ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ Χρυσόστομος Στύλιος ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ

ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ
Χρυσόστομος Στύλιος
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ
ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ (ΣΥΑ)
Τα ΣΥΑ είναι
αλληλεπιδραστικά
συστήματα, τα οποία
επιτρέπουν στους αναλυτές
αποφάσεων να
χρησιμοποιούν δεδομένα
και μοντέλα προκειμένου να
επιλύουν προβλήματα
αποφάσεων χαμηλού
βαθμού δόμησης
DSS
αποφάσεις
πληροφορία MIS
δεδομένα
ΤPS

ΣΥΑ
 Εργαλεία επίλυσης προβλημάτων
 Χρησιμοποιούνται για συγκεκριμένο σκοπό (ad hoc
προβλήματα που συχνά είναι απρόβλεπτα)
 Αναπτύσσονται συνήθως επί ενός πρωτότυπου (prototype
approach)
MIS
 Αποτελεί πληροφοριακή υποδομή χρήσης και εκμετάλλευσης των
τακτικών πληροφοριακών πηγών του συστήματος
 Παράγει αναφορές και περιλήψεις, προσφέρει απαντήσεις σε
ερωτήματα (queries) και συμβάλει στην παρακολούθηση και
το έλεγχο του συστήματος
 Συνήθως αναπτύσσεται με δομημένη μεθοδολογία (π.χ.
System Development Life Cycle)
Κύριες Κατευθύνσεις
 Συστήματα Υποστήριξης Αποφάσεων

 Συστήματα Υποστήριξης Συλλογικών Αποφάσεων
 Μοντέλα Αποφάσεων
 Ευφυή Συστήματα Υποστήριξης Αποφάσεων
Συστήματα Υποστήριξης Συλλογικών Αποφάσεων
 Συνεργατικές τεχνολογίες και

συγχρονισμός κοινών δεδομένων
 Μέθοδοι ψηφοφορίας και συναρτήσεις

συνάθροισης προτιμήσεων
 Συλλογικές Αποφάσεις με Μεθόδους

Πολυκριτήριας Ανάλυσης
 Συστήματα Υποστήριξης Διαπραγμάτευσης
 Συστήματα Διαχείρισης Γνώσης
 Συστήματα Διαχείρισης Ροών Εργασιών

Μοντέλα Αποφάσεων
 Δένδρα αποφάσεων
 Ιεραρχική ανάλυση αποφάσεων
 Πολυκριτηριακή ανάλυση αποφάσεων
 Πολυκριτηριακός προγραμματισμός
 Περιβάλλουσα ανάλυση δεδομένων
Ευφυή Συστήματα Υποστήριξης Αποφάσεων
 Ευφυή Σ.Υ.Α. = Τεχνητή Νοημοσύνη + Σ.Υ.Α.
 Δηλωτικοί μηχανισμοί διαχείρισης γνώσης
 Ασαφής Λογική
 Μελέτες περίπτωσης με δηλωτικούς

μηχανισμούς διαχείρισης γνώσης
 Λήψη αποφάσεων στον Σημασιολογικό Ιστό

Εξόρυξη γνώσης από δεδομένα
 Αποθήκες Δεδομένων
 Προπαρασκευή δεδομένων
 Κατηγοριοποίηση
 Συσταδοποίηση
 Ανακάλυψη συσχετίσεων
 Εξόρυξη γνώσης από τον

παγκόσμιο ιστό
 Εξόρυξη χρονικής γνώσης
 Εξόρυξη γνώσης από χωρικά

δεδομένα
Λήψη αποφάσεων
ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 1

Τι είναι η λήψη αποφάσεων;
z Λήψη Αποφάσεων : Μια διαδικασία επιλογής ανάμεσα σε
εναλλακτικά σύνολα ενεργειών με σκοπό την επίτευξη ενός ή
περισσότερων στόχων
z Ποιος λαμβάνει αποφάσεις;
z Λήψη διοικητικών αποφάσεων είναι συνώνυμη με την διαδικασία
της διοίκησης
z Η επιτυχία του μάνατζμεντ βασίζεται στην εκτέλεση διοικητικών
λειτουργιών (σχεδιασμός, οργάνωση, διεύθυνση και έλεγχος)
z Για την πραγματοποίηση αυτών των λειτουργιών, οι μάνατζερ
είναι δεσμευμένοι σε μια συνεχή διαδικασία λήψης αποφάσεων
z Όλες οι διοικητικές δραστηριότητες περιστρέφονται γύρω από
την λήψη αποφάσεων
Παράγοντες που επηρεάζουν την λήψη

αποφάσεων
Παράγων Τάση Αποτελέσματα
Τεχνολογία Αύξηση ÆÆÆ

Περισσότερες εναλλακτικές
λύσεις
Πληροφορία Αύξηση ÆÆÆ
Δομική πολυπλοκότητα Αύξηση ÆÆÆ Μεγάλο το κόστος
Ανταγωνισμός Αύξηση ÆÆÆ εκδήλωσης λαθών
Διεθνείς αγορές Αύξηση ÆÆÆ Μεγαλύτερη αβεβαιότητα

Πολιτική σταθερότητα Μείωση ÆÆÆ
Καταναλωτισμός Αύξηση ÆÆÆ

Βαθμός δόμησης αποφάσεων-
προβλημάτων απόφασης
Ημιδομημένα προβλήματα
Αδόμητα Δομημένα
προβλήματα προβλήματα
Αδόμητες
(μη προγραμματιζόμενες) Δομημένες
αποφάσεις (προγραμματιζόμενες)
«αποφάσεις»
Ημιδομημένες αποφάσεις
Λήψη αποφάσεων και η επίλυση προβλημάτων είναι έννοιες που εναλλάσσονται

Βαθμός δόμησης αποφάσεων-

προβλημάτων απόφασης
z Δομημένες «αποφάσεις»
z Στην ουσία δεν είναι αποφάσεις αλλά δομημένες διαδικασίες
z Από την φύση τους έχουν επαναληπτικό χαρακτήρα
z Τα σχετικά προβλήματα χαρακτηρίζονται από υψηλό βαθμό
δόμησης
z Μπορούν να περιγραφούν, να αναλυθούν και να ταξινομηθούν σε
πρωτότυπα
z Λαμβάνονται-με χρήση ποσοτικών μοντέλων
z Management Science (MS) / Επιχειρησιακή Έρευνα (OR)
z Τα μη δομημένα προβλήματα συχνά λύνονται και οι σχετικές αποφάσεις

λαμβάνονται με μόνη την ανθρώπινη διαίσθηση-επινόηση
z Τα ημιδομημένα προβλήματα λύνονται και οι σχετικές αποφάσεις
λαμβάνονται με συνδυασμό δομημένων διαδικασίων και ανθρώπινης
κρίσης

Προβληματικές
z Επιλογή
z Κατάταξη
z Ταξινόμηση
Οι 4 φάσεις της διαδικασίας λήψης

αποφάσεων (Simon 1977)
z Φάση πληροφορίας
z Ανίχνευση του περιβάλλοντος για να αναγνωριστούν προβλήματα ή
ευκαιρίες
z Προσδιορισμός του προβλήματος (συχνά, αυτό που περιγράφεται ως
πρόβλημα μπορεί να είναι μόνο ένα σύμπτωμα του προβλήματος)
z Φάση σχεδιασμού (μοντελοποίηση)
z Κατασκευάζεται ένα αντιπροσωπευτικό μοντέλο
z Το μοντέλο επαληθεύεται και τίθενται τα κριτήρια αξιολόγησης
z Φάση επιλογής (αναζήτηση της τελικής λύσης)
z Περιλαμβάνει μια προτεινόμενη λύση του μοντέλου
z Εάν η λύση είναι λογική, προχωράμε στην επόμενη φάση
z Φάση εφαρμογής
z Λύση στο αρχικό πρόβλημα

Συστήματα υποστήριξης
αποφάσεων
Χαρακτηριστικά & δομή
Τι είναι τα ΣΥΑ
z Τα ΣΥΑ είναι αλληλεπιδραστικά συστήματα βασιζόμενα σε Η/Υ, τα οποία
δίδουν τη δυνατότητα στους αποφασίζοντες να χρησιμοποιούν δεδομένα
και μοντέλα προκειμένου να επιλύουν ημιδομημένα προβλήματα (Scott
Morton, 1971).
z Τα ΣΥΑ συνδυάζουν τους διανοητικούς πόρους των ατόμων με τις

δυνατότητες των Η/Υ προκειμένου να βελτιωθεί η ποιότητα των
λαμβανομένων αποφάσεων. Είναι συστήματα βασιζόμενα σε Η/Υ και
προορίζονται για αποφασίζοντες που αντιμετωπίζουν ημιδομημένα
προβλήματα (Keen and Scott Morton, 1978).
z Το ΣΥΑ μπορεί να βοηθήσει τον μάνατζερ να κατανοήσει το πρόβλημα

παράλληλα με την υποστήριξή του στη διαδικασία επίλυσής του
z Στόχος ενός ΣΥΑ είναι να αυξήσει την αποτελεσματικότητα των

διαδικασιών λήψης αποφάσεων

Συστήματα Υποστήριξης
Διοίκησης (MSS)
z Συστήματα Υποστήριξης Αποφάσεων (DSS)

z Συστήματα Υποστήριξης Συλλογικών Αποφάσεων
(GSS)
z Στελεχιακά πληροφοριακά συστήματα (EIS)
z Προγραμματισμός επιχειρησιακών πόρων (ERP) και
Διαχείριση Εφοδιαστικής Αλυσίδας (SCM)
z Συστήματα Διαχείρισης Γνώσης (ΚΜ)
z Έμπειρα Συστήματα (ES)
z Όρυξη Δεδομένων/Ανακάλυψη Γνώσης (DM/KD)
Τα ΣΥΑ στη πυραμίδα των

πληροφοριακών συστημάτων
ΣΥΣΤΗΜΑΤΑ
DSS
αποφάσεις
πληροφορία MIS
δεδομένα
ΤPS

Αποτελεσματικότητα-
αποδοτικότητα
z Τα συστήματα υποστήριξης διοίκησης συνδέονται με
την αύξηση τόσο της αποτελεσματικότητας όσο και
της αποδοτικότητας ενός συστήματος
z Αποτελεσματικότητα (effectiveness)
z ο βαθμός στον οποίο επιτυγχάνονται οι στόχοι του
συστήματος (ελέγχεται αν η λειτουργία του συστήματος
είναι στη σωστή κατεύθυνση – doing the right thing)
z Αποδοτικότητα (efficiency)
z μέτρο της χρήσης των πόρων (εισροών) για την παραγωγή
των εκροών του συστήματος (ελέγχεται αν γίνεται σωστά οι
αξιοποίηση των πόρων - doing the thing right).
Γιατί ΣΥΑ;
z Το μάνατζμεντ είναι ταυτόσημο με την λήψη αποφάσεων
z Καλές αποφάσεις = αποτελεσματικό μάναντζμεντ
z Οι αποφάσεις λαμβάνονται σε πολύπλοκα επιχειρησιακά
περιβάλλοντα που μεταβάλλονται πολύ γρήγορα
z Η λήψη αποφάσεων σήμερα είναι πολύ πιο πολύπλοκη από ότι στο
παρελθόν. Μερικές αιτίες:
z Μεγάλος αριθμός εναλλακτικών λύσεων εξαιτίας των νέων
τεχνολογιών και των συστημάτων επικοινωνίας
z Το κόστος των λαθών είναι μεγάλο εξαιτίας της αλυσιδωτής
αντίδρασης σε πολλά μέρη ενός οργανισμού
z Πρόσβαση σε απαραίτητη πληροφορία εντός αλλά και εκτός
οργανισμού
z Μεγάλος όγκος πληροφορίας
z Ανάγκη για πληροφορία τόσο ενδο-επιχειρησιακή όσο και εκτός
οργανισμού
z Ανταγωνισμός

Εξελικτικός χαρακτήρας ΣΥΑ
z Κεντρικό ζήτημα των ΣΥΑ είναι η υποστήριξη και η βελτίωση της διαδικασίας
λήψης των αποφάσεων
z Τα ΣΥΑ αναφέρονται σε καταστάσεις όπου το ‘τελικό’ σύστημα προσεγγίζεται
μόνο μέσα από μια προσαρμοστική διαδικασία μάθησης και εξέλιξης
z Με τη χρήση ενός ΣΥΑ αναδεικνύονται πτυχές του προβλήματος απόφασης
προηγουμένως άγνωστες
ΣΥΑ
χρόνος
Χρήστης
Ιδανικά χαρακτηριστικά και

δυνατότητες των ΣΥΑ Ημιδομημένα
προβλήματα/
αποφάσεις
Πρόσβαση Για μάνατζερς σε
διαφορετικά επίπεδα
σε
διοίκησης
δεδομένα
Για ομάδες αλλά και

Μοντελοποίηση και για άτομα
Ανάλυση
Εύκολη κατασκευή/
προσαρμογή από
τελικούς χρήστες ΣΥΑ Αλληλοεξαρτώμενες ή
διαδοχικές/σειριακές
αποφάσεις
Υποστήριξη όλων των

Οι άνθρωποι ελέγχουν φάσεων της
το σύστημα διαδικασίας λήψης των
αποφάσεων
Αποτελεσματικότητα,
όχι αποδοτικότητα Υποστήριξη διαφορετικών
τύπων απόφασης
Εύκολη διαδραστική Ευελιξία και

χρήση Προσαρμοστικότητα

Διάκριση των ΣΥΑ από τα MIS
z Τα ΣΥΑ είναι εργαλεία επίλυσης προβλημάτων και χρησιμοποιούνται για

συγκεκριμένο σκοπό, ad hoc προβλήματα που συχνά είναι απρόβλεπτα.
Τα ΣΥΑ αναπτύσσονται συνήθως επί ενός πρωτοτύπου (prototype
approach)
z Το MIS συνιστά υποδομή εκμετάλλευσης των τακτικών πληροφοριακών

πηγών (IS) του συστήματος και παράγει αναφορές και περιλήψεις,
προσφέρει απαντήσεις σε ερωτήματα (queries) και συμβάλει στην
παρακολούθηση και το έλεγχο του συστήματος. Το MIS συνήθως
αναπτύσσεται με δομημένη μεθοδολογία (π.χ. System Development Life
Cycle)
Σχηματική θεώρηση των ΣΥΑ

Χρήστης
Δεδομένα:
εξωτερικά
και
εσωτερικά
Διεπαφή Χρήστη
μοντέλα
Διαχείριση Γνώσης
DBMS MBMS
Άλλα computer-based
συστήματα

Το υποσύστημα διαχείρισης
μοντέλων
Μοντέλα (Βάση Μοντέλων)

•Στρατηγικά, τακτικά, επιχειρησιακά Ευρετήριο
•Στατιστικά, οικονομετρικά, Μοντέλων
μάρκετινγκ, OR/MS, λογιστικά κ.α.
•Model building blocks
MBMS
•Εντολές μοντελοποίησης
Εκτέλεση μοντέλων,
•Υποστήριξη: ανανέωση ενοποίηση-
•Γλώσσα μοντελοποίησης ολοκλήρωση και
•Διεπαφή με Βάση Δεδομένων επεξεργαστής
εντολών
Διαχείριση
DBMS Διεπαφή Γνώσης
Το υποσύστημα (διαχείρισης)
γνώσης
z Παρέχει πραγματογνωμοσύνη στην επίλυση

πολύπλοκων αδόμητων ή ημιδομημένων
προβλημάτων
z Η πραγματογνωμοσύνη προσφέρεται από ένα
έμπειρο σύστημα ή άλλα ευφυή συστήματα (π.χ.
συστήματα όρυξης δεδομένων)
z Τα προηγμένα ΣΥΑ διαθέτουν τη διάσταση
(διαχείρισης) γνώσης (ευφυή ΣΥΑ)

Το υποσύστημα διεπαφής
χρήστη
z Περιλαμβάνει όλη την επικοινωνία μεταξύ του

χρήστη και του ΣΥΑ
z Οι περισσότεροι χρήστες αντιλαμβάνονται την
διεπαφή ως το ίδιο το σύστημα (συχνά
επιθυμητό)
Μοντελοποίηση
προβλημάτων
απόφασης

Τι είναι το μοντέλο;
z Ένα μοντέλο είναι μια απλοποιημένη-αφαιρετική αναπαράσταση της
πραγματικότητας
z Η πραγματικότητα είναι συνήθως πολύ πολύπλοκη για να
αναπαραχθεί πλήρως σε ένα μοντέλο
z Άλλωστε, μεγάλο μέρος της πολυπλοκότητας δεν έχει σχέση με την
επίλυση του προβλήματος
z Η χρήση ενός μοντέλου αποτρέπει τον πειραματισμό με το
πραγματικό σύστημα
z Βασικό συστατικό μέρος των ΣΥΑ
Βαθμός αφαίρεσης ενός

μοντέλου
(μικρότερος προς μεγαλύτερο)
z Εικονικό (υπό κλίμακα) μοντέλο: Φυσική αναπαράσταση ενός

συστήματος
(μοντέλο αεροσκάφους, αυτοκινήτου, γέφυρας, φωτογραφίες)
z Αναλογικό μοντέλο: συμπεριφέρεται όπως το πραγματικό σύστημα

αλλά δεν μοιάζει με αυτό (συμβολική αναπαράσταση)
(οργανογράμματα, χάρτες, πίνακες χρηματιστηριακών αγορών,
ταχύμετρο)
z Μαθηματικό μοντέλο (ποσοτικό): χρησιμοποιεί μαθηματικές σχέσεις

για να αναπαραστήσει την πολυπλοκότητα
Χρησιμοποιούνται στα πλαίσια των ΣΥΑ

Μαθηματικά μοντέλα
z Δομή Μοντέλου
z Απλοποίηση μέσω παραδοχών
z Ισορρόπηση μεταξύ της απλούστευσης του μοντέλου και
της ακριβούς αναπαράστασης της πραγματικότητας
z Επιλογή της προβληματικής
z Ανάπτυξη (παραγωγή) εναλλακτικών λύσεων
z Κριτήρια αξιολόγησης εναλλακτικών λύσεων
z Περιγραφή αποτελεσμάτων
z Μέτρηση αποτελεσμάτων
z Ανάπτυξη σεναρίων
Συστατικά μέρη μαθηματικού

μοντέλου
z Μεταβλητές Απόφασης
z Περιγράφουν εναλλακτικά προγράμματα ενεργειών (λύσεις)
z Ελέγχονται από τον αποφασίζοντα
z Μεταβλητές Αποτελεσμάτων
z Αναπαριστούν το επίπεδο απόδοσης του συστήματος
z Επίτευξη στόχου (στόχος-τρέχουσα τιμή)
z Κέρδος (max – euro)
z Κόστος (min – euro)
z Κατανάλωση Καυσίμου (min - lt/100 Km ) (max - Km/lt)
z Επίπεδο Εξυπηρέτησης Πελατών: αριθμός παραπόνων (min – αριθμός)
z Αποτίμηση ποιότητας υπηρεσιών ή ικανοποίησης πελατών(έρευνες)
z Ερευνητική δραστηριότητα σε Πανεπιστήμιο (κατά κεφαλή επιστημονικές δημοσιεύσεις)
z Εξαρτημένες μεταβλητές
z Μη ελεγχόμενες μεταβλητές ή παράμετροι
z Παράγοντες που επηρεάζουν τις μεταβλητές αποτελεσμάτων
z Ξεφεύγουν από τον έλεγχο του αποφασίζοντα
z Γενικά ανήκουν στο περιβάλλον
z Μερικές περιορίζουν τον αποφασίζοντα (περιορισμοί)
z Σχέσεις (μαθηματικές) μεταξύ των παραπάνω

Συστατικά μέρη ποσοτικών
μοντέλων-παραδείγματα
Περιοχή Μεταβλητές Μεταβλητές Μη ελεγχόμενες

Απόφασης αποτελεσμάτων μεταβλητές και
παράμετροι
Οικονομικές Εναλλακτικές Ολικό κέρδος. Ρυθμός Πληθωρισμός,
Επενδύσεις επενδύσεις και ποσά. Απόδοσης (ROR). ανταγωνισμός.
Πότε και για πόσο Κέρδη ανά μετοχή. Επιτόκια
χρονικό διάστημα Ρευστότητα.
Μάρκετινγκ Προϋπολογισμός για Μερίδιο αγοράς, Εισόδημα πελατών,
διαφήμιση, Επιλογή ικανοποίηση κινήσεις
διαφημιστικών μέσων πελατών. ανταγωνιστών
Παραγωγή Τι και πόσο να Ολικό κόστος. Δυνατότητες
παραχθεί. Επίπεδα Κέρδος. Επίπεδο μηχανών. Τεχνολογία.
αποθεμάτων. ποιότητας. Τιμές υλικών
Μεταφορές Προγραμματισμός Ολικό κόστος Αποστάσεις σημείων
φορτίων. μεταφορών διανομής. Κανονισμοί
Τρόποι Αναζήτησης τελικής λύσης

Τρόποι Αναζήτησης τελικής λύσης
Βελτιστοποίηση
Βελτιστοποίηση Τυφλή αναζήτηση Ευρεστικές
(αναλυτική) Τυφλή αναζήτηση Ευρεστικές
(αναλυτική)
Ολική απαρίθμηση
Ολική απαρίθμηση Μερική Αναζήτηση
(εξαντλητική) Μερική Αναζήτηση
(εξαντλητική)
Προοδευτική Παραγωγή καλύτερων Ελέγχονται μόνο ορισμένες

Προοδευτική Παραγωγή καλύτερων Ελέγχονται μόνο ορισμένες
Διαδικασία λύσεων ή απόκτηση Ελέγχονται Όλες οι δυνατές λύσεις λύσεις: Συστηματικά Εξετάζονται μόνο ελπιδοφόρες
λύσεων ή απόκτηση Ελέγχονται Όλες οι δυνατές λύσεις λύσεις: Συστηματικά Εξετάζονται μόνο ελπιδοφόρες
Αναζήτησης απευθείας της απορρίπτονται λύσεις
απευθείας της απορρίπτονται λύσεις
καλύτερης λύσης Κατώτερες λύσεις
καλύτερης λύσης Κατώτερες λύσεις
Σταματά όταν καμία Συγκρίσεις: Συγκρίσεις, προσομοιώσεις Σταματά όταν η λύση

Σταματά όταν καμία Συγκρίσεις: Συγκρίσεις, προσομοιώσεις Σταματά όταν η λύση
Έλεγχος περαιτέρω βελτίωση δεν είναι Σταματά όταν όλες οι Σταματά όταν η λύση είναι αρκετά καλή
περαιτέρωδυνατή
βελτίωση δεν είναι Σταματά όταν όλες οι Σταματά ότανκαλή
είναι αρκετά η λύση είναι αρκετά καλή
τερματισμού δυνατή
λύσεις έχουν ελεγχθεί είναι αρκετά καλή
λύσεις έχουν ελεγχθεί
Η καλύτερη
Η καλύτερη
ανάμεσα στις
βέλτιστη βέλτιστη ανάμεσα στις Αρκετά καλή
βέλτιστη βέλτιστη εναλλακτικές που
εναλλακτικές Αρκετά καλή
έχουν ελεγχθείπου
Λύση έχουν ελεγχθεί

Ανάλυση ευαισθησίας
z Αλλαγή εισόδων ή παραμέτρων και στην συνέχεια έλεγχος
στα αποτελέσματα του μοντέλου
z με την ανάλυση ευαισθησίας ελέγχονται οι σχέσεις
ανάμεσα στις μεταβλητές και τις παραμέτρους του
μοντέλου
z Τύποι ανάλυσης ευαισθησίας
z Αυτόματος
z Δοκιμή-λάθος
Δοκιμή-λάθος
z Αλλαγή στα δεδομένα εισόδου και επίλυση

ξανά του προβλήματος
z Μπορεί να αναδειχθούν καλύτερες λύσεις
z Υπάρχουν σχετικά περιβάλλοντα (π.χ.
λογιστικά φύλλα)
z What-if
z Αναζήτηση στόχου (goal seek)

Αναζήτηση στόχου
z Προσέγγιση «προς τα πίσω» (backward)

z Υπολογίζονται οι απαραίτητες τιμές των εισόδων
προκειμένου να επιτευχθεί μια επιθυμητή έξοδος-
στόχος
(πόσο νοσηλευτικό προσωπικό χρειάζεται για να

μειωθεί ο μέσος χρόνος αναμονής ενός ασθενούς
στα επείγοντα περιστατικά στα 10 λεπτά;)
Ανάπτυξη των ΣΥΑ

Σχεδιασμός: Διάγνωση προβλήματος,
Διαδικασία ανάπτυξης ΣΥΑ
Προσχεδιασμός
αντικειμενικοί στόχοι του ΣΥΑ
Έρευνα: πώς να αντιμετωπιστούν οι

ανάγκες του χρήστη; Τι πόροι είναι
διαθέσιμοι; Το περιβάλλον του ΣΥΑ
Ανάλυση: Ποια είναι η καλύτερη
προσέγγιση ανάπτυξης; Ποιοι είναι οι
απαραίτητοι πόροι; Εννοιολογικός
σχεδιασμός
Σχεδιασμός του
Σχεδιασμός
Σχεδιασμός του Σχεδιασμός της μοντέλου
περιβάλλοντος βάσης μοντέλων Σχεδιασμός της
βάσης διαχείρισης
διεπαφής γνώσης
δεδομένων
χρήστη
Κατασκευή : σύνδεση όλων των

στοιχείων, έλεγχος
Εφαρμογή: Έλεγχος και αξιολόγηση,

επίδειξη, εκπαίδευση και ανάπτυξη
Συντήρηση και τεκμηρίωση
Προσαρμογή :Συνεχής επανάληψη της

διαδικασίας για να βελτιωθεί το σύστημα
Systems Development Life Cycle (SDLC)
Ανάγκη
Ανίχνευση
Ανάλυση
Υλοποίηση
Σύστημα

Prototyping Feasibility study
Identify basic information Develop a working

requirements prototype
Testing & evaluation
Is No
prototype Revise, improve
finished?
Option 1: The Throwaway Model Option 2: The Evolutionary Model
Yes
Discard prototype Clean up prototype, write Becomes temporary

documentation working version
Preliminary design
Testing & evaluation
Use SDLC procedures Is system

No
Improve fully
developed?
Build a Yes
complete Integrate with other CBS
system
Convert to final system,

implement
Πρωτότυπο: εξελικτικό μοντέλο

Ανάγκη
Ανίχνευση
Ανάλυση
Υλοποίηση
Πρωτότυπο
Πρωτότυπο ΝΟΤ ΟΚ
Πρωτότυπο ΟΚ
Σύστημα
Πρωτότυπο: Μοντέλο Throwaway
Ανάγκη
Ανίχνευση
Ανάλυση Σχεδιασμός
Υλοποίηση
Σύστημα
Υλοποίηση
Πρωτότυπο
Πρωτότυπο ΝΟΤ ΟΚ
Γιατί χρήση πρωτοτύπων στην

ανάπτυξη ΣΥΑ;
z Τα προβλήματα είναι ημιδομημένα ή αδόμητα

z Οι μάνατζερς και οι αναλυτές συνήθως δεν πλήρη γνώση του
προβλήματος
z Με τη χρήση πρωτοτύπου, οι χρήστες και οι μάνατζερς συμμετέχουν
σε κάθε στάδιο και σε κάθε επανάληψη
z Η ανάπτυξη μέσω πρωτοτύπου δεν απαιτεί ορισμό των απαιτήσεων
z Ο σχεδιασμός ανάγεται σε διαδικασία μάθησης
z Μικρό διάστημα μεταξύ των επαναλήψεων
z Μικρός χρόνος ανάπτυξης
z Μικρός χρόνος ανταπόκρισης χρηστών

Τεχνολογικά επίπεδα ΣΥΑ
Συγκεκριμένα ΣΥΑ [η εφαρμογή]
DSS generators
[Excel, SAS, SPSS]
Θεμελιώδη εργαλεία ΣΥΑ [γλώσσες

προγραμματισμού]
ΠΕΔΙΑ ΕΡΕΥΝΑΣ ΣΤΑ ΣΥΑ

z Ανάπτυξη εφαρμογών
z Ανάπτυξη θεωρίας των ΣΥΑ
z Μελέτη σχετικών επιστημονικών κλάδων

ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΒΑΣΗ ΤΟ
ΠΕΔΙΟ ΕΦΑΡΜΟΓΗΣ
z Λειτουργίες εταιρικής διοίκησης
z Διοίκηση παραγωγής και διεργασιών
z Σχεδιασμός συνολικής ζήτησης και σχεδιασμός
προϊόντων
z Προγραμματισμός παραγωγής
z Χρονοπρογραμματισμός διεργασιών και έλεγχος
z Διαχείριση αποθεμάτων
z Διαχείριση πόρων
z Μάρκετινγκ, μεταφορές και logistics
z Ανάπτυξη στρατηγικής μάρκετινγκ (προϊόν, τιμή,
διαφήμιση, δίκτυο διανομής)
z Ενημέρωση καταναλωτή μέσω ταχυδρομείου
z Προφίλ καταναλωτή
z Market segmentation
z τιμολόγηση και τακτική πωλήσεων
z Σχεδιασμός δικτύων διανομής-κανάλια μεταφοράς
z Επιλογή μεταφορικών μέσων - δρομολόγηση

z Πληροφοριακά συστήματα διοίκησης-MIS
z Συστήματα υποστήριξης διαπραγματεύσεων
z Γεννήτριες ΣΥΑ
z Κέλυφος για GDSS (shell)
z Σχεδιασμός δικτύου επικοινωνίας δεδομένων
z Σχεδιασμός ΣΥΑ με πράκτορες (agent enabled DSS design)
z Πληροφοριακό σύστημα σχεδιασμού χαρτοφυλακίου έργου και
βελτιστοποίηση επιχειρηματικών διεργασιών
z Αποτελεσματικός σχεδιασμός δικτύων οπτικών ινών
z Σχεδιασμός αρχιτεκτονικής σύγχρονων ψηφιακών δικτύων
z Σχεδιασμός δικτύων υπηρεσιών μεταξύ γραφείων
z Σχεδιασμός τοπικών –περιφερειακών δικτύων τηλεπικοινωνιών
z Συστήματα πολλαπλών λειτουργιών
z Σχεδιασμός παραγωγής και διανομής
z Στρατηγική και επιχειρησιακή διοίκηση με χρήση μοντέλων

βελτιστοποίησης
z Δρομολόγηση αεροσκαφών με προγραμματισμό
πληρώματος και ανάθεση εργασιών
z Διαχείριση στόλου μισθωμένων οχημάτων (car rental),
σχεδιασμός και τιμολόγηση υπηρεσιών

z Χρηματοοικονομική διοίκηση
z Εκτίμηση και διαχείριση πιστοληπτικής δυνατότητας
z Επιλογή χαρτοφυλακίου
z Διοίκηση πιστωτικού κινδύνου
z Βέλτιστες πολιτικές επενδύσεων
z Στρατηγικός σχεδιασμός και διοίκηση

z Στρατηγικός σχεδιασμός logistics
z Αξιολόγηση εναλλακτικών στρατηγικών
z Κατασκευή στρατηγικού πλάνου Εντοπισμός ξένου

κατασκευαστικού εξοπλισμού
z Ανθρώπινοι πόροι
z Επιλογή ανθρώπινου δυναμικού
z Ανάθεση εργασιών
z Σχεδιασμός σεμιναρίων εκπαίδευσης
z Επιλογή ιατροφαρμακευτικής ασφάλισης
z Δια – επιχειρησιακές αποφάσεις

z Συνεργατικός σχεδιασμός και πρόβλεψη
z Σχεδιασμός δια – επιχειρησιακών ΣΥΑ
z Σχεδιασμός εφοδιαστικής αλυσίδας

z Άλλα πεδία
z Αγροτικός σχεδιασμός
z Σχεδιασμός αγροτικών δραστηριοτήτων
z Κατανομή πόρων για την προστασία της σοδειάς και για

έργα έρευνας και ανάπτυξης βιοτεχνολογίας
z Αστικός/κοινοτικός σχεδιασμός
z Διαχείριση αστικών αποβλήτων
z Σχεδιασμός αστικών συγκοινωνιών
z Σχεδιασμός έκτακτης εκκένωσης και απομάκρυνσης

πληθυσμού
z Στρατιωτικός τομέας
z Διαχείριση αποθηκών εξοπλισμού
z Διαχείριση διεργασιών συντήρησης πλωτών μέσων
ακτοφυλακής
z Διαχείριση φυσικών πόρων
z Διαχείριση δασικών οικοσυστημάτων
z Διαχείριση λιμνών και ταμιευτήρων νερού
z Στρατηγικός σχεδιασμός και διαχείριση υδάτινων
πόρων

z Τομέας υγείας
z Υποδοχή ασθενών
z Έξοδος και χρέωση ασθενών
z Διαμοίραση πληροφοριών και γνώσης μεταξύ νοσοκόμων,
θεραπευτών και διοίκησης
z Συνεργατική λήψη ιατρικών αποφάσεων
z Προγραμματισμός κατ’ οίκον νοσηλείας
z Βελτίωση της διαδικασίας διαχείρισης νοσοκομειακού υλικού
z Κυβερνητικός τομέας
z Διαδικασία απόκτησης-επεξεργασίας δεδομένων
z Διαχείριση κρίσεων
z Μεσοπρόθεσμος οικονομικός σχεδιασμός
z Σχεδιασμός ενεργειακών δικτύων
z Τομέας εκπαίδευσης
z Προγραμματισμός μαθημάτων-εξετάσεων-επιτηρήσεων
z Πανεπιστημιακά χρονοδιαγράμματα
z Σχεδιασμός εγγραφών
z Χωροθέτηση νέων σχολικών μονάδων

4% 2% Δια – επιχειρησιακές
4% αποφάσεις
6%
Ανθρώπινοι πόροι
8%
Λειτουργίες
εταιρικής 14% Στρατηγικός σχεδιασμός
διοίκησης και διοίκηση
Άλλα πεδία
73,3% Χρηματοοικονομική
26,7% 18% διοίκηση
Συστήματα πολλαπλών
λειτουργιών
Πληροφοριακά συστήματα
διοίκησης (MIS)
44% Μάρκετινγκ, μεταφορές
και logistics
Διοίκηση παραγωγής και
διεργασιών
14% Διάφορα
Κυβερνητικός τομέας
20%
Τομέας εκπαίδευσης
16% Τομέας υγείας
Άλλα πεδία Διαχείριση φυσικών

Λειτουργίες 26,7% 13% πόρων
εταιρικής Στρατιωτικός τομέας
διοίκησης 13%
73,3%
Αστικός/κοινοτικός
11% σχεδιασμός
Αγροτικός σχεδιασμός
7%
7%

ΕΠΙΠΕΔΟ ΔΙΟΙΚΗΣΗΣ
z Επιχειρησιακές αποφάσεις (operational)
z Τακτικές αποφάσεις (tactical)
z Στρατηγικές αποφάσεις (strategic)
20%
Λειτουργικό
53%
27%
Τακτικό
Στρατηγικό

Αβεβαιότητα
 Σε πολλές εφαρμογές θα πρέπει να λυθούν προβλήματα
χρησιμοποιώντας όχι πλήρη, λεπτομερή και επακριβή
δεδομένα
 Η Αβεβαιότητα μπορεί να θεωρηθεί ως έλλειψη
ικανοποιητικής πληροφορίας να φθάσουμε σε μια απόφαση
 Η αβεβαιότητα αυξάνει σε μια βάση γεγονότων ή σε μια
βάση κανόνων
Αβέβαιη Γνώση
 Κυριότερες πηγές αβεβαιότητας:
 Ανακριβή δεδομένα (imprecise data).
 Ελλιπή δεδομένα (incomplete data)
 Υποκειμενικότητα ή/και ελλείψεις στην περιγραφή της γνώσης
 Κάθε είδους περιορισμοί που κάνουν το όλο πλαίσιο λήψης απόφασης
ατελές.
 Ανάγκη ύπαρξης "μη ακριβών" μεθόδων συλλογισμού.

