در این مدل، عاملهای موجود در محیط با یکدیگر رقابت و راهحلهایی را برای مقادیر متغیرهای تصمیم برای عامل رفع ناسازگاری فراهم میکنند و این عامل یک راهحل را از میان آنها انتخاب میکند. هنگامی که دو عامل، مقادیر راهحل خود را محاسبه کردند، میتوانند از یک روش همکاری برای مبادلهی دانش خود استفاده کنند. […]
در این مدل، تابع هدف به صورت یک تابع خطی از متغیرهای تصمیم در نظر گرفته میشود که این متغیرها به وسیلهی عاملهای مختلف موجود در مسئله فراهم میگردد. صورت کلی این تابع به صورت میباشد که متغیرهای تصمیم و ضرایب هستند. یک مثال برای این روش، نحوهی عملکرد یک شرکت صنعتی است، هدف این
رفع ناسازگاری با استفاده از برنامه نویسی خطی بیشتر بخوانید »
مقدمه رفع ناسازگاری، یک استراتژی، جهت انتخاب ترتیب اجرای قوانین است هنگامی که بیش از یک قانون بتواند اجرا شود. به طور کلی، در سیستمهایی که رفع ناسازگاری در روند استنتاج آنها صورت میگیرد، موتور استنتاج یک رویه ی سه مرحله ایی شناسایی- رفع – عمل را بر روی مجموعهی قوانین اعمال میکند [1]: شناسایی:
روشهای رفع ناسازگاری در سیستم های تصمیم همیار بیشتر بخوانید »
به طور کلی، اخذ تصمیم، یکی از مهمترین و حساسترین فعالیتهایی است که در هر سازمان و یا تشکیلاتی صورت میگیرد] 48[. برای پشتیبانی و حمایت از این روند پیچیده، دستهی متنوعی از سیستمهای اطلاعاتی مستقل بنام سیستمهای تصمیمهمیار، در طی دو دههی گذشته به وجود آمدهاند. این سیستمها به صورت ابزارهای مبتنی بر کامپیوتری
سیستم های تصمیم همیار و سیستمهای تصمیم همیار هوشمند بیشتر بخوانید »
در راستای مقایسه بازدهی الگوریتم پیشنهادی با دیگر الگوریتم های مشهور، تست های آماری مانند paired t-test، Wilcoxon و Friedman بکار گرفته شده اند. تست های آماری t-test و Wilcoxon برای مقایسه دو کلاسه بند بر روی مجموعه ای از داده ها بکار می روند، در حالیکه تست آماری Friedman با post-hoc متناظر برای مقایسه
الگوریتم AdaBoost، یک روش یادگیری جمعی است و معروف‌ترین الگوریتم از خانواده الگوریتمهای Boosting است که توسطFreund و Schapire [24] ارائه شده است. در الگوریتم های یادگیری جمعی، یک نمونه توسط چندین کلاسه بند مختلف کلاسه بندی می شود و نتایج کلاسه بندی ها به شکل هوشمندانه ای با یکدیگر ترکیب شده و نتیجه نهایی
کلاسهبند Knn، یک الگوریتم کلاسهبندی تنبل[1] یا مبتنی بر نمونه[2] است. بر خلاف سایر الگوریتمهای کلاسهبندی ها، این الگوریتم هیچ مرحله آموزشی[3] نداشته و نمونههای آموزشی را تا وارد شدن نمونه تست، در حافظه ذخیره میکند. سپس نزدیکترین نمونه آموزشی به نمونه ورودی تست بر اساس معیارهایی جستجو می شود، و برچسب کلاس آن نمونه
کلاسه بند بیزین ساده، یک مدل احتمالی است که بجای یافتن تابع جداکننده، احتمال شرطی میزان تعلق هر ویژگی به هر کدام از کلاس ها و احتمال هر کلاس در نظر گرفته می شوند. در کلاسهبند بیزین[1]، برچسب کلاس با بالاترین احتمال به نمونه تست ورودی اختصاص مییابد [54]. در واقع برای نمونه ، احتمال
فرض میکنیم که نمونه های آموزشی مربوط به کلاس های مختلف به صورت خطی جدا پذیراند[1]. در این صورت می توان بدون داشتن هیچ دانشی در مورد توزیع نمونه های آموزشی، بین نمونه های مربوط به کلاس های مختلف تمایز قائل شد. در کلاسهبند SVM، مرز کلاسهبندی به صورتی انتخاب میشود که حاشیه[2]، بیشینه شود.
کلاسهبند C4.5 [22]، نوعی درخت تصمیم بوده که توسط Ross Quinlan در سال 1993 ارائه شده است. این الگوریتم نوع ارتقا یافته الگوریتم قبلی Quinlan یعنی ID3 بوده که برای کلاسهبندی مفید است. C4.5 با نمونه های آموزشی، یک درخت تصمیم همانند ID3 با استفاده از مفاهیم تئوری اطلاعات[1] [53] میسازد و از رابطه جداسازیِ[2]