- •Министерство образования, науки и молодежи республики крым
- •Факультет экономики и менеджмента Кафедра экономической кибернетики выпускная магистерская работа
- •Национальная академия природоохранного и курортного строительства
- •Министерство образования, науки и молодежи республики крым
- •Реферат
- •1.Научные основы принятия решений с целью повышения прибыли производства упаковочной продукции. 11
- •1.Научные основы принятия решений с целью повышения прибыли производства упаковочной продукции.
- •Цели и задачи принятия экономических решений в производстве упаковочной продукции.
- •1.2 Состояние упаковочной продукции на рынке
- •1.3 Проблемы принятия решений в производстве упаковочной продукции
- •1.4. Роль информационных технологий в управлении производственно-торговым предприятием
- •1.5 Модели и методы принятия решений.
- •Вывод по разделу 1
- •2.Экономико-математическое моделирование деятельности производственно-торгового предприятия с целью повышения прибыли на базе внедрения средств ИкЗ на примере ооо «Хелена».
- •2.1.Технологии принятия решений
- •2.1.1. Принятие решений в условиях риска
- •2.1.2.Принятие решений в условиях определенности
- •2.1.3.Принятие решений в условиях неопределенности
- •2.1.4.Нахождение решений в условиях определенности при множественности целей
- •2.1.5.Метод Парето решения многокритериальных задач выбора альтернативы
- •2.2. Принятие предпринимательского решения для повышения прибыли производственно-торгового предприятия.
- •2.2.1. Сфера принятия управленческих решений
- •2.2.2 Технология принятия предпринимательских решений
- •2.2.3. Экономические методы принятия предпринимательских решений
- •2.3.Модель и метод икз для вывода знание-ориентированных решений в производственном бизнесе. Идея и концепция квантового подхода к искусственному интеллекту (ии)
- •Сущность δРакз-метода принятия решений в икз
- •Постановка и решение Аδ-задачи икз
- •3.2.3. Определение ключевых понятий инженерии квантов знаний (икз)
- •Постановка и решение базовых Вδ-задачи и Сδ -задачи
- •Методика вычисления пд р(*) выводимого решения-следствия в условиях V-неопределенности
- •Вывод по разделу 2
- •3.Реализация интеллектуальной информационной технологии поддержки принятия решений для прибыльной деятельности предприятия на основе использования средств инженерии квантов знаний
- •3.1.Концепция знаниеориентированного принятия управленческих решений в производственной деятельности для повышения прибыли средствами инженерии квантов знаний (икз)
- •Сущность δ-ракз-метода принятия решений в икз
- •3.2. Разработка интеллектуальной информационной технологии для поддержки решений с целью повышения прибыли предприятия
- •1. Рентабельность.
- •2. Организация товародвижения.
- •3. Оборачиваемость средств.
- •4. Производительность труда.
- •5. Фондоотдача.
- •6. Материалоотдача.
- •7. Фондовооруженность.
- •3.3. Практическая реализация прототипа иит "Kvant-b" для повышения прибыли фирмы
- •Вывод по разделу 3
- •Заключение
- •Список использованной литературы
- •ПриложениеA.
- •ПриложениеB.
- •ПриложениеC.
- •ПриложениеD.
- •ПриложениеE.
3.2.3. Определение ключевых понятий инженерии квантов знаний (икз)
δСПОЗ – сценарные примеры обучающих знаний:
информация от экспертов предметной области, описания объективных фрагментов сценария принятия решений в виде высказываний продукционного типа с учетом условий δ-неопределенности:
«ЕСЛИ(логическая комбинация посылок ) ТО(следствие)»
δТЭД – таблица эмпирических данных в условиях δ-неопределенности.
В первоначальном виде содержит m строк (наблюдений) и n столбцов (признаков ОПР); последний столбец стандартно отвечает целевому признаку ОПР.
ЛСВР – логическая сеть возможных рассуждений:
Определение 3.3. Обучаемой логической сетью возможных рассуждений (ЛСВР) называется ориентированный граф , синтезируемый по заданнымδСПОЗ либо δТЭД посредством алгоритма δАЛОБУЧ и обладающий порядковой функцией , определенной на подмножествах-уровняхвершин, и следующимисвойствами:
все вершины (узлы сети) отвечают высказываниям изδСПОЗ конкретной предметной области, а дуги из указывают на причинно–следственные связи между узлами с логическими связками «И», «ИЛИ», «НЕ»;
все узлы присоответствуютвходной посылочной информации относительно некоторых следствийс заданнымиПД и;
все узлы приявляютсяцелевыми (выходными) узлами- заключениями с вычисляемымиПД , а все вершины промежуточных уровней междуи
отвечают промежуточным следствиям .
δ-КСВР – δ-квантовая сеть вывода решений
Определение 3.4. Целенаправленной δ-квантовой сетью вывода решений (δ-КСВР) называется результат преобразования графа посредством алгоритмаδАЛАКВА в граф , обладающий следующими свойствами:
все вершины отвечают сгенерированным разноуровневымδ-квантам, содержащим δСПОЗ конкретной предметной области, а дуги указывают на логические связиδ -квантовых событий;
все соответствуютвходным δk-знаниям-посылкам с именами относительноδk-знаний-следствий с именами с заданными показателями достоверности;
все являютсяцелевыми δk-знаниями-заключениями с именами и вычисляемымиПД , а все промежуточные вершины графаотвечаютпромежуточным δk-знаниям-следствиям.
