صحیح شدن ارزش چندین قانون و در نتیجه فعال شدن آنها گردد. هر ترتیبی از اجرای این قوانین، می ­تواند نتایج متفاوتی را به دنبال داشته باشد که در این صورت این مجموعه از قوانین، مجموعه­ قوانین ناسازگار نامیده می­شوند. یک استراتژی رفع ناسازگاری ترتیبی را برای اجرای این مجموعه از قوانین تعیین می­نماید.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

سیستم­های هوشمند از قبیل سیستم­های مبتنی بر قانون، ابزارهای برنامه­ ریزی، و ساختارهای وابسته به دانش، از استراتژی­ های متفاوتی برای رفع ناسازگاری استفاده می­ کنند] ۲[.
در این پژوهش در ابتدا در رابطه با این شیوه ­های متفاوت توضیحاتی ارائه می­گردد و پس از آن ایده­ایی که به منظور رفع ناسازگاری در سیستم پیشنهادی بکار برده شده، شرح داده می­ شود. سیستم پیشنهادی یک سیستم تصمیم­همیار هوشمند است که به منظور یاری رساندن به یک بازیکن در یک بازی استراتژیک بلادرنگ طراحی و پیاده­سازی شده و شرح ساختار و ویژگی­های آن در فصول آتی آمده است. همچنین در این پایان نامه در ارتباط با سیستم­های تصمیم­همیار هوشمند و ساختارهای مختلفی که محققان برای پیاده­سازی این سیستم­ها در نظر گرفته­اند، نیز مطالبی ارائه شده است.
رفع ناسازگاری
در بسیاری از سیستم­های مبتنی بر قانون، موتور استنتاج، یک مولفه­ی نرم­افزاری است که در هنگام اجرای برنامه­ی کاربردی، بر روی مجموعه­ایی از قوانین، استنتاج می­ کند. از جمله مهمترین وظایفی که توسط موتور استنتاج صورت می­گیرد، رفع ناسازگاری است] ۴۷[. به طور کلی، رفع ناسازگاری، یک استراتژی، برای انتخاب ترتیب اجرای قوانین است هنگامی که بیش از یک قانون بتواند اجرا شود.
برای رفع ناسازگاری روش­های مختلفی وجود دارد. ساده­ترین راه­حل، انتخاب تصادفی قوانین است. در برخی از استراتژی­ها، از جمله مهمترین فاکتورهایی که در انتخاب قوانین موثر است مقدار اولویتی است که توسط سازنده­ی سیستم به هر قانون اختصاص داده می­ شود که در این روش برای قوانین با الویت یکسان باید از روش دیگری استفاده گردد. روش­های خبره­تر از اطلاعات آماری مرتبط با موفقیت­ها و عدم موفقیت­های پیشین در هنگام بکار بردن قوانین مختلف، به منظور پی­بردن به احتمال موفقیت، استفاده می­ کنند. همچنین برخی از روش­ها، هزینه­ های قوانین را که نشان­دهنده تلاش­هایی است که حل­کننده­ مسئله برای انجام اعمال بدان نیازمند است (مانند زمان) بحساب می­آورند] ۲[.
روشی که در این پژوهش به منظور رفع ناسازگاری بکار برده شده، با در نظر گرفتن یک خط استنتاج جداگانه برای هر یک از قوانین ناسازگار در طی روند استنتاج، تمامی حالات ممکن برای اولویت­ بندی در اجرای قوانین را تحت پوشش قرار می­دهد.
سیستم­های تصمیم­همیار و سیستم­های تصمیم­همیار هوشمند
به طور کلی، اخذ تصمیم، یکی از مهم­ترین و حساس­ترین فعالیت­هایی است که در هر سازمان و یا تشکیلاتی صورت می­گیرد] ۴۸[. برای پشتیبانی و حمایت از این روند پیچیده، دسته­ی متنوعی از سیستم­های اطلاعاتی مستقل بنام سیستم­های تصمیم­همیار، در طی دو دهه­ گذشته به وجود آمده­اند. این سیستم­ها به صورت ابزارهای مبتنی بر کامپیوتری که به منظور پشتیبانی از روند پیچیده­ اخذ تصمیم و حل مسئله ایجاد می­شوند، تعریف و در جهت ایجاد محیطی برای تحلیل مسائل، ساخت مدل­ها و شبیه­سازی رویه­ی تصمیم ­گیری و برنامه ­های تصمیم­گیرندگان طراحی می­گردند] ۴۹[.