 Θεωρία Πιθανοτήτων
 Συντελεστές Βεβαιότητας (Certainty Factors)
 Θεωρία Dempster-Shafer
 Ασαφής Λογική (Fuzzy Logic).
Τύποι σφαλμάτων
Σφάλματα
Πολυσημ Λάθος Τυχαιότητα Συλλογισμός

αντικότητ Ελλιπή Μέτρηση Συστηματικά
α
Επαγωγικά
Ανθρώπινο Σφάλματα ψευδώς Ψευδώς Ακρίβεια λανθα Σφάλματα
λάθος Εξοπλισμού Αρνητική θετική σμένη Παραγωγικά
ς σφάλματα
ΛανθασμένηΑναξιόπι Όχι
Έξοδος στη Έξοδος
Τύποι σφαλμάτων σε
γεγονότα
 Πολυσημαντικότητα (ambiguity)
 Αποτυχία να διακρίνει μεταξύ των περιπτώσεων και πιθανοτήτων
 Ελλιπής (incompleteness)
 Αποτυχία να περιγράψει πλήρως τις απαραίτητες πληροφορίες
 Εσφαλμένη (incorrectness)
 Η πληροφορία είναι εσφαλμένη
 Ψευδώς θετική
 Δέχεται μια υπόθεση ότι είναι αληθινή ενώ δεν είναι αληθής
 Ψευδώς αρνητική
 Δέχεται μια υπόθεση ότι είναι ψευδής ενώ είναι αληθής
5
Τύποι σφαλμάτων σε
γεγονότα
 Ανακριβής (imprecision)
 Όχι αρκετά κοντά στην αλήθεια
 Όχι ακριβής (inaccuracy)
 Δεν είναι σωστή
 Αναξιόπιστος (unreliability)
 Μερικές φορές σωστό μερικές όχι
 Τυχαία λάθη (random error)
 Τα αίτια μπορεί να προβλέπονται ή να είναι άγνωστα
 Συστηματικά λάθη (systematic error)
 Ένα λάθος εισάγεται συνέχεια από κάποιο bias
Αβεβαιότητα στους κανόνες

Μια βάση κανόνων εμπεριέχει αβεβαιότητα που οφείλεται
σε
 Επαγωγικοί κανόνες
 Ο επαγωγικός συλλογισμός πηγαίνει από το παράδειγμα σε γενικευμένους
κανόνες.
 Ευρεστικούς κανόνες (Heuristic rules)
 Υπάρχουν κανόνες που είναι βασισμένοι στην εμπειρία
 Όχι μονοτονικούς συλλογισμούς (Non-monotonic reasoning)

 Όταν επιπρόσθετη πληροφορία δείχνει ότι οι προηγούμενοι συλλογισμοί
ήταν εσφαλμένοι, όλα τα συμπεράσματα που είχαν εξαχθεί πριν την εύρεση
του συγκεκριμένου λάθους θα πρέπει να εξεταστούν ξανά
 Κανόνες που βασίζονται σε λάθη
 Εάν η βαλβίδα είναι σε καλή κατάσταση, τότε η έξοδος είναι κανονική
 Η έξοδος είναι κανονική και επομένως η βαλβίδα είναι σε καλή κατάσταση
7
Πηγές αβεβαιότητας
 Ατελής γνώση της περιοχής εφαρμογής
 Η υπάρχουσα θεωρία μπορεί να είναι ασαφής και ελλιπής
 Ατελή δεδομένα για κάθε περίπτωση
 Τα δεδομένα μπορεί να είναι ανακριβή ή αναξιόπιστα
 Τα δεδομένα μπορεί να είναι προσεγγιστικά
 Οι ειδικοί χρησιμοποιούν μη λεπτομερείς μεθόδους

 Όταν οι λεπτομερείς μέθοδοι είναι άγνωστες
 Όταν οι λεπτομερείς μέθοδοι είναι μη πρακτικά εφαρμόσιμες
Πηγές αβεβαιότητας
 Αξιοπιστία της πληροφορίας
 Ελλιπής πληροφορία
 Πληροφορία από πολλές διαφορετικές πηγές
 Μη ακριβής αναπαράσταση γλωσσών
9
Αντιμετώπιση της
αβεβαιότητας
 Ποιοτικές προσεγγίσεις
 Αντιμετωπίζουν την ελλιπή πληροφορία
 Χρησιμοποιούν τη λογική ή κανόνες εξαρτώμενους από τα
συμφραζόμενα για τη συμβολική αναπαράσταση
 Ποσοτικές προσεγγίσεις
 Είναι βασισμένες σε αριθμητικές αναπαραστάσεις και
χρησιμοποιούν θεωρία πιθανοτήτων και άλλες μεθόδους
λογικής για τη διαχείριση της αβεβαιότητας μέσα από
διαδικασία συλλογισμού
10
Αναπαράσταση αβεβαιότητας
 Προβλήματα
 Είναι δύσκολο να ποσοτικοποιήσουμε τις αλληλεπιδράσεις των
πιθανοτήτων
 Ο καθορισμός της πιθανότητας ενός γεγονότος απαιτεί πληροφορία που
δεν έχουμε
 Είναι δύσκολο να καθορίσουμε επακριβώς τι σημαίνει πολύ, λίγο, πάρα
πολύ ψηλός κ.τ.λ.
 Εφαρμόζοντας θεωρία πιθανοτήτων, απαιτούμε από τους μηχανικούς να
περιγράψουν με ακρίβεια ποσότητες που δεν έχουν συγκεκριμένη τιμή.
 Οι πιθανότητες είναι δύσκολο να υπολογίζονται, να βελτιώνονται και
μπορεί να απαιτούν πολύ δύσκολους υπολογισμούς
11
Θεωρίες για την αβεβαιότητα
 Κλασσική θεωρία πιθανοτήτων

 Νόμος Bayes
 Shannon θεωρία βασισμένη σε πιθανότητες
 Υποσυνθήκη Πιθανότητες
 Demster-Shafer θεωρία - συναρτήσεις πεποίθησης
 Ασαφής λογική Zadeh
12
Κλασσική θεωρία
πιθανοτήτων
 Αναφέρεται σε ιδανικές καταστάσεις όπως ρίψη ζαριού,
νομίσματος και χαρτιών. Όπου υπάρχουν
προκαθορισμένες πιθανότητες βασισμένες στην
παραδοχή ότι όλοι οι αριθμοί έχουν την ίδια πιθανότητα
να συμβούν
 Η πιθανότητα, P, ορίζεται ως ο λόγος των σωστών
απαντήσεων προς τον αριθμό των πιθανών
αποτελεσμάτων
13
Πιθανότητα γεγονότων
 Σε ένα παιχνίδι υπάρχει ένα σύνολο πιθανών
αποτελεσμάτων το οποίο σχηματίζει το χώρο του
παραδείγματος. Για ένα ζάρι ο χώρος είναι {1,2,3,4,5,6}
 Ρίχνοντας ένα ζάρι (προσπάθεια) δημιουργείται ένα

αποτέλεσμα το {1}.Το οποίο ονομάζεται γεγονός
 Εάν ρίξουμε δύο ζάρια θα έχουμε ένα σύνθετο γεγονός

{2,5}
14
Παράδειγμα δένδρου γεγονότων

Start
T
H
H T H T
HH H T TH TT
H T
H HH HT
T T H TT
15
Θεωρία πιθανοτήτων
 Τρία αξιώματα για τις πιθανότητες
axiom1: 0 ≤ P ( E ) ≤ 1
axiom 2 :∑ P( Ei )=1
i
and itscorollary
P( E )+ P( E © )= 1
axiom3: P ( E 1 ∪ E 2) = P ( E 1) + P ( E 2)
16
Πιθανότητες υπό συνθήκη

 Υποδηλώνει την πιθανότητα να ισχύει το υποθετικό συμπέρασμα Η
δεδομένης της ισχύος μόνο του γεγονότος Ε.
Συμβολίζεται με P(H|E) και ορίζεται μέσω του πηλίκου της
πιθανότητας να συμβούν ταυτόχρονα τα Η και Ε προς την πιθανότητα
του Ε
P (H ∧ E )
P (H | E ) =
P (E )
Ιδιότητες
Προσθετική Ιδιότητα: Ρ(Α∨Β) = Ρ(Α) + Ρ(Β) - Ρ(Α∧Β)
 Πολ/στική Ιδιότητα για δύο ανεξάρτητα γεγονότα Α και Β:
Ρ(Α∧Β) = Ρ(Α) • Ρ(Β)
Πολ/στική Ιδιότητα για δύο μη ανεξάρτητα γεγονότα Α και Β:
Ρ(Α∧Β) = Ρ(Α) • Ρ(Β|Α)
17
Παράδειγμα
 Έστω ότι έχουμε ένα ζάρι:
 Ρ(Α) = Ρ(περιττός αριθμός) = 3/6 = 0.5

 γιατί υπάρχουν 3 δυνατές τιμές (1,3,5) από σύνολο 6 δυνατών τιμών
(1,2,3,4,5,6)
 Ρ(Β) = Ρ(αριθμός ≤ 3) = 3/6 = 0.5

 γιατί υπάρχουν 3 δυνατές τιμές (1,2,3) από σύνολο 6 δυνατών τιμών
(1,2,3,4,5,6)
 P(B|A) = P(αριθμός ≤3 δεδομένου ότι είναι περιττός) = 2/3

 γιατί υπάρχουν 2 δυνατές τιμές (1,3) από σύνολο 3 δυνατών τιμών (1,3,5)
 Ρ(Α∧Β) = Ρ(περιττός αριθμός και ≤3) = Ρ(Α)* P(B|A) = 0.5*2/3 = 0.33
 Ρ(Α∨Β)=Ρ(περιττός ή ≤3) = Ρ(Α) + Ρ(Β) - Ρ(Α∧Β) = 0.5+0.5-0.33=0.67

(προσθετική ιδιότητα)
Θεωρίες για την αβεβαιότητα
 Κλασσική θεωρία πιθανοτήτων

 Νόμος Bayes
 Shannon θεωρία βασισμένη σε πιθανότητες
 Υποσυνθήκη Πιθανότητες
 Demster-Shafer θεωρία - συναρτήσεις πεποίθησης
 Ασαφής λογική Zadeh
19
Ο Νόμος του Bayes (Bayes' rule)
 Επιτρέπει τον υπολογισμό πιθανοτήτων υπό συνθήκη με χρήση άλλων πιθανοτήτων που
είναι ευκολότερο να υπολογιστούν.
 Χρήση εκτιμήσεων αντί συχνοτήτων εμφάνισης γεγονότων.
 Η απλούστερη εκδοχή του νόμου του Bayes:
 Πιο εύκολο να χρησιμοποιηθεί, συγκριτικά με την σχέση της πιθανότητας υπό

συνθήκη.
 Αν Η μία ασθένεια και Ε ένα σύμπτωμα που σχετίζεται με αυτήν, τότε για τον
υπολογισμό της πιθανότητας υπό συνθήκη απαιτείται πληροφορία που συνήθως δεν
είναι διαθέσιμη:
 Πόσοι άνθρωποι στον κόσμο πάσχουν από την Η και ταυτόχρονα εμφανίζουν το σύμπτωμα Ε.
 Πόσοι εμφανίζουν απλά το σύμπτωμα Ε.
 Στο νόμο του Bayes:
 Ένας γιατρός μπορεί να δώσει μία εκτίμηση για το πόσοι ασθενείς που έπασχαν από την ασθένεια
Η εμφάνιζαν το σύμπτωμα Ε (ποσότητα P(E|H)). Αντίθετα, το κλάσμα των ασθενών με σύμπτωμα
Ε που πάσχουν από την ασθένεια Η, δηλαδή ο όρος P(Η|Ε), τις περισσότερες φορές είναι αδύνατο
να εκτιμηθεί.
 To P(H) μπορεί να υπολογιστεί από στατιστικά στοιχεία για τον συνολικό πληθυσμό.
 Το P(E) από στατιστικά στοιχεία του ίδιου του γιατρού.
Παράδειγμα 1
 Έστω τα δύο σύνολα Η και Ε με επτά και πέντε γεγονότα αντίστοιχα από ένα
συνολικό πληθυσμό δέκα γεγονότων.
 Το σχήμα μας επιτρέπει να υπολογίσουμε τις απλές (άνευ συνθήκης) και τις υπό
συνθήκη πιθανότητες με απλή εφαρμογή του ορισμού τους.
P(E) = 5/10 = 0.5

P(H) = 7/10 = 0.7
P(H|E) = 2/5 = 0.4
P(E|H) = 2/7 = 0.287514
 Στο παράδειγμα: P(H|E) * P(E) = P(E|H)*P(H)

 Γνωρίζοντας τρεις από τις πιθανότητες μπορούμε να υπολογίσουμε την τέταρτη.
Γενική Σχέση του Νόμου του Bayes
 Η πιθανότητα να ισχύει το υποθετικό συμπέρασμα Η δεδομένης της ισχύος των
γεγονότων Ε1, Ε2, ..., Ek :
 Πρόβλημα χρήσης: για m πιθανές ασθένειες και n δυνατά συμπτώματα από τα οποία
εμφανίζονται τα k, απαιτούνται (m⋅n)k+m+nk τιμές πιθανοτήτων, αριθμός υπερβολικά
μεγάλος.
 Απλούστερη περίπτωση: αν τα διάφορα γεγονότα Ε θεωρούνται ανεξάρτητα το ένα από
το άλλο, τότε απαιτούνται μόνο m⋅n+m+n τιμές πιθανοτήτων.
Χρήση Θεωρίας Πιθανοτήτων – Συμπεράσματα

 είτε τα διάφορα γεγονότα θεωρούνται ανεξάρτητα (ευκολότεροι υπολογισμοί σε βάρος
της ακρίβειας των συλλογισμών)
 ή καταγράφονται αναλυτικά όλες οι πιθανότητες και οι μεταξύ του συσχετίσεις (ακριβή
συμπεράσματα, με υψηλό όμως υπολογιστικό κόστος).
 Εναλλακτική προσέγγιση: Συντελεστές βεβαιότητας.
Δέντρα Απόφασης
Δέντρο απόφασης
 Δέντρα απόφασης πολύ καλά εργαλεία για αποφάσεις με πολλές
σύνθετες πληροφορίες. Ένα δέντρο απόφασης δέχεται ως είσοδο ένα
αντικείμενο ή μια κατάσταση που περιγράφεται από ένα σύνολο
ιδιοτήτων και αποτελέσματα μια απόφαση ναι ή όχι. Οι λειτουργίες με
ένα μεγαλύτερο εύρος αποτελεσμάτων μπορούν να αντιπροσωπευθούν
με δέντρα αποφάσεων.
 Αποτελεσματική δομή: τόσο οι εναλλακτικές αποφάσεις όσο και οι

επιπτώσεις τους μπορούν να καθοριστούν και να αξιολογηθούν.
 Ασφαλή διαμόρφωση, μιας ισορροπημένης εικόνας των κινδύνων και

των ανταμοιβών.
Δέντρο απόφασης για το αν θα πρέπει να αναπτύξουμε νέα προϊόντα ή

να εμμείνουμε στην υφιστάμενη κατάσταση στην αγορά
Δέντρο απόφασης
 Ένα δέντρο απόφασης ξεκινά με μια απόφαση που πρέπει να ληφθεί.
 Η απόφαση αυτή αναπαριστάται με ένα μικρό τετράγωνο.
 Από το τετράγωνο αυτό τραβάμε γραμμές, μια για κάθε πιθανή λύση και
γράφουμε τη λύση αυτή κατά μήκος της γραμμής αυτής.
 Στο τέλος κάθε γραμμής (λύσης), τοποθετούνται τα αποτελέσματα.
 Εάν το αποτέλεσμα της λήψης αυτής της απόφασης είναι αβέβαιο τότε
αυτό παρίσταται με έναν μικρό κύκλο.
 Το αποτέλεσμα είναι μια άλλη απόφαση που πρέπει να ληφθεί,
αναπαρίσταται με ένα άλλο τετράγωνο.
 Συμβολικά τα τετράγωνα αναπαριστούν αποφάσεις.
 Οι κύκλοι αναπαριστούν αβεβαιότητα ή τυχαίους παράγοντες.
 Εάν στο τέλος μιας γραμμής πρέπει να εμφανισθεί μια λύση, τότε την
αφήνουμε κενή.
 Όταν διαμορφώσουμε το δέντρο απόφασης, ελέγχουμε κάθε διαδρομή,
τετράγωνο και κύκλο για να δούμε εάν υπάρχουν οποιεσδήποτε λύσεις ή
αποτελέσματα που δεν έχουν μελετηθεί. Εάν είναι απαραίτητο,
ξανασχεδιάζουμε το δέντρο.
Αξιολόγηση του δέντρου απόφασης

 Υπολογίζουμε την απόφαση που έχει τη μέγιστη αξία για μας. Ανάθεση
μετρητών ή μιας αριθμητικής αξίας σε κάθε πιθανό αποτέλεσμα. Πόσο
θα άξιζε για μας κάθε πιθανό αποτέλεσμα.
 Εξετάζουμε κάθε κύκλο (σημεία αβεβαιότητας) και υπολογίζουμε την

πιθανότητα κάθε αποτελέσματος. Εάν χρησιμοποιήσουμε ποσοστά, τότε
τα άθροισμά τους σε κάθε κύκλο θα πρέπει να είναι 100%. Εάν
χρησιμοποιείται κλάσματα, τότε αυτά θα πρέπει να αθροίζουν στο 1
 Στοιχεία από παλαιά γεγονότα τότε θα κάνουμε ακριβείς εκτιμήσεις των

πιθανοτήτων. Διαφορετικά πρέπει να κάνουμε τις καλύτερες
προβλέψεις.
Δέντρο απόφασης ανάπτυξης νέων προϊόντων
Αποδίδουμε τις τιμές των αποτελεσμάτων και

καθορίζουμε τις πιθανότητες των αποτελεσμάτων της
αβεβαιότητας, τότε υπολογίζουμε τις τιμές που μας
βοηθούν να πάρουμε την απόφασή μας.
Υπολογισμοί στο δέντρο απόφασης

 Δουλεύουμε προς τα πίσω. Μόλις ολοκληρώνουμε ένα σύνολο υπολογισμών,
καταγράφουμε το αποτέλεσμα.
 Καθορίζουμε την τιμή των αβέβαιων αποτελεσμάτων (κύκλοι του

διαγράμματος), πολλαπλασιάζουμε την τιμή των αποτελεσμάτων με την
πιθανότητά τους .
 Η συνολική αξία του κάθε κόμβου του δέντρου προκύπτει με την πρόσθεση όλων
αυτών των τιμών.
Υπολογισμοί στο δέντρο απόφασης

 Η συνολική αξία του κάθε κόμβου του δέντρου προκύπτει με την πρόσθεση όλων
αυτών των τιμών.
 Η τιμή για το “νέο προϊόν – πλήρης ανάπτυξη” υπολογίζεται ως εξής:

 0.4 (πιθανότητα καλού αποτελέσματος) x 500,000 € = 200,000 €
 0.4 (πιθανότητα μέτριου αποτελέσματος) x 25,000 € = 10,000 €
 0.2 (πιθανότητα φτωχού αποτελέσματος) x 1,000 € = 200 €
210.200 €
• Όταν αξιολογούμε έναν κόμβο απόφασης,

σημειώνουμε σε κάθε γραμμή απόφασης
το κόστος της κάθε επιλογής. Αφαιρούμε
το κόστος από την τιμή του κάθε
αποτελέσματος που έχουμε ήδη
υπολογίσει. Αυτό θα μας δώσει μια τιμή η
οποία μας δίνει το όφελος αυτής της
απόφασης.
• Το κέρδος που υπολογίσαμε για το “νέο
προϊόν – προσεκτική ανάπτυξη” ήταν
210,200 €. Υπολογίζουμε το κόστος αυτής
της προσέγγισης σε 75.000 € και
παίρνουμε ένα καθαρό κέρδος 135.200 €.
Το κέρδος του “νέου προϊόντος – ταχεία
ανάπτυξη” ήταν 15.700 €. Σε αυτόν τον
κλάδο επιλέγουμε την καλύτερη επιλογή,
“νέο προϊόν – προσεκτική ανάπτυξη” και
αποδίδουμε αυτήν την τιμή στον κόμβο
 Η ανάπτυξη ενός νέου προϊόντος αξίζει τον κόπο
και το χρόνο μας για να πάρουμε ένα καλό προϊόν
(προσεκτική ανάπτυξη) από το να «σπρώξουμε»
(ταχεία ανάπτυξη) το προϊόν στην αγορά.
 Βελτιώνουμε τα υπάρχοντα προϊόντα μας (ενίσχυση
προϊόντων) από το να αναπτύξουμε πρόχειρα
(ταχεία ανάπτυξη) ένα νέο προϊόν, ακόμη και αν
αυτό έχει μικρότερο κόστος για εμάς.
Δέντρα απόφασης
Τα δέντρα απόφασης παρέχουν μια αποτελεσματική μέθοδο λήψης
απόφασης επειδή αυτά:
 παρουσιάζουν σαφώς το πρόβλημα έτσι ώστε όλες οι επιλογές να

μπορούν να εμφανισθούν, να συζητηθούν και να συγκριθούν,
 παρέχουν ένα πλαίσιο που ποσοτικοποιεί τις τιμές των αποτελεσμάτων και
των πιθανοτήτων επίτευξης των, και
 μας βοηθούν για να πάρουμε τις καλύτερες αποφάσεις επί τη βάσει των
υπαρχουσών πληροφοριών και των καλύτερων εκτιμήσεών μας.
Η ανάλυση δέντρων απόφασης θα πρέπει να χρησιμοποιηθεί από κοινού με

την κοινή αίσθηση-γνώση. Τα δέντρα απόφασης είναι ένα μόνο σημαντικό
εργαλείο λήψης αποφάσεων που έχουμε στη διάθεσή μας.
Δέντρα απόφασης
Bayesian Decision Making
Παράδειγμα Bayesian Decision Making

 Το δένδρο απόφασης είναι ένα παράδειγμα
υποθετικού συλλογισμού ή καταστάσεων “Τι Εάν”.
 Περιγράφει τη διαδρομή που οδηγεί στη βέλτιστη
στρατηγική
 Περιγράφει πως η αβεβαιότητα αναπαράγεται
διαμέσου ενός δένδρου και πως η πιθανότητα σε
έναν κόμβο επηρεάζεται από τις πιθανότητες στους
άλλους κόμβους
39
Χρήση του νόμου Bayesian για λήψη
αποφάσεων
 Χρησιμοποιείται για ανάλυση δένδρου αποφάσεων στις
κοινωνικές επιστήμες και στις επιχειρήσεις
 Το PROSPECTOR σύστημα χρησιμοποιεί Bayesian decision
making.
 Χρησιμοποιήθηκε για να καθορίσει τις κατάλληλες περιοχές
για εξόρυξη
40
Παράδειγμα Bayesian για λήψη αποφάσεων
Πιθανότητες
Εκ των προτέρων
Υποκειμενική γνώμη
No Oil Oil για τη θέση - P(Hi)
P(O’)=0.4 P(O)=0.6
Υπο συνθήκη
-Test +Test -Test +Test Σεισμολογικά
P(-|O’) P(+|O’) P(-|O) P(+|O) αποτελέσματα
=0.9 =0.1 =0.2 =0.8 P(E|Hi)
P(-Ô’) P(+Ô) Συνδυασμένη

P(+Ô’) P(-Ô) P(E^H)=
=0.36 =0.04 =0.12 =0.48 P(E|Hi) P(Hi)
Αρχικό δένδρο πιθανοτήτων για εύρεση πετρελαίου

41
Παράδειγμα Bayesian για λήψη αποφάσεων
Πιθανότητες
Χωρίς συνθήκη
-Test +Test
P(-)=0.48 P(+)=0.52
Εκ των υστέρων
No Oil Oil No Oil Oil P(Hi|E)=
P(O’|-) P(O|-) P(O’|+) P(O|+) P(E|Hi) P(Hi)/P(E)
=(.9)(.4)/0.48 =(.2)(.6)/0.48 =(.1)(.4)/0.52 =(.8)(.6)/0.52
=3/4 =1/4 =1/13 =12/13
P(-Ô’) P(+Ô) Συνδυασμένη

P(-Ô) P(+Ô’) P(E^H)=
=0.36 =0.12 =0.04 =0.48 P(Hi|E) P(E)
Αναδιατεταγμένο δένδρο πιθανοτήτων για εξερεύνηση πετρελαίου
42
Παράδειγμα Bayesian για λήψη

αποφάσεων
 Εξερεύνηση πετρελαίου
πετρέλαιο, επιτυχή $1,250,000
έξοδα γεώτρησης -$200,000
Σεισμολογική έρευνα -$50,000
 Το αναμενόμενο κέρδος είναι το ποσό που προκύπτει
ακολουθώντας την ενδεικνυόμενη ενέργεια
 Εφαρμόζεται ανάστροφη επαγωγή (backward induction).
 Το αναμενόμενο κέρδος από ένα γεγονός-κόμβο είναι το
άθροισμα των κερδών επί τις αντίστοιχες πιθανότητες
43
Γεγονότα
A Αποτελέσματα
P(-)=0.48 P(+)=0.52 + or -
D E Ενέργεια
Quit or Drill
Drill Quit Drill

Quit
B C Γεγονός
No Oil Oil Oil or No Oil
No Oil Oil P(O|+)
P(O’|-) P(O|-) P(O’|+)
=1/13 =12/13
=3/4 =1/4
-$50,000
-$250,000 $1,000,000-$50,000 -$250,000 $1,000,000 Κέρδος
Αρχικό δένδρο απόφασης για εξερεύνηση πετρελαίου 44

Γεγονός
A $446,000 Αποτελέσματα
P(-)=0.48 P(+)=0.52 + or -
-$50,000 D E $903,846 Ενέργεια

Quit or Drill
Drill Quit Drill

Quit
B $62,500 C $903,846 Γεγονός

No Oil Oil Oil or No Oil
No Oil Oil P(O|+)
P(O’|-) P(O|-) P(O’|+)
=1/13 =12/13
=3/4 =1/4
-$50,000
-$250,000 $1,000,000-$50,000 -$250,000 $1,000,000 Κέρδος
Πλήρες δένδρο απόφασης για εξερεύνηση χρησιμοποιώντας με αναστροφή
45
ή
Δίκτυα Πιθανοτήτων
(Bayesian Probability
Networks)
Δίκτυα Πιθανοτήτων (Bayesian Probability

Networks)
 Αντιμετωπίζουν το πρόβλημα της αλληλεπίδρασης των

πιθανοτήτων που εμφανίζεται όταν ο χειρισμός της αβεβαιότητας γίνεται
αυστηρά κατά Bayes.
 Βασίζονται στην παρατήρηση ότι στον πραγματικό κόσμο τα
διάφορα γεγονότα δεν αλληλεπιδρούν όλα το ένα με το άλλο αλλά
μερικώς. Δηλαδή μπορεί να οριστούν ομάδες από γεγονότα που
αλληλεπιδρούν, δηλαδή δεν είναι απαραίτητο να υπολογίζονται οι
πιθανότητες όλων των συνδυασμών γεγονότων.
Κανόνες στα δίκτυα πιθανοτήτων: if γεγονός then υποθετικό
συμπέρασμα
 Διασυνδέονται μεταξύ τους με το υποθετικό συμπέρασμα του ενός
να αποτελεί το γεγονός κάποιου άλλου.
 Δύο ή περισσότεροι κανόνες μπορεί να καταλήγουν στο ίδιο
υποθετικό συμπέρασμα κάτω όμως από διαφορετικές παραδοχές.
 Απαγορεύεται η ύπαρξη βρόχων μέσα στο δίκτυο.
47
Δίκτυα Πιθανοτήτων (Bayesian Probability
Networks)
Ειδικός μηχανισμός επιτρέπει την αλλαγή της ροής της πληροφορίας

(πιθανοτήτων) στο δίκτυο των κανόνων, χωρίς όμως να γίνεται
ταυτόχρονη χρήση κανόνων που αντιστρέφουν την σχέση αιτίας-
αποτελέσματος.
48
Δίκτυα Συμπερασμού (Inference Networks)

Παραλλαγή των δικτύων πιθανοτήτων.
Οι κανόνες υποδηλώνουν μία "χαλαρή" συνεπαγωγή:
if γεγονός then υποθετικό συμπέρασμα με βαθμό ισχύος S
Μία περίπτωση υλοποίησης Δικτύων Συμπερασμού είναι με τη χρήση

των μεγεθών της λογικής επάρκειας και της λογικής αναγκαιότητας σε
συνδυασμό με την ποσότητα εύνοια γεγονότος.
 Εύνοια Γεγονότος (Odds - Ο):

Εκφράζει τη σύγκριση μεταξύ πιθανοτήτων να συμβεί και να μην συμβεί ένα
γεγονός.
P(E )
O(E ) =
1 − P(E )
49
 Λογική Επάρκεια (Logical Sufficiency – LS):
Εκφράζει πόσο πιθανότερο είναι να συνδεθεί ένα γεγονός Ε με την
αλήθεια ενός υποθετικού συμπεράσματος Η, παρά με την άρνηση
του Η (συμβολίζεται ¬Η)
P(E | H ) O(H | E )
LS = =
P(E | ¬H ) O(H )
 Λογική Αναγκαιότητα (Logical Necessity – LN)

Εκφράζει το πόσο πιθανότερο είναι να συνδεθεί η απουσία ενός
γεγονότος Ε με την αλήθεια του υποθετικού συμπεράσματος Η παρά
με την άρνηση του Η.
P(¬E | H ) O(H | ¬E )
LN = =
P(¬E | ¬H ) O(H )
50

Στα δίκτυα συμπερασμού οι κανόνες περιέχουν και
αρχικές τιμές πιθανότητας. Η γενική μορφή τους είναι:
E ( → H
LS , LN )
Po( H )
P (H) είναι η πιθανότητα να ισχύει το υποθετικό
o
συμπέρασμα Η όταν απουσιάζει οποιασδήποτε ένδειξη για
την ισχύ του γεγονότος Ε.
 Αν κατά τη διάρκεια του συμπερασμού γίνει γνωστή η
ύπαρξη του γεγονότος Ε τότε και η πιθανότητα του Η αλλάζει
σε P(H|E).
 Ο βαθμός αλλαγής καθορίζεται από το βαθμό ισχύος του
κανόνα, δηλαδή τις τιμές LS, LN.
 Όλες οι αλλαγές προωθούνται μέσα στο δίκτυο των
κανόνων από κόμβο σε κόμβο, ανάλογα και με τις
συσχετίσεις που υπάρχουν. 51
Παράδειγμα Δικτύου Συμπερασμού (Inference
Networks)
X (    →
LS 1= 4 , LN 1= 0.5 ) Y 2
( 
2

= ,
LS =
) →
10 LN 0.2 Z
p o ( Y ) = 0 .1 p o ( Z ) = 0 .2
• Po(Y) και Po(Z) είναι οι αρχικές τιμές πιθανότητας για τα Υ και Ζ
αντίστοιχα, χωρίς να υπάρχει οποιασδήποτε γνώση για το Χ.
• Έστω ότι η τιμή του Χ γίνεται γνωστή. Μετά από πράξεις, η

τελική μορφή του δικτύου:
X (    →
LS 1= 4 , LN 1= 0.5 ) Y ( 
LS 2
  →
=10 , LN 2 = 0.2 ) Z
P (Y | X ) = 0.307 P ( Z | X ) = 0.252
P(Y )
O(Y ) =
0.1
= = 0.111
1 − P(Y ) 1 − 0.1
O(Y | X ) = LS1 * O(Y ) = 4 * 0.111 = 0.444
O(Y/X )
P(Y/X ) =
0.444
= = 0.307
1 + O(Y/X ) 1 + 0.444 52
Δίκτυα Πιθανοτήτων Bayes
 You have a new burglar alarm installed at home. It is fairly reliable at detecting a
burglary, but also responds on occasion to minor earthquakes.
 You also have two neighbors, John and Mary, who have promised to call you at work
when they hear the alarm. John always calls when he hears the alarm, but sometimes
confuses the telephone ringing with the alarm and calls then, too. Mary, on the other
hand, likes rather loud music and sometimes misses the alarm altogether.
Δίκτυα Πιθανοτήτων Bayes 1/2
 Once we have specified the topology, we need to specify the conditional probability table
or CPT for each node. Each row in the table contains the conditional probability of each
node value for a conditioning case. A conditioning case is just a possible combination of
values for the parent nodes (a miniature atomic event, if you like). For example, the
conditional probability table for the random variable Alarm might look like this:
 (Each row in a conditional probability table must sum to 1, because the entries represent
an exhaustive set of cases for the variable. Hence only one of the two numbers in each
row shown above is independently specifiable. In general, a table for a Boolean variable
with n Boolean parents contains 2" independently specifiable probabilities. A node with
no parents has only one row, representing the prior probabilities of each possible value of
the variable.)

