یک عامل فاصلی، رفتارها و اقداماتش را بر طبق رفتارهای کاربر انسانی در حین محاوره به صورت خودکار تغییر میدهد. در میان عاملهای فاصلی، عاملهای فاصلی مبتنی بر زبان طبیعی میتوانند با بهره گرفتن از یک شیوه طبیعیتر در ارتباط میان انسانها و سیستمهای نرمافزاری هوشمند، در محاورات انسان با کامپیوتر موثرتر باشند.
عامل موجود در سیستم شرح داده شده در مرجع [۱۲]، در واقع یک دستیار هوشمند مبتنی بر زبان طبیعی است که کاربر را در رویارویی با پیچیدگی مسئله مورد تصمیم گیری یاری میرساند.
از دیگر سیستمهای تصمیمهمیار هوشمندی که از عاملهای هوشمند استفاده نموده اند، میتوان به سیستمهای مدیریتی و تحقیقاتی پزشکی معرفی شده در مرجع [۱۹] اشاره نمود. در این سیستمها، عاملهایی هوشمند شامل عاملهای فاصل کاربر، عاملهای داده کاوی، عاملهای حل مسئله، عاملی که نتیجه یک بررسی را به یک قالب مناسب جهت ارسال به عامل فاصل کاربر تبدیل مینماید، عامل بهینهسازی پرسوجو، عامل بازیابی دانش (که پرسوجوها را انجام میدهد)، عامل انطباق دانش (که دانش را با رویدادهای جاری وفق میدهد)، عامل بدستآوری دانش (که در مواقع لزوم وب را جهت یافتن دانش جدید جستجو مینماید)، عاملی که به منظور استخراج یک فیلد مشخص از یک جدول مشخص بکار میرود، و … میباشند.
استفاده از روشهای داده کاوی و شبکه های عصبی مصنوعی در ساختار IDSS
آنچه از یک سیستم تصمیمهمیار هوشمند انتظار میرود، ترکیب دانش در یک زمینه خاص و برخی از انواع رفتارهای هوشمند مانند یادگیری و استنتاج به منظور حمایت از روند تصمیم گیری میباشد. نیاز به ترکیب دانش قلمرو و تواناییهای هوشمندانه در سیستمهای تصمیمهمیار هوشمند در اشکال و مدلهای گوناگون توسط محققان بسیاری مطرح شده است [۱۲].
دانش قلمرو را میتوان در دو نوع دانش حقیقی[۴۹] و دانش تخصصی، دستهبندی نمود. دانش حقیقی دربرگیرندهی دانش قلمروی صریح شامل حقایق، داده، زمینه[۵۰]ها و روابط موجود در مسئله تصمیم، و دانش تخصصی دربرگیرندهی دانش قلمروی ضمنی بدست آمده از افراد خبره در زمینه مسئله مورد بررسی میباشد.
در اغلب زمینه های تصمیم گیری، دانش حقیقی، پیچیده و دارای ساختاری ضعیف و ناقص که منجر به مشکل شدن درک کامل مسئله، فرمولهسازی و وارد نمودن آن به یک سیستم محاسباتی میگردد، میباشد [۲۰].
از سوی دیگر، اخذ دانش تخصصی از افراد خبره در زمینه مسئله نیز کار سادهایی نیست. تلاش های اولیه در ساخت سیستمهای خبره مشکلات بدست آوردن دانش قلمرو تخصصی را آشکار نموده است [۲۱-۲۲].
یک شیوه ممکن برای اخذ دانش قلمرو، بدست آوردن مستقیم دانش قلمرو خاص به صورت خودکار از دادهی خام میباشد. پایگاه داده های بزرگ سازمانی میتوانند در برگیرندهی اطلاعات مفیدی باشند که به منظور اخذ تصمیم و شناسایی الگوهای اطلاعاتی که از لحاظ استراتژیکی مهم هستند، قابل استفاده باشند [۱۲]. بازیابی دانش در پایگاههای داده[۵۱]، روند استخراج الگوها و مدلهای مفید از دادهی خام و قابل فهم نمودن الگوهای استخراج شده و آماده سازی آنها به منظور حل مسائل تصمیم گیری میباشد. این روند، یک رویهی چند مرحلهایی است که در آن داده کاوی می تواند به عنوان هستهی اصلی در نظر گرفته شود [۱۵] و شامل روند و مجموعهایی از تکنیکهاست که برای یافتن و کاوش ساختار، اطلاعات و روابط در حجم زیادی از داده بکار برده میشوند.
