Министерство образования и науки Российской Федерации

Федеральное государственное бюджетное образовательное учреждение

высшего образования

«Хабаровский государственный университет экономики и права»

Кафедра информационных систем и технологий

Светлана Ивановна Белозёрова

Математические и инструментальные методы

поддержки принятия решений

Учебно-методическое пособие

по выполнению лабораторных работ
магистрантов 1-го курса очной формы обучения
по направлению 09.04.03  «Прикладная информатика»

ББК  22.1

УДК 51-7

  Б 43

Математические и инструментальные методы поддержки принятия решений : учебно-метод. пособие по выполнению лабораторных работ магистрантов 1-го курса очной формы обучения по направлению 09.04.03 «Прикладная информатика»  / сост. . – Хабаровск : РИЦ ХГУЭП, 2015. – 28 с.

Рецензент

, доцент кафедры экономической кибернетики ТОГУ, канд. экон. наук.

Утверждено издательско-библиотечным советом университета в качестве учебно-методического пособия для студентов заочной формы обучения

© , 2016

© Хабаровский государственный университет экономики и права, 2016

СОДЕРЖАНИЕ


Общие положения  ..………………………………………………………

4
Содержание дисциплины  .………………………………………………

7
Вопросы для подготовки к зачёту… .……………………………………

10
Порядок выполнения лабораторных работ  ..…………………………...

12

Библиографический список  ………………………………………..……………

23

Общие положения

Принятие решений – сложный процесс, требующий знаний не только в профессиональной сфере деятельности, но и в области современных информационных технологий и математических методов решения задач.

НЕ нашли? Не то? Что вы ищете?

Дисциплина «Математические и инструментальные методы поддержки принятия решений» относится к циклу профессиональных дисциплин.

Целью изучения дисциплины является формирование у магистрантов теоретических знаний в области принятия управленческих решений, ознакомление с принципами алгоритмизации при решении прикладных задач, формирование практических навыков использования специализированного программного обеспечения в своей профессиональной деятельности.

Задачи:

Сформировать представление о процессе, условиях, задачах, функциях и свойствах  принятия решений. Освоить методы формализации и алгоритмизации процессов принятия решений. Развить навыки обоснования принятия решений на основании анализа информации. Сформировать навыки использования систем поддержки принятия решений для решения прикладных задач.

В результате изучения дисциплины студент должен:

Знать: виды информационной и инструментальной поддержки лица, принимающего решения (ЛПР); методы группового принятия решений; методы исполнения решений на различных этапах цикла принятия решений; возможности систем поддержки принятия решений (СППР); критерии выбора инструментов СППР; классификацию задач и условий принятия решений.

Уметь: формулировать требования ЛПР к СППР; формализовать процесс обоснования и принятия решений; выбирать инструментарий для каждого этапа принятия решения; использовать инструментарий мониторинга исполнения решений; управлять рисками при проектировании и внедрении СППР; осуществлять выбор СППР, исходя из потребностей и возможностей предприятия и организации.

Владеть: навыками формулирования требований к СППР,  разработки их отдельных элементов, оценки вариантов закупок, внедрения и эксплуатации систем в области принятия решений.

Дисциплина «Математические и инструментальные методы поддержки принятия решений» направлена на формирование общекультурных и профессиональных компетенций (ОК, ПК) выпускника:

    способен проявлять инициативу, брать на себя ответственность в условиях риска и принимать нестандартные решения в проблемных ситуациях (ОК-4); способен использовать и развивать методы научных исследований и инструментария в области проектирования и управления информационными системами в прикладных областях (ПК-5); способен формализовывать задачи прикладной области, при решении которых возникает необходимость использования количественных и качественных оценок (ПК-6); способен ставить и решать прикладные задачи в условиях неопределенности и определять методы и средства их эффективного решения (ПК-7); способен проводить научные эксперименты, оценивать результаты исследований (ПК-8); способен исследовать применение различных научных подходов к автоматизации информационных процессов и информатизации предприятий и организаций (ПК-9); способен проводить анализ экономической эффективности ИС, оценивать проектные затраты и риски (ПК-10); способен выбирать методологию и технологию проектирования ИС с учетом проектных рисков (ПК-11); способен анализировать данные и оценивать требуемые знания для решения нестандартных задач с использованием математических методов и методов компьютерного моделирования (ПК-12); способен принимать эффективные проектные решения в условиях неопределенности и риска (ПК-18); способен в условиях функционирования ИС брать на себя ответственность за выполнение производственных задач ИТ-служб, эффективно использовать современные приемы и методы работы с ИТ - персоналом (ПК-24); способен использовать международные информационные ресурсы и стандарты в информатизации предприятий и организаций (ПК-26).