این سیستم­های اطلاعاتی، که به منظور حمایت فعل و انفعالی از تمامی مراحل روند اخذ تصمیم یک کاربر، طراحی می­شوند، می­توانند شامل تکنولوژی­هایی برگرفته از زمینه ­های علمی مختلف شامل حسابداری، علوم شناختی، علوم کامپیوتر، اقتصاد، مهندسی، مدیریت، آمار و … باشند و اغلب از سه مولفه­ی زیرسیستم داده، زیر سیستم مدل (که دارای مکانیزمی برای پردازش داده می­باشد) و زیرسیستم ارتباط با کاربر، تشکیل شده ­اند] ۱۹[.
اگرچه، سیستم­های تصمیم­همیار با بکار بردن منابع اطلاعاتی و ابزارهای تحلیل گوناگون، شرایط بهتر و با کیفیت بیشتری را برای تصمیم­گیرندگان فراهم می­سازند و داشتن یک نقش حمایتی به جای جایگزینی کامل افراد در روند اخذ تصمیم، از اهداف اصلی آنهاست] ۱۲[، اما نمی­ توان آنها را به عنوان یک همیار هوشمند برای تصمیم­گیرندگان در نظر گرفت. سیستم­های تصمیم­همیار هوشمند، برای مسائل عمومی­ایی که به تصمیم ­گیری­های مکرر نیاز دارند، مفید و از لحاظ اقتصادی مقرون به صرفه هستند. این سیستم­های محاوره­ایی مبتنی بر کامپیوتر، برای حل مسائل نیمه ساخت­یافته، از، ترکیب داده و دانش تخصصی و مدل­هایی که برای حمایت از تصمیم­گیرندگان در سازمان­ها بکار می­رود، با تکنیک­های هوش مصنوعی، استفاده می­ کنند] ۵۰[.
تعاریف مختلفی از تفاوت­های میان یک سیستم تصمیم­همیار و یک سیستم تصمیم­همیار هوشمند وجود دارد که این امر به دلیل وجود انواع مختلف سیستم­های تصمیم­همیار هوشمند می­باشد. در این سیستم­ها، عملکرد هوشمندانه در تصمیم ­گیری، با بهبودهایی نظیر ارتقاء سیستم مدیریت پایگاه مدل و یا تقویت فاصل کاربر با بهره گرفتن از تکنیک­های گوناگون هوش مصنوعی مانند پردازش زبان طبیعی و یا سایر تکنیک­های مشابه، میسر شده است. همچنین، این نوع از سیستم­ها با حمایت از مسائلی با عدم قطعیت، امکان پشتیبانی از محدوده­ وسیع­تری از تصمیمات را فراهم ساخته و می­توانند قلمروهایی را کنترل و مدیریت نمایند که در آنها روند تصمیم ­گیری پیچیده­تر بوده و علاوه بر مهارت و خبرگی، به ارزیابی اثر راه­حل پیشنهادی نیز نیاز دارد. از دیگر مزایای سیستم­های تصمیم­همیار هوشمند نسبت به سیستم­های تصمیم­همیار، بهبود سازگاری در تصمیمات، بهبود تشریح و تفسیر و توجیه پیشنهادات ارائه شده توسط سیستم می­باشد] ۱۹[.
Holsapple و Whinston از اولین محققانی بودند که به طراحی و مطالعه­ سیستم­های تصمیم­همیار هوشمند، پرداختند] ۵۱[. آنها مشخصه­های زیر را برای این سیستم­ها پیشنهاد دادند:
این سیستم­ها شامل انواع مختلف دانش که نمودهای انتخاب شده­ایی از دنیای تصمیم­گیرنده را توصیف می­ کنند، می­باشند.
این سیستم­ها دارای توانایی بدست آوردن و نگهداری دانش توصیفی^[۲] مانند نگهداری رویداد^[۳] و انواع دیگر دانش هستند.
این سیستم­ها می­توانند دانش را به شیوه ­های مختلف تولید نموده و ارائه دهند.
آنها می­توانند دانشی را برای ارائه یا بدست آوردن دانش جدید، انتخاب نمایند.
این سیستم­ها می­توانند به صورت مستقیم (هوشمند) با تصمیم­گیرنده در ارتباط باشند.
اگرچه این سیستم­ها حامیانی هوشمند و انسان­گونه در روند تصمیم ­گیری هستند، اما تصمیم­گیرندگان باید تصمیمات نهایی و بحرانی را خود اتخاذ نمایند.