به طور کلی تکنولوژیهای محاسباتی هوشمند برای ساخت سیستمهای محاسباتی که به منظور حمایت از محدوده وسیعی از مسائل طراحی شده اند، بکار برده شده اند. به عنوان مثال، شبکه های عصبی مصنوعی برای پیادهسازی مکانیزم های یادگیری و استدلال در سیستمهای محاسباتی از جمله سیستمهای تصمیمهمیار مورد بررسی قرار گرفتهاند [۲۰][۲۳]. شبکه های عصبی مصنوعی در یادگیری در محیطهای غیرقطعی یا ناشناخته و در انجام استدلال تقریبی بخوبی عمل مینمایند [۲۴]. بسیاری از تحقیقات صورت گرفته در زمینه بازیابی دانش از پایگاههای داده، به ایجاد و بهینهسازی الگوریتمها یا تجربیاتی برای کاربردهای عملی در این زمینه مربوط میباشد و کارهای نسبتاً کمی در رابطه با شیوه های ترکیبی روشهای بازیابی دانش از پایگاههای داده و محاسبات هوشمند در زمینه حمایت از تصمیم، منتشر شده است. در تحقیقاتی که در مرجع [۲۵] ارائه شده، ترکیب بازیابی دانش و تکنولوژیهای محاسبات هوشمند و به طور خاص، شبکه های عصبی مصنوعی، به منظور ایجاد یک چارچوب برای حمایت از تصمیم، بررسی شده است. این بررسی بر آزمودن اینکه چگونه داده کاوی و شبکه های عصبی میتوانند به منظور کمینه نمودن مشکلات مربوط به اخذ دانش، استدلال و یادگیری در ساخت سیستمهای تصمیمهمیار با یکدیگر همکاری داشته باشند، متمرکز شده است. نتیجه این بررسی، ارائه یک مدل برای سیستم تصمیمهمیار هوشمند است که در آن یک الگوریتم تولید قانون وابستگی[۵۲] برای داده کاوی در ترکیب با یک سیستم مبتنی بر شبکه های عصبی مصنوعی بکار برده شده است. در این ساختار ترکیبی، داده کاوی به منظور استنتاج دانش قلمرو تخصصی از پایگاه داده های سازمانی و کمینهسازی مشکلات اخذ دانش اعمال شده است. قوانین وابستگی بدست آمده، در یک پایگاه دانش مبتنی بر قانون ذخیره میشوند. همچنین در این ساختار یک سیستم مبتنی بر شبکه عصبی به منظور یادگیری و حل مسئله با بهره گرفتن از توانایی شبکه عصبی در عمومیت دادن و رسیدگی به ترکیبات زیادی از داده و مدیریت دادهی نویزی، بکار برده شده است.
به منظور بررسی کارایی چارچوب ارائه شده برای سیستم تصمیمهمیار هوشمند، این مدل در زمینه پیش بینی هوا و شناسایی وضعیتهای سخت و نادر پدیده های هواشناسی در پایانه های فرودگاه، به ویژه برای پدیده مه پیادهسازی شده است.
نتایج بدست آمده حاکی از آن است که مدل پیشنهادی، تکنولوژی مناسبی برای پیادهسازی در سیستمهای تصمیمهمیار هوشمند میباشد.
در چارچوب پیشنهادی برای سیستم تصمیمهمیار هوشمند، ماژولهای داده کاوی و شبکه های عصبی مصنوعی در ساختاری با عنوان “مدل DM-NN” با یکدیگر ترکیب شده اند. در عملکرد این مدل، دو مرحله اصلی وجود دارد. در ابتدا مدلهای توصیفی در رابطه با قلمرو برنامه کاربردی و سپس، مدلهای پیشگویانه از این قلمرو ساخته میشوند. این مراحل در شکل ۳-۴ نشان داده شده است.