       Дисциплина «Математические и инструментальные методы поддержки принятия решений» имеет связь с дисциплинами «Математика», «Информатика».

Знания и навыки, полученные при изучении дисциплины дают возможность применить значительную часть изучаемых разделов в других дисциплинах для подготовки рефератов, курсовых и выпускных квалификационных работ, а также в практической деятельности после завершения обучения в вузе.

Для подготовки к выполнению лабораторных работ (ЛР) магистранты должны изучить теоретические вопросы, перечисленные в разделе «Содержание дисциплины» настоящего учебно-методического пособия, подготовить ответы на поставленные теоретические вопросы, выполнить практические задания, закрепляющие полученные теоретические знания.

При выполнении лабораторных работ по дисциплине «Математические и инструментальные методы поддержки принятия решений» магистранты выполняют задания, последовательность выполнения которых подробно изложена в п.4.


Содержание дисциплины

Тема 1. Методологические основы процессов принятия решений, с использованием методов интерактивного/активного обучения.

Основные понятия теории принятия решений: участники процесса принятия решения; альтернативы; критерии; типовые задачи принятия решений (ЗПР). Классификация ЗПР (различные подходы). Этапы принятия управленческих решений (по Г. Саймону). Этапы принятия решений при анализе хорошо структурированных проблем. Модель принятия решения в слабо структурированных задачах со многими критериями; этапы предварительной структуризации ЗПР со многими критериями. Планирование выполнения решений. Виды поддержки ЛПР на каждом этапе принятия и исполнения решений. Многодисциплинарный характер науки о принятии решений. Краткий обзор основных направлений исследований в области принятия решений. Системы поддержки принятия решений (СППР): определения, концептуальная модель, подходы к классификации. Возможности СППР. Требования, предъявляемые к СППР. Инструментарий СППР на различных этапах принятия и исполнения решений.

Тема 2. Принятие решений в условиях определенности

Задачи оптимизации: примеры и модели. Применение моделей линейного программирования (ЛП) для исследования задачи принятия решения: постановка задачи ЛП в рамках теории принятия решений; анализ чувствительности и устойчивость решения задачи ЛП; экономическая интерпретация результатов. Применение моделей целочисленного программирования (ЦЛП) для исследования задачи принятия решения: постановка задачи ЦЛП в рамках теории принятия решений; общие сведения о методах решения задач ЦЛП; метод ветвей и границ; применение различных модификаций метода ветвей и границ к решению задач ЦЛП; интерпретация результатов.

Тема 3. Принятие решений при многих критериях

Многокритериальность ЗПР как следствие неопределенности целей. Особенности многокритериальных ЗПР. Обзор основных подходов к решению многокритериальных задач: от методологии исследования операций к методологии системного анализа и теории принятия решений.

Принятие решений при многих критериях: задачи с объективными моделями. Многокритериальные задачи ЛП (в различных постановках). Человеко-машинные процедуры (ЧМП) как средство решения многокритериальных задач ЛП. Классификация и примеры ЧМП. Примеры практического применения ЧМП для анализа ЗПР.

Тема 4. Задачи с субъективными моделями

Задачи с субъективными моделями: одномерная теория полезности. Рациональный выбор в экономике. Аксиомы рационального выбора. Теорема о существовании функции полезности. Основные свойства и методы построения одномерных функций полезности. Парадигма анализа ЗПР: предварительный анализ, структуризация задачи, анализ неопределенности, анализ полезности, процедуры оптимизации. Использование апостериорных вероятностей. Особенности человеческого поведения: нерациональное поведение, эвристики, используемые при принятии решений. Учет реального поведения людей: основные направления.

Задачи с субъективными моделями: многокритериальная теория полезности. Особенности подхода. Аксиоматическое обоснование. Характеристика основных этапов анализа ЗПР: построение однокритериальных функций полезности; проверка условий независимости; определение коэффициентов важности критериев; определение полезности альтернатив. Примеры практического применения подхода для анализа ЗПР. Динамический анализ проблемы принятия решения: мониторинг исполнения решения; корректировка решений, принятых на предыдущих этапах. Примеры СППР, основанные на применении многокритериальной теории полезности.