 You have a new burglar alarm installed at home. It is fairly reliable
at detecting a burglary, but also responds on occasion to minor
earthquakes.
 You also have two neighbors, John and Mary, who have promised
to call you at work when they hear the alarm. John always calls
when he hears the alarm, but sometimes confuses the telephone
ringing with the alarm and calls then, too. Mary, on the other hand,
likes rather loud music and sometimes misses the alarm altogether.
 We can calculate the probability of the event that the alarm has sounded but neither a
burglary nor an earthquake has occurred, and both John and Mary call
Προσέγγιση Dempster-Shafer
Βασίζεται σε λογισμό με αριθμητικές τιμές

πεποίθησης (belief), δηλαδή πίστης για την ισχύ
κάποιου υποθετικού συμπεράσματος για το οποίο
υπάρχουν κάποιες ενδείξεις (γεγονότα).
Δεν απαιτείται η συλλογή όλων των απλών και των

υπό συνθήκη πιθανοτήτων.
57
Προσέγγιση Dempster-Shafer
 Πλαίσιο διάκρισης (frame of discernment): το σύνολο U των
διακριτών και αμοιβαία αποκλειόμενων προτάσεων ενός τομέα
γνώσης. π.χ. αν εξετάζεται η ασθένεια κάποιου, το U αντιπροσωπεύει όλες τις
πιθανές διαγνώσεις, δηλαδή τα υποθετικά συμπεράσματα.
 Pow(U): Το σύνολο των υποσυνόλων του U (δυναμοσύνολο)

Αν U={A, B, C} είναι το σύνολο των πιθανών ασθενειών τότε το σύνολο:
Pow(U) = { {}, {A}, {B}, {C}, {A, B}, {A, C}, {B, C}, {A, B, C} }
υποδηλώνει τις πιθανές διαγνώσεις για μια περίπτωση ασθένειας.
 Κάθε στοιχείο του Pow(U) αντιστοιχεί σε διαζευγμένες προτάσεις. Π.χ. {Α,
Β} σημαίνει "ασθένεια Α ή Β".
 Στοιχεία του U που δεν ανήκουν σε ένα στοιχείο του Pow(U), (π.χ. η
ασθένεια C στο {Α, Β}), κάνουν σαφή την άρνηση του αντίστοιχου υποθετικού
συμπεράσματος.
 Το κενό υποσύνολο {} αντιστοιχεί στην περίπτωση που όλα τα υποθετικά
συμπεράσματα είναι ψευδή (null hypothesis).
58
Προσέγγιση Dempster-Shafer (D-S) 1/2

 Δεν απαιτείται η συλλογή όλων των απλών και των υπό συνθήκη πιθανοτήτων.
 Λογισμός με αριθμητικές τιμές πεποίθησης (belief)
 Πλαίσιο διάκρισης (frame of discernment).
 Αν U={A, B, C} πιθανές ασθένειες τότε Pow είναι το σύνολο των υποσυνόλων του
U:
Pow(U) = { {}, {A}, {B}, {C}, {A, B}, {A, C}, {B, C}, {A, B, C} } - πιθανές
διαγνώσεις.
 Διαζευγμένες Προτάσεις: {Α, Β} σημαίνει "ασθένεια Α ή Β".
 Στοιχεία του U που δεν ανήκουν σε ένα στοιχείο του Pow(U), (π.χ. η ασθένεια C
 στο {Α, Β}), κάνουν σαφή την άρνηση του αντίστοιχου υποθετικού συμπεράσματος.
 {}: null hypothesis
Προσέγγιση Dempster-Shafer 2/2
 Η βασική κατανομή πιθανότητας (basic probability assignment - bpa) είναι μία
απεικόνιση: m: Pow(U) → [0,1] η οποία αναθέτει μία τιμή πεποίθησης για κάθε
στοιχείο του Pow(U)
 Είναι δηλαδή το μέτρο της πεποίθησης που υπάρχει για το κατά πόσο ισχύει το
υποθετικό συμπέρασμα που εκφράζεται με το συγκεκριμένο στοιχείο του U.
 η πεποίθηση m({A, B})=0.3, δε μοιράζεται στα {Α} και {Β} αλλά αφορά το {Α,
Β}.
 ισχύει m({})=0
 Επειδή θεωρούμε οτι το υποθετικό συμπέρασμα βρίσκεται κάπου μέσα στα

στοιχεία του Pow(U)
 Η συνολική πεποίθηση (belief) ότι ένα στοιχείο του U ανήκει στο Χ καθώς και στα
τυχόν υποσύνολα του Χ συμβολίζεται με Bel(X)
Dempster-Shafer vs. Bayes

 Bayes: η απουσία άλλων ενδείξεων για τις δυνατές εκδοχές τις καθιστά
ισοπίθανες.
 Dempster-Shafer: η απουσία κάποιων ενδείξεων θέτει την πιθανότητα
(likelihood) κάθε εκδοχής κάπου στο διάστημα [0, 1].
Κανόνας Dempster-Shafer
 Αν m1 και m2 δύο ανεξάρτητες εκτιμήσεις (βασικές κατανομές πιθανότητας) που
αποδίδουν κάποιο βαθμό πεποίθησης στα στοιχεία του Pow(U), τότε αυτές
συνδυάζονται σε μία τρίτη εκτίμηση m3=m1⊕m2 με τρόπο που ορίζεται με τον
κανόνα D-S:
Παράδειγμα: Διάγνωση Ασθένειας
 Έστω U={A, B, C} το σύνολο των δυνατών ασθενειών που μπορεί να διαγνωσθούν.
 Πιθανές Διαγνώσεις Pow(U)={{}, {A}, {B}, {C}, {A,B}, {A,C}, {B,C}, {A,B,C}}
 m( {{ }, {A}, {B}, {C}, {A, B}, {A, C}, {B, C}, {A, B, C} } ) = 1
 υποδηλώνει τη βεβαιότητα ότι η διάγνωση βρίσκεται κάπου στα στοιχεία του
Pow(U) αλλά ελλείψει άλλων ενδείξεων δεν είναι δυνατό να δοθεί ιδιαίτερη
βαρύτητα σε κάποιο
 Bayes: θα έπρεπε κάθε στοιχείο του Pow(U) να θεωρηθεί ισοπίθανο
 Έστω ότι γίνεται διαθέσιμη επιπλέον πληροφορία, (π.χ. πραγματοποιούνται ιατρικές
εξετάσεις) και προκύπτει ότι η ασθένεια είναι μία από τις A ή Β με βαθμό πίστης 0.7
 m1( {Α, Β} ) = 0.7
 m1( {{ }, {A}, {B}, {C}, {A, C}, {B, C}, {A, B, C}} ) = 0.3
 Δηλαδή, η έλλειψη πίστης σε ένα από τα υποθετικά συμπεράσματα του Pow(U),
ισοδυναμεί αυτόματα με ισόποσο βαθμό πίστης στα υπόλοιπα στοιχεία του Pow(U),
χωρίς όμως να δίνεται ιδιαίτερη προτίμηση σε κάποιο από αυτά.
 Bayes: απαιτείται ο υπολογισμός μεγάλου αριθμού υπό συνθήκη πιθανοτήτων, κάτι
που είναι υπολογιστικά ακριβό και πολλές φορές αδύνατο.
 Πώς μπορεί να συνδυαστούν δύο ανεξάρτητες εκτιμήσεις (π.χ. δύο ιατρών) σε μία;
Παράδειγμα: Συνδυασμός Διαγνώσεων

 Έστω ότι δύο γιατροί εξετάζουν ανεξάρτητα τον ασθενή και δίνουν την εκτίμησή τους
m1 και m2 αντίστοιχα, για την αρρώστια από την οποία αυτός πάσχει.
Γιατρός 1 Γιατρός 2
Δυνατές περιπτώσεις m1 Bel1 m2 Bel2
διάγνωσης
{Α} 0.05 0.05 0.15 0.15

{Β} 0 0 0 0
{C} 0.05 0.05 0.05 0.05
{A, B} 0.15 0.2 0.05 0.2
{A, C} 0.1 0.2 0.2 0.4
{B, C} 0.05 0.1 0.05 0.1
{A, B, C} 0.6 1 0.5 1
 π.χ. Bel1({A,B}) = m1({A,B}) + m1({A}) + m1({B}) = 0.015 + 0.05 + 0 = 0.2
 Οι δύο ανεξάρτητες εκτιμήσεις m1 και m2 μπορεί να συνδυαστούν στην m3
χρησιμοποιώντας τον κανόνα Dempster-Shafer:
Παράδειγμα: Συνδυασμός Εκτιμήσεων 1/2
m1
m3=m1⊕m2
{Α} {Β} {C} {A,B} {A,C} {B,C} {A,B,C}
m2 0.05 0 0.05 0.15 0.1 0.05 0.6
{Α} 0.15 {Α} .0075 {}0 { } .0075 {Α} .0225 {Α} .015 { } .0075 {Α} .09
{Β} 0 { } .0 {Β} 0 { } .0 {Β} .0 { } .0 {Β} .0 {Β} .0
{C} 0.05 { } .0025 {}0 {C} .0025 { } .0075 {C} .005 {C} .0025 {C} .03
{A,B} 0.05 {Α} .0025 {Β} 0 { } .0025 {Α,B} .0075 {Α} .005 {Β} .0025 {A,B} .03
{A,C} 0.2 {Α} .01 {}0 {C} .01 {Α} .03 {Α,C} .02 {C} .01 {A,C}
.012
{B,C} 0.05 { } .0025 {Β} 0 {C} .0025 {Β} .0075 {C} .005 {B,C} .0025 {B,C} .03
{A,B,C} 0.5 {Α} .025 {Β} 0 {C} .025 {Α,B} .075 {Α,C} .05 {B,C} .025 {A,B,C} .3
Παράδειγμα: Συνδυασμός Εκτιμήσεων 2/2

Δυνατές περιπτώσεις m3 Bel3
διάγνωσης
{Α} 0.21 0.21

{Β} 0.01 0.01
{C} 0.09 0.09
{A, B} 0.12 0.34
{A, C} 0.20 0.50
{B, C} 0.06 0.16
{A, B, C} 0.31 1.00
 Η αρχική εκτίμηση ότι η ασθένεια είναι μία από τις Α ή Β αποδυναμώθηκε.

 η διάγνωση βρίσκεται μάλλον στο σύνολο {A,C}
 επειδή Bel3({A})>Bel3({C}), αρχίζει να διαφαίνεται ότι η τελική διάγνωση είναι η Α
 Η παραπάνω συνδυασμένη εκτίμηση μπορεί να συνδυαστεί εκ νέου με μια άλλη
εκτίμηση (π.χ. 3ου ιατρού).
Ασάφεια (Fuzziness)
 Έννοια που σχετίζεται με την ποσοτικοποίηση της πληροφορίας και οφείλεται
κυρίως σε μη-ακριβή (imprecise) δεδομένα.
 "Ο Νίκος είναι ψηλός“
 Το πρόβλημα οφείλεται στην αντίληψη που έχει ο καθένας για λεκτικούς

προσδιορισμούς ποσοτικών μεγεθών (σημασιολογική ασάφεια)
 Εγγενές χαρακτηριστικό της γλώσσας.
 Ασαφής Λογική (fuzzy logic): υπερσύνολο της κλασικής λογικής

 χειρίζεται τιμές αληθείας μεταξύ του "απολύτως αληθούς" και του "απολύτως
ψευδού".
 Θεωρία Ασαφών Συνόλων (Fuzzy Set Theory) - Lofti Zadeh '60
Βασικές Έννοιες Ασαφών Συνόλων
 Ασαφές Σύνολο (fuzzy set) A: ένα σύνολο διατεταγμένων ζευγών (x, uA(x)) όπου
x∈Χ και uA(x)∈[0,1]).
 Το σύνολο Χ περιλαμβάνει όλα τα αντικείμενα στα οποία μπορεί να γίνει
αναφορά.
 uA(x): βαθμός αληθείας (degree of truth) - τιμές στο διάστημα [0,1].
 Η συνάρτηση uΑ ονομάζεται συνάρτηση συγγένειας (membership function).
 Προέλευση uA:
 Υποκειμενικές εκτιμήσεις
 Προκαθορισμένες (ad hoc) μορφές
 Συχνότητες εμφανίσεων και πιθανότητες
 Φυσικές μετρήσεις
 Διαδικασίες μάθησης και προσαρμογής (νευρωνικά δίκτυα)
Αναπαράσταση Ασαφών Συνόλων
 Αναλυτική έκφρασης της uΑ

 Απλούστευση: τμηματικώς γραμμικής απεικόνιση της uA
 Σύνολο ζευγών της μορφής uΑ(x)/x
 Π.χ. ψηλός = {0/1.7, 0/1.75, 0.33/1.8, 0.66/1.85, 1/1.9, 1/1.95}
 Με ζεύγη της μορφής (x, uΑ(x)):
 Π.χ. ψηλός = { (1.7, 0), (1.75, 0), (1.8, 0.33), (1.85, 0.66), (1.9, 1), (1.95, 1) }
Ασαφείς Σχέσεις 1/2
 Aσαφή σύνολα ορισμένα σε πεδία αναφοράς ανώτερης διάστασης.
 Παράδειγμα: R = "x είναι βαρύτερο από y" x∈X, y∈Y και R∈ X×Y
 Αναπαράσταση της R, σε μορφή πίνακα:
 Σύνθεση (composition) Ασαφών Σχέσεων: συνδυασμός ασαφών σχέσεων.

 Πρέπει να προσδιοριστεί η συνάρτηση συγγένειας uR(x,z) της R, με χρήση των
συναρτήσεων συγγένειας των R1 και R2, δηλαδή των uR1(x,y) και uR2(y,z).
Ασαφείς Σχέσεις 2/2

 Σύνθεση max-min (max-min composition)
 Σύνθεση max-product (max-product composition).
 Αν R1(x,y) και R2(y,z) είναι δύο ασαφείς σχέσεις ορισμένες στα σύνολα Χ×Υ και
Υ×Ζ αντίστοιχα, τότε η σύνθεσή τους δίνει μία νέα σχέση R1°R2 ορισμένη στο Χ×Ζ
με συνάρτηση συγγένειας:
 Σύνθεση max-min:
 Σύνθεση max-product:
Ασαφείς Μεταβλητές και Ασαφείς Αριθμοί
 Ασαφής Μεταβλητή (fuzzy variable): οι τιμές τις ορίζονται με ασαφή σύνολα.
 Π.χ. τα ασαφή σύνολα {κοντός, μεσαίος, ψηλός} θα μπορούσαν να είναι το
πεδίο τιμών της ασαφούς μεταβλητής "ύψος".
 "ύψος": λεκτική (linguistic) μεταβλητή.
 Ασαφείς αριθμοί (fuzzy numbers): ασαφή υποσύνολα του συνόλου των πραγματικών
αριθμών. Π.χ. "Ασαφές 3" στο σχήμα.
 μη ασαφείς τιμές: crisp (σαφείς, συγκεκριμένες).
Η Αρχή της Επέκτασης 1/2

 Επέκταση των εννοιών και των υπολογιστικών τεχνικών των κλασσικών
μαθηματικών στο πλαίσιο των ασαφών.
 συνάρτηση f: ορίζει απεικόνιση του Χ={x1, x2, .., xn} στο Y={y1, y2, .., yn}, έτσι ώστε
y1=f(x1), y2=f(x2), .., yn=f(xn).
 ασαφές σύνολο Α ορισμένο στα στοιχεία του Χ
Α = { uA(x1)/x1 , uA(x2)/x2 , ... , uA(xn)/xn }
 Αν η είσοδος x της συνάρτησης f γίνει ασαφής μέσω του συνόλου Α, τότε τι συμβαίνει
με την έξοδο y ;
 Αρχή Επέκτασης: υπολογισμός ασαφούς συνόλου Β με εφαρμογή της f στο Α.

B = f(Α) = { uA(x1)/f(x1) , uA(x2)/f(x2) , ... , uA(xn)/f(xn) }
 δηλαδή, κάθε yi=f(xi) γίνεται ασαφές σε βαθμό uA(xi)
 πρακτικά, η uB(y) προκύπτει από την uA(x) όπου το x αντικαθίσταται με την
έκφραση που προκύπτει για αυτό από την επίλυση της f ως προς x
Η Αρχή της Επέκτασης 2/2
 Ειδικές Περιπτώσεις
 αν περισσότερα του ενός διαφορετικά x (έστω τα xm και xn) δίνουν μέσω της
συνάρτησης f το ίδιο y (έστω το y0), τότε: uB(yο)=uA(xm) ∨ uA(xn).
 η μέγιστη τιμή συγγένειας των xm και xn στο Α επιλέγεται ως βαθμός συγγένειας του
y0 στο Β
 αν για κάποιο yο του Β δεν υπάρχει x0 του Α τέτοιο ώστε yο=f(xο), τότε η τιμή
συγγένειας του Β στο yο είναι μηδέν.
 Γενίκευση σε περισσότερες διαστάσεις:

 αν υπάρχουν οι μεταβλητές u, v, ..., w ορισμένες στα σύνολα U, V, ..., W αντίστοιχα
 m διαφορετικά ασαφή σύνολα A1, A2, .., Am ορισμένα στο U×V×...×W
 η πολυπαραμετρική συνάρτηση y=f(u,x,...,w)
 τότε η ασαφοποίηση του χώρου των y, δηλαδή η συνάρτηση συγγένειας του συνόλου Β,
ορίζεται ως εξής:
Παράδειγμα Χρήσης Αρχής Επέκτασης 1/2

 Πρόσθεση των αριθμών Α:"ασαφές 3" και Β:"ασαφές 7"
 Α: "ασαφές 3" = { 0/1, 0.5/2, 1/3, 0.5/4, 0/5 }
 Β: "ασαφές 7" = { 0/5, 0.5/6, 1/7, 0.5/8, 0/9 }
 Κατασκευάζεται ο πίνακας:
 Σύμφωνα με την αρχή της επέκτασης θα είναι:

Παράδειγμα Χρήσης Αρχής Επέκτασης 2/2
 Έστω z=9. Υπάρχουν δύο συνδυασμοί x και y που μας δίνουν άθροισμα 9.
 αρχή της επέκτασης:
uA+Β(9) =max(min(uA(4), uB(5)), min(uA(3), uB(6)), min(uA(2),uB(7)),
min(uA(1), uB(8))) =
max(min(0.5, 0), min(1, 0.5), min(0.5, 1), min(0, 0.5)) =
max( 0, 0.5, 0.5, 0) = 0.5
 Άρα: ο βαθμός συγγένειας του z=9 στο ασαφές σύνολο C=A+B είναι 0.5.
 όμοια για τα υπόλοιπα στοιχεία του πίνακα, οπότε προκύπτει:

uA+Β(z) = { 0/7, 0.5/8, 0.5/9, 1/10, 0.5/11, 0.5/12, 0/13 }
Παράδειγμα Γραφικής Επίλυσης

Παράδειγμα Άμεσης Εφαρμογής
Αρχής Επέκτασης
 Έστω η y=f(x):
 Έστω ότι το x γίνεται ασαφές μέσω της: uA(x)=1/2⋅x
 Η έξοδος y της f γίνεται ασαφής με το uB(y) να προκύπτει με επίλυση της f ως

προς x:
και αντικατάσταση στην uA(x):
Ασαφείς Προτάσεις και Ασαφείς Κανόνες

 Ασαφής πρόταση είναι αυτή που θέτει μια τιμή σε μια ασαφή μεταβλητή.
 Ασαφής κανόνας (fuzzy rule): είναι μία υπό συνθήκη έκφραση που συσχετίζει
δύο ή περισσότερες ασαφείς προτάσεις.
 "Εάν η ταχύτητα είναι μέτρια τότε η πίεση στα φρένα να είναι μέτρια“
 Η αναλυτική περιγραφή ενός ασαφούς κανόνα if-then είναι μία ασαφής σχέση
R(x,y) που ονομάζεται σχέση συνεπαγωγής (implication relation).
 Γενική της μορφή της σχέσης (συνάρτησης) συνεπαγωγής:
R(x,y)≡u(x,y)=φ( uA(x), uB(y) )
 φ: τελεστής συνεπαγωγής (implication operator)

Μερικοί Ασαφείς Τελεστές Συνεπαγωγής
Ονομασία Tελεστή Αναλυτική Έκφραση του φ[uA(x),uB(y)]
φm: Zadeh Max-Min (uA(x)∧uB(y)) ∨ (1- uA(x))
φc: Mandani Min uA(x)∧uB(y)
φp: Larsen Product uA(x)•uB(y)
φα: Arithmetic 1∧(1-uA(x) + uB(y))
φb: Boolean (1-uA(x)) ∨ uB(y))
Συλλογιστικές Διαδικασίας GMP και GMT
 Γενική μορφή προβλημάτων κατά τη συλλογιστική με ασαφείς κανόνες:
 if x is A then y is B
 x is A' y is Β' (?) μέσω της συλλογιστικής διαδικασίας GMP (Generalized Modus
Ponens - GMP): Β'=A'oR(x,y)
 if x is A then y is B
 x is A' (?) y is Β‘ μέσω της συλλογιστικής διαδικασίας GMΤ (Generalized Modus
Tollens - GMT): A'=R(x,y)Ob‘
 Η σχέση συνεπαγωγής R(x,y) που έχει επιλεγεί να χρησιμοποιηθεί, πρέπει να συνδυαστεί

(σύνθεση) με την κατά περίπτωση γνωστή παράμετρο (Α' ή Β') ώστε να υπολογιστεί η
άγνωστη παράμετρος.
Σύνοψη Ασαφούς Συλλογιστικής Διαδικασίας

 Με βάση έναν ασαφή κανόνα της μορφής:
"if x is A then y is B“
 και έστω συλλογιστική διαδικασία GMP (δηλαδή γνωστό το Α' ως τιμή του x
και ζητούμενο το B' ως τιμή του y), τα ασαφή σύνολα Α και Β συνδυάζονται με
κάποιον από τους τελεστές συνεπαγωγής και παράγουν τη σχέση συνεπαγωγής
R(x,y).
 Από την R(x,y) μέσω σύνθεσης (έστω max-min σύνθεση) με το Α' προκύπτει η
άγνωστη ποσότητα Β':
Β'=A'oR(x,y)
Ασαφής Συλλογιστική
 Εξαγωγή συμπερασμάτων με χρήση ασαφών κανόνων.
 Τέσσερα στάδια:
 Υπολογισμός της συνάρτησης συνεπαγωγής για κάθε εμπλεκόμενο
κανόνα.
 Παραγωγή επιμέρους αποτελεσμάτων μέσω κάποιας συλλογιστικής
διαδικασίας.
 Συνάθροιση των επιμέρους αποτελεσμάτων.
 Αποσαφήνιση αποτελεσμάτων.
Παράδειγμα Προβλήματος
Ασαφούς Συλλογιστικής 1/2
 Έστω σύστημα που ρυθμίζει τη δόση D μιας φαρμακευτικής ουσίας που πρέπει να
χορηγηθεί σε ασθενή, με βάση τη θερμοκρασία του T.
 Έστω ότι το σύστημα βασίζεται στους εξής δύο ασαφείς κανόνες:
Κ1: if T is HIGH then D is HIGH
Κ2: if T is LOW then D is LOW
 Δίνονται επίσης τα ασαφή σύνολα HIGH και LOW για τα μεγέθη Τ και D:
TLOW = { 0.2/37, 1/37.5, 0.5/38, 0.2/38.5, 0/39, 0/39.5, 0/40 }
THIGH = { 0/37, 0/37.5, 0.2/38, 0.5/38.5, 0.8/39, 1/39.5, 1/40 }
DLOW = { 1/0, 0.8/2, 0.5/5, 0.2/8, 0/10 }
DHIGH = { 0/0, 0.2/2, 0.5/5, 0.8/8, 1/10 }
 Αν Τ'=38.5, να υπολογιστεί η τιμή του D' με συλλογιστική διαδικασία GMP.

Παράδειγμα Προβλήματος
Ασαφούς Συλλογιστικής 2/2
Βήμα Α1: Υπολογισμός συνάρτησης συνεπαγωγής

Μέθοδος MIN
 2 κανόνες: δύο τελεστές συνεπαγωγής, οι RK1 και RK2.
 Χρησιμοποιείται ο τελεστής συνεπαγωγής Mandani min (ή απλά MIN).
Κ1: if T is HIGH then D is HIGH - Κ2: if T is LOW then D is LOW
 Έστω ο Κ1. Κατασκευάζεται ο πίνακας αριστερά:
RK1 D 0 2 5 8 10 RK2 D 0 2 5 8 10
T 0 0 0.2 0.5 0.8 1 T 0.2 1 0.8 0.5 0.2 1
37.0 0 0 0 0 0 37.0 0.2 0.2 0.2 0.2 0
37.5 0 0 0 0 0 0 37.5 1 1 0.8 0.5 0.2 0
38.0 0.2 0 0.2 0.2 0.2 0.2 38.0 0.5 0.5 0.5 0.5 0.2 0
38.5 0.5 0 0.2 0.5 0.5 0.5 38.5 0.2 0 0.2 0.2 0.2 0
39.0 0.8 0 0.2 0.5 0.8 0.8 39.0 0 0 0 0 0 0
39.5 1 0 0.2 0.5 0.8 1 39.5 0 0 0 0 0 0
40.0 1 0 0.2 0.5 0.8 1 40.0 0 0 0 0 0 0
 Κάθε κελί του εσωτερικού πίνακα περιέχει το min(uTHIGH, uDHIGH) για τα Τ και D
της γραμμής και στήλης στην οποία βρίσκεται.
 Όμοια προκύπτει και η RK2(TLOW,DLOW) για τον κανόνα Κ2 (πίνακας δεξιά)
 Γενίκευση: αν Ν εκφράσεις στο if τμήμα τότε προκύπτει πίνακας Ν+1 διαστάσεων.
Βήμα Α2: Παραγωγή επιμέρους αποτελεσμάτων 1/2
 Με εφαρμογή της συλλογιστικής διαδικασίας GMP:
 Κανόνας Κ1: D'K1=Τ'oRK1(THIGH,DHIGH)
 Κανόνας Κ2: D'K2=Τ'oRK2(TLOW,DLOW)
 Απαιτείται η γραφή της θερμοκρασίας Τ'=38.5 σε μορφή ασαφούς συνόλου, δηλαδή:
Τ' = 38.5 = { 0/37, 0/37.5, 0/38, 1/38.5, 0/39, 0/39.5, 0/40 }
 Χρησιμοποιείται η μέθοδος σύνθεσης (o) max-min (η συνηθέστερη περίπτωση).
 Τεχνική όμοια με πολλαπλασιασμό πινάκων: χρησιμοποιείται min αντί
πολλαπλασιασμού και max αντί πρόσθεσης.
 1ος πίνακας το ασαφές σύνολο Τ' (1x7) και 2ος ο αριστερά του βήματος Α1 (7x5)
 Tο αποτέλεσμα θα είναι ένας πίνακας 1x5 που θα αποτελεί και την ποσότητα D'K1.
D 0 2 5 8 10
T
D'K1= [0/37, 0/37.5, 0/38, 1/38.5, 0/39, 0/39.5, 0/40] o 37.0 0 0 0 0 0
37.5 0 0 0 0 0
38.0 0 0.2 0.2 0.2 0.2
D'Κ1 = { 0/0, 0.2/2, 0.5/5, 0.5/8, 0.5/10 } 38.5 0 0.2 0.5 0.5 0.5
39.0 0 0.2 0.5 0.8 0.8
39.5 0 0.2 0.5 0.8 1
40.0 0 0.2 0.5 0.8 1
Βήμα Α2: Παραγωγή επιμέρους αποτελεσμάτων 2/2

 Όμοια, ο κανόνας Κ2 δίνει: D'Κ2 = { 0.2/0, 0.2/2, 0.2/5, 0.2/8, 0/10 }
 D'Κ1 (αριστερά) και D'Κ2 (δεξιά).
Βήμα Α3: Συνάθροιση αποτελεσμάτων
Μέθοδος MAX
 Υπολογίζει τη συνδυασμένη έξοδο των κανόνων παίρνοντας τη μέγιστη τιμή συγγένειας
από τις παραμέτρους εξόδου κάθε κανόνα, σημείο προς σημείο (pointwise maximum -
maxp/w).
 Δεδομένου ότι έχει υπολογιστεί:

D1'Κ1 = { 0/0, 0.2/2, 0.5/5, 0.5/8, 0.5/10 }
D1'Κ2 = { 0.2/0, 0.2/2, 0.2/5, 0.2/8, 0/10 }
η συνάθροισή τους κατά MAX δίνει
D1'= {max(0,0.2)/0, max(0.2,0.2)/2, max(0.5,0.2)/5, max(0.5,0.2)/8, max(0.5,0)/10}=
{ 0.2/0, 0.2/2, 0.5/5, 0.5/8, 0.5/10 }
Βήμα Α4: Αποσαφήνιση

 Μέθοδος αποσαφήνισης MAXIMUM
 διακριτή τιμή: μέγιστη τιμή συγγένειας του τελικού αποτελέσματος.
 με average-of-maxima αποσαφήνιση: D1= (5+8+10)/3=7.7
Βήμα Β1: Υπολογισμός συνάρτησης συνεπαγωγής
Μέθοδος PRODUCT
 δύο κανόνες: δύο τελεστές συνεπαγωγής, οι RK1 και RK2.
 Έστω ο τελεστής συνεπαγωγής Larsen Product (ή απλά PRODUCT).
 Κ1: if T is HIGH then D is HIGH - Κ2: if T is LOW then D is LOW
 Κανόνας Κ1. Κατασκευάζεται ο πίνακας αριστερά:
RK1 D 0 2 5 8 10 RK2 D 0 2 5 8 10
T 0 0.2 0.5 0.8 1 T 1 0.8 0.5 0.2 1
37.0 0 0 0 0 0 0 37.0 0.2 0.2 0.16 0.1 0.04 0
37.5 0 0 0 0 0 0 37.5 1 1 0.8 0.5 0.2 0
38.0 0.2 0 0.04 0.1 0.16 0.2 38.0 0.5 0.5 0.4 0.25 0.1 0
38.5 0.5 0 0.1 0.25 0.4 0.5 38.5 0.2 0.2 0.16 0.1 0.04 0
39.0 0.8 0 0.16 0.4 0.64 0.8 39.0 0 0 0 0 0 0
39.5 1 0 0.2 0.5 0.8 1 39.5 0 0 0 0 0 0
40.0 1 0 0.2 0.5 0.8 1 40.0 0 0 0 0 0 0
 Κάθε κελί του εσωτερικού πίνακα (σχέση συνεπαγωγής RK1) περιέχει το (uTHIGH
• uDHIGH) για τα Τ και D της γραμμής και στήλης στην οποία βρίσκεται.
 Όμοια προκύπτει και η RK2(TLOW,DLOW) για τον κανόνα Κ2 (πίνακας δεξιά)
Βήμα Β2: Παραγωγή επιμέρους αποτελεσμάτων 1/2

 Με εφαρμογή της συλλογιστικής διαδικασίας GMP:
 Κανόνας Κ1: D'K1=Τ'oRK1(THIGH,DHIGH)
 Κανόνας Κ2: D'K2=Τ'oRK2(TLOW,DLOW)
 Απαιτείται η γραφή της θερμοκρασίας Τ'=38.5 σε μορφή ασαφούς συνόλου:
Τ' = 38.5 = { 0/37, 0/37.5, 0/38, 1/38.5, 0/39, 0/39.5, 0/40 }
 Χρησιμοποιείται η μέθοδος σύνθεσης (o) max-min (η συνηθέστερη περίπτωση).
 1ος πίνακας το ασαφές σύνολο Τ' (1x7) και 2ος ο εσωτερικός του βήματος Β1 (7x5)
 Tο αποτέλεσμα θα είναι ένας πίνακας 1x5 που θα αποτελεί και την ποσότητα D'K1.
D 0 2 5 8 10
T
D'K1= [0/37, 0/37.5, 0/38, 1/38.5, 0/39, 0/39.5, 0/40] o 37.0 0 0 0 0 0
37.5 0 0 0 0 0
D'Κ1 = { 0/0, 0.1/2, 0.25/5, 0.4/8, 0.5/10 }
38.0 0 0.04 0.1 0.16 0.2
38.5 0 0.1 0.25 0.4 0.5
39.0 0 0.16 0.4 0.64 0.8
39.5 0 0.2 0.5 0.8 1
40.0 0 0.2 0.5 0.8 1
Βήμα Β2: Παραγωγή επιμέρους αποτελεσμάτων 2/2
 Όμοια προκύπτει ότι ο κανόνας Κ2 δίνει: D'Κ2 = { 0.2/0, 0.16/2, 0.1/5, 0.04/8,0/10 }
 Γραφική απεικόνιση των D'Κ1 (αριστερά) και D'Κ2 (δεξιά).
Βήμα Β3: Συνάθροιση αποτελεσμάτων

Μέθοδος SUM
 Υπολογίζει τη συνδυασμένη έξοδο των κανόνων παίρνοντας τo άθροισμα των τιμών
συγγένειας των παραμέτρων εξόδου κάθε κανόνα, σημείο προς σημείο (pointwise
sum - sump/w).
 Δεδομένου ότι έχει υπολογιστεί:
 D2'Κ1 = { 0/0, 0.1/2, 0.25/5, 0.4/8, 0.5/10 }
 D2'Κ2 = { 0.2/0, 0.16/2, 0.1/5, 0.04/8, 0/10 }
 ...η συνάθροισή τους κατά MAX δίνει....
 D2'= { (0+0.2)/0, (0.1+0.16)/2, (0.25+0.1)/5, (0.4+0.04)/8, (0.5+0)/10} =
{ 0.2/0, 0.26/2, 0.35/5, 0.44/8, 0.5/10 }
Βήμα Β4: Αποσαφήνιση
 Μέθοδος αποσαφήνισης CENDROID
 Η διακριτή τιμή είναι αυτή που προκύπτει από το κέντρο βάρους της τελικής
συνάρτησης συγγένειας για την ασαφή παράμετρο εξόδου.
 Το κέντρο βάρους επιφάνειας που ορίζεται από μία συνάρτηση f(t): σχέση (1)
 Για διακριτού συνόλου αναφοράς: διακριτό άθροισμα με δειγματοληψία Ν σημείων
(σχ.2).
 Με CENDROID αποσαφήνιση στα αποτελέσματα της συνάθροισης SUM,

προκύπτει:
Διαγραμματική Επίλυση 1/2

 Προϋπόθεση: οι συναρτ. συγγένειας να είναι συνεχείς καμπύλες - όχι ζεύγη (x,u(x))
 Πρόβλημα: υπολογισμός της δόσης D' μιας φαρμακευτικής ουσίας με βάση την
θερμοκρασία Τ' και τους ασαφείς κανόνες:
 Κ1: if T is HIGH then D is HIGH - Κ2: if T is LOW then D is LOW
 με μέθοδο ΜΙΝ για τον υπολογισμό των συναρτήσεων συνεπαγωγής:
 κανόνας Κ2: DEF

 κανόνας Κ1: CGH
 Λύση: αποσαφήνιση στην "καμπύλη" DJGH
Διαγραμματική Επίλυση 2/2
 Θεωρώντας μέθοδο PRODUCT για τον υπολογισμό των συναρτήσεων
συνεπαγωγής:
 κανόνας Κ2: DF
 κανόνας Κ1: CH
 Λύση: αποσαφήνιση στην "καμπύλη" DH
Συστήματα Ασαφούς Συλλογιστικής
 Δυσκολότερο σημείο: επιλογή ασαφών μεταβλητών, των τιμών τους και των
κανόνων με τους οποίους θα συνδυαστούν.
 Συναρτήσεις συγγένειας: χρήση νευρωνικών δικτύων.
 σημεία προσοχής: επιλογή τελεστή συνεπαγωγής, μεθόδου αποσαφήνισης.
Σταθερότητα/Ποιότητα Ασαφούς Συστήματος
 Σταθερότητα: η ικανότητα να εμφανίζει καλή συμπεριφορά σε όλο το φάσμα
τιμών εισόδου.
 Η μορφή του τελικού αποτελέσματος πολλές φορές δίνει μία καλή ένδειξη για την
ποιότητα του συνολικού συστήματος.
 Παράδειγμα
a) ύπαρξη ενός "ισχυρού" κανόνα (επιθυμητό χαρακτηριστικό).
b) δύο κορυφές: αντιφατική συμπεριφορά (απαιτείται βελτίωση του συστήματος
κανόνων).
c) μεγάλο πλατό: το σύστημα των κανόνων είναι ελλιπές.
Εφαρμογές Ασαφούς Λογικής

 Σύστημα Linkman (ιστορικά η πρώτη εφαρμογή): βιομηχανίες τσιμέντου.
 Υπόγειος σιδηρόδρομος Sendai στην Ιαπωνία.
 Φωτογραφικές μηχανές.
 Πλυντήρια ρούχων.
 Συσκευές video-camera.
 Συστήματα πέδησης (fuzzy ABS).
 Συστήματα ελέγχου λαβής σε ρομποτικούς βραχίονες.
 Συσκευές κλιματισμού.
 Βαλβίδες για έλεγχο ροής.
 Κατανομή καυσίμου ανάλογα με το φάκελο πτήσης σε δεξαμενές πολεμικών
αεροσκαφών.
 Έμπειρα συστήματα με ασαφείς κανόνες.
Λήψη απλών αποφάσεων
ΧΡΗΣΙΜΟΤΗΤΑ
• Οι αποφάσεις / προτιμήσεις ενός agent (πράκτορα) μεταξύ

των καταστάσεων του κόσμου αποτυπώνονται από μια
συνάρτηση χρησιμότητας (utility function) U(S), η οποία
αποδίδει μια αριθμητική τιμή για να εκφράσει πόσο επιθυμητή
είναι μια κατάσταση.
• Οι χρησιμότητες συνδυάζονται με τις πιθανότητες
αποτελεσμάτων των ενεργειών για να δώσουν την
αναμενόμενη χρησιμότητα της κάθε ενέργειας.
Αρχή της Μέγιστης
Αναμενόμενης Χρησιμότητας
• Συνάρτηση χρησιμότητας
– U(S)
• Αναμενόμενη χρησιμότητα
– EU(A|E) = Σi P(Αποτέλεσμαi(A) | Εκτέλεση(A), E)· U(Αποτέλεσμαi(A))
Μια μη αιτιοκρατική ενέργεια Α έχει Αποτέλεσμαi(A)
P(Αποτέλεσμαi(A) | Εκτέλεση(A), E): H πιθανότητα κάθε αποτελέσματος, εκτέλεσης της
ενέργειας με δεδομένες τις μαρτυρίες Ε
• Η αρχή της μέγιστης αναμενόμενης χρησιμότητας

(maximum expected utility, MEU) ορίζει ότι ένας ορθολογικός
πράκτορας θα πρέπει να επιλέγει μια ενέργεια που
μεγιστοποιεί την αναμενόμενη χρησιμότητά του.
• Υπολογισμός της χρησιμότητας: Για μεμονωμένες ενέργειες
μόνο. 16-3
Αρχή της Μέγιστης