هدف از این پایان نامه
هدف از این پایان نامه، ارائه­ یک سیستم تصمیم­همیار هوشمند است که در هنگام وقوع ناسازگاری، برای هر یک از قوانین ناسازگار، یک خط استنتاج مجزا را در نظرگرفته و با پیشبرد استنتاج در هر یک از این خطوط، امکان آگاهی از نتایج انتخاب هر یک از راه­ حل­های ممکن را برای تصمیم­گیرنده فراهم می­سازد. این سیستم، یک سیستم مبتنی بر قانون است که به منظور یاری­نمودن یک بازیکن در یک بازی استراتژیک بلادرنگ طراحی و پیاده­سازی شده است.
در این پژوهش، روش­های گوناگونی که به منظور رفع ناسازگاری در سیستم­های هوشمند بکار برده شده و نیز ساختارهای مختلفی که برای سیستم­های تصمیم­همیار هوشمند مورد استفاده قرار گرفته، بررسی و ارائه شده است.
نگاه کلی به فصول پایان نامه
مطالب عنوان شده در این پایان نامه در قالب هفت فصل آورده شده‌اند. در فصل دوم، روش­های گوناگون رفع ناسازگاری شرح داده شده و فصل سوم به بیان ساختارهایی که برای سیستم­های تصمیم­همیار هوشمند در تحقیقات مختلف ارائه شده، می ­پردازد. در فصل چهارم بازی­های کامپیوتری استراتژیک بلادرنگ معرفی و ویژگی­های سیستم­های مربوط به این نوع از بازی­ها مطرح شده است. فصل پنجم، ساختار و مولفه­های سیستم پیشنهادی و نیز روش رفع ناسازگاری بکار برده شده در این سیستم را شرح می­دهد. ارزیابی سیستم پیشنهادی و نتایج آن در فصل ششم آورده شده و فصل انتهایی نیز به نتیجه ­گیری و ارائه­ کارهای آینده­ی می ­پردازد.
فصل دوم
روش­های رفع ناسازگاری
روش­های رفع ناسازگاری
مقدمه
رفع ناسازگاری، یک استراتژی، جهت انتخاب ترتیب اجرای قوانین است هنگامی که بیش از یک قانون بتواند اجرا شود. به طورکلی، در سیستم­هایی که رفع ناسازگاری در روند استنتاج آنها صورت می­گیرد، موتور استنتاج یک رویه­ی سه مرحله­ایی شناسایی- رفع - عمل را بر روی مجموعه­ قوانین اعمال می­ کند [۱]:
شناسایی: تشخیص قوانینی که می­توانند اجرا گردند و قراردادن آنها در مجموعه­ ناسازگاری.
رفع: استفاده از یک استراتژی به منظور انتخاب یک قانون از مجموعه­ ناسازگاری.
عمل: اجرای قانون منتخب و افزودن نتایج آن به حافظه­ کاری^[۴].
در استراتژی­ های رفع ناسازگاری، لیست اجرا^[۵]، فهرستی از تمامی قوانینی است که شرایط آنها ارضاء شده ولی هنوز اجرا نشده­اند. این لیست، همانند یک پشته^[۶] عمل می­ کند و قانونی که در بالای آن قرار دارد، پیش از سایر قوانین موجود در آن اجرا می­گردد. یک استراتژی رفع ناسازگاری، ترتیبی را برای اجرای قوانین موجود در لیست اجرا با اولویت یکسان تعیین می­نماید.
در این فصل در رابطه با روش­هایی که به منظور رفع ناسازگاری در سیستم­های مختلف بکار برده می­ شود، توضیحاتی ارائه شده است. این توضیحات، در ابتدا استراتژی­ های ساده­تر و در ادامه روش­هایی با پیچیدگی بیشتر را شرح می­دهد.
برخی استراتژی­ های ساده برای رفع ناسازگاری
به طور کلی به منظور رفع ناسازگاری در بسیاری از سیستم­ها، از روش­های ساده­ایی استفاده شده که در ادامه در رابطه با هر یک از این استراتژی­ها توضیحات مختصری ارائه می­گردد [۱]:
استراتژی تصادفی: در این استراتژی، به هر فعال­سازی^[۷]، یک عدد تصادفی نسبت داده می­ شود که به منظور تعیین مکان قرارگیری آن فعال­سازی، در میان فعال­سازی­هایی با اولویت یکسان، بکار برده خواهد شد. در برخی از سیستم­ها، این عدد تصادفی هنگامی که استراتژی تغییر می­یابد نیز نگاه داشته می­ شود تا در هنگام انتخاب مجدد این استراتژی ترتیبی مشابه، تولید گردد.