Задачи с субъективными моделями: подход аналитической иерархии (АНР): Общая характеристика подхода АНР. Характеристика основных этапов анализа ЗПР: структуризация задачи в виде иерархии, попарные сравнения элементов каждого уровня, определение приоритетов элементов на каждом уровне, оценка согласованности суждений ЛПР, определение наилучшей альтернативы (ранжирование альтернатив). Примеры СППР, реализующих метод АНР. Недостатки метода АНР. Примеры практического применения метода АНР для анализа ЗПР.

Задачи с субъективными моделями: конструктивистский подход. Основные этапы анализа ЗПР на основе конструктивистского подхода. Методы ELECTRE I, ELECTRE II, ELECTRE III. Недостатки методов ELECTRE. Примеры СППР, реализующих методы ELECTRE.

Тема 5. Принятие решений в условиях риска и неопределенности: неопределенности природы

Неопределенности природы. Принцип наилучшего гарантированного результата; определение гарантирующей стратегии. Возможные подходы к улучшению гарантированной оценки. Игры с природой. Применение методов теории игр к анализу ЗПР в условиях риска и неопределенности.

Тема 6. Принятие решений в условиях неопределенности: неопределенности противника

Виды неопределенности в ЗПР. Неопределенности противника. ЗПР в условиях конфликта. Анализ конфликтной ситуации на примере двух субъектов: построение гарантированной оценки, возможности ее улучшения при различных предположениях о поведении субъектов. Проблема коллективного формирования компромисса. Точки равновесия. Принцип устойчивости (Нэша). Основные понятия теории игр. Матричные игры, применение методов теории матричных игр к анализу ЗПР в условиях конфликта. Сведение матричных игр к задачам ЛПР.

Тема 7. Принятие решений при нечеткой исходной информации, с использованием методов интерактивного/активного обучения

Основные понятия теории нечетких множеств. Задача достижения нечетко определенной цели. Различные постановки задач нечеткого математического программирования. Задача математического программирования при нечетком множестве ограничений: возможные подходы к решению. Проблема принятия решения при нечетком отношении предпочтения на множестве альтернатив.

Тема 8. Методы получения экспертных оценок

Общие сведения об экспертизе: роль эксперта в ЗПР, основные этапы проведения экспертизы, методы опроса экспертов. Примеры типовых задач экспертного оценивания. Обработка и анализ экспертных оценок (на примере задач непосредственного оценивания и ранжирования объектов): оценка согласованности мнений экспертов, формирование групповой оценки, определение вектора компетентности экспертов на основе анализа результатов экспертизы.



Вопросы для подготовки к ЗАЧЁту
Основные понятия теории принятия решений. Методы многокритериальной оптимизации. Метод главного критерия. Метод линейной свертки. Многокритериальный выбор в условиях неопределенности. Принятие решений в условиях риска. Методы управления рисками. Способы управления рисками. Подходы к учету неопределенности при описании рисков. Конфликт и его модели. Принятие решений в условиях конфликта. Простой и множественный регрессионный анализ в СППР. Деревья решений в СППР. Основные идеи методов экспертных оценок. Математические методы анализа экспертных оценок. Количественные оценки степени риска. Кривая риска, коэффициент риска. Различия между частным выбором и управленческим (организационным) решением. Классификация управленческих решений. Организация выполнения решений, возможные трудности и их причины. Влияние информации на принятие решений: детерминированные и вероятностные решения. Необходимость согласования принимаемых решений, причины и последствия несогласованности. Обратная связь в процессе принятия решений: необходимость и способы реализации. Ответственность за решение и его последствия. Виды и меры ответственности руководителя. Принятие решений и проблемы делегирования полномочий. Современные методы разработки и оптимизации решений, области и условия их применения. Определение критериев выбора, одно - и многокритериальные решения. Качество решения, его составляющие и факторы, влияющие на него. Формы принятия управленческих решений. Коллективный выбор и коллективное решение. Методы моделирования в процессе принятия решений, основные виды моделей. Методы экспертных оценок, их возможности в процессе принятия решений. Сущность метода коллективной генерации идей ("мозговой атаки"). Качества, необходимые менеджеру в процессе принятия решений. Содержание и особенности метода Дельфи. Юридическая ответственность за результаты принятого решения, ее виды. Прогнозирование развития ситуации с помощью метода разработки сценариев. Административная ответственность руководителя. Особенности механизма иерархического контроля. Количественные и качественные экспертные оценки, способы их получения. Аппарат управления организацией как механизм принятия решений. Способы оценки качеств экспертов и формирование экспертных комиссий. Основные типы шкал, используемых при получении экспертной информации. Современные информационные технологии, используемые в процессе разработки управленческих решений. Экспертная система (ЭС), система поддержки принятия решений (СППР), автоматизированная система экспертного оценивания (АЭСО).
порядок выполнения ЛАБОРАТОРНЫХ РАБОТ