Αναμενόμενης Χρησιμότητας
Αν ένας πράκτορας μεγιστοποιεί μια συνάρτηση

χρησιμότητας που αντικατοπτρίζει ορθά τη μέτρηση
απόδοσης μέσω της οποίας κρίνεται η -συμπεριφορά του,
τότε θα επιτύχει την υψηλότερη δυνατή απόδοση αν
πάρουμε το μέσο όρο των περιβαλλόντων στα οποία θα
μπορούσε να τοποθετηθεί αυτός ο πράκτορας.
16-4
Θεωρία Χρησιμοτήτων
• Η αρχή της Μέγιστης Αναμενόμενης Χρησιμότητας, είναι
ένας ορθολογικός τρόπος λήψης αποφάσεων.
16-5
Περιορισμοί / λογικές προτιμήσεις

Προτιμήσεις και λοταρίες
• Προτιμήσεις
– Α≻Β το Α είναι προτιμότερο από το Β
– Α~Β ο πράκτορας είναι αδιάφορος μεταξύ των Α και Β
– Α≿Β ο πράκτορας προτιμά το Α από το Β, ή είναι αδιάφορος
μεταξύ αυτών
Τα Α και Β είτε συγκεκριμένες καταστάσεις που προκαλούνται
από αιτιοκρατικές ενέργειες είτε τυχαίες.
• Λοταρίες (lotteries)
– L = [p1, C1; p2, C2; … pn, Cn]
Τα δυνατά αποτελέσματα Ci προκύπτουν με πιθανότητες pi
16-6
Αξιώματα της
Θεωρίας Χρησιμοτήτων (1/2)
• Διαταξιμότητα
– (A ≻ Β) ∨ (Β ≻ Α) ∨ (Α ~ Β)
• Μεταβατικότητα
– (A ≻ B) KAI (B ≻ C) ⇒ (A ≻ C)
• Συνέχεια
– A ≻ B ≻ C ⇒∃p [p, A; 1 – p, C] ~ B
Υπάρχει κάποια πιθανότητα p για την οποία ο λογικός πράκτορας
θα είναι αδιάφορος μεταξύ του να επιλέξει τη B για σίγουρα ή να
επιλέξει την ενέργεια που δίνει την A με πιθανότητα p και την C
με πιθανότητα 1 – p
• Αντικαταστασιμότητα
– A ~ B ⇒ [p, A; 1 – p, C] ≿ [p, B; 1 – p, C]
Εάν είναι αδιάφορος μεταξύ A και B, τότε είναι αδιάφορος και
μεταξύ πιο πολύπλοκων λοταριών που είναι ίδεις με την
εξαίρεση ότι το Β έχει πάρει τη θέση του Α. 16-7
Αξιώματα της
Θεωρίας Χρησιμοτήτων (2/2)
• Μονοτονικότητα
– A ≻ B ⇒ (p ≥ q ⇔ [p, A; 1 – p, B] ≿ [q, A; 1 – q, B])
Ο πράκτορας που προτιμά το A από το B, πρέπει να προτιμήσει
τη λοταρία που έχει υψηλότερη πιθανότητα για το A
• Αποσυνθεσιμότητα
– [p, A; 1 – p, [q, B; 1 – q, C]] ~
[p, A; (1 – p)q, B; (1 – p)(1 – q), C]
H σύνθετες λοταρίες γίνονται
Απλούστερες με χρήση πιθανοτήτων
16-8
Χρησιμότητα
• Αρχή της χρησιμότητας:
– U(A) > U(B) ⇔ A ≻ B
Υπάρχει πραγματική συνάρτηση U, το Α είναι προτιμότερο του Β
– U(A) = U(B) ⇔ A ~ B
Ο πράκτορας είναι αδιάφορος μεταξύ Α και Β
• Αρχή της μέγιστης αναμενόμενης χρησιμότητας:

Η χρησιμότητα μιας λοταρίας είναι το άθροισμα της
πιθανότητας κάθε αποτελέσματος επί τη χρησιμότητα
αυτού του αποτελέσματος.
U ([ p1 , S1 ;...; pn , S n ]) = ∑ p U (S )
i i
i
16-9
Συναρτήσεις χρησιμότητας
Η χρησιμότητα είναι μια συνάρτηση που απεικονίζει τις
καταστάσεις σε πραγματικούς αριθμούς.
Η θεωρία χρησιμοτήτων έχει τις ρίζες της στα οικονομικά.
• Χρηματικές αξίες
• Αναμενόμενη χρηματική αξία:
– [0,5, 3.000.000€; 0,5, 0€], [1,0, 1.000.000€]
• Αναμενόμενη χρησιμότητα:
EU ( Αποδοχή) = 12 U ( S k ) + 12 U ( S k +3.000.000 ),
EU ( Απόρριψη) = U ( S k +1.000.000 )
16-10
Η χρησιμότητα δεν είναι ακριβώς ανάλογη με τη χρηματική
αξία επειδή η χρησιμότητα — η θετική αλλαγή στον τρόπο
ζωής — για το πρώτο σας εκατομμύριο είναι πολύ υψηλή,
(ή τουλάχιστον έτσι λένε όλοι), ενώ η χρησιμότητα για ένα
επιπλέον εκατομμύριο είναι πολύ μικρότερη.
Ο Grayson (1960) ανακάλυψε ότι η χρησιμότητα των

χρημάτων ήταν σχεδόν ακριβώς ανάλογη με το λογάριθμο
του ποσού.
U(Sk+n) = -263,31 + 22,09 log(n + 150.000)

για το εύρος μεταξύ n = -$150,000 και n = $800.000.
16-11
Χρησιμότητα των χρημάτων

• Προσέγγιση με λογάριθμο: U(M)=α·log(b+c·M)
• Αποστροφή/Επιζήτηση/Ουδετερότητα ρίσκου
• Βέβαιο ισοδύναμο
16-12
• Ασφάλιστρο
• Οι πράκτορες με καμπύλες αυτού του σχήματος
αποστρέφονται το ρίσκο (risk-averse): προτιμούν κάτι
σίγουρο με απολαβή μικρότερη από την αναμενόμενη
χρηματική αξία του ρίσκου.
• Από την άλλη πλευρά, στην "απελπισμένη" περιοχή με
μεγάλη αρνητική περιουσία, η συμπεριφορά είναι η
επιζήτηση του ρίσκου (risk-seeking).
• Η αξία που θα αποδεχθεί ένας πράκτορας έναντι της
λοταρίας ονομάζεται βέβαιο ισοδύναμο (certainty
equivalent) της λοταρίας.
• Οι μελέτες έχουν δείξει ότι οι περισσότεροι άνθρωποι θα
αποδεχθούν περίπου 400 € στη θέση ενός ρίσκου που
τους αποφέρει 1.0006 τις μισές φορές και 0€ τις
υπόλοιπες — με άλλα λόγια, το βέβαιο ισοδύναμο της
λοταρίας είναι 400€.
16-13
 Η διαφορά μεταξύ της αναμενόμενης χρηματικής αξίας

μιας λοταρίας και του βέβαιου ισοδύναμού της
ονομάζεται ασφάλιστρο (insurance premium).
 Η αποστροφή του κινδύνου είναι η βάση της
ασφαλιστικής βιομηχανίας, επειδή σημαίνει ότι τα
ασφάλιστρα είναι θετικά. Οι άνθρωποι προτιμούν να
καταβάλλουν ένα μικρό ασφάλιστρο αντί να ρισκάρουν
την αξία του σπιτιού τους έναντι της πιθανότητας
πυρκαγιάς.
 Από την πλευρά της ασφαλιστικής εταιρείας, η αξία του
σπιτιού είναι πολύ μικρή, σε σύγκριση με το συνολικό
απόθεμα κεφαλαίου της εταιρείας.
 Αυτό σημαίνει ότι η καμπύλη χρησιμότητας του
ασφαλιστή είναι σχεδόν ευθεία σε μια τέτοια μικρή
περιοχή, και το ρίσκο δεν στοιχίζει σχεδόν τίποτα στην
εταιρεία. 16-14
Κλίμακες χρησιμότητας
U'(S) = k1 + k2U(S),
Αυτός ο γραμμικός μετασχηματισμός δεν μεταβάλλει τη
συμπεριφορά του πράκτορα.
Ένας πράκτορας σε αιτιοκρατικό περιβάλλον θεωρείται ότι
έχει μια συνάρτηση αξίας (value function) ή διατακτική
συνάρτηση χρησιμότητας (ordinal utility function), η
συνάρτηση ουσιαστικά παρέχει μόνο ταξινομήσεις των
καταστάσεων, αντί για αριθμητικές τιμές με κάποιο νόημα.
16-15
• Ισοδύναμοι μετασχηματισμοί:
– U΄(S) = k1 + k2U(S)
• Κανονικοποιημένες χρησιμότητες
– Στο διάστημα [ u⊥ = 0, u⊤ = 1 ]
• Πρότυπη λοταρία (standard lottery)

– [p, u⊤; (1 - p), u⊥]
• Αξία ανθρώπινης ζωής

– micromort, πιθανότητα θανάτου μία στο εκατομμύριο
– QALY, quality-adjusted life year
16-16
• Η θεωρία αποφάσεων είναι κανονιστική (normative)
θεωρία: περιγράφει τον τρόπο με τον οποίο θα πρέπει
να ενεργήσει ένας ορθολογικός πράκτορας.
• Η εφαρμογή της οικονομικής θεωρίας θα ενισχυόταν

κατά πολύ εάν ήταν επίσης και περιγραφική
(descriptive) θεωρία της πραγματικής λήψης
αποφάσεων από τους ανθρώπους. Παρόλα αυτά,
υπάρχουν πειραματικά δεδομένα τα οποία
υποδηλώνουν ότι οι άνθρωποι παραβιάζουν
συστηματικά τα αξιώματα της θεωρίας χρησιμοτήτων.
16-17
Στα άτομα που συμμετείχαν σε αυτό το πείραμα ζητήθηκε να
κάνουν μια επιλογή μεταξύ των λοταριών Α και Β και στη συ-
νέχεια μεταξύ των λοταριών C και D:
Α: 80% πιθανότητα για $4000 C: 20% πιθανότητα για $4000
Β: 100% πιθανότητα για $3000 D: 25% πιθανότητα για $3000
Η πλειοψηφία των ατόμων προτίμησε το Β από το Α και το C

από το D.
Αν όμως αποδώσουμε τιμή [U($0) = 0, τότε η πρώτη από
αυτές τις επιλογές υποδηλώνει ότι 0,8U($4000) < (U($3000)
ενώ η δεύτερη επιλογή υποδηλώνει ακριβώς το αντίθετο.
Για να το θέσουμε διαφορετικά, φαίνεται να μην υπάρχει
συνάρτηση χρησιμότητας που να συμφωνεί με αυτές τις
16-18
επιλογές.
Οι Kahneman και Tversky προχώρησαν στην ανάπτυξη

μιας περιγραφικής θεωρίας που εξηγεί πώς οι άνθρωποι
αποστρέφονται το ρίσκο σε συμβάντα υψηλής
πιθανότητας, ενώ είναι πιο πρόθυμοι να ρισκάρουν
περισσότερο για μη πιθανές απολαβές.
16-19
Έχουν γίνει κάποιες προσπάθειες για την εύρεση της αξίας
που δίνουν οι άνθρωποι στις ίδιες τις ζωές τους.
Τα δύο συνηθισμένα "νομίσματα" που χρησιμοποιούνται
στην ανάλυση ιατρικών θεμάτων και θεμάτων ασφαλείας
είναι το:
• micromort (πιθανότητα θανάτου μία στο εκατομμύριο)
και
• το QALY, ή έτος ζωής προσαρμοσμένης ποιότητας
(quality-adjusted life year, ισοδύναμο με ένα έτος καλής
υγείας χωρίς αναπηρίες).
16-20
Πολυκριτηριακές
συναρτήσεις χρησιμότητας
16-21
• Κάθε κριτήριο θεωρείται γενικά ότι έχει διακριτές ή
συνεχείς βαθμωτές τιμές.
• Το κάθε κριτήριο ορίζεται με τέτοιον τρόπο ώστε, όταν
όλα τα άλλα είναι ίσα, οι υψηλότερες αξίες του κριτηρίου
να αντιστοιχούν σε υψηλότερες χρησιμότητες.
• Σε μερικές περιπτώσεις μπορεί να είναι απαραίτητο να
διαιρέσουμε σε τμήματα το εύρος των τιμών, έτσι ώστε η
χρησιμότητα να ποικίλλει μονοτονικά μέσα σε κάθε
εύρος τιμών.
16-22
Κυριαρχία
Το αεροδρόμιο S1 κοστίζει λιγότερο, προκαλεί μικρότερη
ηχορύπανση, και είναι ασφαλέστερο από το αεροδρόμιο
S2.
Δεν θα δίσταζε λοιπόν να απορρίψει κανείς το S2 .
Στην περίπτωση αυτή λέμε ότι υπάρχει αυστηρή

κυριαρχία (strict dominance) του S1 επί του S2 .
16-23
• Διάνυσμα κριτηρίων: X = 〈X1, …, Xn〉
• Αυστηρή κυριαρχία
• Στο α) η επιλογή Α κυριαρχείται αυστηρά από τη Β αλλά όχι από την C ή D.

• Στο β) το A κυριαρχείται αυστηρά από την περιοχή Β αλλά όχι από την
περιοχή C 16-24
Στοχαστική κυριαρχία
• Υπάρχει μια ακόμα πιο χρήσιμη γενίκευση που ονομάζεται
στοχαστική κυριαρχία (stochastic dominance), η οποία
συμβαίνει πολύ συχνά στα πραγματικά προβλήματα.
• Έστω ότι το κόστος κατασκευής ενός αεροδρομίου είναι
ομοιόμορφα κατανεμημένο:
– Θέση S1: U[2,8·106 €, 4,8·106 €]
– Θέση S2: U[3,0·106 €, 5,2·106 €]
• Στην περίπτωση αυτή, με δεδομένη μόνο την πληροφορία
ότι η χρησιμότητα φθίνει με το κόστος, μπορούμε να πούμε
ότι η θέση S1 κυριαρχεί στοχαστικά της S2 (δηλαδή, η S2
μπορεί να απορριφθεί). Είναι σημαντικό να προσέξουμε ότι
αυτό δεν απορρέει από τη σύγκριση του αναμενόμενου
κόστους.
16-25
• Η Εικόνα δείχνει αυτές τις κατανομές, με το κόστος να
σχεδιάζεται ως αρνητική αξία.
• Κόστος κατασκευής αεροδρομίου:
– Θέση S1: U[2,8·106 €, 4,8·106 €](x) Σωρευτικές κατανομές:
– Θέση S2: U[3,0·106 €, 5,2·106 €](x) x x
– Η χρησιμότητα φθίνει με το κόστος ∀x ∫ p (x′)dx′ ≤ ∫ p (x′)dx′
−∞
1
−∞
2
16-26
Η ακριβής σχέση μεταξύ των κατανομών των κριτηρίων

που απαιτούνται για την επίτευξη στοχαστικής κυριαρχίας
είναι πιο εμφανής εάν εξετάσουμε τις σωρευτικές
(cumulative) κατανομές.
Η σωρευτική κατανομή μετρά την πιθανότητα να είναι το
κόστος μικρότερο ή ίσο από οποιοδήποτε δεδομένο ποσό
— δηλαδή, αποτελεί το ολοκλήρωμα της αρχικής
κατανομής.
Εάν η σωρευτική κατανομή για τη θέση S1 βρίσκεται
πάντοτε στα δεξιά της σωρευτικής κατανομής για τη θέση
S2, τότε, από στοχαστική άποψη, η θέση S1 είναι
φθηνότερη από την S2.
16-27
Για να το διατυπώσουμε τυπικά, εάν δύο ενέργειες Α1 και
Α2 οδηγούν σε κατανομές πιθανοτήτων p1(x) και p2(x) ως
προς το κριτήριο Χ, τότε η Α1 κυριαρχεί στοχαστικά έναντι
της Α2 στο Χ εάν ισχύει:
x x
∀x ∫ p (x′)dx′ ≤ ∫ p (x′)dx′
−∞
1
−∞
2
Εάν το Α1 κυριαρχεί στοχαστικά έναντι του Α2, τότε για

οποιαδήποτε μονοτονικά μη φθίνουσα συνάρτηση
χρησιμότητας U(x) η αναμενόμενη χρησιμότητα του Α1 είναι
τουλάχιστον εξίσου υψηλή με την αναμενόμενη χρησιμότητα
του Α2.
Συνεπώς, εάν μια ενέργεια κυριαρχείται στοχαστικά από
κάποια άλλη ως προς όλα τα κριτήρια, τότε μπορεί να
απορριφθεί. 16-28
Έστω, για παράδειγμα, ότι το κόστος κατασκευής εξαρτάται
από την απόσταση από τα πληθυσμιακά κέντρα.
Εάν η θέση S1 είναι λιγότερο απομακρυσμένη από την S2,
τότε η S1 θα κυριαρχεί της S2 ως προς το κόστος.
Αν και δεν θα τους παρουσιάσουμε εδώ, υπάρχουν

αλγόριθμοι για τη διάδοση τέτοιου είδους ποιοτικών
πληροφοριών μεταξύ αβέβαιων μεταβλητών σε ποιοτικά
πιθανοτικά δίκτυα (qualitative probabilistic networks), οι
οποίοι επιτρέπουν σε ένα σύστημα να πάρει ορθολογικές
αποφάσεις με βάση την στοχαστική κυριαρχία χωρίς να
χρησιμοποιήσει αριθμητικές τιμές.
16-29
Δομή προτίμησης και

πολυκριτηριακή χρησιμότητα
Έστω ότι έχουμε n κριτήρια, κάθε ένα από τα οποία έχει d

διακριτές τιμές.
Για να προσδιορίσουμε την πλήρη συνάρτηση
χρησιμότητας U(x1, ...,χn) χρειαζόμαστε dn τιμές στη
χειρότερη περίπτωση.
Αυτή η χειρότερη περίπτωση αντιστοιχεί σε μια περίπτωση
στην οποία οι προτιμήσεις του πράκτορα δεν έχουν
καθόλου κανονικότητα.
16-30
Δομή προτίμησης και
πολυκριτηριακή χρησιμότητα
Η βασική προσέγγιση συνίσταται στο να εντοπίσουμε
κανονικότητα στη συμπεριφορά προτιμήσεων που θα
περιμέναμε να δούμε, και να χρησιμοποιήσουμε τα
επονομαζόμενα θεωρήματα αναπαράστασης
(representation theorems) ώστε να δείξουμε ότι ένας
πράκτορας με ένα συγκεκριμένο είδος δομής προτίμησης
έχει συνάρτηση χρησιμότητας :
U(x1 ...,xn)=f [f1(x1),...,fn(xn)]
16-31
Προτιμήσεις χωρίς αβεβαιότητα

Η βασική κανονικότητα που προκύπτει στις αιτιοκρατικές
δομές προτίμησης ονομάζεται ανεξαρτησία
προτιμήσεων.
Δύο κριτήρια Χ1 και Χ2 είναι ανεξάρτητα ως προς την
προτίμηση από ένα τρίτο κριτήριο X3 εάν η προτίμηση
μεταξύ των αποτελεσμάτων (x1, x2, x3) και (x’1,x’2, x’3) δεν
εξαρτάται από τη συγκεκριμένη τιμή x3 του κριτηρίου Χ3.
16-32
• Για παράδειγμα, εάν προτιμάμε μια πόλη 20.000
κατοίκων εντός του αεροδιαδρόμου και κόστος κατα-
σκευής 4 δισεκατομμύρια € από μια πόλη 70.000
κατοίκων εντός του αεροδιαδρόμου και κόστος
κατασκευής 3,7 δισεκατομμύρια €, με το επίπεδο
ασφάλειας είναι να 0,06 θάνατοι ανά ένα εκατομμύριο
μίλια μεταφοράς επιβατών και στις δύο περιπτώσεις,
τότε θα έχουμε την ίδια προτίμηση και όταν το επίπεδο
θανάτων είναι 0,13 ή 0,01.
• Η ίδια ανεξαρτησία θα ίσχυε για προτιμήσεις μεταξύ
οποιουδήποτε άλλου ζεύγους τιμών για τα κριτήρια
Θόρυβος και Κόστος.
16-33

• Είναι επίσης εμφανές ότι τα κριτήρια Κόστος και Θάνατοι είναι
ανεξάρτητα ως προς την προτίμηση από το κριτήριο Θόρυβος,
• καθώς και ότι τα κριτήρια Θόρυβος και Θάνατοι είναι ανεξάρτητα ως
προς την προτίμηση από το κριτήριο Κόστος.
• Λέμε ότι το σύνολο κριτηρίων {Θόρυβος, Κόστος, Θάνατοι}
παρουσιάζει αμοιβαία ανεξαρτησία προτιμήσεων (mutual
preference independence, ΜΡΙ).
• Εάν τα κριτήρια Χ1, Χ2 , ..., Χn παρουσιάζουν αμοιβαία ανεξαρτησία
προτιμήσεων, τότε η συμπεριφορά προτίμησης του πράκτορα μπορεί
να περιγραφεί ως μεγιστοποίηση της συνάρτησης:
V (x1 , ..., xn ) = ∑ Vi (xi )

i
όπου κάθε Vi είναι μια συνάρτηση αξίας που αναφέρεται μόνο στο κριτήριο Χ i .
16-34
Για παράδειγμα, ενδεχομένως να μπορεί να ληφθεί η
απόφαση για τη θέση του αεροδρομίου με χρήση της
συνάρτησης αξίας
V(θόρυβος, κόστος, θάνατοι) =-θόρυβος x 104 - κόστος - θάνατοι χ 1012
Μια συνάρτηση αξίας αυτού του τύπου ονομάζεται

προσθετική συνάρτηση αξίας (additive value function). Οι
προσθετικές συναρτήσεις είναι ένας εξαιρετικά φυσικός
τρόπος περιγραφής της συνάρτησης αξίας.
16-35
Δομή προτιμήσεων
• Κανονικότητα στη δομή των προτιμήσεων:
– U(x1, …, xn) = f [ f1(x1),…, fn(xn) ]
όπου η f είναι συνήθως η πρόσθεση.
• Ανεξαρτησία προτιμήσεων (Χ1,Χ2) ως προς το Χ3:

– (x1, x2, x3) και (x'1, x'2, x3): Η προτίμηση δεν εξαρτάται από το x3.
• Αμοιβαία ανεξαρτησία προτιμήσεων:
V (x1 , ..., xn ) = ∑ Vi (xi )

i
16-36
Προτιμήσεις με αβεβαιότητα
• Ένα σύνολο κριτηρίων παρουσιάζει αμοιβαία

ανεξαρτησία χρησιμότητας (mutually utility-
independence, MUI) εάν όλα τα υποσύνολά του είναι
ανεξάρτητα ως προς τη χρησιμότητα από τα υπόλοιπα
κριτήρια.
• Και πάλι, είναι λογικό να προτείνουμε ότι τα κριτήρια του
αεροδρομίου παρουσιάζουν σχέση MUI.
16-37
Προτιμήσεις με αβεβαιότητα
• Ανεξαρτησία χρησιμότητας:
– Ένα σύνολο κριτηρίων Χ είναι ανεξάρτητο ως προς την
χρησιμότητα από ένα σύνολο κριτηρίων Υ εάν οι προτιμήσεις
μεταξύ των λοταριών επί των κριτηρίων του Χ είναι ανεξάρτητες
από τις συγκεκριμένες τιμές των κριτηρίων στο Υ.
• Αμοιβαία ανεξαρτησία χρησιμότητας
• Πολλαπλασιαστική συνάρτηση χρησιμότητας

U = k1U 1 + k2U 2 + k3U 3 + k1k2U 1U 2 + k2 k3U 2U 3 + k3 k1U 3U 1
+ k1k2 k3U 1U 2U 3
16-38
Δίκτυα αποφάσεων
16-1
Τα δίκτυα αποφάσεων (decision network) συνδυάζουν τα

δίκτυα Bayes με πρόσθετους τύπους κόμβων για τις
ενέργειες και τις χρησιμότητες.
16-2
Δίκτυα αποφάσεων (1/3)
• Χωροθέτηση αεροδρομίου
16-3
 Οι κόμβοι τύχης (chance nodes) — με οβάλ σχήμα —
αναπαριστούν τυχαίες μεταβλητές.
Με κάθε κόμβο τύχης συσχετίζεται μια υπό συνθήκη
κατανομή η οποία δεικτοδοτείται από την κατάσταση των
γονικών κόμβων. Στα δίκτυα αποφάσεων οι γονικοί
κόμβοι μπορούν να περιλαμβάνουν τόσο κόμβους τύχης
όσο και κόμβους απόφασης.
O καθένας από τους κόμβους τύχης της τρέχουσας

κατάστασης θα μπορούσε να αποτελεί τμήμα ενός μεγάλου
δικτύου Bayes για την αποτίμηση του κόστους κατασκευής,
των επιπέδων εναέριας κυκλοφορίας.
16-4
 Οι κόμβοι απόφασης (decision nodes) — με ορθογώνιο
σχήμα — αναπαριστάνουν σημεία όπου αυτός που
λαμβάνει την απόφαση έχει επιλογή ενεργειών.
 Οι κόμβοι χρησιμότητας (utility nodes),— με σχήμα
ρόμβου — αναπαριστάνουν τη συνάρτηση χρησιμότητας
του πράκτορα.
Ο κόμβος χρησιμότητας έχει ως γονείς όλες τις μεταβλητές
που περιγράφουν το αποτέλεσμα το οποίο επηρεάζει
άμεσα τη χρησιμότητα. Με τον κόμβο χρησιμότητας είναι
συσχετισμένη μια περιγραφή της χρησιμότητας του
πράκτορα, με τη μορφή συνάρτησης των γονικών
κριτηρίων. Ο κόμβος χρησιμότητας αναπαριστάνει την
αναμενόμενη χρησιμότητα που σχετίζεται με κάθε ενέργεια.
16-5

• Απλοποιημένη μορφή
– Πίνακες ενέργειας-χρησιμότητας (λιγότερο ευέλικτη
αναπαράσταση)
– Έχουν απαλειφθεί οι κόμβοι τύχης που αντιστοιχούν σε

καταστάσεις αποτελέσματος 16-6
• Αποτίμηση δικτύων αποφάσεων
1. Καθορισμός των μεταβλητών μαρτυρίας για την τρέχουσα
κατάσταση.
2. Για κάθε δυνατή τιμή του κόμβου απόφασης:
• (α) Απόδοση αυτής της τιμής στον κόμβο απόφασης.
• (β) Υπολογισμός των εκ των υστέρων πιθανοτήτων για τους
γονικούς κόμβους του κόμβου χρησιμότητας, με χρήση ενός
συνήθους αλγόριθμου πιθανοτικού συμπερασμού.
• (γ) Υπολογισμός της προκύπτουσας χρησιμότητας της ενέργειας.
3. Επιστροφή της ενέργειας με την υψηλότερη χρησιμότητα.
16-7
Η Αξία των Πληροφοριών
Ένα από τα σημαντικότερα τμήματα της λήψης αποφάσεων

είναι να γνωρίζει κανείς τι ερωτήσεις πρέπει να κάνει.
Η απόκτηση πληροφοριών επιτυγχάνεται από τις ενέργειες

αίσθησης.
Η συνάρτηση χρησιμότητας του πράκτορα σπανίως
αναφέρεται στο περιεχόμενο της εσωτερικής του
κατάστασης, ενώ ο συνολικός σκοπός των ενεργειών
αίσθησης είναι ο επηρεασμός της εσωτερικής κατάστασης,
θα πρέπει να αποτιμούμε τις ενέργειες αίσθησης με βάση
την επίδρασή τους στις επακόλουθες "πραγματικές"
ενέργειες του πράκτορα.
16-8
Ένα απλό παράδειγμα
Έστω ότι μια πετρελαϊκή εταιρεία ελπίζει να αγοράσει ένα

από τα n μη διακριτά δικαιώματα για εξόρυξη σε ωκεάνια
θαλάσσια τμήματα. Ας υποθέσουμε επίσης ότι ακριβώς ένα
από τα τμήματα περιέχει πετρέλαιο αξίας C δολαρίων και
ότι η τιμή κάθε τμήματος είναι C/n δολάρια. Εάν η εταιρεία
είναι ουδέτερη ως προς το ρίσκο, τότε δεν θα την
ενδιαφέρει εάν θα αγοράσει ή όχι ένα τμήμα.
16-9

Ας υποθέσουμε τώρα ότι ένας σεισμολόγος παρέχει στην εταιρεία τα
αποτελέσματα μιας έρευνας για το τμήμα με αριθμό 3, τα οποία
δείχνουν ξεκάθαρα αν το τμήμα περιέχει πετρέλαιο. Πόσα χρήματα θα
ήταν πρόθυμη η εταιρεία να πληρώσει για την πληροφορία αυτή; Ο
τρόπος απάντησης σε αυτή την ερώτηση είναι να εξετάσουμε τι θα
έκανε η εταιρεία εάν είχε την πληροφορία:
• Με πιθανότητα 1/n η έρευνα θα έδειχνε ύπαρξη πετρελαίου στο
τμήμα 3. Σε αυτή την περίπτωση η εταιρεία θα αγόραζε το τμήμα 3
για C/n δολάρια και θα αποκόμιζε κέρδος C- C/n = (n - 1 )C/n
δολάρια.
• Με πιθανότητα (n - 1 )/n η έρευνα θα έδειχνε ότι το τμήμα δεν
περιέχει πετρέλαιο, οπότε η εταιρεία θα αγοράσει ένα άλλο τμήμα.
Τώρα η πιθανότητα εύρεσης πετρελαίου σε ένα από τα άλλα
τμήματα αλλάζει από 1/n σε 1/(n - 1), έτσι η εταιρεία θα έχει
αναμενόμενο κέρδος C/(n - 1) - C/n = C/n(n - 1) δολάρια.
16-10
Μπορούμε πλέον να υπολογίσουμε το αναμενόμενο κέρδος με δεδομένη
την πληροφορία της έρευνας:
1
×
(n − 1) C + n − 1 × C
=C/n
n n n n (n − 1)
Άρα η εταιρεία θα πρέπει να είναι πρόθυμη να πληρώσει στο σεισμολόγο
μέχρι και Cln δολάρια για την πληροφορία: δηλαδή η πληροφορία αξίζει
όσο και το ίδιο το τμήμα.
Η αξία της πληροφορίας προκύπτει από το γεγονός ότι με την
πληροφορία ο τρόπος ενεργειών μας μπορεί να αλλάξει ώστε να
προσαρμοστεί σύμφωνα με την πραγματική κατάσταση. Μπορούμε
πλέον να κάνουμε διάκριση ανάλογα με την περίσταση, ενώ χωρίς την
πληροφορία θα πρέπει να κάνουμε αυτό που είναι καλύτερο κατά μέσο
όρο για το σύνολο των δυνατών καταστάσεων. Γενικά, η αξία ενός
δεδομένου τμήματος πληροφορίας ορίζεται ως η διαφορά στην
αναμενόμενη αξία ανάμεσα στις βέλτιστες ενέργειες πριν και μετά
την απόκτηση της πληροφορίας.
16-11

• Ενέργειες αίσθησης
– Αποτίμηση με βάση την επίδρασή τους στις επακόλουθες
πραγματικές ενέργειες
• Παράδειγμα:
– n μη-διακριτά δικαιώματα εξόρυξης πετρελαίου
– Αξία κοιτάσματος: C
– Κόστος αγοράς ενός δικαιώματος: C/n
– Αξία πληροφορίας για ύπαρξη ή όχι κοιτάσματος σε
συγκεκριμένο τμήμα:
1
×
(n − 1) C + n − 1 × C
=C/n
n n n n (n − 1)
16-12
Αξία της τέλειας πληροφόρησης
(Value of perfect information, VPI)
Υποθέτουμε ότι λαμβάνονται ακριβείς μαρτυρίες για την τιμή μιας
τυχαίας μεταβλητής Ej, έτσι χρησιμοποιείται η φράση αξία της τέλειας
πληροφόρησης (value of perfect information, VPI).
Έστω ότι η τρέχουσα γνώση του πράκτορα είναι η Ε. Στην περίπτωση

αυτή η αξία της τρέχουσας βέλτιστης ενέργειας α ορίζεται:
• Πριν τη λήψη μαρτυρίας,
• Μετά τη λήψη της μαρτυρίας
16-13

• Πριν τη λήψη μαρτυρίας για τη μεταβλητή Ej:
– EU (a | E ) = max ∑U (Αποτέλεσμαi(A)) P(Αποτέλεσμαi(A) |
A
i Εκτέλεση(Α), Ε)
• Μετά τη λήψη μαρτυρίας για τη μεταβλητή Ej:

( )
– EU aE j | E , E j = max
A
∑U (Αποτέλεσμα (A)) P(Αποτέλεσμα (A) |
i i
Εκτέλεση(Α), Ε, Ej)
i
Επειδή η Ej είναι τυχαία μεταβλητή, η τιμής είναι άγνωστη, οπότε

βρίσκουμε το μέσο όρο των δυνατών τιμών που μπορεί να
e
ανακαλύψουμε για την Ej j
k
• Αξία της ανακάλυψης Ej, με δεδομένη την τρέχουσα

μαρτυρία E:

( ) ( )
VPI E (E j ) =  ∑ P E j = e jk | E EU ae jk | E , E j = e jk  − EU (a | E )
 k  16-14
Έστω έχουμε 2 ενέργειες Α1 και Α2 που πρέπει να
επιλέξουμε.
Οι τρέχουσες αναμενόμενες χρησιμότητές τους είναι U1 και
U2.
Η πληροφορία Ej θα δώσει κάποιες νέες αναμενόμενες
χρησιμότητες U΄1 και U΄2 για τις ενέργειες, αλλά πριν
βρούμε το Ej θα έχουμε κάποιες κατανομές πιθανοτήτων
ως προς τις δυνατές τιμές των U΄1 και U΄2 (οι οποίες θα
υποθέσουμε ότι είναι ανεξάρτητες).
16-15

Έστω ότι οι Α1 και Α2 αντιπροσωπεύουν δύο διαφορετικές πορείες μέσα
από μια ορεινή περιοχή το χειμώνα.
Το Α1 είναι μια ωραία, ευθεία λεωφόρος σε χαμηλό υψόμετρο και η Α2 είναι
ένας χωματόδρομος με στροφές που διέρχεται από την κορυφή.
Μόλις πάρουμε αυτές τις πληροφορίες, είναι σαφές ότι θα θεωρήσουμε
προτιμότερη τη διαδρομή Α1, επειδή είναι πολύ πιθανό να κλείσει η δεύτερη
διαδρομή από τις χιονοστιβάδες ενώ είναι αρκετά απίθανο να κλείσει η
πρώτη διαδρομή από την κίνηση.
Συνεπώς το U1 είναι σαφώς υψηλότερο από το U2.
Μπορούμε όμως να λάβουμε δορυφορικές αναφορές Ej για την πραγματική
κατάσταση του κάθε δρόμου, οι οποίες θα μας έδιναν τις νέες
αναμενόμενες αξίες U΄1 και U΄2 για τις δύο διαβάσεις. Οι κατανομές για
αυτές τις αναμενόμενες αξίες παρουσιάζονται στο παρακάτω σχήμα α.
Προφανώς σε αυτή την περίπτωση δεν αξίζει η δαπάνη για την απόκτηση
αναφορών από δορυφόρο, επειδή δεν είναι πιθανό να αλλάξουμε το
πρόγραμμά μας εξαιτίας των πληροφοριών που θα αποκτηθούν.
16-16
• Έστω δύο διαθέσιμες ενέργειες A1 και Α2, και U1 και U2 οι κατανομές
πιθανότητας της χρησιμότητας εκτέλεσής τους μετά την λήψη της
μαρτυρίας Ej:
Οι κατανομές προκύπτουν από τις διαφορετικές πιθανότητες εμφάνισης

