اسلايد قبلی کرديم، اين متغير مقدار veryhigh را نميتواند بگيرد. لذا استفاده از اين مقدار در قاعده فوق غير قانونی است. در حالت کلی، انتساب مقداری به يک متغير و استفاده از آن در يک يا چند قاعده در حالی که آن مقدار در مجموعه مقادير قابل انتساب به آن متغير نباشد، غير قانونی است.

اسلاید 54: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 54Validaton وVerification دانشمقادير غير قابل دسترسی به عنوان مثال زنجيره قواعد زير را در نظر بگيريد:R1: If A=U Then C=WR2: If C=W Then D=XR3: If D=X Then E=QR4: If E=Q Then goal=yesاگر قاعده R3 نباشد دسترسی به goal غير ممکن ميشود

اسلاید 55: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 55مدلسازیسيستمهای تصميم يار غالباً از مدلهای کمّی استفاده ميکند، در حاليکه سيستمهای خبره از مدلهای مبتنی بردانش و کيفی استفاده ميکنند. مدلايستا: يک برش از فعاليتهای ثابتپويا:ارائه سناريوهای مختلف و متغير در طول زمان يک مدل توسعه يافته ايستا ميباشدمتغيرها در اين مدل، مطمئن، غيرمطمئن و يا همراه با ريسک ميباشند

اسلاید 56: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 56بهينه سازی از طريق برنامه سازی رياضیبرنامه سازی رياضی يکی ابزارهای بهينه سازی استLinear Programming (LP) معروفترين تکنيک در خانواده برنامه سازی رياضی ميباشدLP بطور گسترده در DSS استفاده ميشودخصوصيات مسائل قابل حل توسط LP:منابع اقتصادی محدودی برای تخصيص وجود دارد منابع در توليد محصولات يا خدمات مورد استفاده قرار ميگيرنددو يا بيشتر راه برای استفاده منابع وجود دارد و هر يک از اين راه ها يک راه حل يا برنامه ناميده ميشوندهر فعاليت موجب توليد محصول در راستای هدف ميشودتخصيص معمولاً بوسيله تعداد زيادی محدوديت و نيازمندی محدود ميشود

اسلاید 57: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 57Heuristic Programmingيکی از LP ها که good enough را پشتيبانی ميکند Heuristic Programming استHeuristic Programming شامل Tabu searchGenetic algorithmsو... ميباشدکاربردداده ورودی غيردقيق و محدود باشدواقعيت بحدی پيچيده باشد که از مدلهای بهينه سازی نتوان استفاده نمود يک الگوريتم قابل اعتماد و دقيق موجود نباشدمسائل پيچيده برای بهينه سازی يا شبيه سازی، صرفه اقتصادی ندارند و يا زمان محاسبات زيادی را مي طلبندامکان بهبود کارايي فرايند بهينه سازی وجود داشته باشد (مثلاً از طريق توليد يک راه حل شروع خوب)نياز به اتخاذ تصميم سريع باشد و امکان استفاده ازکامپيوتر نباشد (بعضی Heuristic ها نياز به کامپيوتر ندارند )

اسلاید 58: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 58شبيه سازیمتدولوژی شبيه سازی شامل مراحل:تعريف مسألهتعيين هدف و منظورتعريف محيط و محدوديتهای سيستم ساخت مدل شبيه سازیتعيين متغيرها و روابط بين آنها و جمع آوری دادهاغلب فرايند بوسيله يک فلوچارت، توصيف و سپس يک برنامه کامپيوتری نوشته ميشودتست و اعتبارسنجی مدلطراحی آزمايشاداره کردن آزمايشمسائلی از قبيل توليد اعداد تصادفی و ارائه نتايج آزمايشارزيابی نتايجپياده سازیپياده سازی نتايج شبيه سازی

اسلاید 59: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 59انواع شبيه سازیشبيه سازی احتمالی شامل يک يا چند متغير مستقل احتمالی که از توزيع احتمال معينی تبعيت ميکنندتوزيع احتمال پيوستهتوزيع احتمال گسستهشبيه سازی بصرینمايش گرافيکی نتايج کامپيوتری که ممکن است شامل متحرک سازی نيز باشندشبيه سازی شيء گراUML يک ابزار مدلسازی است که برای سيستمها و کاربردهای شيء گرا طراحی شده است

اسلاید 60: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 60زبانهای مدلسازیزبانهای مدلسازی برای ساخت مدلهای رياضیLingoAMPLGAMS

اسلاید 61: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 61تمرين AHP (Analytical Hierarchical Processing)چيست؟انواع Rule چيست؟نحوه نگهداری Case در Knowledge Base ؟چارچوب تئوريک دارای چه مفهوم و مشخصاتی است؟ارائه يک مسأله و آناليز آن به کمک Influence Diagram و پياده سازی آن برروی Spreadsheet.

اسلاید 62: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 62مراجع[ 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 2002گرايشات آتي تحقيقاتي و کاربردي[ 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, 2001شيوه تصميم گيري با سيستم تصميم يار[ 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, 2002دست يافته ها و مباحث تحقيقاتي

اسلاید 63: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 63مراجع[ 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 تصميم ياري و سيستمهاي تصميم يار 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 سيستم هاي تصميم يار 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 تصميم گيري بشر و سطوح مختلف تصميم گيري[ 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 2001دسته بندي سيستم هاي تصميم يار

اسلاید 64: Amirkabir University of Technology, Computer Engineering Faculty , Intelligent Systems Laboratory, Dr. Ahmad Abdollahzadeh 64مراجع[ 10] Sen A., From DSS to DSP: A Taxonomic Retrospection, Communications of the ACM (CACM) 41/5, pp. 206-216, May 1998تاريخچه و سير تکاملي سيستمهاي تصميم يار[ 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 2002گذشته و حال و آينده سيستمهاي تصميم يار[ 12] Turban E., Aronson J.E., Decision support systems and intelligent systems, Prentice Hall, 2001تعاريف اوليه[ 13] Turban E., McLean E., Wetherbe J., Information technology for management, John Wiley, 2000تاريخچه و چارچوب تصميم ياري