معرفی چند سیستم تصمیم همیار هوشمند با ساختارهای متفاوت

3-3-1- استفاده از الگوریتم های تکاملی در ساختار IDSS
از جمله سیستم های تصمیم همیار هوشمندی که در ساختار خود از الگوریتم های تکاملی استفاده نموده، سیستمی است که به منظور حل یک مسئله با توزیع داده ی واقعی برای یک شرکت بزرگ سازنده ی ماشین، طراحی و پیاده سازی شده است [17]. این سیستم، جریان های داده را در یک محیط پویا، شناسایی، و با استفاده از ماژول های بهینه سازی یک تصمیم نزدیک به بهینه را ارائه می دهد. همچنین این سیستم شامل ماژول های خودآموز به منظور بهبود پیشنهادات آتی نیز می باشد. این سیستم که ساختار آن در شکل 3-3 نشان داده شده، برای شرکت های مختلف امکان نظارت بر جریان های تجاری، نمو و انطباق سریع به هنگام تغییر موقعیت ها و اخذ تصمیمات هوشمند براساس اطلاعات ناکامل و غیرقطعی را فراهم می سازد.
در ابتدا داده های اولیه مورد نیاز سیستم وارد می شود و پس از بارگذاری و پردازش فایل های ورودی، روند بهینه سازی به صورت خودکار آغاز و پس از اتمام این روند یک راه حل پیشنهادی توسط سیستم ارائه می گردد. این راه حل، پس از اینکه نتایج آن توسط یک مأمور بررسی و احتمالاً تنظیمات کوچکی بر روی آن انجام داده شد، توسط سیستم پیاده سازی می گردد.
در سیستم پیاده سازی شده، تنها در کمتر از یک درصد موارد، پیشنهاد مطرح شده به صورت دستی تغییر می یابد و این تغییرات عموماً متناظر است با اقدامات دقیقه ی آخر مبتنی بر اطلاعات جدید. پس از آنکه روند بررسی به پایان رسید، فایل های خروجی آماده می باشد.

وظیفه ی ماژول بهینه سازی، ارائه ی بهترین راه حل از میان تمامی راه حل های ممکن با توجه به شرایط فعلی مسئله می باشد و از آنجا که این پیشنهاد مبتنی بر یک پیش بینی است، بین ماژول-های پیشگویی و بهینه سازی یک ارتباط قوی وجود دارد. بدین صورت که، واحد بهینه سازی یک راه حل ممکن را تولید می کند که ورودی ماژول پیشگویی می باشد، سپس واحد بهینه سازی از خروجی های بدست آمده از ماژول پیشگویی برای ارزیابی راه حل ورودی استفاده می نماید. پیاده-سازی ماژول بهینه سازی می تواند با استفاده از الگوریتم های پردازش تکاملی صورت گیرد. اگرچه سیستم های نرم افزاری هوشمند به یک ماژول پیشگویی و یک بهینه ساز نیاز دارند ولی این واحدها بتنهایی برای محیط های امروزی که به سرعت تغییر می یابند، کافی نیستند. ماژول پیشگویی باید دارای قابلیت انطباق و یادگیری از تغییرات محیطی را داشته باشد، زیرا یک پیش-بینی درست با توجه به شرایط فعلی ممکن است برای شرایط آینده صحیح نباشد. این سازگاری، با اندکی تغییر و اصلاح رابطه ی آموخته شده میان ورودی و خروجی (به مقدار نیاز) صورت می-گیرد. این تغییرات ممکن است هر ثانیه، دقیقه، ساعت، روز، هفته و یا ماه، برحسب اینکه شرایط محیط با چه سرعتی تغییر می یابد، مورد نیاز باشد. برخی از روش های پیش بینی کلاسیک، برای حل این نوع از مسائل بر استفاه از داده های اخیر تأکید دارند. یک شیوه ی ایده آل می تواند فرکانس بروزرسانی خود را با اندازه گیری پیوسته ی خطاهای پیش بینی خود و تنظیم پارامترهای خود بر طبق آن، تعیین نماید. بنابراین، سیستم انطباق، سرعت تطبیق خود را نیز وفق می دهد. ماژول انطباق، ورودی ها و خروجی های اخیر را دریافت و از این داده ها برای ساخت و آموزش ماژول پیشگویی استفاده می نماید. این ساختار علاوه بر ماژول های پیشگویی، بهینه سازی و انطباق که اساس و بنیاد راه حل سازگار پیشنهادی را تشکیل می دهند، شامل یک فاصل کاربر گرافیکی به منظور برآورده ساختن نیازهای اولیه ی کاربر، یک پایگاه داده به منظور ذخیره ی اطلاعات و یک ماژول گزارش به منظور دستیابی ساده و آسان به اطلاعات، نیز می باشد.
این ساختار می تواند از تصمیمات هوشمند در بسیاری از زمینه ها از شناسایی تقلب تا مسیریابی تا مدیریت سهام بکار رود. در اغلب موارد، مشخصه ها و ویژگی های یک مسئله، قابل تفکیک به پیش بینی، بهینه سازی و انطباق است و از آنجا که طراحی و ساخت دو ماژول اول می تواند مستقلاً صورت گیرد و سپس با مسئله ی مورد بررسی وفق یابد، این سیستم در بسیاری از زمینه ها به صورت گسترده ایی قابل کاربرد می باشد.