των διαφόρων τιμών της Ej.
Στο α, η επιλογή A1 είναι ανώτερη της Α2, η πληροφορία δεν χρειάζεται
Στο β, η επιλογή δεν είναι σαφής και η πληροφορία είναι κρίσιμη
Στο γ, η επιλογή δεν είναι σαφής αλλά κάνει μικρή διαφορά, η πληροφορία έχει
16-17
μικρότερη αξία

Ας υποθέσουμε τώρα ότι πρέπει να επιλέξουμε μεταξύ δύο
διαφορετικών χωματόδρομων με στροφές οι οποίοι έχουν ελαφρώς
διαφορετικό μήκος και ότι μεταφέρουμε έναν σοβαρά τραυματισμένο
επιβάτη.
Στην περίπτωση αυτή, ακόμα και όταν τα U1 και U2 είναι πολύ κοντά, οι
κατανομές U΄1 και U΄2 έχουν ιδιαίτερα μεγάλο εύρος. Υπάρχει μια
σημαντική πιθανότητα ότι η δεύτερη διαδρομή θα αποδειχθεί καθαρή
ενώ η πρώτη θα είναι φραγμένη, και σε αυτή την περίπτωση οι
χρησιμότητες θα είναι πολύ υψηλές.
Ο τύπος VPI υποδεικνύει ότι μπορεί να αξίζει να λάβουμε τις αναφορές
από δορυφόρο. Μια τέτοια περίπτωση παρουσιάζεται στο σχήμα β.
( )  ∑ P(E
VPI E E j =  j ) ( )
= e jk | E EU ae jk | E , E j = e jk  − EU (a | E )
 k 
16-18
Ας υποθέσουμε τώρα ότι πρέπει να επιλέξουμε μεταξύ των δύο
χωματόδρομων το καλοκαίρι, όταν δεν είναι πιθανό να έχουν κλείσει
από τις χιονοστιβάδες.
Σε αυτή την περίπτωση οι αναφορές από το δορυφόρο μπορεί να
δείξουν ότι η μια διαδρομή είναι πιο όμορφη από την άλλη λόγω των
αλπικών λιβαδιών που ανθίζουν, ή ίσως πιο υγρή λόγω των ρυακιών.
Είναι συνεπώς πολύ πιθανό να αλλάζαμε το σχέδιο μας αν είχαμε αυτή

την πληροφορία. Σε αυτή την περίπτωση, όμως, η διαφορά στην αξία
μεταξύ των δύο διαδρομών είναι ακόμη πιθανό να είναι πολύ μικρή,
έτσι δεν θα ασχοληθούμε με την απόκτηση των αναφορών.
Αυτή η περίπτωση παρουσιάζεται στο σχήμα γ.
16-19
Ιδιότητες της Αξίας των Πληροφοριών
• Είναι μη-αρνητική:
( )
∀j , E VPI E E j ≥ 0
• Δεν είναι προσθετική:

– VPIE(Ej, Ek) ≠ VPIE(Ej) + VPIE(Ek) (γενικά)
• Είναι ανεξάρτητη από τη διάταξη:

– VPIE(Ej, Ek) = VPIE(Ej) + VPIE,Ej(Ek) = VPIE(Ek) + VPIE, Ek(Ej)
16-20
Υλοποίηση ενός πράκτορα συλλογής
πληροφοριών
• Ένας συνετός πράκτορας θα πρέπει να κάνει ερωτήσεις στο χρήστη με
μια εύλογη σειρά, θα πρέπει να αποφεύγει να θέτει άσχετα ερωτήματα,
θα πρέπει να λαμβάνει υπόψη τη σπουδαιότητα κάθε τμήματος
πληροφορίας σε σχέση με το κόστος του, και θα πρέπει όταν χρειάζεται
να σταματά τις ερωτήσεις. Μπορούμε να επιτύχουμε όλες αυτές τις
ικανότητες χρησιμοποιώντας ως οδηγό την αξία των πληροφοριών.
• Για κάθε παρατηρήσιμη μεταβλητή μαρτυρίας Ej υπάρχει ένα
συσχετισμένο κόστος, Κόστος (Ej), το οποίο αντανακλά το κόστος
απόκτησης της μαρτυρίας μέσω δοκιμών, συμβούλων, ερωτήσεων, ή με
οποιοδήποτε άλλο μέσον. Ο πράκτορας ζητά να μάθει αυτή που φαίνεται
να είναι η πιο πολύτιμη πληροφορία σε σύγκριση με το κόστος της.
• Θεωρούμε ότι το αποτέλεσμα της ενέργειας Αίτημα (Ej), είναι ότι η
επόμενη αντίληψη θα παρέχει την αξία του Ej . Εάν καμία παρατήρηση
δεν αξίζει το κόστος της, ο πράκτορας επιλέγει μια "πραγματική"
ενέργεια.
16-21

Ο αλγόριθμος του πράκτορα που περιγράψαμε εφαρμόζει

μια μορφή συλλογής πληροφοριών που ονομάζεται
μυωπική (myopic). Αυτό συμβαίνει επειδή χρησιμοποιεί τον
τύπο VPI με κοντόφθαλμο τρόπο, υπολογίζοντας την αξία
των πληροφοριών σαν να επρόκειτο να αποκτηθεί μόνο μία
μεταβλητή μαρτυρίας.
16-22
Ο μυωπικός έλεγχος βασίζεται στην ίδια ευρετική ιδέα
όπως και η άπληστη αναζήτηση, και συχνά αποδίδει καλά
στην πράξη. Ένας απολύτως ορθολογικός πράκτορας
συλλογής πληροφοριών θα έπρεπε να εξέταζε όλες τις
δυνατές ακολουθίες αιτημάτων πληροφοριών που
τερματίζονται σε μια εξωτερική ενέργεια, καθώς και όλα τα
δυνατά αποτελέσματα αυτών των αιτημάτων. Επειδή η αξία
του δεύτερου αιτήματος εξαρτάται από το αποτέλεσμα του
πρώτου, ο πράκτορας αυτός θα πρέπει να εξερευνήσει το
χώρο των υπό συνθήκη πλάνων.
16-23
Πράκτορας συλλογής πληροφοριών
• Συνάρτηση πράκτορα:
– function Information-Gathering-Agent(αντίληψη), returns μια
ενέργεια
– static: D, ένα δίκτυο αποφάσεων
– ενσωμάτωσε αντίληψη στο D
– j ← η τιμή που μεγιστοποιεί το VPI(Ej) – Κόστος(Ej)
– if VPI(Ej) > Κόστος(Ej)
– then return Αίτημα(Ej)
– else return η καλύτερη ενέργεια από το D
• Μυωπική συμπεριφορά: Δεν εξετάζει ακολουθίες

παρατηρήσεων. 16-24
Έμπειρα Συστήματα
της Θεωρίας Αποφάσεων
Στην ανάλυση αποφάσεων συνηθίζεται να αναφερόμαστε
σε δύο ρόλους: ο λήπτης αποφάσεων (decision maker)
δηλώνει τις προτιμήσεις μεταξύ των αποτελεσμάτων, και ο
αναλυτής αποφάσεων (decision analyst) απαριθμεί τις
δυνατές ενέργειες και τα αποτελέσματα και αποσπά
προτιμήσεις από το λήπτη αποφάσεων για να προσδιορίσει
τη βέλτιστη σειρά ενεργειών.
16-25
της Θεωρίας Αποφάσεων (1/2)
• Στένωση αορτής
σε νεογέννητα.
16-26
ΣΤΕΝΩΣΗ ΑΟΡΤΗΣ
Περίπου το 0,8% των παιδιών γεννιούνται με μια καρδιακή

ανωμαλία, με την πλέον συνηθισμένη να είναι η στένωση
αορτής (μια απόφραξη της αορτής). Αυτή μπορεί να
αντιμετωπιστεί χειρουργικά, με αγγειοπλαστική (επέκταση
της αορτής με ένα μπαλόνι το οποίο τοποθετείται μέσα
στην αρτηρία), ή με φαρμακευτική αγωγή. Το πρόβλημα
είναι να αποφασίσουμε τη θεραπεία που θα
χρησιμοποιηθεί και το χρόνο εφαρμογής της: όσο νεώτερο
είναι το βρέφος, τόσο μεγαλύτεροι είναι οι κίνδυνοι
συγκεκριμένων αντιμετωπίσεων, αλλά δεν συνίσταται και η
μεγάλη αναμονή.
16-27
Μπορεί να κατασκευαστεί ένα έμπειρο σύστημα της

θεωρίας αποφάσεων για αυτό το πρόβλημα, από μια
ομάδα που αποτελείται από έναν τουλάχιστον ειδικό του
τομέα (έναν παιδοκαρδιολόγο) και ένα μηχανικό γνώσης. Η
διαδικασία μπορεί να αναλυθεί στα παρακάτω βήματα.
16-28
Δημιουργία αιτιολογικού μοντέλου (causal model).
Προσδιορισμός των δυνατών συμπτωμάτων, διαταραχών,
θεραπειών, και αποτελεσμάτων. Στη συνέχεια σχεδίαση
τόξων μεταξύ τους, τα οποία δείχνουν ποιες διαταραχές
προκαλούν το κάθε σύμπτωμα και ποιες θεραπείες
καταπραΰνουν την κάθε διαταραχή. Κάποια από αυτά θα
είναι πολύ γνωστά για τον ειδικό του πεδίου, και μερικά θα
προέλθουν από τη βιβλιογραφία. Συχνά το μοντέλο θα
ταιριάζει ικανοποιητικά με τις άτυπες περιγραφές σε μορφή
γραφήματος που δίνονται στα ιατρικά βιβλία.
16-29
Απλοποίηση σε ποιοτικό μοντέλο λήψης αποφάσεων.
Αφού χρησιμοποιούμε το μοντέλο για να λάβουμε
αποφάσεις θεραπείας, και όχι για άλλους λόγους (όπως ο
προσδιορισμός της συνδυασμένης πιθανότητας
συγκεκριμένων συνδυασμών συμπτωμάτων και
διαταραχών), συχνά μπορούμε να το απλοποιήσουμε
αφαιρώντας τις μεταβλητές που δεν σχετίζονται με τις
αποφάσεις θεραπείας.
16-30
Μερικές φορές οι μεταβλητές πρέπει να χωριστούν ή να
ενωθούν έτσι ώστε να ταιριάζουν με τις απόψεις του
ειδικού. Για παράδειγμα, το αρχικό μοντέλο στένωσης
αορτής είχε μια μεταβλητή Θεραπεία με τιμές εγχείρηση,
αγγειοπλαστική, και αγωγή, και μια ξεχωριστή μεταβλητή
για το Χρόνο της θεραπείας. Όμως ο ειδικός δυσκολευόταν
να τα σκεφθεί αυτά ξεχωριστά, έτσι τα συνδύασε ώστε η
Θεραπεία να παίρνει τιμές όπως εγχείρηση σε 1 μήνα.
16-31
Απόδοση πιθανοτήτων. Οι πιθανότητες μπορούν να
προέρχονται από βάσεις δεδομένων ασθενών, μελέτες της
βιβλιογραφίας, ή υποκειμενικές εκτιμήσεις του ειδικού. Στις
περιπτώσεις στις οποίες η βιβλιογραφία παρέχει
εσφαλμένο είδος πιθανοτήτων, μπορούμε να
χρησιμοποιήσουμε τεχνικές όπως ο κανόνας του Bayes και
η περιθωριοποίηση για να υπολογίσουμε τις επιθυμητές
πιθανότητες. Έχει διαπιστωθεί ότι οι ειδικοί έχουν καλύτερη
δυνατότητα εκτίμησης της πιθανότητας ενός
αποτελέσματος με δεδομένο το αίτιο (για παράδειγμα Ρ
(δύσπνοια\καρδιακή ανεπάρκεια), παρά το αντίστροφο.
16-32
Απόδοση χρησιμοτήτων. Όταν υπάρχει μικρός αριθμός
δυνατών αποτελεσμάτων, τα αποτελέσματα αυτά μπορούν
να απαριθμηθούν και να εκτιμηθούν μεμονωμένα. Θα
μπορούσαμε να δημιουργήσουμε μια κλίμακα από το
βέλτιστο προς το χειρότερο αποτέλεσμα και να δώσουμε σε
κάθε αποτέλεσμα μια αριθμητική τιμή, για παράδειγμα
-1000 για το θάνατο και 0 για την πλήρη ανάρρωση. Στη
συνέχεια θα μπορούσαμε να τοποθετήσουμε τα υπόλοιπα
αποτελέσματα σε αυτή την κλίμακα.
16-33
Αυτό μπορεί να γίνει από τον ειδικό, αλλά είναι καλύτερο
εάν ο ασθενής (ή, στην περίπτωση βρεφών, οι γονείς του
ασθενή) μπορούν να συμμετάσχουν, δεδομένου ότι οι
διάφοροι άνθρωποι μπορεί να έχουν διαφορετικές
προτιμήσεις. Εάν υπάρχουν εκθετικά πολλά αποτελέσματα,
χρειαζόμαστε έναν τρόπο συνδυασμού τους με χρήση
πολυκριτηριακών συναρτήσεων χρησιμότητας. Για
παράδειγμα, μπορούμε να πούμε ότι η αρνητική
χρησιμότητα των διαφόρων επιπλοκών είναι προσθετική.
16-34
Χρυσό πρότυπο
Επιβεβαίωση και βελτίωση του μοντέλου. Για να
αξιολογήσουμε το σύστημα, θα χρειαστούμε ένα σύνολο
σωστών ζευγών (είσοδος, έξοδος)
αυτό ονομάζεται χρυσό πρότυπο (gold standard) για τη
σύγκριση. Για τα έμπειρα ιατρικά συστήματα αυτό συνήθως
σημαίνει να συγκεντρώσουμε τους καλύτερους διαθέσιμους
γιατρούς, να τους παρουσιάσουμε μερικές περιπτώσεις, και
να τους ζητήσουμε τη διάγνωσή τους και το προτεινόμενο
πρόγραμμα θεραπείας.
16-35
Στη συνέχεια εξετάζουμε με πόση ακρίβεια ταιριάζει το
σύστημα με τις προτάσεις τους. Εάν δεν αποδώσει καλά το
σύστημα, προσπαθούμε να απομονώσουμε τα τμήματα
που παρουσιάζουν σφάλμα και τα διορθώνουμε. Μπορεί
να αποδειχθεί χρήσιμο να εκτελέσουμε το σύστημα
"αντίστροφα". Αντί να εφοδιάσουμε το σύστημα με
συμπτώματα και να του ζητήσουμε μια διάγνωση,
μπορούμε να το δώσουμε μια διάγνωση όπως "καρδιακή
ανεπάρκεια", να εξετάσουμε την προβλεπόμενη
πιθανότητα των συμπτωμάτων, όπως η ταχυκαρδία, και να
την συγκρίνουμε με την ιατρική βιβλιογραφία.
16-36
Εκτέλεση ανάλυσης ευαισθησίας. Αυτό το σημαντικό
βήμα ελέγχει εάν η βέλτιστη απόφαση είναι ευαίσθητη σε
μικρές μεταβολές των αποδιδόμενων πιθανοτήτων και
χρησιμοτήτων, τροποποιώντας συστηματικά αυτές τις
παραμέτρους και εκτελώντας εκ νέου την αξιολόγηση. Εάν
οι μικρές αλλαγές οδηγούν σε σημαντικά διαφορετικές
αποφάσεις, τότε μπορεί να αξίζει να καταναλώσουμε
περισσότερους πόρους έτσι ώστε να συλλέξουμε
περισσότερα δεδομένα. Εάν όλες οι παραλλαγές οδηγούν
στην ίδια απόφαση, τότε ο χρήστης θα έχει μεγαλύτερη
εμπιστοσύνη ότι αυτή είναι η σωστή απόφαση.
16-37
Η ανάλυση ευαισθησίας είναι ιδιαίτερα σημαντική επειδή
μία από τις κύριες κριτικές για τις πιθανοτικές προσεγγίσεις
στα έμπειρα συστήματα είναι ότι είναι πολύ δύσκολο να
εκτιμηθούν οι απαιτούμενες αριθμητικές πιθανότητες. Η
ανάλυση ευαισθησίας συχνά αποκαλύπτει ότι πολλοί από
τους αριθμούς χρειάζεται να προσδιοριστούν μόνο πολύ
προσεγγιστικά. Για παράδειγμα, μπορεί να είμαστε
αβέβαιοι για την εκ των προτέρων πιθανότητα του Ρ
(ταχυκαρδία), αλλά εάν δοκιμάσουμε πολλές διαφορετικές
τιμές για αυτή την πιθανότητα και κάθε φορά η
προτεινόμενη ενέργεια του διαγράμματος επιρροών είναι η
ίδια, τότε μπορούμε να ανησυχούμε λιγότερο για την άγνοιά
μας.
16-38
της Θεωρίας Αποφάσεων (2/2)
• Βήματα ανάπτυξης:
– Δημιουργία αιτιολογικού μοντέλου
– Απλοποίηση σε ποιοτικό μοντέλο λήψης αποφάσεων
– Απόδοση πιθανοτήτων
– Απόδοση χρησιμοτήτων
– Επιβεβαίωση και βελτίωση του μοντέλου
• Χρυσό πρότυπο
– Εκτέλεση ανάλυσης ευαισθησίας
16-39
Ιεραρχική αναλυση
αποφασεων
Analytic hierarchy process (AHP)
Εισαγωγή
 Παρουσιάστηκε από τον Thomas L. Saaty τη δεκαετία του ‘70
 Μεθοδολογία που εφαρμόζεται στην περιοχή των Multicriteria Problems
 Δίνει τη δυνατότητα πολύπλοκα προβλήματα να δομηθούν σε στοιχεία τα οποία μπορούν
να συγκριθούν και να βαθμολογηθούν
 Έχει βρει μεγάλη αποδοχή και χρήση σε πολλούς τομείς
• http://www.expertchoice.com
Εισαγωγή
 Σε πολλές περιπτώσεις (ή μάλλον στις περισσότερες) μία επιλογή επηρεάζεται από πολλούς
παράγοντες
 Όταν μια επιλογή υπερέχει όλων των άλλων σε όλους τους παράγοντες, η επιλογή είναι
ξεκάθαρη. Συνήθως όμως αυτό δεν συμβαίνει
 Κάποιες επιλογές υπερέχουν έναντι των άλλων σε κάποιους παράγοντες και υστερούν σε
κάποιους άλλους.
 Η επιλογή της συνολικά καλύτερης λύσης μπορεί να είναι ένα πολύπλοκο πρόβλημα.
 Επιπλέον πολλοί από τους παράγοντες μπορεί να είναι ποιοτικοί. Σε αντίθεση με τους
ποσοτικούς παράγοντες, οι ποιοτικοί είναι πιο δύσκολο να βαθμολογηθούν (εισάγεται η
υποκειμενικότητα του κριτή).
Εισαγωγή
Η Analytic Hierarchy Process (AHP) :
 Χρησιμοποιεί την αποσύνθεση του προβλήματος σε

 Σκοπό
 Κριτήρια
 Επιλογές
 Χρησιμοποιεί μια ιεραρχία για να δομήσει το πρόβλημα
 Στο αρχικό επίπεδο τοποθετείται ο σκοπός, στο επόμενο τα κριτήρια και στο τελικό οι
επιλογές
 Τα σχετικά βάρη (ή προτεραιότητες) των κριτηρίων καθορίζονται.
 Οι σχετικές βαθμολογίες των επιλογών αναφορικά με τα βάρη καθορίζονται.
 Η τελική επιλογή γίνεται μέσω της σύνθεσης των παραπάνω αποτέλεσμάτων.
Εισαγωγή
 Χρησιμεύει στο δύσκολο πρόβλημα της απόδοσης βάρους σε κάθε κριτήριο.
 Η διαδοχική σύγκριση των κριτηρίων ανά ζεύγη είναι πιο ακριβής από την εξαρχής καθολική
απόδοση βαρύτητας σε κάθε στοιχείο.
 Μπορεί και ποσοτικοποιεί υποκειμενικές κρίσεις.
 Μπορεί να κάνει χρήση τόσο ποσοτικών όσο και ποιοτικών κριτηρίων στο ίδιο πρόβλημα.
 Έχει μηχανισμό ώστε να ελέγχεται η ακρίβεια της λύσης.

Χρήση της AHP
H Analytic Hierarchy Process (AHP) έχει χρησιμοποιηθεί σε πολλές χώρες και πολλούς τομείς
Κάποιοι από αυτούς είναι:
 Management
 Resource allocation
 Strategical Planning
 Επιλογή προμηθευτών
 Επιλογή προσωπικού
 Conflict resolution
 Βελτιστοποίηση
Ιεραρχική Δομή
Η AHP χρησιμοποιεί μια ιεραρχική δομή
 Το πρόβλημα αποδομείται σε
 Σκοπό
 Κριτήρια επιλογής (ή βαθμολόγησης)
 Διαθέσιμες επιλογές
 Στο αρχικό επίπεδο του προβλήματος τοποθετείται ο σκοπός
 Στο δεύτερο τα κριτήρια
 Και στο τρίτο οι επιλογές.
Έστω ότι σκοπός ενός προβλήματος 𝑥 είναι η επιλογή μεταξύ των εναλλακτικών 𝑥1 , 𝑥2 , 𝑥3 και
τα κριτήρια τα οποία θα χρησιμοποιηθούν για να αξιολογηθούν οι επιλογές είναι 𝑐1 , 𝑐2 , 𝑐2 . Η
ιεραρχία που σχηματίζει το συγκεκριμένο πρόβλημα φαίνεται στο σχήμα που ακολουθεί.
AHP-Τα τέσσερα στάδια
1. Ιεραρχική ανάλυση του προβλήματος απόφασης σε
στοιχεία απόφασης (γενικός στόχος, κριτήρια,
χαρακτηριστικά, ..., εναλλακτικές λύσεις)
2. Συλλογή προτιμήσεων σχετικά με τα στοιχεία απόφασης
3. Υπολογισμός επιμέρους προτεραιοτήτων (βαρών) για τα
στοιχεία απόφασης
4. Σύνθεση των επιμέρους προτεραιοτήτων σε γενικές
προτεραιότητες των εναλλακτικών λύσεων
• Τα στάδια Ι, ΙΙ πραγματοποιούνται με τη συμμετοχή του

αποφασίζοντα (αδόμητες φάσεις) ενώ τα ΙΙΙ και ΙV είναι
καθαρά υπολογιστικά (δομημένες φάσεις).
Επιλογή
Επίπεδο 0
στόχος μεταξύ
𝑥1 , 𝑥2 , 𝑥3
Επίπεδο 1
κριτήρια 𝑐1 𝑐2 𝑐3
Επίπεδο 2
επιλογές 𝑥1 𝑥2 𝑥3
Κάθε κριτήριο μπορεί να αποτελείται από υποκριτήρια.
Στην περίπτωση αυτή, τα υποκριτήρια τοποθετούνται σε ένα επίπεδο χαμηλότερα από το κύριο
κριτήριο.
Στην προηγούμενη περίπτωση, εάν το κριτήριο 𝑐1 αποτελούνταν από τα υποκριτήρια 𝑐11 , 𝑐12 ,
𝑐13 και το κριτήριο 𝑐3 από τα υποκριτήρια 𝑐31 , 𝑐32
τότε το προηγούμενο σχήμα θα έπαιρνε τη μορφή που φαίνεται στη συνέχεια
Επίπεδο 0 Επιλογή μεταξύ

στόχος
𝑥1 , 𝑥2 , 𝑥3
Επίπεδο 1
κριτήρια 𝑐1 𝑐2 𝑐3
Επίπεδο 11
υποκριτήρια 𝑐11 𝑐12 𝑐13 𝑐31 𝑐32
Επίπεδο 0
στόχος 𝑥1 𝑥2 𝑥3
Ιεραρχική ανάλυση του προβλήματος απόφασης
• Αν το πρόβλημα απόφασης σε έναν Οργανισμό είναι η
επιλογή ενός ολοκληρωμένου πληροφοριακού συστήματος
(ΟΠΣ), ο απώτερος στόχος του Οργανισμού είναι η «επιλογή
του καλύτερου πληροφοριακού συστήματος» από τα
προσφερόμενα.
• Είναι προφανές ότι οι εναλλακτικές λύσεις σε ένα πρόβλημα
απόφασης είναι αδύνατο να συγκριθούν ως προς ένα τόσο
γενικό στόχο – κριτήριο.
• Στην περίπτωση του ΟΠΣ, ο απώτερος στόχος που
αναφέρεται στην ποιότητα της προσφερόμενης λύσης,
μπορεί να αναλυθεί σε κριτήρια που να αναφέρονται σε
«ποιότητα υλικού (H/W) και δικτύωσης», «ποιότητα
λογισμικού συστήματος (system S/W)», «ποιότητα
λογισμικού εφαρμογών (application S/W)», «ποιότητα
εκπαίδευσης», «ποιότητα υπηρεσιών συντήρησης» κ.λπ.
Ιεραρχική ανάλυση του προβλήματος απόφασης

• Η βαθμός λεπτομέρειας (βάθος και εύρος) που προσδίδεται
στην ιεραρχική δομή κατά την ανάλυση του προβλήματος
απόφασης εξαρτάται προφανώς από την πολυπλοκότητά του.
• Η ιεραρχική δομή κατασκευάζεται με μία διαδικασία
παραγωγής ιδεών (brainstorming) από ένα σύνολο ατόμων,
κάθε ένα από τα οποία αντιπροσωπεύει και μια ξεχωριστή
όψη του προβλήματος απόφασης.
• Για παράδειγμα, στο πρόβλημα επιλογής του ΟΠΣ, για
στοιχεία που αφορούν υλικό και το δίκτυο τον κύριο λόγο
έχουν οι μηχανικοί πληροφορικής, ενώ για στοιχεία που
αφορούν στο λογισμικό εφαρμογών τον κύριο λόγο έχουν
ειδικοί της τεχνολογίας λογισμικού και εκπρόσωποι των
χρηστών (οι τελευταίοι σε ότι αφορά την κάλυψη των
απαιτήσεων).
 Έστω ότι μια εταιρεία πληροφορικής θέλει να προσλάβει έναν προγραμματιστή.

 Τα κριτήρια τα οποία αποφάσισε ο υπεύθυνος ότι θα παίξουν ρόλο για τις προσλήψεις είναι τα
εξής
 Μόρφωση
 Προϋπηρεσία
 Γνώση ξένων γλωσσών
 Ικανότητα επικοινωνίας
 Για τη θέση υπέβαλαν το βιογραφικό τους τρεις υποψήφιοι
 Ο Κώστας
 Η Γεωργία και
 Ο Πέτρος
Η ιεραρχική δομή που σχηματίζεται για το προηγούμενο πρόβλημα είναι :
Επιλογή
προγραμματιστή
Γνώση ξένων Ικανότητα

Μόρφωση Προϋπηρεσία
γλωσσών επικοινωνίας
Κώστας Γεωργία Πέτρος

Υπολογισμός βάρους κριτηρίων
Για τον υπολογισμό των βαρών των κριτηρίων η AHP χρησιμοποιεί τη σύγκριση ανά ζεύγη όλων
των κριτηρίων.
Σε κάθε σύγκριση η σπουδαιότητα του ενός στοιχείου σε σχέση με το άλλο βαθμολογείται με
μια κλίμακα από 1-9. Η σημασία της κλίμακας φαίνεται στον παρακάτω πίνακα
Κλίμακα 1-9 Σημασία

1 Ίση
3 Μέτρια σημαντικότερο
5 Αρκετά σημαντικότερο
7 Πολύ σημαντικότερο
9 Εξαιρετικά σημαντικότερο
2,4,6,8 Ενδιάμεσες τιμές

 Για 𝑛 κριτήρια ο πίνακας Α( 𝑛 ∗ 𝑛) πίνακας σχηματίζεται
 Στη θέση 𝛼𝑖𝑖 το αποτέλεσμα σύγκρισης της σπουδαιότητας του στοιχείου 𝑖 σε σχέση με το
κριτήριο 𝑗. Αντίστοιχα στη θέση 𝛼𝑖𝑖 τοποθετείται το αποτέλεσμα της σύγκρισης της
σπουδαιότητας του στοιχείου 𝑗 σε σχέση με το στοιχείο 𝑖 . Η τιμή αυτή δεν υπολογίζεται
αφού όπως είναι προφανές είναι η αντίστροφη τιμή από αυτή που περιέχεται στη θέση 𝛼𝑖𝑖 .
 Με τον τρόπο αυτό σχηματίζεται ένας τετράγωνος πίνακας που στη διαγώνιο περιέχει τη
μονάδα και σε κάθε θέση 𝑖𝑗 περιέχει το αποτέλεσμα της σύγκρισης των στοιχείων 𝑖 και 𝑗 .
1 𝛼12 𝛼13 … 𝛼1𝑛

1⁄ 1 𝑎23
𝑎12
1⁄ 1⁄
Α= 𝑎13 𝑎23 1
… … … … 𝑎 𝑛−1 𝑛
1⁄ 1
𝑎1𝑛 … … �𝑎 𝑛−1 𝑛 1
Τα σχετικά βάρη των κριτηρίων είναι οι τιμές του κανονικοποιημένου ιδιοδιανύσματος του
πίνακα Α (normalized eigenvector)
Ιδιοδιάνυσμα ενός τετράγωνου πίνακα πίνακα ορίζεται το μη μηδενικό διάνυσμα 𝑥 το οποίο για
την ιδιοτιμή 𝜆 του πίνακα Α ικανοποιεί τη σχέση :
𝐴𝑥 = 𝜆𝑥 => (𝐴 – 𝜆Ι)𝑥 = 0
Για τον συγκεκριμένο τύπο πίνακα που σχηματίζεται από την AHP το ιδιοδιάνυσμα υπάρχει.

Ένας συνήθης τρόπος υπολογισμού/ προσέγγισης του κανονικοποιημένου ιδιοδιανύσματος ενός
πίνακα Α είναι ο ακόλουθος:
 Ο πίνακας Α υψώνεται στο τετράγωνο
 Τα αθροίσματα των γραμμών υπολογίζονται και κανονικοποιούνται
 Ο πίνακας που προέκυψε από την προηγούμενη ύψωση στο τετράγωνο υψώνεται στο
τετράγωνο ξανά
 Τα νέα αθροίσματα των γραμμών υπολογίζονται και κανονικοποιούνται
 Το διάνυσμα που κάθε φορά προκύπτει συγκλίνει προς μια συγκεκριμένη τιμή.
 Η διαδικασία της ύψωσης στο τετράγωνο και υπολογισμού του κανονικοποιημένου

αθροίσματος των σειρών συνεχίζεται μέχρι την απαιτούμενη ακρίβεια (το διάνυσμα που
προκύπτει δεν διαφέρει από το προηγούμενο στην ακρίβεια που μας ενδιαφέρει)
Υπολογισμός τιμών των εναλακτικών
Η διαδικασία που ακολουθήθηκε για τον προσδιορισμό των βαρών των

κριτηρίων ακολουθείται και για των υπολογισμό των τιμών κάθε
εναλλακτικής σε σχέση με κάθε ένα από τα κριτήρια.
Υπολογισμός τελικού αποτελέσματος

Εάν υποθέσουμε ότι σε ένα πρόβλημα έχουμε 𝑚 εναλλακτικές, οι οποίες συγκρίνονται ως προς
𝑛 κριτήρια, ένας πίνακας 𝑊 𝑚∗𝑛 σχηματίζεται, όπου το στοιχείο 𝑤𝑚,𝑛 είναι η βαθμολογία της
εναλλακτικής 𝑚 ως προς το κριτήριο 𝑛 και 𝑣 ο πίνακας διάνυσμα με το βάρος που έχει κάθε
κριτήριο.
Η τελική βαθμολογία κάθε εναλλακτικής 𝑚 , έστω 𝑟𝑖 = 𝑖 = 1: 𝑚 υπολογίζεται από τον τύπο :
𝑟𝑖 = � 𝑤𝑖,𝑖 𝑣𝑖
𝑖=1
Η μεθοδολογία θα γίνει σαφής από το παράδειγμα που ακολουθεί.