Лабораторная работа №1. Создание презентации

Создать мультимедийную презентацию с учётом рекомендаций (Приложение А) на тему:

1.  Понятие системы, сложной системы, экономической системы.

2.  Определение и назначение математического моделирования и математических моделей.

3.  Классификация математических моделей экономических систем.

4.  Моделирование систем массового обслуживания.

5.  Общая характеристика простейших моделей управления запасами.

6.  Искусственные нейронные сети.

7.  Общая характеристика сущности вычисления метода динамического программирования.

8.  Общая постановка задачи динамического программирования со многими ограничениями и переменными.

9.  Основные требования к структуре решаемой задачи, необходимые для применения динамического программирования.

10. Характеристика основных поисковых методов оптимизации.

Лабораторная работа №2. Решение задач оптимизации и прогнозирования

Последовательность выполнения работы

1. Решите задачу оптимизации в табличном редакторе Microsoft Excel.

Дано уравнение зависимости прибыли (Y) от цены (X1) и количества (X2), которое имеет следующий вид:

,

где  A, B, C, D – коэффициенты,  выбираемые из таблицы 1.

Таблица 1. – Исходные данные

Коэффициент

№ варианта

1

2

3

4

5

6

7

8

9

10

11

12

13

14

A

0,1

-0,2

0,3

0,4

-0,5

0,6

-0,7

-0,8

0,9

-1

1,1

1,2

1,3

1,4

B

-1,1

1,2

-1,3

-1,4

1,5

-1,6

1,7

1,8

1,9

2

-2,1

2,1

-2,3

-2,4

C

0,5

-0,6

0,7

0,8

-0,9

1

-1,1

1,2

-1,3

1,4

1,5

-1,6

1,7

1,8

D

-1,5

1,6

-1,7

-1,8

1,9

-2

2,1

-2,2

2,3

2,4

2,5

2,6

-2,7

-2,8

Определите при каких значениях X1  и X2  значение Y max. Если X1 меняется в пределах от 100 до 1000 с шагом 10, а  X2  от 30 до 210 с шагом 20.

2. Постройте точечный график, линии тренда и уравнения зависимости прибыли  от цены в виде линейной зависимости и полинома второй степени.

3. Выполните прогноз значения прибыли на 2 пункта вперед. Настройка формата линии тренда приведёна на рисунке 1.

4. Результат выполнения данного задания вставьте в отчёт контрольной работы.

Лист Microsoft  Excel  с выполненным 2 заданием должен выглядеть так, как показано на рисунке 2.

Рисунок 1 – Настройка формата линии тренда

Рисунок 2 – Пример выполнения задания 2

Лабораторная работа №3

Применение нейросетевого прогнозирования при подборе кадров

Данное задание выполняется с использованием программы нейросетевого прогнозирования NeuroPro. Программа находится в свободном доступе в сети интернет.

Основные возможности программы NeuroPro


    Создание нейропроекта; Подключение к нейропроекту файла (базы) данных; Редактирование файла данных; Добавление в нейропроект нейронной сети слоистой архитектуры с числом слоев нейронов от 1 до 10, числом нейронов в слое – до 100 (число нейронов для каждого слоя сети может задаваться отдельно); Выбор алгоритма обучения, назначение требуемой точности прогноза, настройка параметров нейронной сети; Обучение нейронной сети решению задачи предсказания или классификации; Тестирование нейронной сети на файле данных; Вычисление показателей значимости каждого из входных сигналов для решения задачи, сохранение вычисленных показателей значимости в файле на диске; Упрощение нейронной сети; Генерация и визуализация вербального описания нейронной сети. Редактирование и сохранение вербального описания нейронной сети в файле на диске; Сохранение нейропроекта на диске.