квантовый граф является одновременно базой δk-знаний в виде импликативных или (и) функциональных закономерностей данной предметной области и сетевым механизмом вывода искомых решений CS по наблюдаемым ситуациям относительно ОПР.
Постановка и решение базовых Вδ-задачи и Сδ -задачи
При постановке базовых Вδ-, Сδ -задач ИКЗ используется в основном идентичная информация, то есть известны:
а) сформированные выборочные δТЭД(Вδ), δТЭД(Сδ), δСПОЗ(Вδ) и δСПОЗ(Сδ), а также число и содержание посылок и заключений как искомых решений в Вδ-задаче (распознавание ОПР или ситуаций) и Сδ –задаче (экстраполяция ОПР или ситуаций), сформулированных в терминах ИКЗ для данной предметной области;
б) допустимая оценка достоверности о существованиифункциональных и (или) импликативных закономерностей ранга r в обучающих δТЭД, δСПОЗ объема mN как меры адекватности искомой базы δk-знаний (БδkЗ) для данной Вδ-, Сδ -задачи (r=2, 3,…n – число связанных закономерностью признаков ОПР, m – количество наблюдений, N – расширенное число признаков; – число значенийj-го признака ОПР; n – количество признаков).
в) допустимое значение Rдоп эмпирического риска ошибочных решений как показателя эффективности принимаемых решений;
г) критерий оптимизации δ-КСВР по структурной избыточности (по следствию и по свертке) или идентификации и экстраполяции ОПР;
д) при формировании δТЭД(Сδ), δСПОЗ(Вδ) требуемые периоды прогнозирования .
Требуется:
В Вδ –задаче обеспечить дедуктивный вывод идентификационного решения относительно ОПРпосредствомDED-оператора из БδkЗ(Вδ), которую необходимо предварительно индуктивно вывести с помощью IND-оператора в режиме обучения по выборочным δТЭД(Вδ), δСПОЗ(Вδ);
В Сδ –задаче обеспечить дедуктивный вывод прогнозного решения относительно ОПР посредствомDED-оператора из прогнозной БδkЗ(Вδ), которую необходимо предварительно индуктивно вывести с помощью IND-оператора в режиме обучения по выборочным δТЭД(Сδ), δСПОЗ(Сδ).
Заметим, что опираясь на производственный опыт и знания специалистов (экспертов) при формировании обучающих δk-знаний для конкретной предметной области, можно гарантированно обеспечить требуемую устойчивость искомых импликативных и функциональных закономерностей в БδkЗ на определенный временной период (i=1, 2, …) c учетом будущего. Тем самым после обучения может быть построена идентификационная БδkЗ(Вδ), обладающая свойствами прогнозной БδkЗ(Сδ) на период . Тогда разработанныеδРАКЗ-модели, IND-и DED-операторы выода на δk-знаниях и реализующие алгоритмы δ АЛОБУЧ, δАЛАКВА, δАЛОПТ, АЛ(Вδ), АЛ(Сδ) и АЛУПР позволяют по-новому трактовать задачу экстраполяции (прогнозирования) ситуаций с неявным использованием временных зависимостей от t. При этом Сδ-задача прогнозирования рассматривается как частный случай Вδ –задачи идентификации ОПР и сводится к определению (экстраполяции) значений ненаблюдаемых k признаков ОПР () по наблюдаемым (известным) значениям (n-k) признаков того же ОПР. Это правомерно потому, что дедуктивный вывод прогнозируемых значений признаков на период гарантируется требуемой устойчивостью закономерностей в синтезированной базе знаний БδkЗ(Вδ) на данный период.
Таким образом, в отличие от традиционного прогнозирования с затруднительным поиском явных зависимостей от времени t предлагается более продуктивное знаниеориентированное прогнозирование с неявным использованием t, опираясь на устойчивую базу квантов знаний.
Для решения поставленных Вδ-, Сδ -задач δРАКЗ-методом разработаны соответствующие δPAKЗ-модели вивода решений в ИКЗ:
Для Bδ-задачи:
модель индуктивного вывода идентификационной БδkЗ(Bv) из СПОЗ(Bδ) IND-оператором с алгоритмами δАЛОБУЧ, δvАЛАКВА, δАЛУПР:
|
(3.26) |
2) модель дедуктивного вывода идентификационного решения изБδkЗ(Bv) DED-оператором с алгоритмами АЛ(Bδ) и δАЛУПР по наблюдаемым δk-знаниям δk1YВ:
)= |
(3.27) |
Для Cδ-задачи:
1) модель индуктивного вывод прогнозной БδkЗ(Сδ) из СПОЗ(Cδ) IND-оператором с алгоритмами δАЛОБУЧ, δАЛУПР и заданными периодами прогноза :
|
(3.28) |
2) модель дедуктивного вывода прогнозной решения изБvkЗ(Сδ) DED-оператором с алгоритмами АЛ(Сδ) и δАЛУПР по наблюдаемым δk-знаниям δk1YС:
=
|
(3.29) |
Формулы (3.26) – (3.29) представлены в операторном виде моделей вывода на δk-знаниях с помощью предложенных специальных алгоритмов