Παράδειγμα εφαρμογής AHP
…Συνεχίζοντας το παράδειγμα που

χρησιμοποιήσαμε για να δείξουμε την
ιεραρχική δομή της AHP

Υπενθυμίζουμε ότι τα κριτήρια που είχαν καθοριστεί από τον υπεύθυνο προσλήψεων είναι :
 Μόρφωση
 Προϋπηρεσία
 Γνώση ξένων γλωσσών
 Ικανότητα επικοινωνίας
Ο υπεύθυνος εκτιμά ότι:

 Η σχέση μόρφωσης και προϋπηρεσίας είναι 1/3
 Η σχέση μόρφωσης και γνώσης ξένων γλωσσών είναι 3
 Η σχέση μόρφωσης προς την ικανότητα επικοινωνίας είναι 5
 Η σχέση προϋπηρεσίας και γνώσης ξένων γλωσσών 5
 Η σχέση προϋπηρεσίας και ικανότητας επικοινωνίας είναι 7
 Η σχέση γνώσης ξένων γλωσσών και ικανότητας επικοινωνίας είναι 2
Ο αριθμός συγκρίσεων που πρέπει να γίνουν εάν υπάρχουν 𝒏 κριτήρια είναι 𝒏(𝒏−𝟏)�𝟐
4(4−1)
Στην περίπτωσή μας με 4 κριτήρια έχουμε �2 = 6 συγκρίσεις
Ο πίνακας ο οποίος σχηματίζεται είναι :
γνώση ξένων
µόρφωση προϋπηρεσία ικανότητα επικοινωνίας
γλωσσών
µόρφωση 1 1/3 3 5
προϋπηρεσία 3 1 5 7
1/3 1/5 1 2
γλωσσών
ικανότητα
1/5 1/7 1/2 1
επικοινωνίας

Υπολογισμός του κανονικοποιημένου ιδιοδιανύσματος του πίνακα των
κριτηρίων
1
1 3 5 34,475
3 3,998 1,981 10,165 18,331
3 1 5 7
2 9,065 4 22,5 39 74,565
Α= 1 1 Α = τα αθροίσματα των σειρών είναι :
3 5
1 2 1,666 0,796889 3,999 7,065 13,52689
1 1 1 0,9955 0,4526 2,315 4,001 7,7641
5 7 2
1
Το άθροισμα των τιμών είναι (34,475 + 74,565 +13,52689 + 7,7641 )= 130,331 οπότε διαιρώντας καθένα από
0,264519
0,57212
τα στοιχεία με το άθροισμα παίρνουμε το κανονικοποιημένο 0,103789 (δηλαδή όλα τα στοιχεία έχουν
0,059572
άθροισμα 1)
Επαναλαμβάνοντας τη διαδικασία έχουμε :
69,12517 32,24103 168,2983 295,7044 565,3689
148,8114 69,53917 362,4082 637,172 1217,931
𝐴4 = τα αθροίσματα είναι
27,58001 12,87228 67,21237 118,1381 225,8028
15,92261 7,438136 38,82276 68,26339 130,4469
0,264247
0,569246
Και το κανονικοποιημένα
0,105538
0,060969
Βλέπουμε ότι η διαφορά του πρώτου κανονικοποιημένου διανύσματος με το δεύτερο είναι:
0,264519 0,264247 0,000272

0,57212 0,569246 0,002874
- = Η ακρίβεια εκατοστού είναι ικανοποιητική για το παράδειγμά μας
0,103789 0,105538 −0,00175
0,059572 0,060969 −0,0014
οπότε σταματάμε τη διαδικασία σε αυτό το σημείο

Οπότε έχουμε τις εξής βαρύτητες για τα κριτήρια:
µόρφωση 0,27
προϋπηρεσία 0,57
0,1
γλωσσών
ικανότητα
0,06
επικοινωνίας
Επειδή χρησιμοποιήσαμε κανονικοποίηση, το άθροισμα των βαρών είναι 1, οπότε εκφράζουν

και ποσοστά %
Στη συνέχεια θα υπολογίσουμε τη βαθμολογία της κάθε επιλογής
(υποψήφιου) σε σχέση με καθένα από τα κριτήρια.
Mόρφωση
Βάσει των βιογραφικών και των βεβαιώσεων σπουδών που υπέβαλαν οι υποψήφιοι σχηματίστηκε ο
εξής πίνακας

Κώστας 1 2 5
Γεωργία 1/2 1 3
Πέτρος 1/5 1/3 1
Χρησιμοποιώντας τη μεθοδολογία που παρουσιάσαμε νωρίτερα, όσον αφορά τη βαθμολόγηση των

υποψηφίων σχετικά με τη μόρφωση, παίρνουμε :
Κώστας 0,58
Γεωργία 0,31
Πέτρος 0,11

Προϋπηρεσία
Σύμφωνα με τα βιογραφικά που υπέβαλαν οι υποψήφιοι, ο Κώστας έχει 7 χρόνια προϋπηρεσία,
η Γεωργία 5 χρόνια και ο Πέτρος 4. Οπότε ο πίνακας σχετικά με την προυπηρεσία είναι ο εξής:
Κώστας 1 7/5 7/4
Γεωργία 5/7 1 5/4
Πέτρος 4/7 4/5 1
Και η βαθμολογία σχετικά με την προϋπηρεσία των υποψηφίων είναι :
Κώστας 0,44
Γεωργία 0,31
Πέτρος 0,25
Στη συγκεκριμένη περίπτωση, χρησιμοποιήσαμε συγκεκριμένες τιμές όσον αφορά τις συγκρίσεις
ανά δύο, αφού τέτοιες ήταν διαθέσιμες (χρόνια προϋπηρεσίας) και όχι την κλίμακα με τις
εκτιμήσεις σπουδαιότητας 1-9
Γνώση ξένων γλωσσών
Από τα στοιχεία των υποψηφίων ,ο πίνακας που διαμορφώθηκε ήταν ο εξής

Κώστας 1 1/5 1/2
Γεωργία 5 1 3
Πέτρος 2 1/3 1
Και η βαθμολογία σχετικά με τη γνώση ξένων γλωσσών των υποψηφίων είναι :
Κώστας 0,12
Γεωργία 0,65
Πέτρος 0,23

Ικανότητες επικοινωνίας
Μετά από συνέντευξη με τους υποψήφιους, ο υπεύθυνος προσλήψεων διαμόρφωσε τον
παρακάτω πίνακα:

Κώστας 1 1/2 3
Γεωργία 2 1 5
Πέτρος 1/3 1/5 1
Και η βαθμολογία σχετικά με τη γνώση ξένων γλωσσών των υποψηφίων είναι :
Κώστας 0,31
Γεωργία 0,58
Πέτρος 0,11
Τελικός υπολογισμός βαθμολογίας υποψηφίων
Η τελική βαθμολογία των υποψηφίων υπολογίζεται ως εξής :
γνώση ξένων επικοινωνιακές τελική

μόρφωση προϋπηρεσία βαρύτητα κριτηρίων
γλωσσών ικανότητες βαθμολογία
* =
Κώστας 0,58 0,44 0,12 0,31 0,27 0,438
0,57 0,3602
Γεωργία 0,31 0,31 0,65 0,58
0,1 0,2018
Πέτρος 0,11 0,25 0,23 0,11
0,06
Άρα, καταλληλότερος υποψήφιος είναι ο Κώστας.
Επισημάνσεις
 Ένα πρόβλημα το οποίο μπορεί να προκύψει με τη χρήση της AHP είναι όταν στις
διαδοχικές συγκρίσεις υπάρχει ασυνέπεια.
 Έστω τρία κριτήρια 𝑐1 , 𝑐2 , 𝑐2
 Αν το 𝑐1 ως προς το 𝑐2 κριθεί ότι έχει βαρύτητα 2 (δηλαδή το 𝑐1 είναι λίγο σημαντικότερο από το 𝑐2 )
 Και το 𝑐2 ως προς το 𝑐3 έχει βαρύτητα 3 (δηλαδή είναι αρκετά σημαντικότερο από το 𝑐3 )
 Αν τέλος το 𝑐1 ως προς το 𝑐3 κριθεί ότι έχει βαρύτητα 1 (δηλαδή είναι ίσης σημασίας) ή 2 (ότι είναι
λίγο σημαντικότερο το 𝑐1 από το 𝑐3 )
Χρησιμοποιούμε ασυνεπείς εκτιμήσεις και η χρήση της διαδικασίας πολύ πιθανόν να οδηγήσει σε λάθος
αποτέλεσμα. Με απόλυτους αριθμούς η σύγκριση 𝑐1 / 𝑐3 θα έπρεπε να έχει τιμή 1/6 , αλλά και τιμές όπως
1/4 ή και 1/7 είναι αποδεκτές (τόσο όσον αφορά το υπολογιστικό κομμάτι της διαδικασίας αλλά και ως
προς το γεγονός ότι εκφράζουν την υποκειμενικότητα της ανθρώπινης κρίσης ).
Η AHP έχει μηχανισμό που ελέγχει τα αποτελέσματα για πιθανές ασυνέπειες
 Από την πρώτη παρουσίαση της AHP και μετά, έχουν παρουσιαστεί και χρησιμοποιηθεί
αρκετές παραλλαγές της (π.χ. χρησιμοποιώντας διαφορετικές κλίμακες απο την 1-9, Fuzzy
AHP) .
ΑΣΑΦΗ ΓΝΩΣΤΙΚΑ ΔΙΚΤΥΑ
ΚΑΙ ΠΟΛΥΠΛΟΚΑ
ΣΥΣΤΗΜΑΤΑ
ΠΕΡΙΓΡΑΜΜΑ ΠΑΡΟΥΣΙΑΣΗΣ
 Ασαφή Γνωστικά ∆ίκτυα (Fuzzy Cognitive Maps)
 Μαθηματικά Μοντέλα των Ασαφών Γνωστικών ∆ικτύων
 Μεθοδολογίες Ανάπτυξης Ασαφών Γνωστικών ∆ικτύων
 Μοντελοποίηση και Έλεγχο ενός Συστήματος
 Μοντελοποίηση του συντονιστή ενός ιεραρχικού

 Εφαρμογές Ασαφών Γνωστικών ∆ικτύων
 Ερευνητικές κατευθύνσεις
Ασαφή Γνωστικά ∆ίκτυα
(Fuzzy Cognitive Maps)
Κόμβοι –Έννοιες (Concepts)

 Καταστάσεις (states)
 Μεταβλητές (variables)
 Γεγονότα (events)
 Εισόδους (inputs)
 Εξόδους (outputs)
 Βλάβες (failures)
 Ενέργειες (actions)
 Στόχους (goals)
∆ιασυνδέσεις μεταξύ των εννοιών-κόμβων, εκφράζουν την
υφιστάμενη σχέση αιτίας και αποτελέσματος
Σχέσεις Αιτίας και Αποτελέσματος
 Η κατεύθυνση της διασύνδεσης καταδεικνύει εάν η τιμή του

κόμβου Ci επιδρά στην τιμή του κόμβου Cj , ή αντίστροφα.
 Η τιμή του βάρους μιας διασύνδεσης Wij εκφράζει το βαθμό με
τον οποίο ο κόμβος Ci επηρεάζει την τιμή του κόμβου Cj .
 Το πρόσημο του βάρους μιας διασύνδεσης Wij εκφράζει εάν η
σχέση μεταξύ των κόμβων είναι ανάλογη, δηλαδή αύξηση της
τιμής του ενός κόμβου προκαλεί αύξηση στην τιμή και του άλλου
κόμβου και αντιστρόφως.
 Θετική αιτιότητα μεταξύ δύο εννοιών Wij >0

 Αρνητική αιτιότητα Wij <0
 Καμία σχέση Wij =0.
Μέθοδος Υπολογισμού
t N t 1
Ai f (  Aj Wj i ) Wi j [ 1, 1]
j 1
A [ 0, 1]
j i i
t
•A η τιμή του κόμβου C i στο βήμα t 1
i f ( x )
t 1 1  e  x
•Aj η τιμή του κόμβου C j στo βήμα t-1
• Wi j η τιμή του βάρους της διασύνδεσης από κόμβο C i προς Cj

LM 0 W
12
... W
1N
OP
MM . 0 W
ij
PP
W 
MM . W  PP At  f ( At 1 W )
ji
MMWN1 0 PP
N Q
Μαθηματικά μοντέλα ΑΓΔ

Μαθηματικό μοντέλο
N
At  f (  At 1 W  At 1) A0
i j ji i Όπου δίνεται το i
j 1
j i
Γενικευμένη μέθοδος υπολογισμού
N
At  f ( g 1  At 1 W  g 2 At 1) 0  g 1( t ) , g 2( t )  1
i j ji i
j 1
j i
Συνολικός κανόνας υπολογισμού τιμών σε κάθε βήμα
At  f ( At 1 W  At 1 )
A t  f ( g 1 At  1 W  g 2 A t  1 )
Συναρτήσεις κατωφλίου (threshold)

f ( x)  1
1  e l x f ( x)  t a nh( x)
Διαδικασία Επιλογής και ανάπτυξης ΑΓΔ
• Στάδιο Ι
Επιλογή πλήθους N και του είδους κόμβων Ci που αποτελούν
το ΑΓΔ
• Στάδιο ΙΙ
Καθορισμός συσχέτισης μεταξύ των κόμβων, ποιος κόμβος
επηρεάζει ποιόν.
• Στάδιο ΙΙΙ
Είδος της συσχέτισης μεταξύ δύο κόμβων: θετική Wij >0,είτε
αρνητική Wij <0 ή δεν υφίσταται.
• Στάδιο ΙV
Καθορισμός του βαθμού συσχέτισης μεταξύ δύο κόμβων, ποια
είναι η τιμή του βάρους διασύνδεσης Wij μεταξύ των κόμβων
Μέθοδοι δημιουργίας και ανάπτυξης

Ασαφών Γνωστικών Δικτύων
1. Περιγραφή των βαρών του ΑΓΔ με χρήση Λεκτικών μεταβλητών

Οι ειδικοί χρησιμοποιούν λεκτικές μεταβλητές για να περιγράψουν τη συσχέτιση
μεταξύ των κόμβων. Οι προτεινόμενες λεκτικές μεταβλητές συνδυάζονται και
εξάγεται μια αριθμητική τιμή για κάθε βάρος Wij διασύνδεσης.
2. Προσδιορισμός των βαρών του ΑΓΔ με το συμπερασμό ενός
λεκτικού κανόνα
Περιγραφή της σχέσης μεταξύ δύο κόμβων με χρήση ενός λεκτικού κανόνα, από τον
οποίο συμπεραίνεται μια λεκτική μεταβλητή για τη διασύνδεση
3. Συμπερασμός μιας συνάρτησης βάρους κάθε διασύνδεσης του ΑΓΔ
με χρήση λεκτικών κανόνων
Περιγράφεται η σχέση μεταξύ δύο κόμβων με λεκτικούς κανόνες, από τους οποίος
εξάγεται μια συνάρτηση που περιγράφει το βαθμό συσχέτισης των κόμβων.
ΜΕΘΟΔΟΣ Ι
Περιγραφή των βαρών του ΑΓ∆ με χρήση
Λεκτικών Μεταβλητών
 Ο βαθμός συσχέτισης W ij μεταξύ δύο κόμβων εκφράζεται από τους

ειδικούς με μια λεκτική μεταβλητή.
 Καθορίζεται το σύνολο στο οποίο παίρνουν τιμές οι λεκτικές μεταβλητές

και οι συναρτήσεις συμμετοχής μλ.
 Εφαρμόζεται μια μέθοδος (min-max) για το συνδυασμό των λεκτικών

μεταβλητών, προκύπτει η συνολική σχέση και με αποασαφοποίηση με
χρήση της μεθόδου Κέντρου Βάρους προκύπτει η αριθμητική τιμή του
βάρους κάθε διασύνδεσης μεταξύ των κόμβων.
 Η προτεινόμενη μέθοδος είναι πιο αντικειμενική και είναι πιο εύκολο

στους ειδικούς να περιγράψουν το βαθμό συσχέτισης μεταξύ δύο εννοιών
με χρήση λεκτικών μεταβλητών.
Παράδειγμα χρήσης Λεκτικών μεταβλητών
Προτείνεται λοιπόν, οι λεκτικές τιμές της μεταβλητής Επίδραση να

ανήκουν στο ακόλουθο σύνολο:
Τ(Επίδραση)={αρνητικά πολύ ισχυρή, αρνητικά ισχυρή, αρνητικά μέση,
αρνητικά αδύνατη, μηδενική, θετικά αδύνατη, θετικά μέση, θετικά ισχυρή,
θετικά πολύ ισχυρή}
 Μ(αρνητικά πολύ ισχυρή)=το ασαφές σύνολο για 'επίδραση μικρότερη από -75%'
με συνάρτηση συμμετοχής μnvs
 Μ(μηδενική)=το ασαφές σύνολο για 'επίδραση κοντά στο 0' με συνάρτηση
συμμετοχής μz
 Μ(θετικά ισχυρή)=το ασαφές σύνολο για 'επίδραση κοντά στο 75%' με συνάρτηση
συμμετοχής μps
ΜΕΘΟΔΟΣ ΙΙ
Προσδιορισμός των βαρών του ΑΓ∆ από το συμπερασμό

ενός λεκτικού κανόνα
 Η σχέση αιτιότητας μεταξύ δύο κόμβων περιγράφεται με έναν λεκτικό

κανόνα και ο οποίος συμπεραίνει το βαθμός συσχέτισης μεταξύ των κόμβων:
ΕΑΝ μια μεταβολή Α συμβεί στην τιμή του κόμβου Ci ΤΟΤΕ μια
μεταβολή Β προκαλείται στην τιμή του κόμβου Cj και επομένως
η επίδραση του κόμβου Ci στον κόμβο Cj θα είναι Γ
Εφαρμόζεται μια μέθοδος για το συνδυασμό των λεκτικών μεταβλητών που

συμπεραίνονται από το λεκτικό κανόνα και έτσι καθορίζονται τα βάρη των
διασυνδέσεων μεταξύ των κόμβων
 Η προτεινόμενη μέθοδος είναι πιο κατανοητή και καθοδηγεί τους ειδικούς

να βγάλουν αντικειμενικά συμπεράσματα για τη σχέση των δύο κόμβων.
Παράδειγμα εφαρμογής ενός λεκτικού συμπερασμού
ΕΑΝ μια μικρή αλλαγή συμβεί στην τιμή του κόμβου Ci ΤΟΤΕ μια πάρα
πολύ μεγάλη αλλαγή συμβαίνει στην τιμή του κόμβου Cj
Συμπέρασμα Σ4:
Η επίδραση του Ci στο Cj είναι θετική και πολύ μεγάλη και άρα το Wij είναι
θετικό και πολύ μεγάλο
ΜΕΘΟΔΟΣ ΙΙΙ
Χρήση ενός γλωσσικού κανόνα για την περιγραφή της
συσχέτισης μεταξύ δύο κόμβων και εξαγωγή μιας
συνάρτησης βάρους
 Η σχέση αιτιότητας μεταξύ δύο κόμβων περιγράφεται με έναν λεκτικό κανόνα:
ΕAΝ η τιμή του κόμβου Ci είναι Α

ΤΟΤΕ η τιμή του κόμβου Cj είναι Β
 Εφαρμόζεται μια μέθοδος για το συνδυασμό των λεκτικών κανόνων που

περιγράφουν τη σχέση δύο κόμβων και προκύπτει μια συνάρτηση εισόδου
εξόδου η οποία περιγράφει το βάρος της διασύνδεσης μεταξύ δύο κόμβων.
 Είναι μια απλούστατη μεθοδολογία και η περιγραφή της συσχέτισης δύο

κόμβων με μια συνάρτηση είναι πρωτοποριακή και διευκολύνει την εφαρμογή
αλγορίθμων εκπαίδευσης σε ΑΓΔ
Εξαγωγή συνάρτησης βάρους για κάθε διασύνδεση
ΕΑΝ η τιμή του κόμβου Ci είναι Πάρα πολύ Χαμηλή (μvvl ) ΤΟΤΕ η τιμή του
κόμβου Cj είναι Πάρα πολύ Χαμηλή (Β1)
ΕΑΝ η τιμή του κόμβου Ci είναι Πολύ Χαμηλή(μvl ) ΤΟΤΕ η τιμή του κόμβου Cj
είναι Χαμηλή (Β2)
ΕΑΝ η τιμή του κόμβου Ci είναι Χαμηλή(μl ) ΤΟΤΕ η τιμή του κόμβου Cj είναι
Πολύ Υψηλή (Β3)
Αλγόριθμοι εκπαίδευσης των Ασαφών Γνωστικών
Δικτύων
• Πρώτης τάξης κανόνας εκπαίδευσης των βαρών των διασυνδέσεων μεταξύ

των κόμβων του Ασαφούς Γνωστικού Δικτύου βασίζεται στη συσχέτιση ή
Hebbian αλγόριθμο εκμάθησης. Κανόνας για υπολογισμό της μεταβολής
της τιμής του βάρους κάθε διασύνδεσης:
w ij   wij  Ai A j
• Προτείνεται ο ακόλουθος κανόνας εκπαίδευσης που στηρίζεται στο

διαφορίσιμο Hebbian αλγόριθμο εκπαίδευσης και υπολογίζει τη
μεταβολή του βάρους μεταξύ δύο κόμβων από τη μεταβολή των τιμών
των κόμβων
w ji   w ji  s( Atj )s( Ait )  s( Atj 1 )s( Ait 1 ) 1

S( x ) 
1  e  x
Χαρακτηριστικά των Ασαφών Γνωστικών ∆ικτύων
 Τα ΑΓΔ αποτελούν έναν συνδυασμό και συγκερασμό μεθοδολογιών

προερχόμενων από την Ασαφή Λογική και τα Νευρωνικά Δίκτυα.
 Τα ΑΓΔ είναι δίκτυα ενός επιπέδου που αποτελούνται από κόμβους-

έννοιες. Οι διασυνδέσεις μεταξύ των κόμβων και τα αντίστοιχα βάρη
εκφράζουν τις υφιστάμενες σχέσεις αιτίας και αποτελέσματος.
 Η ανθρώπινη γνώση και εμπειρία που αντικατοπτρίζεται σε ένα ΑΓΔ

εμπεριέχεται στη μεθοδολογία ανάπτυξης του ΑΓΔ, στη δομή του και τα
βάρη των διασυνδέσεων
 Ένα ΑΓΔ αξιοποιεί την ανθρώπινη γνώση και εμπειρία και υλοποιεί μια
συμβολική παρουσίαση της συμπεριφοράς και λειτουργίας του συστήματος
με χρήση μιας συνοπτικής και περιληπτικής μεθόδου
Ασαφή Γνωστικά Δίκτυα
Μοντελοποίηση και Έλεγχος Συστημάτων
Ασαφές Γνωστικό Δίκτυο
ΔΙΑΔΙΚΑΣΙΑ
• Άμεση σχέση μεταξύ διαδικασίας και του ελεγκτή. Το ΑΓΔ και το

ελεγχόμενο σύστημα αποτελούν ένα ενιαίο σύνολο.
• Το ΑΓΔ αναπτύσσεται έτσι ώστε να οδηγείται και συγκλίνει πάντα σε
μια περιοχή τιμών. Αποτελεί την επιθυμητή λειτουργία του συστήματος
και μπορεί να αλλάζει ανάλογα με τις νέες συνθήκες και ανάγκες του
συστήματος.
• Υπάρχει συνεχής ανταλλαγή δεδομένων και πληροφοριών μεταξύ της
διαδικασίας και του ΑΓΔ, δηλαδή μεταξύ πραγματικών μεγεθών και των
επιθυμητών τιμών τους.
Αναλυτική περιγραφή της προτεινόμενης δομής
Έμπειροι
Ειδικοί
Ασαφές Γνωστικό
Δίκτυο
Αλγόριθμοι
Εκπαίδευσης
Επίπεδο ΑΓΔ
Ταξινόμηση Μετασχηματισμός Οργάνωση

πληροφοριών σε ΑΓΔ μορφή δεδομένων Επίπεδο διασύνδεσης
Σχεδιασμός/ Ελεγχος
Οργάνωση πληροφοριών
Επίπεδο διαδικασίας
Αισθητήρες Ενεργοποιητές
Ελεγχόμενη
Διαδικασία
• Υπάρχει μετάδοση πληροφοριών και δεδομένων μεταξύ των τριών επιπέδων.

• Στη διάταξη διασύνδεσης οι μετρήσεις και άλλες πληροφορίες από το κατώτερο επίπεδο,
οργανώνονται σε ομάδες, κατηγοριοποιούνται και τελικά μετασχηματίζονται σε κατάλληλη
μορφή για μετάδοση στο ΑΓΔ
• Οι τιμές των κόμβων του ΑΓΔ που αποτελούν εισόδους στην ελεγχόμενη διαδικασία,
μετασχηματίζονται σε πραγματικές τιμές μεταβλητών, οργανώνονται, καθορίζονται τα
στοιχεία ελέγχου και σχεδιασμού και τα οποία δίνουν τα κατάλληλα σήματα εισόδου και
μεταδίδονται στους ενεργοποιητές.
Εποπτικός Έλεγχος Συστημάτων με Χρήση ΑΓΔ
Ανθρώπινος ΣΥΝΤΟΝΙΣΤΗΣ
παράγοντας ΑΓΔ
Διάταξη Διασύνδεσης
Συμβατικός/τοπικός Συμβατικός/τοπικός
Ελεγκτής Ελεγκτής
ΕΛΕΓΧΟΜΕΝΟ ΣΥΣΤΗΜΑ
•Το ΑΓΔ εμπεριέχει γνώσεις για τα υποσυστήματα σε αντιστοιχία με τον

τρόπο με τον οποίο ο άνθρωπος επιβλέπει το συνολικό σύστημα.
• Περιλαμβάνει ποιοτικές και ποσοτικές πληροφορίες και χρησιμοποιεί ένα

συνδυασμό των αιτιατών μοντέλων, των διαφόρων κανόνων και τακτικών
με βάση τα οποία ο άνθρωπος εποπτεύει και ελέγχει το σύστημα.
Εποπτικός Έλεγχος με Ασαφές Γνωστικό Δίκτυο
•Ο συντονιστής λαμβάνει και επεξεργάζεται μόνο ουσιαστικές πληροφορίες από

τους τοπικούς ελεγκτές.
•Επεξεργάζεται γεγονότα, καταστάσεις, τη συμπεριφορά και τους
αντικειμενικούς σκοπούς του συνολικού συστήματος.
•Συντονιστής διαπιστώνει ανεπιθύμητες καταστάσεις ή μη επιτρεπόμενες
λειτουργίες και επεμβαίνει.
•Ο συντονιστής υλοποιεί όλες ή ένα τμήμα των ενεργειών που πραγματοποιεί ο
άνθρωπος-χειριστής του συνολικού συστήματος:
• η διάγνωση ανωμαλιών στη λειτουργία,
• η πρόβλεψη βλαβών,
• λήψη αποφάσεων,
• ο σχεδιασμός,-
Παράδειγμα μοντελοποίησης συντονιστή για
περιπτώσεις βλαβών
Σήμα κινδύνου
0.40
Δ3
0.70
αισθητήρα
Βλάβη Δ6 θερμοκρασίας
διαδικασίαςl 0.97 0.24
0.33
Δ4
0.10 Δ5
Δ2 0.38
0.58
Υπερχείλιση
Βλάβη
0.39 Βλάβη
Δ1 θερμαντικού
Βαλβίδων
0.20 στοιχείου
0.22
0.37
Έννοιες- κόμβοι :
• καταστάσεις βλαβών των βαλβίδων,
• κακή λειτουργία του θερμαντικού στοιχείου,
• διαρροές από τις δεξαμενές,
• συνθήκες υπερχείλισης,
• υπέρβαση της θερμοκρασίας του υγρού,
Διεπίπεδη δομή εποπτικού ελεγκτή με ένα ΑΓΔ σε κάθε επίπεδο

Σήμα κινδύνου Λήψη
0.40 Αποφάσεων
D3
0.70
ΑΓΔ Βλάβη
αισθητήρα
συντονιστής D6 θερμοκρασίας
διαδικασίαςl
0.97 0.24
0.33
D4
D5
0.10
D2 0.38
Υπερχείλιση
0.58
0.39 Βλάβη
Βλάβη
D1 θερμαντικού
Βαλβίδων
0.20 στοιχείου
0.22
0.37
Διάταξη
Διασύνδεσης
Δ3 Δεξαμενή2
Δεξαμενή1
Δ6 0.70 0.01
0.20 Δ8
-0.80
-0.42
Δ1 Δ5 Δ7
0.21 0.76 0.80
ΑΓΔ Δ4
Δ2 0.60
στο κατώτερο Βαλβίδα1 0.38
Βαλβίδα2 Βαλβίδα3
επίπεδο 0.55
Event 11 0.58
Δ 12
0.0
0.30
0.40
Δ 10
0.60 Θερμ. Τ2
Θερμαντικό Δ 13
Θερμ. Τ1 0.10
στοιχείο 0.09
0.20
0.05
Δ9
0.53
ΑΓΔ & Βιομηχανικά Συστήματα.
Το σύνολο των πληροφοριών που υπάρχουν σε ένα πολύπλοκο
βιομηχανικό σύστημα δημιουργούν ένα θεμελιώδες λειτουργικό
μοντέλο του συστήματος.
• Μεγάλες ποσότητες τεχνικών και ποιοτικών πληροφοριών
• Πληροφορίες για τα γενικά χαρακτηριστικά της παραγωγικής

διαδικασίας
• Πληροφορίες για το γενικό πλάνο και σχεδιασμό της παραγωγικής

• Πληροφορίες για τη συμπεριφορά διαφόρων υποσυστημάτων
• Ένα σύνολο από ιδιότητες, ποιοτικά χαρακτηριστικά και μεταβλητές

που επηρεάζουν τη συμπεριφορά και λειτουργία του συνολικού
Ανάπτυξη ενός ΑΓΔ για μια παραγωγική διαδικασία
Εσωτερικές
μεταβολές -0.17 Λάθος
διαδικασίας χειρισμοί
Ακατάλληλη
Κόμβος C1 : Απαξίωση προϊόντος πρώτη ύλη
-0.77
0.5
Κόμβος C2 : Εσωτερικές μεταβολές διαδικασίας
0.59 0.7
Απαξίωση 0.21
Μηχανολογικά Προιόντος Επανασχεδιασμός
Κόμβος C3 : Κακής ποιότητας πρώτη ύλη προβλήματα 0.45 Διαδικασίας
0.4 0.2
0.1
Κόμβος C4 : Τεχνικά προβλήματα μηχανών -0.68 0.7 -0.2
Τεχνική 0.8 Κλείσιμο

Κόμβος C5 : Τεχνική βλάβη υποσυστήματος βλάβη μηχανής
-0.45
Κόμβος C6 : Λανθασμένοι χειρισμοί των μηχανών
-0.83
0.35 0.8
Συντήρηση
Κόμβος C8 : Απαιτείται κλείσιμο μηχανής
Κόμβος C7: Απαιτείται ανασχεδιασμός

Κόμβος C9: Απαιτείται να γίνει συντήρηση

Ιεραρχική δομή βιομηχανικού
πολύπλοκου συστήματος
Ο συντονιστής υλοποιεί :
• παρακολούθηση της λειτουργίας
• λήψη αποφάσεων
Λήψη
Διάγνωση
Βλαβών
Αποφάσεων • σχεδιασμό και αποστολή εντολών
Παρακολο
• οργάνωση του συνολικού συστήματος
Εκτέλεση
ύθηση
εντολών FCM
• στρατηγικό σχεδιασμό
• ανάλυση και πρόληψη βλαβών.
Διασύνδεση
Επαυξημένο ΑΓΔ για:

Ελεγκτής
Ελεγχόμενο • λήψη αποφάσεων,
Σύστημα
• σχεδιασμό,
• παρακολούθηση λειτουργίας,
• διάγνωση βλαβών και
• αποστολή εντολών
Ένα παράδειγμα Ασαφούς Γνωστικού ∆ικτύου
+
∆ΙΑΦΗΜΙΣΗ
+
ΚΕΡ∆ΟΣ
-
-
ΑΥΞΗΣΗ +
ΜΙΣΘΩΝ
+
ΑΥΞΗΣΗ
ΠΑΡΑΓΩΓΗΣ
+
ΕΠΙΜΟΡΦΩΣΗ
Περιοχές εφαρμογής ΑΓ∆
 Ανάλυση και λήψη αποφάσεων
 Επιχειρησιακή Έρευνα
 Περιγραφή της δομής φυσικού κόσμου
 Μοντελοποίηση πολιτικών και κοινωνικών
συστημάτων
 Ανάλυση Ηλεκτρικών κυκλωμάτων
 Μοντέλα για ∆ιάγνωση σφαλμάτων
 Έλεγχο συστημάτων
Περιοχές εφαρμογής και χρήσης των ΑΓΔ
Έλεγχο διαδικασιών.
Επιχειρήσεις και βιομηχανικά μοντέλα
Ιατρικές εφαρμογές – Σύστημα Λήψης Απόφασης
Διάγνωση σε προβλήματα λογοθεραπείας
ΣΥΜΠΕΡΑΣΜΑΤΑ
 Η απαίτηση για εύρεση νέων μοντέλων καθοδηγεί την έρευνα σε ζητήματα

μοντελοποίησης και ελέγχου συστημάτων με στόχο την ανάπτυξη ιεραρχικού
ευφυούς ελέγχου για πολύπλοκα συστήματα.
 Εύρεση νέων υπολογιστικών κανόνων και ολοκληρωμένων μεθόδων δημιουργίας

και ανάπτυξης των Ασαφών Γνωστικών Δικτύων,
 Μοντελοποίηση και έλεγχος συστήματος με μια νέα δομή.
 Προτείνεται η μοντελοποίηση του συντονιστή σε μια νέα δομή εποπτικού-

ιεραρχικού ελέγχου με χρήση Ασαφών Γνωστικών Δικτύων.
 Σημαντικές προοπτικές για εφαρμογές των Ασαφών Γνωστικών Δικτύων για τη

μοντελοποίηση και έλεγχο πολύπλοκων συστημάτων.
Ανάπτυξη Συστήματος Λήψης Απόφασης-

Πρόβλημα Ακτινοθεραπείας
Πρόβλημα Ακτινοθεραπείας:
Πολύπλοκο πρόβλημα
Περιλαμβάνει πολλούς παράγοντες που αλληλεπιδρούν
Περιέχει ασάφεια
Στόχοι Ακτινοθεραπείας:
 Μέγιστη δυνατή δόση στον όγκο-στόχο (tumor)
 Ελάχιστη δυνατή δόση στους υγιείς ιστούς και τα ευαίσθητα όργανα
Ασαφές Γνωστικό ∆ίκτυο-Σύστημα
Υποστήριξης Απόφασης (FCM-DSS)
Συμβολική παρουσίαση της συμπεριφοράς & λειτουργίας του συστήματος
Χρησιμοποιεί τη γνώση των έμπειρων γιατρών
Λεκτικοί κανόνες “if-then” για την περιγραφή των αλληλεπιδράσεων
∆ιεπίπεδο Ιεραρχικό Σύστημα Λήψης

Απόφασης
 Κατώτερο Επίπεδο Clinical Treatment Simulation Tool (CTST-
FCM) (33 κόμβοι-195 iδιασυνδέσεις)
F-C, S-C: παράγοντες και μεταβλητές της θεραπείας
Αρχικές Τιμές: AAPM TG 23 & experimental data
Υπολογισμός των OUT-Cs: απόδεκτές ή όχι σύμφωνα με τα σχετικά
πρωτόκολλα
 Επιφάνεια Διασύνδεσης (Διεπαφή)
Αποτελείται από ένα σύνολο ασαφών κανόνων IF-THEN
 Ανώτερο Επίπεδο (Για έλεγχο & Λήψη Απόφασης)
Επόπτης-ΑΓ∆ (6 κόμβοι-12 διασυνδέσεις)
 Υπολογισμός των βαρών χρησιμοποιώντας τον αλγόριθμο AHL
 Υπολογισμός της τιμής του κόμβου “Final Dose”
 Τελική αποδοχή ή όχι της θεραπείας για τη συγκεκριμένη προτεινόμενη
τεχνική
 Αλγόριθμος για την Εποπτεία της θεραπείας
Κατώτερο Επίπεδο-Μοντέλο CTST-FCM
Αναπαριστά τους παράγοντες & τις μεταβλητές της ακτινοθεραπείας
Factor-Concepts: Μέγεθος του όγκου, σχήμα του όγκου, θέση, μετάσταση σε άλλα
σημεία, ομοιομορφία της δόσης, μέρος του ασθενή που ακτινοβολείται,
σκεδαζόμενη ακτινοβολία, χρόνος θεραπείας κ.τ.λ.
Selector-Concepts: ποιότητα της ακτινοβολίας, είδος, μέγεθος του πεδίου
ακτινοβόλησης, βαρύτητα πεδίου, κατεύθυνση δεσμών, αριθμός πεδίων, φίλτρα,
εμπόδια, ακινητοποίηση του ασθενούς.
Output-Concepts: (1) Δόση που λαμβάνει ο όγκος-στόχος,
(2) Ποσό του όγκου του υγιούς ιστού,
(3) Ποσό του όγκου των ευαίσθητων οργάνων που ακτινοβολείται
Πρωτόκολλα πειραμάτων AAPM TG 23 -ICRU 50
Κατώτερο Επίπεδο-Μοντέλο CTST-FCM

Ανώτερο Επίπεδο: Επόπτης-ΑΓ∆ (1)
UC1: Εντοπισμός του όγκου
UC2: Δόση που καθορίζεται από το σχεδιασμό θεραπείας  0 0 0 0 0 0.43 
0.28 0 0.57 
UC3: Μηχανικοί παράγοντες  0 0 0
upperlevel
 0  0.3 0 0 0  0.39
UC4: Ανθρώπινοι Παράγοντες W  
 0 0 0 0  0.32  0.43
 0  0.37 0.68 
UC5: Τοποθέτηση του ασθενή 
0 0 0

0.22 0.67 0 0 0.54 0 
UC6: Τελική Δόση στον όγκο-στόχο
Στόχοι του Επόπτη-ΑΓΔ:

FDmin  FD  FDmax
Τελική Δόση (FD) μεταξύ αποδεκτών ορίων
Dmin  D  Dmax
Δόση σχεδιασμού θεραπείας μεταξύ αποδεκτών ορίων
Μη επιθυμητό/αποδεκτό αποτέλεσμα, επιστροφή στο

κατώτερο επίπεδο Νέες τιμές για τις μεταβλητές & αλληλεπιδράσεις
Ιεραρχική ∆ιεπίπεδη ∆ομή
Κριτήρια Ανωτέρου Επιπέδου

0.90  FD  0.95
0.80  D  0.95
Διεπαφή: Σύνολο Ασαφών Κανόνων

ΑΝ-ΤΟΤΕ
Κριτήρια Κατωτέρου Επιπέδου
OUT  C1  0.90
OUT  C 2  0.05
OUT  C 3  0.10
∆ιάγραμμα ροής του αλγορίθμου για τη
διαδικασία εποπτείας της θεραπείας
Καινοτομία του Προτεινόμενου