شکل۳-۴٫ روند ساخت مدلهای توصیفی و پیشگویی
Data Preprocessing
در مدل DM-NN، دادهی خام از پایگاههای داده، استخراج و پیش پردازش شده و مجموعههایی از موارد به عنوان نتایج این پردازش بدست میآیند. این مجموعهها، مدلهای داده نامیده میشوند. مدلهای داده به عنوان دادهی ورودی برای یک روش توصیفی مشخص (یک الگوریتم داده کاوی) به منظور تولید مدلهای توصیفی مورد استفاده قرار میگیرند. مدلهای توصیفی در پایگاههای دانش ذخیره میشوند. سپس، این مدلهای توصیفی به عنوان دادهی ورودی برای یک روش پیشگویی (یک مدل شبکه عصبی) بکار برده میشوند. نتایج پردازش شبکه عصبی، مدلهای پیشگویی میباشند.
در شکل ۳-۵ مولفههای اصلی مدل DM-NN و شیوه ارتباط این مولفهها با یکدیگر نشان داده شده است.
شکل۳-۵٫ مولفههای اصلی مدل DM-NN و چگونگی ارتباط آنها
همانطور که در شکل فوق مشاهده می شود، از یک مخزن داده[۵۳] در ساختار DM-NN به عنوان منبع اولیه اطلاعات استفاده شده است. پایگاههای مورد، شامل نمونههای انتخاب شده از مواردی است که از قلمرو برنامه کاربردی مشخص بدست آمده است. این موارد، شامل مجموعههای دادهی خام پیش پردازش شدهایی است که به عنوان ورودی مولفهی داده کاوی بکار برده می شود. بدین لحاظ پایگاههای مورد، “مدلهای داده” نامیده می شود. یک مورد شامل یک مجموعه از زوجهای ویژگی/مقدار و یک کلاس که آن مورد متعلق به آن است، میباشد. پایگاه مورد، یک مولفهی اصلی در مدل DM-NN میباشد. توانایی ساخت موارد مناسب می تواند منجر به موفقیت یا شکست یک برنامه کاربردی خاص گردد، به همین دلیل این موضوع مطرح شده که موارد باید از دادهایی که در یک مخزن داده ذخیره شده، ساخته شود، زیرا این امر سازگاری داده را تضمین مینماید.
پایگاههای قانون دانش بر اساس نتایج داده کاوی ساخته میشوند. این پایگاهها دربرگیرندهی دانش کلی ساختیافته متناظر با الگوهای مناسبی است که از پایگاههای مورد بدست آمدهاند. دانشی که از بررسیهای داده کاوی بدست آمده، “مدلهای دانش” نامیده شده و در پایگاههای قانون دانش ذخیره می شود. در مدل DM-NN پایگاههای دانش توسط شبکه های عصبی به منظور یادگیری مورد دستیابی قرار میگیرند و بدین لحاظ مجموعههای دادهی آموزشی نامیده میشوند.
همانطور که در شکل ۳-۶ نشان داده شده، روند اخذ دانش در مدل پیشنهادی با پیادهسازی الگوریتم استقرایی برای تولید قوانین وابستگی [۲۶] صورت میگیرد.
شکل۳-۶٫ رویهی اخذ دانش با بهره گرفتن از داده کاوی
در تحقیقاتی که در مرجع [۲۵] ارائه شده، به منظور پیادهسازی تواناییهایی از قبیل وارد نمودن دانش قلمرو خاص، یادگیری و استدلال، توجیه پیشنهادات و دلیلآوری در چارچوب پیشنهادی، از یک مولفهی سیستم مشورتی هوشمند استفاده شده است. شکل ۳-۷ ساختار این مولفه را نشان میدهد.