Форматы файлов

В качестве файлов данных (содержащих обучающую выборку для нейронных сетей) используются файлы форматов DBF(форматы пакетов Dbase, FoxBase, FoxPro, Clipper) и DB (Paradox). Возможно чтение и редактирование этих файлов и сохранение измененных файлов на диске. Программа не накладывает ограничений на число записей (строк) в файле данных.

Интерфейс программы

Для того, чтобы сделать активными пункты меню программы, необходимо открыть файл, содержащий входную информацию для создания нейросети. Таким файлом является файл формата dbf. Его можно создать самостоятельно в программе Excel 2003 или открыть уже созданный в формате dbf файл.

Щекните по кнопке Создать, в новом окне нажмите Открыть файл данных. Откройте файл.

Открытый файл отображается в собственном окне, где предоставляется возможность его редактирования. При подключенном файле данных можно проводить операции создания новых сетей, их обучения, тестирования и упрощения.

Для создания новой нейронной сети необходимо нажать кнопку “Новая сеть” в окне нейропроекта и заполнить окно для создания нейронной сети: подтвердите статусы входных полей, выходного поля, установите Тип поля - количественный, на вкладке Структура сети укажите число слоев нейронов и число нейронов в слое. Нажмите кнопку Создать.

Далее рассмотрим ставшие активными пункты меню программы.

Меню программы содержит следующие пункты, относящиеся к нейронным сетям и работе с ними:

Файл - базовые операции с файлами, включая стандартные опции: создать, открыть, сохранить, сохранить как, выход.

Нейросеть - операции с нейронными сетями. Операция вы­полняется над активной в данный момент в нейропроекте нейрон­ной сетью и включает в себя следующие опции:

• Обучение - обучение нейронной сети;

• Тестирование - тестирование нейронной сети;

• Сокращение числа входных сигналов - удаление наи­менее значимых входных сигналов;

• Сокращение числа синапсов - удаление наименее зна­чимых синапсов сети;

• Сокращение числа неоднородных входов - удаление наименее значимых неоднородных входов нейронов сети;

• Равномерное упрощение сети - сокращение числа при­ходящих на нейроны сети сигналов до заданного пользователем;

• Бинаризация синапсов сети - приведение значений ве­сов синапсов и неоднородных входов нейронов к значениям -1 и 1;

• Вербализация - генерация вербального описания ней­ронной сети;

• Значимость входов - подсчет и отображение значимо­сти входных сигналов нейронной сети;

• Возмущение весов синапсов - добавление случайных поправок к весам синапсов сети.

Настройка - операции по настройке нейронной сети. На­стройки действуют в пределах нейропроекта, сохраняются в фай­ле нейропроекта и восстанавливаются при его чтении программой.

Опции данного пункта меню:

• Метод оптимизации - выбор метода оптимизации для обучения сети. Из трех реализованных в настоящее время в про­грамме методов (градиентный спуск, модифицированный партан-метод (РагТап) и метод сопряженных градиентов) при создании нейропроекта автоматически предлагается РагТап.

• Норма накопления значимости - выбор нормы накоп­ления градиента при подсчете показателей значимости, иначе го­воря, показатель совокупной ошибки сети. При создании нейро­проекта автоматически выбирается норма в виде суммы модулей.

Сокращение числа неоднородных входов - удаление наименее значимых неоднородных входов нейронов сети;

Равномерное упрощение сети - сокращение числа при­ходящих на нейроны сети сигналов до заданного пользователем;

Бинаризация синапсов сети - приведение значений ве­сов синапсов и неоднородных входов нейронов к значениям -1 и 1;

Вербализация - генерация вербального описания ней­ронной сети;

Значимость входов - подсчет и отображение значимо­сти входных сигналов нейронной сети;

Возмущение весов синапсов - добавление случайных поправок к весам синапсов сети.

Настройка - операции по настройке нейронной сети. На­стройки действуют в пределах нейропроекта, сохраняются в фай­ле нейропроекта и восстанавливаются при его чтении программой.