استراتژی عمقی: در این استراتژی، قوانینی که بتازگی فعال شده ­اند، در لیست اجرا، در بالای تمامی قوانین با اولویت یکسان قرار می­گیرند. به عنوان مثال، فرض کنید در یک مجموعه­ قوانین و حقایق، حقیقت fact-a منجر به فعال­سازی قوانین rule-1 و rule-2 گردد و حقیقت fact-b منجر به فعال­سازی قوانین rule-3 و rule-4 گردد. حال اگر حقیقت fact-a پیش از حقیقت fact-b وارد سیستم گردد، قوانین rule-3 و rule-4 در بالای قوانین rule-1 و rule-2 در لیست اجرا قرار خواهند گرفت. مکان rule-1 نسبت به rule-2 و rule-3 نسبت به rule-4، قراردادی خواهد بود.
استراتژی عرضی: در این استراتژی، قوانینی که بتازگی فعال شده ­اند، در پایین تمامی قوانین با اولویت یکسان قرار می­گیرند. به عنوان مثال، فرض کنید در یک مجموعه­ قوانین و حقایق، حقیقت fact-a منجر به فعال­سازی قوانین rule-1 و rule-2 گردد و حقیقت fact-b منجر به فعال­سازی قوانین rule-3 و rule-4 گردد. حال اگر حقیقت fact-a پیش از حقیقت fact-b وارد سیستم گردد، قوانین rule-1 و rule-2 در بالای قوانین rule-3 و rule-4 در لیست اجرا قرار خواهند گرفت. در این روش نیز مکان rule-1 نسبت به rule-2 و rule-3 نسبت به rule-4، قراردادی خواهد بود.
استراتژی سادگی^[۸]: در این استراتژی، در میان قوانین با اولویت یکسان، قوانینی که بتازگی فعال شده ­اند، در بالای تمامی قوانین فعال­شده با مشخصه^[۹]­ی یکسان و یا بیشتر، قرار می­گیرند. مشخصه­ی یک قانون با تعداد مقایسه­هایی که باید در قسمت سمت چپ^[۱۰] یک قانون انجام گیرد، تعیین می­ شود. هر مقایسه با یک ثابت و یا متغیرهایی که سابقاً مقید شده ­اند، یک واحد به مشخصه­ی قانون می­افزاید. همچنین هر فراخوانی تابع که در قسمت سمت چپ یک قانون انجام گیرد، نیز مشخصه­ی قانون را یک واحد افزایش می­دهد. توابع بولی and، or و not، مشخصه­ی یک قانون را تغییر نمی­دهند، اما آرگومان­های آنها سبب تغییر مشخصه می­گردند. فراخوانی توابع در صورتی که در داخل یک فراخوانی تابع صورت گیرند نیز سبب افزایش مشخصه نمی­گردند. به عنوان مثال مشخصه­ی قانونی که در زیر تعریف شده است، ۵ می­باشد.
مقایسه با یک ثابت، مقایسه متغیر ورودی x با انقیاد قبلی آن و فراخوانی توابع numberp، < و >، هر یک، یک واحد به مشخصه­ی قانون می­افزاید و فراخوانی توابع and و + تاثیری در مقدار مشخصه نخواهد داشت.
استراتژی پیچیدگی^[۱۱]: در این استراتژی، در میان قوانین با اولویت یکسان، قوانینی که بتازگی فعال شده ­اند، در بالای تمامی قوانین فعال­شده با مشخصه­ی یکسان و یا کمتر، قرار می­گیرند.