3-3-2- استفاده از عامل هوشمند در ساختار IDSS
شیوه های اولیه ی گنجاندن هوش مصنوعی در سیستم های تصمیم همیار، بر فراهم نمودن یک دستیار ماهر جهت فرمول بندی استراتژی و نیز استفاده از یک مولفه ی سیستمی خبره به منظور یاری رساندن به کاربر در حین مرحله ی شناسایی مسئله از روند تصمیم گیری تمرکز داشتند [18]. عامل های هوشمند، سیستم هایی نرم افزاری هستند که در محیط های پویا، پیچیده و مجازی ساکن شده و شرایط این محیط ها را به صورت خودکار، درک و بر اساس آن عمل می نمایند. هدف این عامل ها، تحقق بخشیدن به مجموعه ایی از اهداف و یا وظایفی است که به منظور انجام آنها طراحی شده اند. همچنین این عامل ها به عنوان مکانیزمی جهت کمک به کاربران کامپیوتر در مواجهه با حجم زیاد کار و اطلاعات نیز در نظر گرفته می شوند. تکنولوژی عامل می تواند از طریق پالایش و بازیابی اطلاعات به منظور یاری رساندن به انواع کاربران نهایی مورد استفاده قرار گیرد. عامل ها قادرند با درک نیازهای کاربران و وفق دادن فاصل سیستم نرم افزاری، محاوره و فعل و انفعال انسان با کامپیوتر در انجام یک وظیفه را موثرتر نماید.
از جمله سیستم های تصمیم همیار هوشمندی که در ساختار خود از یک عامل هوشمند استفاده نموده، یک سیستم نرم افزاری مبتنی بر زبان با محوریت کاربر با نام MicroDEMON است که به منظور یاری رساندن به تصمیم گیرندگان حوزه های مختلف تجاری طراحی شده است [12]. عامل هوشمند موجود در این سیستم، در واقع یک سیستم تولید و مدیریت محاوره است که در قالب یک فاصل شهودی و ساده در استفاده پیاده سازی شده است.
یک عامل فاصلی، رفتارها و اقداماتش را بر طبق رفتارهای کاربر انسانی در حین محاوره به صورت خودکار تغییر می دهد. در میان عامل های فاصلی، عامل های فاصلی مبتنی بر زبان طبیعی می-توانند با استفاده از یک شیوه ی طبیعی تر در ارتباط میان انسان ها و سیستم های نرم افزاری هوشمند، در محاورات انسان با کامپیوتر موثرتر باشند.
عامل موجود در سیستم شرح داده شده در مرجع [12]، در واقع یک دستیار هوشمند مبتنی بر زبان طبیعی است که کاربر را در رویارویی با پیچیدگی مسئله ی مورد تصمیم گیری یاری می-رساند.
از دیگر سیستم های تصمیم همیار هوشمندی که از عامل های هوشمند استفاده نموده اند، می توان به سیستم های مدیریتی و تحقیقاتی پزشکی معرفی شده در مرجع [19] اشاره نمود. در این سیستم ها، عامل هایی هوشمند شامل عامل های فاصل کاربر، عامل های داده کاوی، عامل های حل مسئله، عاملی که نتیجه ی یک بررسی را به یک قالب مناسب جهت ارسال به عامل فاصل کاربر تبدیل می نماید، عامل بهینه سازی پرس وجو، عامل بازیابی دانش (که پرس وجوها را انجام می دهد)، عامل انطباق دانش (که دانش را با رویدادهای جاری وفق می دهد)، عامل بدست آوری دانش (که در مواقع لزوم وب را جهت یافتن دانش جدید جستجو می نماید)، عاملی که به منظور استخراج یک فیلد مشخص از یک جدول مشخص بکار می رود، و … می باشند