Συστήματος Λήψης Απόφασης
Αξιοποιεί και αναπαριστά τη γνώση των έμπειρων γιατρών

στην ακτινοθεραπεία (πολύπλοκο πρόβλημα)
Λαμβάνει υπόψη ποιοτικές και ποσοτικές μεταβλητές
Καθορίζει την αποδοχή ή όχι της θεραπείας για την
προτεινόμενη τεχνική (κρατώντας την τιμή της επιθυμητής
δόσης μεταξύ αποδεκτών ορίων)
Εποπτεύει τη διαδικασία λήψης απόφασης
Συμπεράσματα ∆ιαγνωστικών
Μοντέλων
Η συμβολή των προτεινόμενων μοντέλων διάγνωσης και λήψης
απόφασης με χρήση ΑΓ∆ είναι:
καλύτερη αναπαράσταση ιατρικής γνώσης, δομημένης σε ένα εύκολα
ερμηνεύσιμο και ευέλικτο μοντέλο.
χρήσιμα εργαλεία για λήψη ιατρικής απόφασης (που μπορούν να
βοηθήσουν σημαντικά τόσο στην αξιολόγηση των διαγνωστικών
μεταβλητών όσο και στην εκπαίδευση των ειδικευόμενων γιατρών).
μέσο καταγραφής της υπάρχουσας ιατρικής γνώσης και εμπειρίας
βελτίωση της διαγνωστικής ευαισθησίας και ειδικότητας καθώς
διαχειρίζονται καλύτερα την ασαφή πληροφορία, έχουν την ικανότητα
να συνδυάζουν ποιοτικές και ποσοτικές μεταβλητές, και έχουν την
δυνατότητα δυναμικής προσαρμογής των βαρών τους.
1ο Παράδειγμα
 Κατασκευή και Εξομείωση Ασαφούς
Γνωστικού ∆ικτύου για υποβοήθηση στη
λήψη απόφασης στο πρόβλημα
σχεδιασμού της ακτινοθεραπείας και το
ποσοστό της δόσης στον όγκο-στόχο
του ασθενούς
40
ΑΓ∆ Λήψης Απόφασης στην
Ακτινοθεραπεία
 Ένα απλό Ασαφές Γνωστικό ∆ίκτυο σχεδιάζεται για να
περιγράψει τις σχέσεις αιτίας και αποτελέσματος μεταξύ των
στόχων και των ενεργειών για το σχεδιασμό λήψης
απόφασης στο πρόβλημα της ακτινοθεραπείας. Οι κόμβοι-
έννοιες που αποτελούν το Ασαφές Γνωστικό ∆ίκτυο είναι οι
ακόλουθοι:
 C1: Εντοπισμός του όγκου
 C2: ∆όση που καθορίζεται από το σχεδιασμό θεραπείας
 C3: Καθορισμός φίλτρου ακτινοβόλησης
 C4: Ανθρώπινοι παράγοντες-εμπειρία
 C5: Τοποθέτηση του ασθενή
 C6: Ποιοτικός Έλεγχος
 C7: Μηχανικοί Παράγοντες (Βλάβες Μηχανήματος)
 C8: Τελική δόση στον όγκο-στόχο
41

 Ο πίνακας βαρών που περιγράφει τις
αιτιατές σχέσεις είναι
• C1 • C2 • C3 • C4 • C5 • C6 • C7 • C8
Wij • C1 0 0 1 1 0 0 0 1
From Ci • C2 0 0 1 0 0 1 0 1
to Cj • C3 0 -1 0 0 0 -1 0 0
• C4 0 0 -1 0 -1 0 0 0
• C5 0 0 0 -1 0 0 1 0
• C6 1 1 0 0 0 0 0 1
• C7 0 0 0 0 0 0 0 0,5
• C8 0 0.5 0 0 0 0 0 0
42

Ερωτήματα:
 Α) Να σχεδιάσετε το Ασαφές Γνωστικό ∆ίκτυο
 Β) Να προσομοιώσετε το Ασαφές Γνωστικό ∆ίκτυο μέχρι το σημείο
σύγκλισής του για τις εξής αρχικές τιμές των κόμβων
 C(0)=[1 0,5 0 0 0 0 0 0 0]. Να θεωρηθεί ότι η προσομοίωση σταματάει
όταν οι τιμές των κόμβων μεταξύ τριών διαδοχικών επαναλήψεων δεν
διαφέρουν μεταξύ τους.
 Γ) Να σχολιάσετε τη σύγκλισή του. Εξηγείστε σε κάθε χρονική στιγμή

(βήμα) του Ασαφούς Γνωστικού ∆ικτύου τι σημαίνουν οι τιμές των
κόμβων σε σχέση με την τελική δόση στον όγκο-στόχο και την τελική
αποδοχή ή όχι της ακτινοθεραπείας.
 ∆) Τι θα συμβεί εάν αυξηθούν οι τιμές των κόμβων C1: Εντοπισμός του
όγκου, C3: Καθορισμός φίλτρου ακτινοβόλησης, C4: Ανθρώπινη
Εμπειρία, και C6:Ποιοτικός Έλεγχος, που σημαίνει ότι οι τιμές αυτών
των κόμβων θα είναι 1 και των υπολοίπων μηδέν;
Να προσομοιώσετε το Ασαφές Γνωστικό ∆ίκτυο για επτά χρονικές
στιγμές (βήματα).
43
Σχεδιασμός ΑΓ∆ για το

πρόβλημα Λήψης Απόφασης
 Κόκκινο:+1, Μπλέ:-1, μαύρο:0.5
C2
C6
C1
C8 C7
C3
C4 C5
44
ΑΓ∆-Υπολογισμός των τιμών
των κόμβων (1)
 Η σχέση που θα εφαρμόσουμε για τον υπολογισμό των τιμών των κόμβων
σε κάθε βήμα t, με βάση τις αλληλεπιδράσεις είναι:
 (t ) N (t ) 
A (t 1)
i  S  A i   A j w ji 
 j1   1, y  0
Η συνάρτηση κατωφλίου 
S(y)   0, y  0
(Threshold function)

1, y  0
0 0 1 1 0 0 0 1
0 0 1 0 0 1 0 1
0 -1 0 0 0 -1 0 0
0 0 -1 0 -1 0 0 0
Wij= 0 0 0 -1 0 0 1 0
1 1 0 0 0 0 0 1
0 0 0 0 0 0 0 0,5
0 0.5 0 0 0 0 0 0 45

Οι αρχικές τιμές (διεγέρσεις) των κόμβων δίνονται από το διάνυσμα Α(0)=[1 0,5 0 0 0 0
0 0].
 
  S 1  A 2 w  0   S (1)  1
N
A 1(1 )  S  A 1( 0 )   A (j 0 ) w j1
(0)
21  A (60 ) w 61
 j1 
 (0) 
2  S  A 2   A j w j2   S 1  A 1 w 12  A 3 w 32  A 6 w 62  0   S(0.5  0)  1
N
A (1) (0) (0) (0) (0)
 j 1 
 
j w j3   S 0  A1 w13  A2 w23  A6 w62  0  S(0 1 1*0.5  0)  1
N
A3(1)  S A3(0)  A(0) (0) (0) (0)
 j1 
 (0) N (0) 
4  S  A 4   A j w j4   S  0  A 1 w 14  A 2 w 24  0   S(0  1  0)  1
A (1) (0) (0)
 j  1 
46
 
A 5(1)  S  A 5( 0 )   A (j0 ) w j5   S  0  A 1( 0 ) w 15  A (20 ) w 25  0   S(0  0)  0
N
 j 1 
 (0) N (0) 
A (1)   A 6   A j w j6   S  0  A1 w16  A 2 w 26  A3 w 36  0   S(0  1*0.5)  1
(0) (0) (0)
6 S
 j1 
 (0) 8 (0) 
7  S A7  A j w j7   S 0  A1 w17  A2 w27  A5 w56  0  S(0  0)  0
A(1) (0) (0) (0)
 j1 
 
j wj8   S 0  A1 w18  A2 w28  A6 w68  A7 w78  0  S(1 0  0.5) 1
8
A8(1)  S A8(0)  A(0) (0) (0) (0) (0)
 j1 
47

C1 C2 C3 C4 C5 C6 C7 C8
t=0 1 0.5 0 0 0 0 0 0
t=1 1 1 1 1 0 1 0 1
t=2 1 1 1 1 -1 0 0 1
t=3 1 1 1 1 -1 0 -1 1
t=4 1 1 1 1 -1 0 -1 1
t=5 1 1 1 1 -1 0 -1 1
Μετά από 4 βήματα καταλήγει σε ισορροπία με την

αρχική διέγερση των δυο κόμβων C1 και C2.
Τι παρατηρούμε στο σημείο ισορροπίας? Πως
ερμηνεύουμε τις τελικές τιμές των κόμβων?
48
Εξήγηση των αποτελεσμάτων
στην κατάσταση ισορροπίας
 Με βάση την αρχική διέγερση αυξήθηκαν οι εξής
παράγοντες: C3:το φίλτρο ακτινοβόλησης, οι
ανθρώπινοι παράγοντες και η τελική δόση στον όγκο-
στόχο (C8), ενώ ελαττώθηκε ο ρόλος των μηχανικών
βλαβών και η συνεισφορά της ακριβούς τοποθέτησης
του ασθενή.
 ∆ηλαδή η τελική δόση που θα λάβει ο όγκος-
στόχος κατά την ακτινοβόληση (εφαρμόζοντας τη
συγκεκριμένη τεχνική που ορίσαμε με βάση τις
αρχικές συνθήκες) θα είναι η επιθυμητή όταν:
 θα γίνει σωστός εντοπισμός του όγκου,
 θα αυξηθεί η δόση κατά το σχεδιασμό της θεραπείας, το φίλτρο
ακτινοβόλησης και η εμπειρία των ανθρώπων,
 ενώ ταυτόχρονα θα ελαττωθεί η πιθανότητα μηχανικών βλαβών
και ακριβούς τοποθέτησης του ασθενή. 49
3ο ερώτημα-∆ιαφορετική
τεχνική
 Εφαρμόζουμε μια C1 C2 C3 C4 C5 C6 C7 C8
διαφορετική τεχνική για το
σχεδιασμό της t=0 1 0 1 1 0 1 0 0
ακτινοθεραπείας που
ορίζεται από τις εξής
αρχικές συνθήκες: t=1 1 0 0 1 -1 0 0 1
εντοπισμός του
όγκου(C1=1), φίλτρο t=2 1 1 0 1 -1 0 -1 1
ακτινοβόλησης (C3=1),
σημαντική εμπειρία του t=3 1 1 1 1 -1 1 -1 1
ανθρώπου (C4=1), και
ποιοτικός έλεγχος του
μηχανήματος (C6=1). t=4 1 1 1 1 -1 1 -1 1
t=5 1 1 1 1 -1 1 -1 1
Α(0)=[1 0 1 1 0 1 0 0].
t=6 1 1 1 1 -1 1 -1 1
Στο σημείο ισορροπίας η τελική
δόση και η δόση στο πλάνο
θεραπείας έχουν πάρει τις t=7 1 1 1 1 -1 1 -1 1
επιθυμητές τους τιμές=1
50
2ο Παράδειγμα: ΑΓ∆ που αναπαριστά την αύξηση
των βακτηριδίων σε μια πόλη ανάλογα με τον
πληθυσμό
51
Κόμβοι και βάροι-αλληλεπιδράσεις

 C1: Ο αριθμός των Wij C1 C2 C3 C4 C5 C6 C7
ανθρώπων στην πόλη
0 0 0.6 0.9 0 0 0
 C2: Μετανάστευση
 C3: Μοντερνισμός 0.1 0 0 0 0 0 0
(Modernization)
0 0.7 0 0 0.9 0 0
 C4: Σκουπίδια ανά περιοχή
 C5: Ευκολίες υγιεινής 0 0 0 0 0 0 0.9
 C6: Αριθμός ασθενειών ανά
1000 κατοίκους 0 0 0 0 0 -0.9 -0.9
 C7: Βακτήρια ανά περιοχή
-0.3 0 0 0 0 0 0
0 0 0 0 0 0.8 0
52
ΑΓ∆ για το πρόβλημα
μόλυνσης σε μια πόλη
 Η σχέση που θα εφαρμόσουμε για τον υπολογισμό των
τιμών των κόμβων σε κάθε βήμα t, με βάση τις
αλληλεπιδράσεις είναι:
 N 
A i(t 1)  S  A i(t )   A (tj ) w ji 
 j1 
 1, y  0
Η συνάρτηση κατωφλίου

S(y)   0, y  0
(Threshold function) 1, y  0

Θεωρούμε την περίπτωση που αυξάνεται ο πληθυσμός (αριθμός

κατοίκων) και η μετανάστευεση και θέλουμε να βρούμε πως αυτά θα
επηρεάσουν τις άλλες παραμέτρους και θα καταλήξουν σε ισορροπία.
Οι αρχικές τιμές (διεγέρσεις) των κόμβων δίνονται από το διάνυσμα
Α(0)=[1 0.5 0 0 0 0 0 0]. 53
Βήματα υπολογισμού των τιμών των

κόμβων για t=1
 
j w j1   S1 A2 w21  A3 w31  A4 w41  A5 w51  A6 w61   S(1 0.1 (0.3)*0)  1
7
A1(1)  S A1(0)  A(0) (0) (0) (0) (0) (0)
 j1 
 (0) N (0) 
2  S A2   A j w j2   S1  A1 w12  A3 w32  A4 w42  A5 w52  A6 w62   S(1  (0.3)*0  0)  1
A(1) (0) (0) (0) (0) (0)
 j1 
 
j w j3   S  0  A1 w 13  A 2 w 23  A 6 w 62   S(0  1*0.6  0)  1
N
A 3(1)  S  A 3(0)   A (0) (0) (0) (0)
 j1 
 (0) N (0) 
4  S  A 4   A j w j4   S  0  A 1 w 14  A 2 w 24  0   S(0  1* 0.9  0)  1
A (1) (0) (0)
 j 1 
 
j w j5   S  0  A1 w15  A 2 w 25  A 3 w 35  A 4 w 45   S(0  0)  0
N
A 5(1)  S  A 5(0)   A (0) (0) (0) (0) (0)
 j 1 
 (0) N (0) 
6  S  A 6   A j w j6   S  0  A1 w 16  A 4 w 46  A 5 w 56  A 7 w 76   S(0  0)  0
A (1) (0) (0) (0) (0)
 j 1 
54
Βήματα υπολογισμού των τιμών των
κόμβων-Σημείο Σύγκλισης
C1 C2 C3 C4 C5 C6 C7
t=0 1 1 0 0 0 0 0
t=1 1 1 1 1 1 0 1
t=2 1 1 1 1 o 0 o
t=3 1 1 1 1 1 -1 1
t=4 1 1 1 1 1 -1 1
t=5 1 1 1 1 1 -1 1
Τι παρατηρούμε στην κατάσταση ισορροπίας?

Οτι η αύξηση του πληθυσμού και η μετανάστευση οδηγούν σε αύξηση των
σκουπιδιών, του μοντερνισμού και των βακτηριδίων αλλά σε μέιωση του
αριθμού των ασθενειών ανά 1000 κατοίκους 55
Επιπλέον παρατηρήσεις για

τη σύγκλιση
 Εάν αντί της σχέση υπολογισμού των τιμών των κόμβων
 N 
A i(t 1)  S  A i(t )   A (tj ) w ji 
 j1 
χρησιμοποιήσουμε τη σχέση που δεν περιλαμβάνει τις προηγούμενες
τιμές των κόμβων, δηλ. την:
∆εν είν αι δυν ατή η προβολ ή αυτής της εικόν ας αυτή τη στιγ μή.
Για τις ιδιες αρχικές συνθήκες, (αρχικό διάνυσμα τιμών των κόμβων
Α(0)), πάλι καταλήγω στην ίδια κατάσταση ισορροπίας αλλά μετά από 7
βήματα.
Επομένως και οι δύο σχέσεις οδηγούν σε σύγκλιση του αλγορίθμου
αλλά πιο γρήγορα καταλήγουμε με την πρώτη σχέση όπου λαμβάνονται
σε κάθε βήμα t και οι προηγούμενες τιμές των κόμβων προκειμένου να
συνεισφέρουν στην εξομείωση του μοντέλου ΑΓ∆. 56
3ο Παράδειγμα
 Ασαφές Γνωστικό ∆ίκτυο για την
αναπαράσταση της εμπειρίας του
χρήστη και τις επιλογές αναζήτησης
μέσω του διαδικτύου
(Users’ experience and search on the
WWW)
57
ΑΓ∆ για αναζήτηση στο WWW

 Αποτελείται από τους ακόλουθους
κόμβους-parameters, states
 C1: Search Oriented (αναζήτηση)
 C2: Browse Oriented (Φυλλομέτρηση)
 C3: Time Constraints (Περιορισμοί χρόνου)
 C4: Information Constraint (Περιορισμός
Πληροφορίας)
 C5: Success (Επιτυχία)
 C6: Relevance (Συνάφεια)
 C7: Failure (Αποτυχία) 58
ΑΓ∆ για αναζήτηση στο WWW
 Τα κόκκινα παριστάνουν +1 επίδραση και τα μπλέ -1.
59
Users’ web search

 Ο πίνακας βαρών-αλληλεπιδράσεων wij είναι ο:
60
ΑΓ∆ για αναζήτηση στο
WWW-1η Περίπτωση
 Το διάνυσμα εισόδου με τις αρχικές τιμές των κόμβων για επιλογή
κατευθυνόμενης αναζήτησης (search oriented) και αποτυχία χρήστη (Failure)
είναι: C(0)=[1 0 0 0 0 0 1]=F1
 C(1)=C(0) *W=[0 -1 0 1 1 0 2], που μεταφράζεται στο F2 =[1 0 0 1 1 0 1],

(αφού εφαρμόσουμε τη συνάρτηση κατωφλίου S)
 C(2)=C(1) *W=[0 -1 0 2 1 1 1], που μεταφράζεται στο F3 =[1 0 0 1 1 1 1],
 C(3)=C(2) *W=[1 0 0 3 2 1 0], που μεταφράζεται στο F4 =[1 0 0 1 1 1 0],
 C(4)=C(3) *W=[0 -1 -1 2 2 1 0], που μεταφράζεται στο F5 =[1 0 0 1 1 1
0]
Success Failure
Παρατηρούμε ότι F4=F5 και το δίκτυο συγκίνει σε αυτό το σημείο. Από το
παραγόμενο διάνυσμα F5 συμπεραίνουμε ότι σε αυτή την περίπτωση με αρχικές
επιλογές αναζήτησης (C1) και αποτυχίας (C7), μπορούν οι χρήστες να
μετατρέψουν την αποτυχία σε επιτυχία μετά από 5 βήματα με σχετική
πληροφορία. 61

 Το διάνυσμα εισόδου με τις αρχικές τιμές των κόμβων για επιλογή
φυλλομέτρησης (browse oriented)--C2=1 και αποτυχία χρήστη
(Failure)--C7=1 είναι: C(0)=[0 1 0 0 0 0 1]=F1
 C(1)=C(0) *W=[1 0 0 -1 1 0 2], που μεταφράζεται στο F2 =[1 1 0 0 1 1 1],

 C(2)=C(1) *W=[2 0 0 1 2 0 2], που μεταφράζεται στο F3 =[1 1 0 1 1 0 1],
 C(3)=C(2) *W=[1 -1 -1 1 2 0 2], που μεταφράζεται στο F4 =[1 1 0 1 1 0 1],

επιλογές φυλλομέτρησης (C2=1) και αποτυχίας (C7=1), μπορούν οι
χρήστες να καταλήξουν είτε σε επιτυχία είτε σε αποτυχία, έχουν τις ίδιες
πιθανότητες, μετά από 4 βήματα με πληροφορία υπό περιορισμούς.
62
 Το διάνυσμα εισόδου με τις αρχικές τιμές των κόμβων για επιλογή κατευθυνόμενης
αναζήτησης (search oriented)--C1=1 και επιτυχία χρήστη (Success)-C5=1 είναι:
C(0)=[1 0 0 0 1 0 0]=F1
 C(1)=C(0) *W=[ 0 -1 0 1 1 1 1], που μεταφράζεται στο F2 =[1 0 0 1 1 1 1],

 C(2)=C(1) *W=[ 1 0 0 3 2 1 0], που μεταφράζεται στο F3 =[1 0 0 1 1 0 0],
 C(3)=C(2) *W=[ 0 -1 -1 2 2 1 0], που μεταφράζεται στο F4 =[1 0 0 1 1 0
0],
Succe
ss
επιλογές αναζήτησης (C1=1) και επιτυχίας (C5=1), μπορούν οι χρήστες να
διατηρήσουν την επιτυχία της αναζήτησής τους, μετά από 4 βήματα με
πληροφορία υπό περιορισμούς. 63
Συστήματα Γνώσης
 Επιδεικνύουν νοήμονα συμπεριφορά σε συγκεκριμένους τομείς και διαδικασίες,
ανάλογη ενός ανθρώπου με ειδικότητα στον τομέα
 π.χ. επιστήμονα, τεχνικού, εμπειρογνώμονα
 Κωδικοποιούν και χειρίζονται τη γνώση και συλλογιστική ενός ανθρώπου σε έναν
εξειδικευμένο τομέα, με σκοπό την επίλυση προβλημάτων ή την παροχή συμβουλών.
 Απαιτούν γνώση
 Αποκτάται μέσω εμπειρίας ή μελέτης.
 Πληροφορίες, εμπειρίες, ικανότητες, δεξιότητες
 Έμπειρα συστήματα (expert systems)
 Στηριζόταν κυρίως στην εμπειρική γνώση
 Χρησιμοποιούνται:
 Από μη-ειδικούς για επίλυση προβλημάτων
 Συμβουλευτικά από ειδικούς
 Κατηγορίες εφαρμογών:
 Ερμηνεία δεδομένων (π.χ. ηχητικών ή ηλεκτρομαγνητικών σημάτων)
 Διάγνωση δυσλειτουργιών (π.χ. βλαβών σε μηχανήματα ή ασθενειών σε ανθρώπους)
 Διαμόρφωση σύνθετων αντικειμένων (π.χ. πολύπλοκων υπολογιστικών συστημάτων)
Ανάπτυξη Συστημάτων Γνώσης

 Συνεργασία:
 Ειδικός του τομέα (domain expert)
 Εξειδικευμένος σε έναν τομέα δραστηριότητας
 Βοηθάει στη μεταφορά γνώσης στο σύστημα
α) δική του εμπειρία
β) κοινή επιστημονική ή τεχνολογική γνώση
γ) γνώση καταγεγραμμένη σε βάσεις δεδομένων ή έγγραφα
 Μηχανικός γνώσης (knowledge engineer)
 Πληροφορικός, ειδικευμένος σε ΤΝ και συστήματα γνώσης
 Συνεργάζεται με τον ειδικό για τη μεταφορά γνώσης στο σύστημα
 Σχεδιάζει τη δομή γνώσης, σχεδιάζει και αναπτύσσει το σύστημα
 Τεχνολογία Της Γνώσης (Knowledge Engineering): τομέας της ΤΝ που
ασχολείται με την ανάπτυξη συστημάτων γνώσης
Ανάπτυξη και Λειτουργία Συστήματος Γνώσης
Χαρακτηριστικά Συστημάτων Γνώσης

ΣΥΣΤΗΜΑΤΑ ΓΝΩΣΗΣ ΣΥΜΒΑΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ
Παράσταση και χειρισμός γνώσης σε επίπεδο Παράσταση και χειρισμός δεδομένων σε
συμβόλων επίπεδο αριθμητικών υπολογισμών
Χρήση γλωσσών που πλησιάζουν Χρήση γλωσσών που βρίσκονται πλησιέστερα
την ανθρώπινη στον τρόπο λειτουργίας του Η/Υ
Βάση γνώσης (δεδομένα και εξαγωγή Βάση δεδομένων - η γνώση ενσωματώνεται
συμπερασμάτων) στο πρόγραμμα
Ευχέρεια στην επέκταση και Η αναθεώρηση της υπάρχουσας γνώσης
αναθεώρηση της γνώσης επιβάλλει ευρείας κλίμακας μεταβολές στο
πρόγραμμα
Δυνατότητα χειρισμού ασαφούς, Δυσχέρεια στο χειρισμό ασαφούς,
αβέβαιης και μη-πλήρους γνώσης αβέβαιης και μη-πλήρους γνώσης
Δυνατότητα μη μονότονης Δυσχέρεια στη χρήση μη μονότονης
συλλογιστικής συλλογιστικής
Επεξήγηση του δρόμου συλλογισμού Ανυπαρξία επεξήγησης
Χαρακτηριστικά Εμπείρων Συστημάτων
 Επιπλέον χαρακτηριστικά:
ΕΜΠΕΙΡΑ ΣΥΣΤΗΜΑΤΑ ΣΥΜΒΑΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ
Προσομοιώνουν τον τρόπο επίλυσης ενός Προσομοιώνουν το ίδιο το πρόβλημα
Χρήση ευριστικών μεθόδων για περιορισμό του Χρήση αλγορίθμων
χώρου αναζήτησης
Ισχύει και για τα συστήματα συλλογιστικής των

περιπτώσεων
Πλεονεκτήματα (+)/ Μειονεκτήματα (- ) Συστήματος Γνώσης

Σε Σχέση Με Άνθρωπο-Ειδικό
ΑΝΘΡΩΠΟΣ ΕΙΔΙΚΟΣ ΣΥΣΤΗΜΑ ΓΝΩΣΗΣ
- Γνώση διαθέσιμη όταν ο ίδιος είναι παρών + Γνώση πάντα διαθέσιμη.
Δυσκολία μεταφοράς-αποτύπωσης γνώσης Ευκολία μεταφοράς-αποτύπωσης γνώσης
Συναισθηματικές παρορμήσεις Εργάζεται με συνέπεια
Η απόδοσή του επηρεάζεται από εξωγενείς Εργάζεται οπουδήποτε
παράγοντες
Χαμηλό κόστος λειτουργίας / Υψηλό κόστος
Υψηλό κόστος ανάπτυξης
Υποκειμενικότητα Αντικειμενικότητα αν η γνώση προέρχεται από

πολλούς ειδικούς
+ Δημιουργικότητα, Ευρύννοια - Απουσία έμπνευσης, Περιορισμένο πεδίο σκέψης
Κοινή λογική Δυσχέρεια στη μεταφύτευση της κοινής λογικής
Γνώση των ορίων και δυνατοτήτων τους Έλλειψη μετα-γνώσης
(μετα-γνώση)
Εκφραστική και λειτουργική επεξήγηση του τρόπου Μηχανική επεξήγηση του τρόπου λήψης απόφασης
σκέψης τους
Ο έλεγχος της γνώσης γίνεται υποσυνείδητα Πρέπει η γνώση να ελέγχεται για ορθότητα, πληρότητα
και συνέπεια
Αυτονομία στη μάθηση Πρέπει να προγραμματιστούν για να μαθαίνουν
αυτόματα
Απόκριση σε πραγματικό χρόνο Δυσκολία απόκρισης σε πραγματικό χρόνο
Εφαρμογές των Συστημάτων Γνώσης
 Διάγνωση (diagnosis).
 Διάγνωση βλαβών ενός συστήματος βάσει παρατηρήσεων και μετρήσεων.
 Πρόγνωση (prognosis-prediction).
 Πρόβλεψη πιθανών μελλοντικών επιπτώσεων με βάση δεδομένες καταστάσεις.
 Εκπαίδευση (instruction).
 Κατανόηση, αξιολόγηση και διόρθωση απάντησης μαθητών σε εκπαιδευτικά
προβλήματα.
 Παρακολούθηση καταστάσεων (monitoring).
 Σύγκριση παρατηρούμενων παραμέτρων με αναμενόμενες καταστάσεις.
 Επιδιόρθωση λαθών (repair-remedy).
 Ανάπτυξη και εκτέλεση σχεδίων (πλάνων) για τη διαχείριση βλαβών.
 Ερμηνεία (interpretation).
 Περιγραφή αντικειμένων και καταστάσεων βάσει δεδομένων από παρατηρήσεις.
 Διαμόρφωση (configuration).
 Ικανοποίηση απαιτήσεων και περιορισμών για τη συναρμολόγηση εξαρτημάτων.
 Έλεγχος (control).
 Έλεγχος της συμπεριφοράς ενός συστήματος. Περιλαμβάνει πολλά από τα παραπάνω.
Γνωστά Συστήματα Γνώσης

 DENDRAL
 Ταυτοποίηση χημικών ενώσεων μέσω φασματικής ανάλυσης.
 Χρήση ευριστικών κανόνων για περιορισμό του χώρου αναζήτησης.
 MYCIN
 Διάγνωση και θεραπεία της μηνιγγίτιδας και της βακτηριαιμίας.
 Χρήση συντελεστή βεβαιότητας για τις λύσεις, λόγω αβεβαιότητας απαντήσεων χρήστη.
 PROSPECTOR
 Πρόβλεψη της ακριβούς θέσης ορυκτών κοιτασμάτων αξιοποιώντας γεωλογικά
δεδομένα.
 Χρήση σημασιολογικών δικτύων και δικτύων πιθανοτήτων.
 INTERNIST
 Διάγνωση παθολογικών περιπτώσεων με πολύ μεγάλο αριθμό εναλλακτικών
διαγνώσεων.
 Χρήση ευριστικής συλλογιστικής (απαγωγική) για την πιθανότερη διάγνωση.
 XCON
 Διαμόρφωση υπολογιστών DEC, για να ανταποκρίνονται στις προδιαγραφές του πελάτη.
 Αναζήτηση κατάλληλου συνδυασμού και χωρικής διάταξη των εξαρτημάτων, με
αποφυγή των ασυμβατοτήτων λειτουργίας και διασύνδεσης μεταξύ τους.
Αρχιτεκτονική Συστημάτων Γνώσης 1/2
Αρχιτεκτονική Συστημάτων Γνώσης 2/2

 Πυρήνας:
 Βάση γνώσης
 Μηχανισμό εξαγωγής συμπερασμάτων
 Ο διαχωρισμός της γνώσης από το μηχανισμό χειρισμού προσφέρει διαφάνεια
Με αλλαγή της γνώσης, το σύστημα μπορεί να εκτελεί διαφορετικές
λειτουργίες
 Διασύνδεση
 Βοηθητικά προγράμματα
 π.χ. γραφικά-στατιστικά πακέτα, βάσεις δεδομένων, κτλ.
 Κέλυφος (shell)
 Συνδυασμός της διασύνδεσης με το μηχανισμό εξαγωγής συμπερασμάτων
 Προέρχεται από την αφαίρεση της βάσης γνώσης από ένα σύστημα γνώσης
 Αποτελεί εργαλείο ανάπτυξης συστημάτων γνώσης
 Κέλυφος εμπείρων συστημάτων (expert system shell)
Βάση Γνώσης - Knowledge Base
 Περιέχει τη γνώση του συστήματος
 Υπάρχουν διάφορες μορφές αναπαράστασης γνώσης
 π.χ. κανόνες, πλαίσια
 Στατική:
 Δε μεταβάλλεται κατά τη διάρκεια εκτέλεσης του προγράμματος.
 Αρχικά δεδομένα, διαδικασίες, κανόνες, πλαίσια
 Περιγραφή του προβλήματος και των γνωσιολογικών διαδικασιών επίλυσής
του
 Δυναμική:
 Χώρος εργασίας (working memory).
 Μερικά συμπεράσματα που δημιουργούνται κατά την εκτέλεση του
προγράμματος
 Τελική λύση του προβλήματος
Μηχανισμός Εξαγωγής Συμπερασμάτων

Inference Engine
 Χειρισμός της βάσης γνώσης και εξαγωγή συμπερασμάτων
 Διερμηνέας (interpreter):
 Χειρισμός υπάρχουσας γνώσης και παραγωγή νέας
 Εφαρμογή της συλλογιστικής (reasoning) και εκτέλεση των κανόνων
 Χρονοπρογραμματιστής (scheduler):
 Αποφασίζει πότε και με ποια σειρά θα χρησιμοποιηθούν οι κανόνες
 Επιλύει το πρόβλημα της συγκρούσεως (conflict)
 Στρατηγικές επίλυσης συγκρούσεων:
 Ποιοι κανόνες είναι υποψήφιοι για να λύσουν το πρόβλημα
 Με ποιον τρόπο θα γίνει η επιλογή
 Ποιος από τους κανόνες αυτούς τελικά θα επιλεγεί
 Τι θα γίνει με τους υπόλοιπους κανόνες

 Μετα-κανόνες.
Διασύνδεση
 Δημιουργεί φιλικό περιβάλλον για την επικοινωνία του χρήστη με το σύστημα
 ฀ Τελικός χρήστης (end user)

 Χρησιμοποιεί το σύστημα γνώσης
 Εύκολη διατύπωση ερωτήσεων με τη βοήθεια γραφικών ευκολιών (π.χ. μενού)
 Ανάγνωση απαντήσεων με τη βοήθεια γραφικών απεικονίσεων
 ฀ Ειδικός (expert) ή/και μηχανικός γνώσης (knowledge engineer)

 Προσθήκη ή αλλαγή γνώσης
 Έλεγχος συμφωνίας της νέας γνώσης με την παλιά (consistency check)
Μηχανισμός Επεξήγησης
 Ερωτήσεις του χρήστη σχετικά με:
 Τους σκοπούς των ερωτήσεων
 Την πορεία του συλλογισμού
 Ο μηχανισμός επεξήγησης αλληλεπιδρά με το μηχανισμό εξαγωγής
συμπερασμάτων
 Η πορεία της συλλογιστικής συνδέεται άμεσα με τον τρόπο εκτέλεσης των
κανόνων.
 Ερωτήσεις:
 Πώς (how) κατέληξε σε ένα συμπέρασμα
 Κρατάει πληροφορίες σχετικά με την αποδεικτική διαδικασία
 Παραθέτει τους κανόνες που ενεργοποιήθηκαν σε κάθε κύκλο λειτουργίας και

οδήγησαν στην απόδειξη της τρέχουσας απάντησης
 Γιατί (why) ζητά κάποια πληροφορία από το χρήστη
 Ποιοι κανόνες έχουν στην υπόθεσή τους την τρέχουσα πληροφορία
 Επιστρέφει την κατοπινή αλυσίδα συλλογισμών που θα προκαλέσει η

ενεργοποίηση αυτών των κανόνων
Αρχιτεκτονική Μαυροπίνακα
Blackboard Architecture
 Η επίλυση δύσκολων προβλημάτων απαιτεί κατακερματισμό του προβλήματος σε
μικρότερα και απλούστερα υποπροβλήματα, τα οποία επιλύονται ανεξάρτητα.
 Η λύση του συνολικού προβλήματος συνδυάζει τις λύσεις των επιμέρους
προβλημάτων.
 Κάθε επιμέρους πρόβλημα ανατίθεται σε μια πηγή γνώσης.
 Πηγή γνώσης (knowledge source): ημιαυτόνομο σύστημα γνώσης
 Ιδιωτική βάση γνώσης
 Διαφορετική αναπαράσταση γνώση και συλλογιστική από τις υπόλοιπες πηγές
 Ο χώρος αναζήτησης διαιρείται (ιεραρχικά) σε σύνολα μερικών λύσεων
 Κάθε σύνολο αναφέρεται σε διαφορετικό επίπεδο αφαίρεσης
 HEARSAY: ήχοι, φθόγγοι, συλλαβές, λέξεις, ομάδες λέξεων, πραγματικές
προτάσεις
 Μαυροπίνακας: Κοινόχρηστη περιοχή μνήμης
 Περιέχει τις μερικές λύσεις των επιπέδων αφαίρεσης
 Κάθε πηγή γνώσης παρατηρεί και τροποποιεί το περιεχόμενο του μαυροπίνακα.
 Οι πηγές γνώσης δεν μπορούν να επικοινωνούν απευθείας μεταξύ τους.
Μοντέλο Αρχιτεκτονικής Μαυροπίνακα

Αρχιτεκτονική Μαυροπίνακα
Λειτουργία Συστήματος
 Οι πηγές γνώσης λειτουργούν ταυτόχρονα.
 Παρατηρούν τις μερικές λύσεις που υπάρχουν στο μαυροπίνακα.
 Δημιουργούν νέες μερικές λύσεις, σε μεγαλύτερο επίπεδο λεπτομέρειας.
 Τροποποιούν ή διαγράφουν μια υπάρχουσα μερική λύση.
 Νέα δεδομένα αναιρούν τα ήδη υπάρχοντα
 Ο χρονοπρογραμματιστής:
 Ελέγχει τα δεδομένα που υπάρχουν στο μαυροπίνακα
 Κρίνει σε ποια πηγή γνώσης πρέπει να επιτραπεί η πρόσβαση
 Διατηρεί ατζέντα με αιτήσεις πηγών γνώσης για πρόσβαση στο μαυροπίνακα
 Σε κάθε κύκλο εκτέλεσης επιτρέπει πρόσβαση σε μία μόνο πηγή γνώσης
 Εάν δεν υπάρχει καμία αίτηση η λειτουργία του συστήματος τερματίζεται
Παράδειγμα Επιπέδων Αφαίρεσης σε ένα Σύστημα

