SISTEME INTELIGENTE DE SUPORT DECIZIONAL - · PDF fileCurs 9 – Sisteme inteligente de...

SISTEME INTELIGENTEDE SUPORT DECIZIONAL

Ș.l.dr.ing. Laura-Nicoleta IVANCIU

Curs 9 – Sisteme inteligente de suportdecizional cu logică fuzzy

2

Cuprins

Probleme rezolvabile cu logică fuzzy Decizie fuzzy – studiu de caz

Curs 9 – SISD cu logică fuzzy

. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.

3

Probleme rezolvabile cu logică fuzzy Care sunt cele mai importante tipuri de aplicații ale logicii fuzzy? Care sunt etapele de rezolvare a unei probleme cu logică fuzzy?



4

Să ne aducem aminte...

Mulțime fuzzy = clasă de obiecte, cu grade de apartenență continue.

Funcție de apartenență – atribuie fiecărui obiect un grad de apartenență, cuprins între 0 (neapartenență) și 1 (apartenență totală).

Curs 9 – SISD cu logică fuzzy Probleme rezolvabile cu logică fuzzy

variabilălingvistică

valoarelingvistică

universul discuției

0.55

grad de apartenență

functie de apartenență

0.3


5

Să ne aducem aminte...

Structura unui sistem cu logică fuzzy SISO



6

Aplicații ale logicii fuzzy

sisteme de controlîn locul controlerelor PID, în sisteme complexe

Ex.: metroul din Sendai, Japonia http://sipi.usc.edu/~kosko/Scientific%20American.pdf

controlul pendulului inversathttp://www.youtube.com/watch?v=SVKKPD23eM4

electrocasnicemașini de spălat, aparate de aer condiționat, automate de cafea,

termostate, etchttp://www.fuzzytech.com/e/e_a_esa.html

Ex.: Mașina de spălat cu logică fuzzy – vezi Proiect 5



http://sipi.usc.edu/%7Ekosko/Scientific%20American.pdf

http://www.youtube.com/watch?v=SVKKPD23eM4

http://www.fuzzytech.com/e/e_a_esa.html

7

Aplicații ale logicii fuzzy

automatizări industriale http://www.fuzzytech.com/e/e_a_plc.html

sisteme de animație 2D și 3DEx.: generarea masei de oameni din trilogia Lord of the Rings, folosind MASSIVE (Multiple Agent Simulation System in Virtual Environment)http://www.massivesoftware.com/

prelucrarea imaginilor recunoaștere de obiecte/forme

modelare, prelucrare de semnal, optimizarea traficului de rețea, proiectare de circuite, etc

alternative la metodologiile clasice



http://www.fuzzytech.com/e/e_a_plc.html

http://www.massivesoftware.com/

8

Etapele implementării unei aplicații cu logică fuzzy

identificare intrări, ieșiri

stabilire univers discuție, variabile/valori lingvistice, funcții de apartenență

stabilire metode de inferență, defuzzificare

implementare efectivă

testare, evaluare performanțe

revenire la etapele anterioare, dacă este cazul



9

Exemplu

Să se implementeze un sistem fuzzy care să estimezenumărul de ore de studiu necesare pentru a pregăti unexamen în sesiune.

La curs putem face... identificare intrări, ieșiri stabilire univers discuție, variabile/valori lingvistice, funcții de apartenență

Voi puteți face acasă...

stabilire metode de inferență, defuzzificare implementare efectivă testare, evaluare performanțe revenire la etapele anterioare, dacă este cazul



10

Decizie fuzzy – studiu de caz


Sistem de decizie fuzzy pentru selecțiacandidaților la ocuparea unui post


11

Sistem de decizie fuzzy pentru selecția candidaților la ocuparea unui postConsiderente de proiectare

calificările, competențele și abilitățile de bază necesare ocupăriiunui post sunt definite imprecis (lingvistic)

Ex.: Să fie familiar cu mediul Matlab

experții (recruiterii) își exprimă opinia în limbaj natural (lingvistic) pentru candidații analizați

Ex.: Candidatul X este potrivit pentru post

Curs 9 – SISD cu logică fuzzy Decizie fuzzy – studiu de caz


12

Factori de evaluare posibili

calificare (studii) experiență vârstă aspect fizic abilități de comunicare inteligență (IQ) abordarea în rezolvarea problemelor capacitatea de lucru în echipă

Ce alți factori pot fi luați în considerare?