3-3-3- استفاده از روش های داده کاوی و شبکه های عصبی مصنوعی در ساختار IDSS
آنچه از یک سیستم تصمیم همیار هوشمند انتظار می رود، ترکیب دانش در یک زمینه ی خاص و برخی از انواع رفتارهای هوشمند مانند یادگیری و استنتاج به منظور حمایت از روند تصمیم گیری می باشد. نیاز به ترکیب دانش قلمرو و توانایی های هوشمندانه در سیستم های تصمیم همیار هوشمند در اشکال و مدل های گوناگون توسط محققان بسیاری مطرح شده است [12].
دانش قلمرو را می توان در دو نوع دانش حقیقی و دانش تخصصی، دسته بندی نمود. دانش حقیقی دربرگیرنده ی دانش قلمروی صریح شامل حقایق، داده، زمینه ها و روابط موجود در مسئله ی تصمیم، و دانش تخصصی دربرگیرنده ی دانش قلمروی ضمنی بدست آمده از افراد خبره در زمینه ی مسئله ی مورد بررسی می باشد.
در اغلب زمینه های تصمیم گیری، دانش حقیقی، پیچیده و دارای ساختاری ضعیف و ناقص که منجر به مشکل شدن درک کامل مسئله، فرموله سازی و وارد نمودن آن به یک سیستم محاسباتی می گردد، می باشد [20].
از سوی دیگر، اخذ دانش تخصصی از افراد خبره در زمینه ی مسئله نیز کار ساده ایی نیست. تلاش های اولیه در ساخت سیستم های خبره مشکلات بدست آوردن دانش قلمرو تخصصی را آشکار نموده است [21-22].
یک شیوه ی ممکن برای اخذ دانش قلمرو، بدست آوردن مستقیم دانش قلمرو خاص به صورت خودکار از داده ی خام می باشد. پایگاه داده های بزرگ سازمانی می توانند در برگیرنده ی اطلاعات مفیدی باشند که به منظور اخذ تصمیم و شناسایی الگوهای اطلاعاتی که از لحاظ استراتژیکی مهم هستند، قابل استفاده باشند [12]. بازیابی دانش در پایگاه های داده ، روند استخراج الگوها و مدل های مفید از داده ی خام و قابل فهم نمودن الگوهای استخراج شده و آماده سازی آنها به منظور حل مسائل تصمیم گیری می باشد. این روند، یک رویه ی چند مرحله ایی است که در آن داده کاوی می تواند به عنوان هسته ی اصلی در نظر گرفته شود [15] و شامل روند و مجموعه ایی از تکنیک هاست که برای یافتن و کاوش ساختار، اطلاعات و روابط در حجم زیادی از داده بکار برده می شوند.
به طور کلی تکنولوژی های محاسباتی هوشمند برای ساخت سیستم های محاسباتی که به منظور حمایت از محدوده ی وسیعی از مسائل طراحی شده اند، بکار برده شده اند. به عنوان مثال، شبکه-های عصبی مصنوعی برای پیاده سازی مکانیزم های یادگیری و استدلال در سیستم های محاسباتی از جمله سیستم های تصمیم همیار مورد بررسی قرار گرفته اند [20][23]. شبکه های عصبی مصنوعی در یادگیری در محیط های غیرقطعی یا ناشناخته و در انجام استدلال تقریبی بخوبی عمل می نمایند [24]. بسیاری از تحقیقات صورت گرفته در زمینه ی بازیابی دانش از پایگاه های داده، به ایجاد و بهینه سازی الگوریتم ها یا تجربیاتی برای کاربردهای عملی در این زمینه مربوط می باشد و کارهای نسبتاً کمی در رابطه با شیوه های ترکیبی روش های بازیابی دانش از پایگاه های داده و محاسبات هوشمند در زمینه ی حمایت از تصمیم، منتشر شده است. در تحقیقاتی که در مرجع [25] ارائه شده، ترکیب بازیابی دانش و تکنولوژی های 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 می توانند به منظور کمینه نمودن مشکلات مربوط به اخذ دانش، استدلال و یادگیری در ساخت سیستم های تصمیم-همیار با یکدیگر همکاری داشته باشند، متمرکز شده است. نتیجه ی این بررسی، ارائه ی یک مدل برای سیستم تصمیم همیار هوشمند است که در آن یک الگوریتم تولید قانون وابستگی 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 کمینه سازی مشکلات اخذ دانش اعمال شده است. قوانین وابستگی بدست آمده، در یک پایگاه دانش مبتنی بر قانون ذخیره می شوند. همچنین در این ساختار یک سیستم مبتنی بر شبکه ی عصبی به منظور یادگیری و حل مسئله با استفاده از توانایی شبکه ی عصبی در عمومیت دادن و رسیدگی به ترکیبات زیادی از داده و مدیریت داده ی نویزی، بکار برده شده است.
به منظور بررسی کارایی چارچوب ارائه شده برای سیستم تصمیم همیار هوشمند، این مدل در زمینه ی پیش بینی هوا و شناسایی وضعیت های سخت و نادر پدیده های هواشناسی در پایانه های فرودگاه، به ویژه برای پدیده ی مه پیاده سازی شده است.
نتایج بدست آمده حاکی از آن است که مدل پیشنهادی، تکنولوژی مناسبی برای پیاده سازی در سیستم های تصمیم همیار هوشمند می باشد.
در چارچوب پیشنهادی برای سیستم تصمیم همیار هوشمند، ماژول های 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 ی اصلی وجود دارد. در ابتدا مدل های توصیفی در رابطه با قلمرو برنامه کاربردی و سپس، مدل های پیشگویانه از این قلمرو ساخته می شوند. این مراحل در شکل 3-4 نشان داده شده است.
شکل3-4. روند ساخت مدل های توصیفی و پیشگویی
در مدل DM-NN، داده ی خام از پایگاه های داده، استخراج و پیش پردازش شده و مجموعه هایی از موارد به عنوان نتایج این پردازش بدست می آیند. این مجموعه ها، مدل های داده نامیده می شوند. مدل های داده به عنوان داده ی ورودی برای یک روش توصیفی مشخص (یک الگوریتم داده کاوی) به منظور تولید مدل های توصیفی مورد استفاده قرار می گیرند. مدل های توصیفی در پایگاه های دانش ذخیره می شوند. سپس، این مدل های توصیفی به عنوان داده ی ورودی برای یک روش پیشگویی (یک مدل شبکه عصبی) بکار برده می شوند. نتایج پردازش شبکه ی عصبی، مدل های پیشگویی می باشند.
در شکل 3-5 مولفه های اصلی مدل DM-NN و شیوه ی ارتباط این مولفه ها با یکدیگر نشان داده شده است.