شکل۳-۷٫ ساختار داخلی مولفهی سیستم مشورتی هوشمند
این مولفه، از مدل شبکه عصبی CNM [۲۷] استفاده می کند. مدل عصبی ترکیبی[۵۴]، یک شبکه روبهجلوی[۵۵] چندلایهایی است که با الهام از متدلوژی اخذ دانش در گرافهای دانش [۲۸] بدست آمده است. این متدلوژی به منظور برآوردن اهداف بازنمایی و ترکیب دانش اخذ شده از چندین فرد خبره، ایجاد شده است. CNM معمولاً با سه دسته لایه پیادهسازی میگردد: یک لایهی ورودی، لایه های مخفی و یک لایهی خروجی. لایهی خروجی شامل نرونهایی است که نشاندهنده کلاسهای مختلف موجود در یک مسئله مشخص میباشند. لایهی ورودی شامل نرونهایی است که نشاندهنده دانش قلمرویی است که از کلاسهای خروجی حمایت می کند و لایه های مخفی ترکیبات گوناگون نرونهای ورودی که منجر به یک کلاس مشخص میگردد را تعیین میسازند. نرونهای ورودی با مقادیر فازی در بازهی ]۱,۰[ تشکیل میشوند. این مقادیر نشاندهنده درجه اطمینان اطلاعاتی است که در هر نرون ورودی ارائه شده است. در CNM دو نوع اتصال بین نرونها پیادهسازی شده است: تحریکی[۵۶] و بازداشتی[۵۷]. اتصالهای تحریکی یک سیگنال ورودی را با بهره گرفتن از وزن x خود به عنوان یک فاکتور تضعیفی، منتشر می کنند و اتصالهای بازداشتی با پیادهسازی یک منفیسازی فازی بر روی سیگنال ورودی، آن را به x-1 تبدیل مینمایند. سپس سیگنالها با ضرب مقادیرشان در وزنهای اتصالات، منتشر میگردند. نرونهای ترکیبی مقادیر ورودی را برطبق یک عملگر فازی AND منتشر میسازند.
پس به طورکلی، CNM یک شیوه یادگیری با ناظر مبتنی بر الگوریتم تصحیح خطا را پیادهسازی مینماید که در آن انباشتگرهای جریمه و پاداش برای هر اتصال موجود در شبکه، به صورت زیر محاسبه میگردد: هنگامی که هر نمونه طی فاز آموزش (یادگیری) ارائه و منتشر می شود، انباشتگرهای پاداش تمامی اتصالاتی که منجر به یک کلاسهبندی صحیح میشوند، افزایش مییابد. در مقابل هر کلاسهبندی غلط، سبب افزایش انباشتگرهای جریمه میگردد. در پایان فاز یادگیری، اتصالاتی که مقادیر جریمهی آنها از مقادیر پاداش آنها بیشتر است، هرس میشوند. از آنجا که اوزان اتصالات از نرمالسازی این انباشتگرها حاصل می شود، وزنهای اتصالات باقیمانده با بهره گرفتن از این انباشتگرها، بروزرسانی می شود. پس از آنکه CNM آموزش داده شد، استراتژی زیر برای اخذ یک تصمیم در رابطه با یک مورد مشخص بکار برده می شود:
CNM، مورد داده شده را ارزیابی و برای هر فرضیه یک مقدار اطمینان را محاسبه می کند. مکانیزم استنتاج، فرضیه برنده را که فرضیه با بیشترین مقدار اطمینان است، یافته و نتایج متناظر با آن را برمیگرداند. چرخهی حمایت از تصمیم با بهره گرفتن از مدل DM-NN، در شکل ۳-۸ نشان داده شده است.
شکل۳-۸٫ چرخهی حمایت از تصمیم در مدل DM-NN
استفاده از یک روش تصمیم گیری مبتنی بر منطق فازی در ساختار IDSS
ساختار دیگری که برای IDSS در نظر گرفته شده [۱۲]، در شکل ۳-۹ نشان داده شده است.