استراتژی LEX^[12]: در این استراتژی در ابتدا، تازگی (تأخر)^[۱۳] نهاد الگوهایی^[۱۴] که منجر به فعال­سازی قانون شده ­اند، به منظور تعیین مکان قرارگیری قانون فعال­شده، بکار برده می­شوند. هر حقیقت و نمونه^[۱۵]، ذاتا ً با یک “برچسب زمان” که نشان­دهنده تازگی نسبی آن در مقایسه با هر حقیقت و یا نمونه­ دیگری در سیستم است، نشانه­گذاری می­گردد. نهاد الگوهای مربوط به فعال­سازی هر قانون به منظور تعیین مکان قرارگیری، به ترتیب نزولی مرتب می­گردند. یک فعال­سازی با نهاد الگوهایی با تازگی بیشتر، پیش از فعال­سازی­هایی با نهاد الگوهایی با تازگی کمتر قرار می­گیرد. برای تعیین ترتیب قرارگیری دو فعال­سازی، برچسب­های زمان مرتب شده دو فعال­سازی، با شروع از دو بزرگترین برچسب زمان، یک به یک مقایسه می­گردند. این مقایسه باید تا هنگامی که برچسب زمان یک فعال­سازی، بزرگتر از برچسب زمان متناظر با آن از فعال­سازی دیگر، باشد ادامه یابد. فعال­سازی با برچسب زمان بزرگتر پیش از سایر فعال­سازی­ها در لیست اجرا قرار می­گیرد. اگر یک فعال­سازی نهاد الگوهای بیشتری نسبت به سایر فعال­سازی­ها داشته باشد و برچسب زمان­های مقایسه شده، همگی مساوی باشند، فعال­سازی با برچسب زمان­های بیشتر پیش از سایر فعال­سازی­ها در لیست اجرا قرار می­گیرد. اگر دو فعال­سازی دارای تازگی دقیقاً مساوی باشند، فعال­سازی با مشخصه­ی بیشتر در بالای فعال­سازی با مشخصه­ی کمتر قرار می­گیرد. برچسب زمان یک عامل شرطی not، کمتر از برچسب زمان یک نهاد الگو می­باشد.
به عنوان نمونه، شش فعال­سازی زیر را در نظر بگیرید (کاما در پایان هر فعال­سازی نشان­دهنده حضور یک عامل شرطی not می­باشد). در این مثال فرض بر این است که برچسب زمان حقایق، مشابه با اندیس آنها باشد.
لیستی که در زیر آمده، ترتیبی است که استراتژی LEX برای اجرا در نظر می­گیرد.
برطبق این استراتژی، ترتیب اجرای قوانین از بالا به پایین خواهد بود.
استراتژی MEA^[16]: در این استراتژی در ابتدا، برچسب زمان اولین نهاد الگوی مربوط به اولین الگو، به منظور تعیین مکان قرارگیری قانون فعال­شده، بکار برده می­ شود. فعال­سازی­ایی که برچسب زمان اولین الگوی آن بزرگتر از برچسب زمان اولین الگوی سایر فعال­سازی­ها باشد، پیش از سایر فعال­سازی­ها در لیست اجرا قرار می­گیرد. اگر دو فعال­سازی دارای دو برچسب زمان متناظر با اولین الگوی مساوی باشند، از استراتژی LEX برای تعیین مکان قرارگیری فعال­سازی­ها استفاده می­گردد. به عنوان مثال، ترتیبی که این استراتژی برای اجرای شش فعال­سازی مثال قبل در نظر می­گیرد، به صورت زیر (از بالا به پایین) خواهد بود.
رفع ناسازگاری با بهره گرفتن از یک مقدار سودمندی
از جمله استراتژی­ های دیگری که برای رفع ناسازگاری بکار برده می­ شود، استفاده از یک مقدار سودمندی^[۱۷] است. در این روش که در ساختار شناختی^[۱۸] ACT-R نیز اعمال شده [۲]، به هر قانون i، یک مقدار سودمندی U_i نسبت داده می­ شود و در هنگام وقوع ناسازگاری، قانون با بیشترین مقدار U_i انتخاب می­گردد (). این مقدار سودمندی برای هر قانون به صورت زیر تعریف می­گردد:
(۲-۱)
که در آن، P_i احتمال پیش ­بینی شده برای تحقق هدف پس از اجرای قانون i، C_i میانگین هزینه­ قانون (میانگین مدت زمان لازم برای رسیدن به هدف)، G پارامتر مقدار هدف (که معمولا بر حسب واحدهای زمانی اندازه ­گیری می­ شود) و مقدار پیش ­بینی شده برای نویز هدف می­باشد. یک عدد تصادفی است که از یک توزیع نرمال با میانگین صفر و واریانس بدست می ­آید. این روش رفع ناسازگاری، مشخصه­های حل مسئله توسط انسان مانند احتمال تطبیق و تاثیر انتخاب را مدل می­ کند. در حقیقت، سودمندی، تابعی از احتمال موفقیت و مقدار هدف می­باشد.
نویز ξ در رفع ناسازگاری، کاندید مناسبی برای مدل­سازی سطوح مختلف خبرگی است. بررسی­های صورت گرفته [۳] نشان می­دهد که با افزایش واریانس نویز ، یک مدل حل مسئله­ خبره ممکن است مانند یک مدل حل مسئله­­ی بی­تجربه رفتار کند.