13

Etapele procesului de selecție

1. se stabiliesc factorii utilizați pentru selecție

2. se definește profilul candidatului ideal (cerințe)

3. se construiește profilul fiecărui candidat (calificări, competențe, abilități) de către experți (recruiteri)

4. se construiește o matrice a distanțelor față de candidatul ideal, pentru fiecare candidat

5. se selectează candidatul pentru ocuparea postului



14

1. Factori utilizați pentru selecțieCalificareExperiențăRezolvarea problemelor


Calificare

“Licență - L”, “Licența și specializare -LS”, “Master - M”, “Master și specializare -MS”, “Doctorat - D”

Experiență

“Foarte puțină - FP”, “Puțină - P”, “Medie - M”, “ Multă - Mu”, “Foarte multă - FMu”

Rezolvarea problemelor

“Foarte slabă - FS”, “Slabă - S”, “Medie - M”, “ Bună - B”, “Foarte bună - FB”

Valori lingvistice:


15

2. Profilul candidatului ideal


cerința pentru Calificare: Mastercerința pentru Experiență: Să aibă suficientă

cerința pentru Rezolvarea problemelor: Cât mai bună

Definirea fuzzy a cerințelor:

Pentru fiecare cerință, se defineste o mulțime fuzzy peste un univers discret al discuției, univers alcătuit din valorile lingvistive definite pentru factorul asociat

Selecție:

Se compară profilul fiecărui candidat cu profilul candidatului ideal.


16

Mulțimile fuzzy pentru cerințe


=

DMSMLSL3.0;8.0;1;5.0;2.0Calificare

Cerința pentru Calificare: Master

=

FMuMuMPFP2.0;8.0;1;7.0;1.0Experienta

Cerința pentru Experiență: Să aibă suficientă

=

FBBMSFS1;1;7.0;3.0;0RezProb

Cerința pentru Rezolvareaproblemelor: Cât mai bună

Cerinta: Calificare

Cerinta: Experienta

Cerinta: Rezolvarea problemelor


17

Mulțimi fuzzy – factorul Calificare


=

=

=

=

=

DMSMLSL

DMSMLSL

DMSMLSL

DMSMLSL

DMSMLSL

1;75.0;5.0;2.0;0Doctorat

8.0;1;8.0;4.0;1.0MasterSpec

4.0;6.0;1;6.0;4.0Master

3.0;6.0;8.0;1;8.0cLicentaSpe

1.0;3.0;5.0;8.0;1Licenta


18

Mulțimi fuzzy – factorul Experiență


=

=

=

=

=

FMuMuMPFP

FMuMuMPFP

FMuMuMPFP

FMuMuMPFP

FMuMuMPFP

1;8.0;6.0;3.0;1.0FMulta

8.0;1;8.0;5.0;25.0Multa

6.0;8.0;1;6.0;4.0Medie

1.0;3.0;6.0;1;7.0Putina

0;0;1.0;5.0;1FPutina


19

Mulțimi fuzzy – factorul Rezolvarea problemelor


=

=

=

=

=

FBBMSFS

FBBMSFS

FBBMSFS

FBBMSFS

FBBMSFS

1;75.0;5.0;2.0;0FBuna

8.0;1;8.0;4.0;1.0Buna

6.0;8.0;1;6.0;4.0Medie

3.0;6.0;8.0;1;8.0Slaba

1.0;3.0;6.0;8.0;1FSlaba


20

3. Profilul candidaților. Evaluarea lor de către experți.


2 candidați: C1, C23 experți: E1, E2, E3

BMBFB

FBB

MMsiPIntreMMuMuM

LSMLMSLM

Calificare Experiență Rezolvarea problemelorC1 C2 C1 C2 C1 C2

E1

E2

E3

Fiecare expert analizează dosarul fiecărui candidat și apreciază în limbajnatural (printr-un termen lingvistic) performanța fiecărui candidat pentru fiecarefactor de selecție considerat.

Criteriu

Expert


21



=

FMuMuMPFP?;?;?;?;?E_Candidat_Experienta

=

DMSMLSL?;?;?;?;?E_Candidat_Calificare

Pentru fiecare candidat trebuie construit profilul, așa cum rezultă din opiniafuzionată a experților.

- câte o mulțime fuzzy pentru fiecare factor de selecție

- pentru fiecare factor de selecție, se determină gradele de apartenență a fiecărei valorilingvistice, conform universului discuției utilizat la definirea candidatului ideal

=

FBBMSFS?;?;?;?;?ndidat_ERezProb_Ca

Se determină câte o distanță față de fiecare cerință a candidatului ideal.. dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizionalȘ l.

22



LSMLMSLM

C1 C2

E1

E2

E3

=

=

=

=

=

DMSMLSL

DMSMLSL

DMSMLSL

DMSMLSL

DMSMLSL

1;75.0;5.0;2.0;0Doctorat

8.0;1;8.0;4.0;1.0MasterSpec

4.0;6.0;1;6.0;4.0Master

3.0;6.0;8.0;1;8.0cLicentaSpe

1.0;3.0;5.0;8.0;1Licenta

=

DF

MSF

MF

LSF

LF )5.0,75.0,5.0(;)8.0,1,8.0(;)1,6.0,1(;)8.0,6.0,8.0(;)5.0,3.0,5.0(_C1_ECalificare