Αναγνώρισης Ομιλίας
Παράδειγμα Αναγνώρισης Λέξης
Διαδικασία Ανάπτυξης Συστημάτων Γνώσης

Ανάλυση Προβλήματος
 Προσδιορίζεται η επιθυμητή λύση του προβλήματος
 Κυριότερα ζητήματα:
 Είναι το πρόβλημα κατάλληλο για επίλυση από σύστημα γνώσης ή συμβατικό
πρόγραμμα;
 Υπάρχουν έτοιμες μελέτες περιπτώσεων επίλυσης του προβλήματος (case-
studies);
 Ποια είναι τα οφέλη από την κατασκευή του συστήματος γνώσης;\
Απόκτηση της Γνώσης (knowledge acquisition)

 Ο μηχανικός της γνώσης
 Εκμαιεύει από τον ειδικό τη γνώση του πάνω στο πρόβλημα (knowledge
elicitation)
 Μοντελοποιεί (knowledge analysis & modeling) τη γνώση σε κάποια ενδιάμεση
μορφή αναπαράστασης
 Εκμαίευση γνώσης (knowledge elicitation)
 Απαιτεί συνεχή επικοινωνία ανάμεσα στο μηχανικό γνώσης και τον ειδικό.
 Εκτός από τις κλασικές μεθόδους, υπάρχουν:
 Ημι-αυτόματες μέθοδοι: π.χ. TEIRESIAS, OPAL, κλπ
 Αυτόματες μέθοδοι: τεχνικές μηχανικής μάθησης
 Η απόκτηση γνώσης και η παρουσία ειδικού είναι απαραίτητη ακόμα και όταν η
 γνώση δεν είναι εμπειρική.
 Συλλογιστική των μοντέλων: Ο μηχανικός γνώσης δεν είναι πάντα δυνατό να
μπορεί να ερμηνεύσει τα εγχειρίδια επιστημονικής γνώσης.
 Συλλογιστική των περιπτώσεων: Ο ειδικός καθορίζει τη σπουδαιότητα των
χαρακτηριστικών, τη μέθοδο δεικτοδότησης, τη μέθοδο προσαρμογής των
λύσεων, κλπ.
Μοντελοποίηση Γνώσης
Knowledge Analysis & Modeling
 Ανάλυση της γνώσης από το μηχανικό με σκοπό τη δημιουργία ενός μοντέλου της
γνώσης.
 Η αναπαράσταση της γνώσης γίνεται με διάφορες ημιδομημένες μορφές
αναπαράστασης.
 Υπάρχουν μεθοδολογίες που τυποποιούν τη μοντελοποίηση της γνώσης (KADS).
 Το μοντέλο βοηθά στο να αποκαλυφθούν ατέλειες, ασάφειες και ελλείψεις στη
γνώση
Σχεδίαση
 Προσδιορίζονται:
 Η μορφή της αναπαράστασης της γνώσης και η συλλογιστική
 Το εργαλείο για την ανάπτυξη του συστήματος γνώσης.
 Παράγεται η αρχιτεκτονική του συστήματος
 Λειτουργικές υπομονάδες (modules) του συστήματος
 Λειτουργικότητα της κάθε υπομονάδας
 Αλληλεξαρτήσεις υπομονάδων
Υλοποίηση
 Κωδικοποιείται το μοντέλο της γνώσης χρησιμοποιώντας εργαλεία ανάπτυξης
 Αρχικά αναπτύσσεται ένα πρωτότυπο σύστημα.
 Επιδεικνύεται στον ειδικό και σε μία μικρή ομάδα χρηστών
 Καθοδηγεί στη συνέχεια την ανάπτυξη, ή
 Οδηγεί σε επανασχεδιασμό όταν δεν ικανοποιεί τις απαιτήσεις που τέθηκαν
στην αρχή.
 Επαληθεύει τη γνώση που αποκτήθηκε από τον ειδικό και μοντελοποιήθηκε
από το μηχανικό γνώσης.
 Το βάθος της γνώσης πρέπει να είναι μεγάλο.
 Πρέπει να μπορεί επιλύσει πλήρως μερικά από τα προβλήματα για τα οποία
προορίζεται το σύστημα γνώσης.
 Το εύρος της γνώσης δε χρειάζεται να είναι μεγάλο.
 Δεν είναι αναγκαίο να αντιμετωπίζει πολλές περιπτώσεις.
Επαλήθευση και Έλεγχος Αξιοπιστίας
 Επαλήθευση (verification):
 Έλεγχος της συμβατότητας του συστήματος με τις αρχικές προδιαγραφές.
 Επιβεβαίωση της συνέπειας και πληρότητας της κωδικοποίησης της γνώσης
που περιέχεται στο σύστημα
 Έλεγχος αξιοπιστίας (validation):

 Επιβεβαίωση της ορθότητας και γενικότητας της γνώσης που περιέχει το
σύστημα
 Το σύστημα επιλύει ένα σύνολο από υποδειγματικές περιπτώσεις (test cases).
 Διαφορετικές από αυτές που χρησιμοποιήθηκαν στην ανάπτυξης του
 Εξασφαλίζεται η ευρωστία (robustness) σε μη-προσδοκώμενα δεδομένα
 Οι λύσεις συγκρίνονται με λύσεις που δόθηκαν από διάφορους ειδικούς του

τομέα.
Εκμαίευση Γνώσης - Knowledge Elicitation

 Διαδικασία απόκτησης (εκμαίευσης) της γνώσης από άτομα που θεωρούνται
"ειδικοί" στο συγκεκριμένο τομέα γνώσης (domain experts).
 Π.χ. επιστήμονες, τεχνικοί ή εμπειρογνώμονες.
 Θεωρείται το πιο δύσκολο-αμφίβολο βήμα στην ανάπτυξη ενός συστήματος
γνώσης.
 Ειδικός είναι το άτομο που έχει ειδική γνώση ή ικανότητα πάνω σε ένα θέμα.
 Γνώση: Κατανόηση του κόσμου η οποία αποκτάται μέσω εμπειρίας ή μελέτης.
 Πληροφορίες, εμπειρίες, ικανότητες, δεξιότητες
 Είδη γνώσης:
 Αντικείμενα, γεγονότα, διαδικασίες, κτλ.,
 Βαθιά-επιφανειακή γνώση (deep-shallow knowledge).
 Ρητή και άρρητη γνώση (explicit-tacit knowledge)
Προβλήματα στην Εκμαίευση της Γνώσης
 Παράδοξο της ειδίκευσης
 Όσο πιο πολύ ισχυρίζεται κάποιος ότι είναι ειδικός σε κάποιο θέμα, τόσο πιο
δύσκολη είναι η ανταλλαγή πληροφοριών μαζί του.
 Ευσεβής πόθος (wishful thinking)
 Ο ειδικός εκφράζει το τι θα έπρεπε να γίνεται και όχι το τι πραγματικά γίνεται.
 Κατάλληλο υπόβαθρο γνώσης του μηχανικού γνώσης.
 Έλλειψη χρόνου
 Ο μηχανικός γνώσης πρέπει να διασφαλίσει ότι ικανοποιούνται οι στόχοι της
συνέντευξης.
 Αμεροληψία του μηχανικού γνώσης
 Ανεπιτήδειος έμπειρος (inexpert expert)
 Aπροθυμία του ειδικού να μεταδώσει γνώση
 Ο ειδικός μπορεί να μην είναι εξοικειωμένος στη διαδικασία της εκμαίευσης γνώσης
 Αδυναμία του ειδικού να θυμηθεί ακριβώς τη ροή των γεγονότων σε παλιές
περιπτώσεις
 Επικοινωνιακά προβλήματα του ειδικού ή/και του μηχανικού γνώσης
 Υποκειμενικότητα του ειδικού
Χρήση ενός μόνο Ειδικού

Πλεονεκτήματα Μειονεκτήματα
Προτιμητέο όταν αναπτύσσεται ένα Πολλές φορές τα προβλήματα απαιτούν
απλό σύστημα ΔΓ πολλαπλούς τομείς γνώσης για να
- Το πεδίο της γνώσης του προβλήματος επιλυθούν
είναι περιορισμένο - Ένας ειδικός δεν μπορεί να έχει εμπειρία
σε όλα
Διευκολύνεται ο χρονοπρογραμματισμός των Όταν υπάρχει ένας μόνο ειδικός είναι
συναντήσεων πιο πιθανό να αναβάλλει τις
συναντήσεις, παρά όταν είναι πολλοί
Οι ασυνέπειες και οι αντιφάσεις στη Ένας μόνο ειδικός → μία μοναδική

γνώση είναι ευκολότερο να συλλογιστική οδός
αντιμετωπιστούν - Αυθεντία: Η γνώμη του ειδικού
ακολουθείται «τυφλά»
- Το πεδίο της γνώσης δεν μπορεί να
εξεταστεί σε βάθος
Με λίγα άτομα παρόντα, ο ειδικός Αν ο ειδικός δεν έχει επικοινωνιακές
«ανοίγεται» πιο εύκολα για να δώσει τη ικανότητες τότε η απόκτηση της γνώσης
γνώση του δυσχεραίνει
Χρήση πολλών Ειδικών
Πλεονεκτήματα Μειονεκτήματα
Τα πολύπλοκα προβλήματα απαιτούν - Δυσκολίες συντονισμού
πολλές ειδικότητες για να λυθούν - Πολλές φορές απαιτείται να υπάρχουν
περισσότεροι μηχανικοί γνώσης
Όσο πιο πολλές και διαφορετικές Ο μηχανικός γνώσης μπορεί να

γνώμες ακούει ο μηχανικός της γνώσης, αποπροσανατολιστεί από τις
τόσο πιο πολύ μπορεί να εμβαθύνει στο διαφορετικές απόψεις
πεδίο της γνώσης γιατί μπορεί να το
«δει» από πολλές σκοπιές
Η συνεργασία και ο διάλογος πολλών Συχνά υπάρχουν διαφωνίες
ειδικών μπορεί να δημιουργήσει γνώση
Οι επίσημες συναντήσεις είναι πολλές Θέματα εμπιστευτικότητας

φορές πρόκληση για προσφορά και
δημιουργικότητα εκ μέρους των ειδικών
(ανταγωνισμός)
Μεθοδολογίες Εκμαίευσης Γνώσης

Συνέντευξη
 Ο πιο διαδεδομένος και αποδοτικός τρόπος εκμαίευσης γνώσης
 Χρησιμοποιούνται συνήθως στα αρχικά στάδια απόκτησης της γνώσης
 Απαιτεί εκτεταμένη προετοιμασία και εξάσκηση από την πλευρά του μηχανικού
 Είναι χρονοβόρα διαδικασία
 Πλεονέκτημα: άμεση επαφή με τον ειδικό και παρατήρηση της συμπεριφοράς του
Είδη Συνεντεύξεων
 Μη-δομημένες συνεντεύξεις.
 Γενικές ερωτήσεις που υποβάλλονται με την ελπίδα της καταγραφής όσο
περισσότερων πληροφοριών
 Ημιδομημένες συνεντεύξεις.
 Σειρά ανοιχτών ερωτήσεων και θεμάτων που πρέπει να καλυφθούν.
 Δομημένες συνεντεύξεις.
 Ερωτηματολόγιο με αυστηρά καθορισμένη δομή που περιλαμβάνει
συγκεκριμένες ερωτήσεις σχετικές με τα χαρακτηριστικά του προβλήματος
Τεχνικές Συνέντευξης 1/4
 Άμεση Παρατήρηση
 Ο μηχανικός γνώσης πρέπει να παρατηρεί, να ερμηνεύει και να καταγράφει τις
 διαδικασίες επίλυσης προβλημάτων στο φυσικό τους χώρο
 Η παρατήρηση μπορεί να εκτρέψει την προσοχή των υπολοίπων υπαλλήλων
 Η καταγραφή των γεγονότων απέχει χρονικά από τα ίδια τα γεγονότα, συνεπώς
μπορεί να υπάρξουν λάθη
 Είναι απαραίτητο οι επισκέψεις να είναι σύντομες και επαναλαμβανόμενες
 Ανάλυση Πρωτοκόλλου
 Ο ειδικός καλείται να λύσει ένα πρόβλημα σκεπτόμενος μεγαλόφωνα
 Αποτελεσματικός τρόπος καταγραφής της διαδικασία σκέψης
 Βοηθάει τον ειδικό να συνειδητοποιήσει τις διαδικασίες τις οποίες περιγράφει
 Η μέθοδος βοηθάει αργότερα στην αναπαράσταση της γνώσης

 Επαναδιδασκαλία (teach-back):
 Ο μηχανικός γνώσης προσπαθεί να επαναδημιουργήσει και να συνοψίσει ότι έχει
ειπωθεί από τον ειδικό και να το διδάξει σε αυτόν.
 Μειονέκτημα: O ειδικός μπορεί να κάνει το λάθος να εγκρίνει την επαναδιδασκαλία,
χωρίς να εμβαθύνει σε έλεγχο για πληρότητα και η συνέπεια
 Διδακτική συνέντευξη (tutorial interview):
 Ο ειδικός δίνει μια διάλεξη πάνω στην περιοχή του θέματος.
 Μειονέκτημα: Δεν επιτρέπει στο μηχανικό γνώσης να επιβάλλει τη δομή της
 Ταξινόμηση καρτών (card sorting)
 Ανακάλυψη κατάλληλων ιδιοτήτων των στοιχείων που απαρτίζουν την περιοχή του
πεδίου, για την ταξινόμηση των εννοιών.
 Κάθε στοιχείο της περιοχής γράφεται σε μία κάρτα.
 Ο μηχανικός γνώσης ζητάει από τον ειδικό να ταξινομήσει τις κάρτες σε σωρούς.
 Ρωτάει τη βάση στην οποία στηρίχτηκε η ταξινόμηση
 Ρωτάει παραπλήσιες ερωτήσεις για κάθε στοιχείο μέλος του σωρού.
 Ιεραρχική ταξινόμηση: Μετά την πρώτη ταξινόμηση, κάθε σωρός θεωρείται σαν
ένας χώρος (domain) και μπορεί να ταξινομηθεί ξεχωριστά σε υποσωρούς
Βαθμωτά πλέγματα (laddered grids)
 Οι έννοιες θεωρείται ότι ανήκουν σε έναν άξονα γενικού-ειδικού
 Γίνονται ερωτήσεις:
 Στον άξονα γενικού-ειδικού, ή αντίθετα
 Κάθετα στον άξονα
 Εκκίνηση από έννοια-"σπόρο"
 Ανάπτυξη δικτύου περιγραφής των σχέσεων των στοιχείων του θέματος (domain
items)
 Κατευθυντικές ερωτήσεις:
 Για τη μετακίνηση από το γενικό προς το ειδικό:
 "Μπορείς να δώσεις παράδειγμα του …«
 "Πώς μπορείς να εξηγήσεις ότι …"
 Για τη μετακίνηση από το ειδικό προς το γενικό:

 "Τι κοινό υπάρχει …«
 "Τι παραδείγματα υπάρχουν από …«
 "Τι διαφορές υπάρχουν από …"
 Για την κάθετη μετακίνηση:

 "Τι εναλλακτικά παραδείγματα του … υπάρχουν …"

Πλέγματα Ρεπερτορίων (repertory grid)
 Ο ειδικός καλείται να κατηγοριοποιήσει το πεδίο του προβλήματος
χρησιμοποιώντας το προσωπικό του μοντέλο
 Το πλέγμα χρησιμεύει στη σύλληψη και στην αξιολόγηση του μοντέλου του
ειδικού
 Το πλέγμα είναι ένας πίνακας διπλής εισόδου
 Τα στοιχεία τοποθετούνται με διαβάθμιση
 Κάθε στοιχείο της περιοχής κατηγοριοποιείται σύμφωνα με ένα σύνολο από
έννοιες ή χαρακτηρισμούς
 Εφαρμόζονται σε όλα τα στοιχεία σε κάποιο βαθμό
 Κάθε έννοια εκφράζεται σε μια γραμμική, αριθμητική κλίμακα.
 Η κλίμακα είναι ίδια κάθε φορά.
 Τυπικά οι τιμές κυμαίνονται 1-5 ή 1-10
 Υπάρχουν δύο ακραίες τιμές, π.χ. βαρύς/ελαφρύς, φτηνός/ακριβός, κ.α.
 Η μέση τιμή (π.χ. 3 στα 5) αντιπροσωπεύει μια ενδιάμεση τιμή της έννοιας.
 Ζητείται από τον ειδικό να αποδώσει μια τιμή σε κάθε έννοια για όλα τα στοιχεία
της περιοχής, στο πλέγμα που δημιουργείται.
Παράδειγμα Πλέγματος Ρεπερτορίων
Επεξεργασία Πλεγμάτων Ρεπερτορίων

Πλέγματα Ρεπερτορίων (repertory grid)
 Εξετάζεται αν κάποιο ζευγάρι είναι παρόμοιο κατά τη σύγκριση των οριζοντίων
γραμμών του πλέγματος
 Παραλείπονται κάποιες παραπλήσιες έννοιες
 Υπολογίζεται, σε ένα νέο πλέγμα, πόσο όμοια ή ανόμοια είναι τα στοιχεία της
περιοχής μεταξύ τους.
 Πλεονέκτημα: Αναγκάζει τον ειδικό να σκεφτεί το πρόβλημα πιο σοβαρά

 Μειονέκτημα: Είναι δύσκολη η διαχείριση των μεγάλων πλεγμάτων
 Η μέθοδος χρησιμοποιείται συνήθως στα αρχικά στάδια της απόκτησης της γνώσης
Επαλήθευση (verification)
Η ορθή ανάπτυξη του συστήματος (O'Keefe, 1987) - Building the system right.
 Έλεγχος της συμβατότητας του συστήματος με τις αρχικές προδιαγραφές.
 Επιβεβαίωση της συνέπειας και πληρότητας της κωδικοποίησης της γνώσης που
περιέχεται στο έμπειρο σύστημα.
 Έλεγχος λαθών που οφείλονται στους κατασκευαστές του συστήματος.
 Δεν ελέγχεται η ίδια η γνώση που εκμαιεύτηκε αλλά ο τρόπος με τον οποίο
υλοποιήθηκε.
 Ο έλεγχος πραγματοποιείται από το μηχανικό της γνώσης με τη βοήθεια
εργαλείων (π.χ. CHECK, TEIRESIAS)
 Υπάρχουν λάθη
 Σε συστήματα Κανόνων
 Στις δομημένες αναπαραστάσεις γνώσης.
Λάθη στις Δομημένες Αναπαραστάσεις Γνώσης

 Οφείλονται συνήθως σε εννοιολογικές παρανοήσεις
 Λάθη ταξινόμησης
 Κάποια κλάση τοποθετείται σε άλλο σημείο της ιεραρχίας από εκείνο που θα
έπρεπε.
 Λάθη ιδιοτήτων
 Κάποιες ιδιότητες (slots) τοποθετούνται σε λάθος σημεία της ιεραρχίας.
 Π.χ. αν κάποια ιδιότητα s αποδίδεται και στις δύο υποκλάσεις B και C της
κλάσης A, τότε το ορθότερο είναι η ιδιότητα αυτή να ορισθεί στην κλάση A αντί
στις υποκλάσεις της.
 Λάθη τιμών
 Οι ιδιότητες κάποιων αντικειμένων είτε παίρνουν τιμές αντίθετες με τους
περιορισμούς της ιδιότητας, είτε παίρνουν την εξ' ορισμού τιμή, ενώ δεν είναι
απαραίτητο.
Λάθη στα Συστήματα Κανόνων
 Πιθανά συντακτικά και σημασιολογικά λάθη σε συστήματα κανόνων.
 Επηρεάζουν την ορθότητα του συστήματος

 Πλεονάζοντες κανόνες (redundant rules)
 Αντικρουόμενοι κανόνες (conflicting rules)
 Υπονοούμενοι κανόνες (subsumed rules)
 Κυκλικοί κανόνες (circular rules)
 Περιττές συνθήκες (unnecessary conditions)
 Επηρεάζουν την πληρότητα του συστήματος

 Αδιέξοδοι κανόνες (dead-end rules)
 Απόντες κανόνες (missing rules)
 Απρόσιτοι κανόνες (unreachable rules)
Πλεονάζοντες Κανόνες (redundant rules)

 Συντακτικός πλεονασμός: Ίδιες συνθήκες και συμπέρασμα.
(defrule rule1 (defrule rule2
(humidity high) (temperature hot)
(temperature hot) (humidity high)
=> (assert (weather thunderstorms))) => (assert (weather thunderstorms)))
 Μπορεί να προκαλέσουν προβλήματα όταν συνοδεύονται από συντελεστές

βεβαιότητας, γιατί αυξάνουν τεχνητά τη βεβαιότητα του συμπεράσματος.
 Σημασιολογικός πλεονασμός: Συνθήκες ή/και συμπεράσματα μπορεί να είναι

διαφορετικά στη σύνταξη αλλά ίδια στη σημασία.
(humidity high) (temperature hot)
(temperature hot) (humidity high)
=> (assert (weather thunderstorms))) => (assert (weather electrical-storms)))
 Είναι πιο σπάνιο φαινόμενο

 Αντιμετωπίζεται δυσκολότερα λόγω αδυναμίας αυτόματου ελέγχου από το
σύστημα της ομοιότητας των εννοιών
 Οφείλεται στη μη σωστή δόμηση του συστήματος εννοιών (πλαίσια)
Αντικρουόμενοι Κανόνες (conflicting rules)
 Ίδιες συνθήκες, διαφορετικά συμπεράσματα.
(temperature hot) (temperature hot)
(humidity high) (humidity high)
=> (assert (weather thunderstorms))) => (assert (weather sunshine)))
Υπονοούμενοι Κανόνες (subsumed rules)

 Αν ένας κανόνας έχει περισσότερους περιορισμούς στη συνθήκη του από έναν άλλο,
 ενώ και οι δύο έχουν το ίδιο συμπέρασμα
.(defrule rule7
(defrule rule8
(temperature hot) (temperature hot)
(humidity high) (humidity high)
(pressure low) => (assert (weather thunderstorms)))
=> (assert (weather thunderstorms)))
 Μόνο ένας κανόνας είναι απαραίτητος.

 Είτε ο rule7 είναι πολύ εξειδικευμένος ενώ δε χρειάζεται, ή ο rule8 είναι πολύ
γενικός.
 Αν υπάρχουν συντελεστές βεβαιότητας, τότε μπορεί οι υπονοούμενοι κανόνες να
 χρησιμεύουν στην αύξηση της βεβαιότητας του συμπεράσματος.
CF=0,5 CF=0,7
...) ...)
 Αν ισχύει μόνο temperature hot και humidity high η βεβαιότητα καταιγίδας είναι
0,7 (λόγω rule8).
 Αν επιπλέον ισχύει ότι pressure low, τότε η βεβαιότητα αυξάνει σε 0,85 (λόγω rule8
και rule7).
Κυκλικοί Κανόνες (circular rules)
 Δημιουργούν προβλήματα τερματισμού (αέναος βρόχος - infinite loop)
 Εμφανίζονται με 2 μορφές:
 Συντακτικά κυκλικοί κανόνες: Η συνθήκη κάποιου κανόνα αποτελεί συμπέρασμα
κάποιου άλλου και αντίστροφα.
(brothers ?x ?y) (same-parents ?x ?y)
=> (assert (same-parents ?x ?y))) => (assert (brothers ?x ?y)))
 Δημιουργείται πρόβλημα μόνο στα συστήματα παραγωγής που δεν ελέγχουν αν

κάποιο συμπέρασμα έχει εισαχθεί ξανά.
 Κυκλικά δεδομένα: Η συνθήκη και το συμπέρασμα κάποιου κανόνα αναφέρονται σε

δεδομένα που συνδέονται μεταξύ τους κυκλικά.
(defrule rule11
(important-city ?x)
(connected-with-road ?x ?y)
=> (assert (important-city ?y)))
 Δημιουργείται πρόβλημα τερματισμού μόνο αν τα δεδομένα έχουν κυκλική
αλληλεξάρτηση.
Περιττές Συνθήκες (unnecessary conditions)

 Δύο κανόνες με ίδια συμπεράσματα αλλά περίπου ίδιες συνθήκες
(patient ?x) (patient ?x)
(has-pink-spots ?x) (has-pink-spots ?x)
(has-fever ?x) (not (has-fever ?x))
=> (assert (has-measles ?x))) => (assert (has-measles ?x)))
 Η συνθήκη has-fever φαίνεται μη αναγκαία για να έχει κάποιος ιλαρά.

 Οι 2 κανόνες πρέπει να συμπτυχθούν σε 1:
(defrule rule14
(patient ?x)
(has-pink-spots ?x)
=> (assert (has-measles ?x)))
 Πολλές φορές τέτοιες καταστάσεις προκαλούνται όχι λόγω άχρηστων συνθηκών αλλά
λόγω:
 Ελλιπών συνθηκών
 Λάθος κωδικοποίηση της γνώσης
 Λάθος στην εκμαιευμένη γνώση
Αδιέξοδοι Κανόνες (dead-end rules)
 Κανόνες με συμπεράσματα τα οποία:
 Δεν ανήκουν στα τελικά συμπεράσματα του συστήματος.
 Δεν εμφανίζονται στις συνθήκες άλλων κανόνων.
 Παράδειγμα
(defrule rule15
(gas-gauge empty)
=> (assert (gas-tank empty)))
 Είναι αδιέξοδος κανόνας, αν το συμπέρασμα gas-tank empty:

 Δεν ανήκει στους τελικούς στόχους του συστήματος.
 Δεν εμφανίζεται στη συνθήκη κάποιου άλλου κανόνα.
 Προβλήματα που προκαλούν οι αδιέξοδοι κανόνες:

 Άχρηστα συμπεράσματα (πρόβλημα απόδοσης του συστήματος)
 Ένδειξη για κανόνες που λείπουν (πρόβλημα ορθότητας-πληρότητας του
συστήματος)
Απόντες Κανόνες (missing rules)

 Η απουσία κανόνων μπορεί να γίνει αντιληπτή από:
 Παρουσία γεγονότων που δεν εμφανίζονται στη συνθήκη κανενός κανόνα.
 Παρουσία τελικών συμπερασμάτων που δεν εμφανίζονται στο συμπέρασμα
κανενός κανόνα.
 Ύπαρξη αδιέξοδων κανόνων.
Απρόσιτοι Κανόνες (unreachable rules)

 Κανόνες που δεν ενεργοποιούνται ποτέ γιατί οι συνθήκες στις οποίες στηρίζονται
δεν αποτελούν το συμπέρασμα κανενός κανόνα, ούτε ανήκουν στα αρχικά
δεδομένα.
 Είναι ακριβώς το αντίθετο των αδιέξοδων κανόνων.
Έλεγχος Αξιοπιστίας (validation)
Η ανάπτυξη του σωστού συστήματος (O'Keefe, 1987) - Building the right system.
 Διαπίστωση της ορθότητας του τελικού συστήματος σε σχέση με τις ανάγκες και
απαιτήσεις του τελικού χρήστη.
 Επιβεβαίωση της ορθότητας των αποτελεσμάτων του συστήματος
 Επιβεβαίωση ότι το σύστημα ανταποκρίνεται στις απαιτήσεις των χρηστών
 Τελικός ποιοτικός έλεγχος στην ανάπτυξη συστημάτων γνώσης.

 Ελέγχεται η ορθότητα και γενικότητα της ίδιας της γνώσης που εκμαιεύτηκε
και περιέχεται στο έμπειρο σύστημα
 Ελέγχεται αν το σύστημα επιλύει τα προβλήματα με ορθό και επακριβή τρόπο
Μεθοδολογίες Ελέγχου Αξιοπιστίας

 Άτυπος έλεγχος: Συναντήσεις μηχανικού γνώσης με ειδικούς κατά τη διάρκεια
ανάπτυξης του συστήματος για τον έλεγχο της εγκυρότητας κάποιων αποτελεσμάτων
 Δοκιμασία σε υποδειγματικές περιπτώσεις (test cases)

 Οι λύσεις που δίνει το έμπειρο σύστημα συγκρίνονται με λύσεις που δόθηκαν από
διάφορους ειδικούς του τομέα στις ίδιες περιπτώσεις.
 Οι ειδικοί συμφωνούν ή διαφωνούν (ίσως διαβαθμισμένα) με τις υποδείξεις του
έμπειρου συστήματος.
 Δοκιμασία Turing: Οι λύσεις ειδικών και συστήματος παρουσιάζονται με την ίδια
μορφή σε άλλους ειδικούς, οι οποίοι τις αξιολογούν αντικειμενικά.
 Οι υποδειγματικές περιπτώσεις πρέπει να είναι διαφορετικές από αυτές που
χρησιμοποιήθηκαν στις προηγούμενες φάσεις ανάπτυξης του συστήματος.
 Εξασφαλίζεται η ευρωστία (robustness) σε μη-προσδοκώμενα δεδομένα.
 Όταν αυξάνεται η πολυπλοκότητα του συστήματος, ο αριθμός των δοκιμασιών που
θα έπρεπε να πραγματοποιηθούν αυξάνεται εκθετικά.
 Δοκιμασία σε πραγματικές συνθήκες
 Κίνδυνος απώλειας εμπιστοσύνης από τους τελικούς χρήστες
 Πρέπει να γίνεται κοντά στο τελικό στάδιο ανάπτυξης
Μεθοδολογίες Ελέγχου Αξιοπιστίας
 Έλεγχος αξιοπιστίας των υποσυστημάτων: Το σύστημα γνώσης χωρίζεται σε
ανεξάρτητα υποσυστήματα τα οποία ελέγχονται ξεχωριστά
 Ευκολότερη η επίλυση προβλημάτων σε μικρότερα συστήματα
 Η αξιοπιστία του καθενός υποσυστήματος ξεχωριστά δεν εγγυάται πάντα την
αξιοπιστία του συνολικού συστήματος
 Ανάλυση ευαισθησίας: Δοκιμασία με σύνολο παραμέτρων που διαφέρουν λίγο σε
μία από τις παραμέτρους κάθε φορά
 Ιδιαίτερα χρήσιμος έλεγχος σε συστήματα με αβεβαιότητα.
Κριτήρια Αξιοπιστίας
 Σύγκριση με γνωστά αποτελέσματα
 Σύγκριση με την απόδοση ειδικών
 Μεγαλύτερη ανεκτικότητα σε λάθη, αφού και ο ειδικός μπορεί να κάνει λάθη
 Σύγκριση με αποτελέσματα που προβλέπονται θεωρητικά
 Συνήθως γίνεται όταν το σύστημα γνώσης μοντελοποιεί κάποια φυσική
διαδικασία
 Όταν δεν υπάρχει ακριβές θεωρητικό μοντέλο, γιατί το φυσικό σύστημα είναι
πολύπλοκο, τότε δεν είναι δυνατή αυτή η σύγκριση
Μέτρηση Αξιοπιστίας
 Ακρίβεια (accuracy): Ποσοστό των αποδεκτών απαντήσεων του συστήματος
 Αποδεκτές απαντήσεις είναι αυτές που συμπίπτουν σε αυτές ενός ειδικού
 Επάρκεια (adequacy): Ποσοστό κάλυψης (coverage) του πεδίου γνώσης του
 Π.χ. ένα σύστημα κατηγοριοποίησης αναγνωρίζει σωστά το 83% των ειδών
 Θα μπορούσε το ποσοστό να περιέχει και βάρη, δίνοντας μεγαλύτερη έμφαση
στα σημαντικότερα στοιχεία του πεδίου της γνώσης
Λάθη στην Αναπαράσταση της Γνώσης
 Λάθη απόφασης: Συμβαίνουν όταν το σύστημα καταλήγει σε λάθος αποτέλεσμα
 Επηρεάζουν την ακρίβεια του συστήματος
 Διαπιστώνονται εύκολα, αλλά εντοπίζονται και διορθώνονται δύσκολα
 Λάθη παράλειψης: Συμβαίνουν όταν το σύστημα δεν μπορεί να καταλήξει σε
αποτέλεσμα
 Η απαραίτητη γνώση για να λυθεί κάποιο πρόβλημα παραλήφθηκε
 Επηρεάζουν την επάρκεια του συστήματος
 Διαπιστώνονται δύσκολα γιατί η δοκιμαστική περίπτωση (test case) που θα
αποκαλύψει την έλλειψη δεν είναι προφανής στο μηχανικό γνώσης

ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ Χρυσόστομος Στύλιος ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ Χρυσόστομος Στύλιος ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ

Uploaded by

Copyright:

Available Formats

ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ

ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ (ΣΥΑ)

ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ

 Συστήματα Υποστήριξης Αποφάσεων

Συστήματα Υποστήριξης Συλλογικών Αποφάσεων

 Συνεργατικές τεχνολογίες και

 Μέθοδοι ψηφοφορίας και συναρτήσεις

 Συλλογικές Αποφάσεις με Μεθόδους

 Συστήματα Υποστήριξης Διαπραγμάτευσης

 Συστήματα Διαχείρισης Γνώσης

 Συστήματα Διαχείρισης Ροών Εργασιών

Ευφυή Συστήματα Υποστήριξης Αποφάσεων

 Ευφυή Σ.Υ.Α. = Τεχνητή Νοημοσύνη + Σ.Υ.Α.

 Δηλωτικοί μηχανισμοί διαχείρισης γνώσης

 Μελέτες περίπτωσης με δηλωτικούς

 Λήψη αποφάσεων στον Σημασιολογικό Ιστό

 Εξόρυξη γνώσης από τον

 Εξόρυξη χρονικής γνώσης

 Εξόρυξη γνώσης από χωρικά

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 1

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 2

Παράγοντες που επηρεάζουν την λήψη

Τεχνολογία Αύξηση ÆÆÆ

Διεθνείς αγορές Αύξηση ÆÆÆ Μεγαλύτερη αβεβαιότητα

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 3

Λήψη αποφάσεων και η επίλυση προβλημάτων είναι έννοιες που εναλλάσσονται

Βαθμός δόμησης αποφάσεων-

z Τα μη δομημένα προβλήματα συχνά λύνονται και οι σχετικές αποφάσεις

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 5

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 6

Οι 4 φάσεις της διαδικασίας λήψης

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 7

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 8

z Τα ΣΥΑ συνδυάζουν τους διανοητικούς πόρους των ατόμων με τις

z Το ΣΥΑ μπορεί να βοηθήσει τον μάνατζερ να κατανοήσει το πρόβλημα

z Στόχος ενός ΣΥΑ είναι να αυξήσει την αποτελεσματικότητα των

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 9

z Συστήματα Υποστήριξης Αποφάσεων (DSS)

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 10

Τα ΣΥΑ στη πυραμίδα των

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 11

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 12

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 13

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 14

Ιδανικά χαρακτηριστικά και

Για ομάδες αλλά και

Υποστήριξη όλων των

Εύκολη διαδραστική Ευελιξία και

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 15

z Τα ΣΥΑ είναι εργαλεία επίλυσης προβλημάτων και χρησιμοποιούνται για

z Το MIS συνιστά υποδομή εκμετάλλευσης των τακτικών πληροφοριακών

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 16

Σχηματική θεώρηση των ΣΥΑ

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 17

Μοντέλα (Βάση Μοντέλων)

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 18

z Παρέχει πραγματογνωμοσύνη στην επίλυση

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 19

z Περιλαμβάνει όλη την επικοινωνία μεταξύ του

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 20

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 21

ΣΥΑ-Μοντέλα αποφάσεων -[sl1] 22

Βαθμός αφαίρεσης ενός

z Εικονικό (υπό κλίμακα) μοντέλο: Φυσική αναπαράσταση ενός