شکل3-5. مولفه های اصلی مدل DM-NN و چگونگی ارتباط آنها
همان طور که در شکل فوق مشاهده می شود، از یک مخزن داده در ساختار DM-NN به عنوان منبع اولیه ی اطلاعات استفاده شده است. پایگاه های مورد، شامل نمونه های انتخاب شده از مواردی است که از قلمرو برنامه کاربردی مشخص بدست آمده است. این موارد، شامل مجموعه-های داده ی خام پیش پردازش شده ایی است که به عنوان ورودی مولفه ی داده کاوی بکار برده می شود. بدین لحاظ پایگاه های مورد، “مدل های داده” نامیده می شود. یک مورد شامل یک مجموعه از زوج های ویژگی/مقدار و یک کلاس که آن مورد متعلق به آن است، می باشد. پایگاه مورد، یک مولفه ی اصلی در مدل DM-NN می باشد. 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 داده ایی که در یک مخزن داده ذخیره شده، ساخته شود، زیرا این امر سازگاری داده را تضمین می نماید.
پایگاه های قانون دانش بر اساس نتایج داده کاوی ساخته می شوند. این پایگاه ها دربرگیرنده ی دانش کلی ساخت یافته متناظر با الگوهای مناسبی است که از پایگاه های مورد بدست آمده اند. دانشی که از بررسی های داده کاوی بدست آمده، “مدل های دانش” نامیده شده و در پایگاه های قانون دانش ذخیره می شود. در مدل DM-NN پایگاه های دانش توسط شبکه های عصبی به منظور یادگیری مورد دستیابی قرار می گیرند و بدین لحاظ مجموعه های داده ی آموزشی نامیده می شوند.
همان طور که در شکل 3-6 نشان داده شده، روند اخذ دانش در مدل پیشنهادی با پیاده سازی الگوریتم استقرایی برای تولید قوانین وابستگی [26] صورت می گیرد.