Опции данного пункта меню:

Метод оптимизации - выбор метода оптимизации для обучения сети. Из трех реализованных в настоящее время в про­грамме методов (градиентный спуск, модифицированный партан-метод (РагТап) и метод сопряженных градиентов) при создании нейропроекта автоматически предлагается РагТап.

Норма накопления значимости - выбор нормы накоп­ления градиента при подсчете показателей значимости, иначе го­воря, показатель совокупной ошибки сети. При создании нейро­проекта автоматически выбирается норма в виде суммы модулей.

Постановка задачи

При приеме на службу в органы внутренних дел (ОВД), поступлении в высшее юри­дическое учебное заведение МВД РФ каждый кандидат проходит обследование с помо­щью различных методик, направленных на оперативное и удобное обследование психоло­гической сферы индивида (мотивы, познавательные процессы, самооценка, личностные особенности, социально-психологические качества и др.).

Однако данные, полученные в результате обследования, в дальнейшем используются неэффективно. В этой связи возникает необходимость разработки методики, применение которой давало бы возможность сопоставлять результаты  тестирования  слушателей высших учебных заведений МВД РФ с состоянием их успеваемости, дисциплины, а также эффективностью дальнейшей работы в ОВД и осуществлять поддержку обоснованных решений при приеме лиц на службу в на учебу в высшие учебные заведения МВД РФ. Именно такая методика позволит более качественно осуществлять подбор со­трудников в ОВД и слушателей для высших юридических и пожарно-технических учеб­ных заведений МВД РФ.

Для построения нейросетевой модели и ее практического применения использова­лись результаты тестирования лиц, поступающих на учебу в Дальневосточный юридиче­ский институт МВД РФ. Обучающая выборка состоит из результатов тестирования 270 абитуриентов ДВЮИ МВД РФ личностным опросником Кетг.) и оценок со­стояния их дисциплины, успеваемости  (1996 г.), а также оценок эффективности их последующей работы в ОВД (1999 г.). Расшифровка оценочных шкал Кеттела приведена в таблице 2.

Таблица 2 – Интерпретация оценочных факторов Кеттела


Факторы

Интерпретация факторов

А

«замкнутость — общительность»

В

«интеллект»

С

«эмоциональная неустойчивость — эмоциональная устойчивость»

Е

«подчиненность — доминантность»

F

«сдержанность — экспрессивность»

G

«подверженность чувствам — высокая нормативность поведения»

Н

«робость — смелость»

I

«жесткость — чувствительность»

L

«доверчивость — подозрительность»

М

«практичность — развитое вообра­жение»

N

«прямолинейность — дипломатич­ность»

О

«уверенность в себе — тревож­ность»

Q1

«консерватизм — радикализм»

Q2

«конформизм — нонконформизм»

Q3

«низкий самоконтроль — высокий самоконтроль»

Q4

«расслабленность — напряжен­ность»

Обученные соответствующим образом искусственные нейронные сети (НС) смогут прогнозировать для поступающего в ДВЮИ МВД РФ оценку состояния дисциплины и успеваемости с горизонтом прогнозирования 4 года и эффективность его последующей работы с горизонтом прогнозирования 7 лет. Обучение НС целесообразно производить на нейроимитаторе Neurоpro 0.25, который успешно применяется для решения различных нерегулярных задач.

Последовательность выполнения  работы


Запуск программного нейроимитатора «NEUROPRO 0.25».

«ПУСК» – «ПРОГРАММЫ» – «NEUROPRO» – «NEUROPRO 0.25» (Или ярлык на рабочем столе)

Начало работы в нейроимитаторе.

«ФАЙЛ» – «СОЗДАТЬ» – «ОТКРЫТЬ ФАЙЛ ДАННЫХ»

Открыть файл данных ДВЮИ. dbf, содержащий результаты тестирования и экспертные оценки прогнозируемых параметров, необходимые для обучения сети.

Щелкнуть левой кнопкой мыши (л. к.м.) на предыдущем окне (без имени)

Нажать кнопку «НОВАЯ СЕТЬ».

Установить входы и выходы сети:

поле «NOMER» не используется;

поле «DISCIP» не используется;

поле «USPEVA» не используется;

поле «RABOTA» выходное, тип поля количественный, точность 0,1.

Задать структуру сети:

число слоев – 1;

число нейронов – 16;

характеристика – 0,1.