شکل۳-۹٫ یک ساختار برای سیستم تصمیمهمیار هوشمند
در این ساختار، برای تصمیم گیری از چارچوبی که Simon بدین منظور ارائه داده استفاده شده که در آن روند تصمیم گیری از چهار مرحله (هوشمندی، طراحی، انتخاب و اجرا) تشکیل یافته است. به ویژه این ساختار به منظور کمک به تصمیمگیرنده در مراحل طراحی و انتخاب مطرح شده است. در مرحله طراحی، یک سیستم به منظور فراهم نمودن امکان فرمولهسازی مسئله موررد بررسی از طریق انتخاب اهداف، منابع، محدودیتها و تهیه دادهی مشخص قلمرو، با بهره گرفتن از این ساختار، طراحی میگردد. همچنین این سیستم با پیش بینی و اندازه گیری خروجیها، به تصمیمگیرنده اجازه میدهد تا نتایج سناریوهای تصمیم مختلف را درک و تحلیل نماید. در مرحله انتخاب، سیستم به منظور تولید راهحل (سناریو) های گوناگون، طراحی و امکان مقایسه و تباین این سناریوها را با بهره گرفتن از تحلیل میزان حساسیت (تحلیل چه-اگر[۵۸]) برای کاربر فراهم میسازد. علاوه بر حمایت از مراحل طراحی و انتخاب در روند تصمیم گیری، در این ساختار، بسیاری از نیازمندیهای طراحی در سطح سیستم شامل قابلیت انعطاف، کاربرپسند بودن، قابل مدیریت از لحاظ مالی، شناسایی شده است.
ساختاری که در شکل ۳-۹ نشان داده شده، از سه مولفهی یک فاصل کاربر، یک پایگاه داده و یک مولفهی مدلسازی تشکیل شده است. مولفهی فاصل کاربر، امکان دستیابی و تغییر مولفههای مدلسازی و پایگاه داده و نیز تحلیل سناریوهای گوناگون تصمیم (مدیریت سناریو) را برای تصمیمگیرنده فراهم میسازد. مولفهی پایگاه داده، از یک سیستم مدیریت پایگاه داده و یک پایگاه داده به همراه تمامی داده های مربوطه تشکیل شده است. با بهره گرفتن از فاصل کاربر، سیستم مدیریت پایگاه داده امکان ایجاد، بازیابی، بروزرسانی و حذف دادهی مربوط به سناریوهای مختلف تصمیم را برای تصمیمگیرنده فراهم میسازد. این داده شامل دادهی مشخص قلمرو که مور نیاز مولفهی مدلسازی است و نیز دادهی نتیجه که از اجرای مدلها بدست آمده، میباشد. طراحی پایگاه داده به منظور حذف امکان وقوع ناهنجاریهای دادهایی و نیز تسهیل نگهداری آتی و بروزرسانی پایگاه داده، نرمالسازی شده است. مولفهی مدلسازی به شیوهایی ماژولار و با بهره گرفتن از یک فرمولبندی با هستهی اخذ تصمیم چند معیاری[۵۹] [۲۹] طراحی شده است.
به طورکلی، اخذ تصمیم چند معیاری، مجموعهایی از تکنیکهایی است که برای اخذ تصمیم در حضور چندین معیار که معمولاً با یکدیگر ناسازگار هستند، مناسباند. در ساختاری که برای مولفهی مدلسازی پیشنهاد شده، این مولفه امکان انتخاب معیار، منابع، متغیر تصمیم و محدودیتهای مرتبط با مسئله را بصورت همزمان برای تصمیمگیرنده فراهم میسازد. همچنین این مولفه به کاربر اجازه میدهد تا یک فرمولبندی مشخص برای مدل را انتخاب و دادهی مورد نیاز برای فرمولبندی منتخب را تعیین نماید. در تحقیق صورت گرفته در مرجع [۱۲]، با توسعه چارچوب El-Gayar و Leung [29] و وارد نمودن اطلاعات غیردقیق و غیرقطعی، یک چارچوب مدلسازی اخذ تصمیم چند معیاری با بهره گرفتن از منطق فازی ارائه شده است.