شکل3-6. رویه ی اخذ دانش با استفاده از داده کاوی

در تحقیقاتی که در مرجع [25] ارائه شده، به منظور پیاده سازی توانایی هایی از قبیل وارد نمودن دانش قلمرو خاص، یادگیری و استدلال، توجیه پیشنهادات و دلیل آوری در چارچوب پیشنهادی، از یک مولفه ی سیستم مشورتی هوشمند استفاده شده است. شکل 3-7 ساختار این مولفه را نشان می دهد.

شکل3-7. ساختار داخلی مولفه ی سیستم مشورتی هوشمند
این مولفه، از مدل شبکه ی عصبی CNM [27] استفاده می کند. مدل عصبی ترکیبی ، یک شبکه ی روبه جلوی چندلایه ایی است که با الهام از متدلوژی اخذ دانش در گراف های دانش [28] 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 پیاده سازی می گردد: یک لایه ی ورودی، لایه های مخفی و یک لایه ی خروجی. لایه ی خروجی شامل نرون هایی است که نشان دهنده ی کلاس های مختلف موجود در یک مسئله ی مشخص می باشند. لایه ی ورودی شامل نرون هایی است که نشان دهنده ی دانش قلمرویی است که از کلاس های خروجی حمایت می کند و لایه های مخفی ترکیبات گوناگون نرون های ورودی که منجر به یک کلاس مشخص می-گردد را تعیین می سازند. نرون های ورودی با مقادیر فازی در بازه ی ]1,0[ تشکیل می شوند. این مقادیر نشان دهنده ی درجه ی اطمینان اطلاعاتی است که در هر نرون ورودی ارائه شده است. در CNM دو نوع اتصال بین نرون ها پیاده سازی شده است: تحریکی و بازداشتی . اتصال های تحریکی یک سیگنال ورودی را با استفاده از وزن x خود به عنوان یک فاکتور تضعیفی، منتشر می کنند و اتصال های بازداشتی با پیاده سازی یک منفی سازی فازی بر روی سیگنال ورودی، آن را به x-1 تبدیل می نمایند. سپس سیگنال ها با ضرب مقادیرشان در وزن های اتصالات، منتشر می-گردند. نرون های ترکیبی مقادیر ورودی را برطبق یک عملگر فازی AND منتشر می سازند.
پس به طورکلی، CNM یک شیوه ی یادگیری با ناظر مبتنی بر الگوریتم تصحیح خطا را پیاده-سازی می نماید که در آن انباشتگرهای جریمه و پاداش برای هر اتصال موجود در شبکه، به صورت زیر محاسبه می گردد: هنگامی که هر نمونه طی فاز آموزش (یادگیری) ارائه و منتشر می-شود، انباشتگر های پاداش تمامی اتصالاتی که منجر به یک کلاسه بندی صحیح می شوند، افزایش می یابد. در مقابل هر کلاسه بندی غلط، سبب افزایش انباشتگر های جریمه می گردد. در پایان فاز یادگیری، اتصالاتی که مقادیر جریمه ی آنها از مقادیر پاداش آنها بیشتر است، هرس می شوند. از آنجا که اوزان اتصالات از نرمال سازی این انباشتگرها حاصل می شود، وزن های اتصالات باقیمانده با استفاده 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 ی برنده را که فرضیه با بیشترین مقدار اطمینان است، یافته و نتایج متناظر با آن را برمی گرداند. چرخه ی حمایت از تصمیم با استفاده از مدل DM-NN، در شکل 3-8 نشان داده شده است.

شکل3-8. چرخه ی حمایت از تصمیم در مدل DM-NN