Нажать кнопку «СОЗДАТЬ».

В верхнем меню нажать «НЕЙРОСЕТЬ» – «ОБУЧЕНИЕ» – после окончания обучения – «ГОТОВО».

Определить минимальное количество нейронов для решения данной за­дачи:

4.  Нажать «КОПИЯ СЕТИ».

5.  В «СТРУКТУРЕ СЕТИ» изменить количество нейронов.

Далее с п. 3 по п.4 включительно.

П Р О Г Н О З И Р О В А Н И Е.

6.  Щелкнуть л. к.м. на таблице с данными.

7.  Выбрать следующие пункты меню: «ТАБЛИЦА» – «ДОБАВИТЬ ЗАПИСЬ».

Создать новый пункт (№ 000) и заполнить его произвольными числами, в диапазоне от 1 до 10 (перемещение между столбцами кнопкой  «TAB» или «стрелка вправо»), кроме колонки прогнозируемого параметра (РАБОТА).

Щелкнуть л. к.м. на предыдущем окне (Без имени).

Из верхнего меню выбрать «НЕЙРОСЕТЬ» – «ТЕСТИРОВАНИЕ».

Переместиться в конец таблицы и посмотреть значение прогнозируемого параметра.

Закрыть окно тестирования.

8.  Оценка сетью значимости входных сигналов (в нашем случае оценочных шкал Кет­тела, за каждой из которых скрывается черта характера).

«НЕЙРОСЕТЬ» – «ЗНАЧИМОСТЬ ВХОДНЫХ СИГНАЛОВ».

Выпишите самые важные, с точки зрения сети, оценочные шкалы и закройте окно.

9. Повторить с п.2, используя в качестве прогнозируемого параметра «ДИСЦИП­ЛИНУ» и «УСПЕВАЕМОСТЬ» (по очереди).

Поэкспериментировать с упрощением сети «НЕЙРОСЕТЬ» – «УПРОЩЕНИЕ».

10. Пользуясь полученными диаграммами значимости входных сигналов сформулируйте в качестве вывода, какие качества личности, по Кеттелу, влияют на дисциплину, успеваемость и эффективность работы выпускников высших учебных заведений МВД РФ.

11. Оформить отчёт.

Библиографический список

Основная литература

Ларичев, и методы принятия решений : учебник. / . – М.: Логос, 2008. – 392 с. Орлов, принятия решений : учебник. / . – М. : «Экзамен», 2006. – 573 с.

Дополнительная литература

, Шуйкова и методы принятия решений в условиях неопределенности. – Липецк: ЛЭГИ, 2001. - 138 с. Бояршинов игр и исследование операций. – М.: Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2011. Шмерлинг экспертных оценок. – М.: Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2008. Яхъяева множества и нейронные сети. – М. : Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2008.

Интернет - ресурсы

Волкова, систем и системный анализ : учебник для вузов. / . - М. : Издательство Юрайт, 2010. - 679 с. - Электронное издание. - Доступно из URL : http://ibooks. ru/reading. php? productid=23162 . Разработка и принятие решения в управлении инновациями. - СПб. : БХВ-Петербург, 2011. - 352 с. - Электронное издание. - Доступно из URL : http://ibooks. ru/reading. php? productid=24805 Балдин, решения : учебник. / , , . ‑ 7-е изд. ‑ М. : ИТК «Дашков и К°», 2012. ‑ 496 с. - Электронное издание. - Доступно из URL : http://ibooks. ru/reading. php? productid=24760 Вдовин, систем и системный анали : учебник. / , , . ‑ М. : ИТК «Дашков и К°», 2010. ‑ 640 с. - Электронное издание. - Доступно из URL : http://ibooks. ru/reading. php? productid=23388

Светлана Ивановна Белозёрова

МАТЕМАТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

Учебно-методическое пособие

по выполнению лабораторных работ
магистрантов 1-го курса очной формы обучения
по направлению 09.04.03  «Прикладная информатика»

Редактор

____________________________________________________________________

Подписано в печать _____________ Формат 60х84/16.

Бумага писчая. Цифровая печать. Усл. п. л.  1,6 . Уч.-изд. л.  1,2 .

Тираж 5 экз. Заказ №_____________

____________________________________________________________________

680042, 34, ХГУЭП, РИЦ