=

DMSMLSL5.0;8.0;6.0;6.0;3.0_C1_ECalificare

=

DF

MSF

MF

LSF

LF )2.0,0,0(;)4.0,1.0,1.0(;)6.0,4.0,4.0(;)1,8.0,8.0(;)8.0,1,1(_C2_ECalificare

=

DMSMLSL0;1.0;4.0;8.0;8.0_C2_ECalificare

operator de fuziune (F): min

Calificare


23



Calificare – distanță față de candidatul ideal

=

DMSMLSL5.0;8.0;6.0;6.0;3.0_C1_ECalificare

=

DMSMLSL3.0;8.0;1;5.0;2.0Calificare

5.03.08.08.06.016.05.03.02.0)_1_,( −+−+−+−+−=ECCalificareCalificared

8.0)_1_,( =ECCalificareCalificared

=

DMSMLSL0;1.0;4.0;8.0;8.0_C2_ECalificare

03.01.08.04.018.05.08.02.0)_2_,( −+−+−+−+−=ECCalificareCalificared

5.2)_2_,( =ECCalificareCalificared

Se utilizează o distanță Hamming fuzzy între două mulțimi fuzzy discrete.

∑=

−=N

iiBiA xxBAd

1

)()(),( µµ N – cardinalul mulțimii ce definește universul discuțieixi – elementele mulțimii ce definește universul discuției


24



C1 C2

E1

E2

E3

Experiență

=

FMuF

MuF

MF

PF

FPF )45.0,8.0,6.0(;)65.0,1,8.0(;)8.0,8.0,1(;)8.0,3.0,6.0(;)3.0,0,1.0(_C1_EExperienta

=

FMuMuMPFP45.0;65.0;8.0;3.0;0_C1_EExperienta

MMsiPIntreMMuMuM

=

=

=

=

=

FMuMuMPFP

FMuMuMPFP

FMuMuMPFP

FMuMuMPFP

FMuMuMPFP

1;8.0;6.0;3.0;1.0FMulta

8.0;1;8.0;5.0;25.0Multa

6.0;8.0;1;6.0;4.0Medie

1.0;3.0;6.0;1;7.0Putina

0;0;1.0;5.0;1FPutina

=

FMuF

MuF

MF

PF

FPF )6.0,6.0,8.0(;)8.0,8.0,1(;)1,1,8.0(;)6.0,6.0,3.0(;)1.0,1.0,0(_C2_EExperienta

=



25



Experiență – distanță față de candidatul ideal

45.02.065.08.08.013.07.001.0)_1_,( −+−+−+−+−=ECExperientaExperientad

1.1)_1_,( =ECExperientaExperientad

=

FMuMuMPFP2.0;8.0;1;7.0;1.0Experienta

=


=


6.02.08.08.08.013.07.001.0)_2_,( −+−+−+−+−=ECExperientaExperientad

1.1)_2_,( =ECExperientaExperientad


26



C1 C2

E1

E2

E3


=

FBF

BF

MF

SF

FSF )5.0,1.0,7.0(;)8.0,8.0,1(;)1,6.0,8.0(;)8.0,3.0,6.0(;)6.0,1.0,3.0(_ERezProb_C1

=

FBBMSFS1.0;8.0;6.0;3.0;1.0_ERezProb_C1

BMBFB

FBB

=

=

=

=

=

FBBMSFS

FBBMSFS

FBBMSFS

FBBMSFS

FBBMSFS

1;75.0;5.0;2.0;0FBuna

8.0;1;8.0;4.0;1.0Buna

6.0;8.0;1;6.0;4.0Medie

3.0;6.0;8.0;1;8.0Slaba

1.0;3.0;6.0;8.0;1FSlaba

=

FBF

BF

MF

SF

FSF )75.0,75.0,1(;)1,1,8.0(;)8.0,8.0,6.0(;)6.0,6.0,3.0(;)3.0,3.0,1.0(_ERezProb_C2

=

FBBMSFS75080603010 .;.;.;.;._ERezProb_C2


27



Rezolvarea problemelor – distanță față de candidatul ideal

1.018.016.07.03.03.01.00)_1_RezProbRezProb,( −+−+−+−+−=ECd

3.1)_1_RezProbRezProb,( =ECd

=

FBBMSFS1;1;7.0;3.0;0RezProb

=


=


75.018.016.07.03.03.01.00)_2_RezProbRezProb,( −+−+−+−+−=ECd

65.0)_2_RezProbRezProb,( =ECd


28

4. Matricea distanțelor față de candidatul ideal


65.03.11.11.15.28.0

C1 C2Calificare

Experiență



29

5. Luarea deciziei


Selecție după minimul distanței [ ]65.08.0C1 C2

C2

Selecție după minimul distanței medii [ ]42.107.1 C1

65.03.11.11.15.28.0

C1 C2Calificare

Experiență


Ce alte metode s-ar putea utiliza în luarea deciziei?


30

Sumar

Probleme rezolvabile cu logică fuzzy Decizie fuzzy – studiu de caz

În episodul următor: Algoritmi genetici



SISTEME INTELIGENTE DE SUPORT DECIZIONAL - · PDF fileCurs 9 – Sisteme inteligente de...

Documents

Transcript of SISTEME INTELIGENTE DE SUPORT DECIZIONAL - · PDF fileCurs 9 – Sisteme inteligente de...