در واقع، در مسائل اخذ تصمیم چند معیاری، یک تصمیمگیرنده در جستجوی بهینهسازی چندین معیار تصمیم و در عین حال، به صورت همزمان، برآوردن تعدادی محدودیت میباشد. به طورکلی و بدون از دست دادن عمومیت، میتوان یک مسئله اخذ تصمیم چند معیاری را به صورت زیر توصیف نمود:
(۳-۱)
که در آن یک بردار از ویژگیهای تصمیم میباشد و تعداد ویژگیهاست. یک بردار از محدودیتها میباشد و تعداد محدودیتهاست. یک بردار از محدودیتهای منبع/ظرفیت و یک بردار از متغیرهای تصمیم میباشد و تعداد متغیرهای تصمیم است. یک مدل اخذ تصمیم چند معیاری خطی، مدلی است که در آن و خطیاند. مدلهایی با این ویژگی، عموماً مدلهای برنامهنویسی خطی چند هدفی[۶۰] نامیده شده و به صورت زیر بیان میشوند:
(۳-۲)
که در آن یک ماتریس از ضرایب تابع هدف و یک ماتریس از ضرایب تکنیکی میباشد.
تکنیکهای بسیاری برای رسیدگی به مسائل اخذ تصمیم چند معیاری وجود دارد [۱۲]. این تکنیکها، هر یک برای رسیدگی به موقعیتهای تصمیم متفاوتی مناسب هستند. در مواردی که اطلاعات موجود، عدم قطعیتهایی را نیز دربردارد و یا در مواردی که اطلاعات برای تعیین توزیعهای احتمال مورد نیاز برنامهنویسی اتفاقی، کافی نیست، منطق فازی با شرح ماتریسهای ، و به عنوان اعداد فازی، امکان مدلسازی صریح این عدم قطعیت را فراهم میسازد. مدل منتجه یک مدل فازی اخذ تصمیم چند معیاری[۶۱] نامیده شد و به صورت زیر بیان میگردد:
(۳-۳)
که در آن یک بردار از سطوح مطلوب برای هر یک از ویژگیهای تصمیم میباشد و و هر یک متناظر با نسخههای فازی شده و و دارای تفسیرهای زبانشناختی “تقریباً بزرگتر و یا برابر با” و “تقریباً کوچکتر و یا برابر با” میباشند.
به طورکلی، با تعریف توابع عضویت و به ترتیب بر روی هدف و محدودیت، یک تصمیم فازی (مجموعه فازی ) را میتوان به صورت برخوردگاه اهداف و محدودیتها تعریف نمود. این تلاقی می تواند به صورت اشتراک تمامی مجموعههای فازی نمایش داده شود.
(۳-۴)
تصمیم بهینه غیرفازی ولی زیرمجموعهایی از و متناظر با راهحلی در است که را بیشنه میسازد:
(۳-۵)
در اغلب مواقع برای نامساویهای “” و “”، به ترتیب توابع عضویت خطی غیرصعودی و غیرنزولی بکار برده می شود. مزیت اصلی بکاربردن توابع عضویت خطی این است که امکان استفاده از تکنیکهای برنامهنویسی ریاضی قدیمی را برای راهحل مدل FMOLP فراهم میسازد. تابع عضویت فازی متناظر با “” که در مدل پیشنهادی بکار برده شده، در شکل ۳-۱۰ نشان داده شده است و میتوان آن را به صورت زیر بیان نمود:
(۳-۶)
که در رابطه فوق و به ترتیب سطح مطلوب (هدف) و سطح غیر ایدهآل (بدترین مقدار) برای i امین ویژگی تصمیم و برابر با و منعکس کننده خطای تصمیمگیرنده میباشد.
شکل۳-۱۰٫ تابع عضویت غیرنزولی فازی متناظر با “”
باید توجه داشت که هر دو مقدار ایدهآل و غیرایدهآل میتوانند با بهره گرفتن از ماتریس نتیجه تعیین گردد. این ماتریس از حل مسئله برنامهنویسی خطی قطعی با یک هدف، بدست می آید. تابع عضویت فازی متناظر با “” که در مدل پیشنهادی بکار برده شده، در شکل ۳-۱۱ نشان داده شده است و میتوان آن را به صورت زیر بیان نمود: