第一篇:数据模型与决策 课程总结
学习总结
(期中论文)
我们所用的教材叫做《数据、模型与决策》,我记得老师第一天给我们上课就提到过一些基本的概念以及思想,例如“什么是管理”;“什么是模型”;“如何对实际问题简化”等等。在这其中我认为非常重要的有以下几点:首先,管理的最初根源是因为资源是有限的。如何将有限的资源进行合理配制、优化从而达到最大的效益是我们应该要去注意的问题。其次,数学问题是有最优解的,当我们给定了一个确定的数学问题我们能够得到一个确定的解,但当我们在研究一个给定的现实管理问题的时候,我们是很难去找到一个最优解的,甚至可以说,管理问题是没有最优解的。(这不同于我们平时所做的运筹学等问题,因为我们平时所做的问题都已经经过了很多的化简,已经把现实管理问题进行了抽象,与其说那些问题是一个管理问题不如说它们是数学问题)这是因为现实中的管理问题比较复杂,具有很强的不确定性,我们只能是抓住主要矛盾,暂且不考虑次要矛盾。(当然了,当我们已经解决了主要矛盾之后我们可以开始考虑次要矛盾,因为这个时候次要矛盾已经上升为主要矛盾了。)所以我们去寻找的是管理问题的满意解而不是最优解。这两点在后面的学习建模中得到了很好的验证。
我们之前的学习大多是倾向于解决一个数学问题而不是一个管理问题。这一门课之所以在大三才开设我认为有其道理,在没有掌握基本的数学基本知识之前,我们是不可能很好地解决管理问题的,因为我们解决一个管理问题是先将其转化为一个可以解决的数学问题。但是并不是说我们掌握了高数、运筹学等知识就能顾很好的解决管理问题,因为如何把现实存在复杂的管理问题转化成为我们可以解决的数学问题正是这门课的核心内容之一。
以企业的生产计划安排作为例子,总结一下应用现行规划建模的步骤: 我们的问题是什么?(如何安排生产)
如何组合不同产品的生产、生产的种类。 我们能做什么?(不同产品的生产数量)明确决策变量,也就是管理中可以人为设定的要素。 确定决策的准则(利润最大化、成本最小化、社会责任最大化)
根据决策变量写出目标函数。 讨论决策环境(环境的约束)
决策环境包括:
1、组织内部环境要素
2、组织外部环境要素 这其中有几点需要特别注意:
企业的决策准则并不是一成不变的,它会受到很多方面的影响,例如:
1、管理者的理念
2、组织目标相关程度
3、外部环境的变化 等。 对于管理者来说,越高层的管理越复杂越宏观,处理起来也相对困难。而底层的管理问题相对简单。
(利润最大化≠成本最小化)虽然我们可以简单地理解为:利润=数量*(售价-成本)-固定成本。但利润最大化与成本最小化并不相同,这其中还有售价的变化等等。例如给定生产数量要求,企业在满足数量的基础上,就是去追求一个成本最小化而不是利润最大化。
企业外部环境要素我们认为是一个硬约束,因为它比较难通过企业自身去改变,至少很难在短时间内大幅度地去改变外部环境,例如国家相应的一些法律法规政策。而企业内部的一些环境约束我们认为是软约束,因为它可以通过招收工人,购买机器等等去改变这些限制条件。建立并求解相应的问题之后我们会得到一些数据,我们应该将每个数据的含义都表示清楚,并提交一份完整的决策报告,包括对现状的评述以及对未来的变化情况提供补救方案。一份满意的决策报告并不是单一的,它应当具有一定的适应性和稳定性,就如同老师所说,产品的售价随着市场的波动是时刻变动的,我们不可能因为一点点波动就重新建模计算,我们应当在决策报告中进行相应的说明,将一些可能存在的变动以及变动后的决策情况写清楚。每个数据的含义说明也绝不仅仅是“这个变量是紧约束”,而应该更为清晰地写为:“管理的关键是1-2环节”或者“如果可以新培训工人建议在1-2环节进行培训”等。这里还需要注意几个问题,首先这里我们考虑的都是单变量,我们应当结合边际效益递减的规律来进行决策。其次,传递效应是非线性的,(A、B商品的利润同时改变并不等于单个A改变加上单个B改变,两个因素若不独立,就具有相互效应,这也是动态复杂性的一种表现)我们应该尽可能完善我们的决策报告使得管理者可以更好地做出决策。
多地生产问题也是我们经常遇见的一种题型,单一产品的多地生产供应,需要考虑不同产地生产的数量以及单位成本。但是我们在这个模型里也做了相应的简化,我们只考虑了不同地域的生产成本,并没有去考虑不同地域的需求从而推算出不同地域的总运费。另外,如何选择生产地也是一个非常重要的问题。(如果可以新增,应该增加几个产地,每个产地的选址应该是什么样子的)
我们在大二时学习过一门课程叫做《市场营销学》,而这里我们也涉及到了“线性规划在市场营销、财务和运作管理领域的应用”。市场营销学中很重要的一个部分就是宣传,以书上案例为例,在媒体选择方面,我们需要注意:
宣传媒体的选择,各类媒体的使用量
如何去测定所谓的宣传效果(质量单位)(可以说这一点非常重要,是影响最终决策的好坏的最关键因素之一) 外部资源的可用性及内部资源的有限性
如何在活动的过程中体现出决策者的理念(偏好)
综合以上几点我们通过建模,可以给出一份包括:选择哪些媒体、每类媒体的选择数量、总的需要资金、总的宣传成果效用(这个只是一个相对的数值,在决策过程中提供一个比较的标准)
线性规划在财务和运作管理中也有很多应用,例如财务运用的投资组合,通过求解我们会发现合理安排财务的计划可以为企业节省很多成本,减少了占用的资金,为企业的发展提供了更多的可能。而生产运作管理也是我们本学期正在学习的一门课。在满足顾客的需求之下,成本最小,我们需要去分析产品成本的构成,包括: 生产成本(短期原材料、人力价格不变的情况下,生产成本不变,每一种产品在每个月的单位生产成本)
库存成本(每一种产品在每个月的库存成本)
管理成本(狭义的管理成本指由于生产活动的调整带来成本上升的部分,每个月产品总量增加单位产品的管理成本以及减少)通过这样的主要关系我们可以写出其目标函数,并根据实际来写出各约束。(这也就证明了我们必须要在具有一定的专业知识的基础上再来学习这一门课程,因为没有一些基础知识的情况下,我们很难写出具体的目标函数和约束,例如这里如果没有相应的基础知识就不能够写出成本的函数了,也不清楚成本的主要构成项目)
在高级线性规划应用中我们介绍了一种测量相同目标和目的的工作单位相对效率中的一种应用——DEA(数据包络分析)(当然除此还有其他的方法,比如非常经典的AHP也就是层次分析法)DEA方法的中心思想也就是:管理收益/管理成本(人财物),我们构建了一个假设的合成单位,然后通过与合成单位进行比较来判断该单位是否高效,哪些地方存在问题,这也解决了分析效率高低时没有“参照物”的问题。
高级线性规划也被应用到收益管理中。我们首先要知道不同商品的价格趋势是不同的。以毛衣和电视机为例比较。毛衣的价格一路走低而电视机的价格却呈现上下波动的状态。这是因为毛衣具有季节性。可能会因为使用时间,时尚型,过时等进行降价。降价商品的特征:库存(或者能力)是固定的;库存必须在过期前卖完,否则其价值迅速下降。(当然,长时间的情况下电视机的价格也是呈现下降趋势的,我们这里以一年为例)由此可以看出,不同商品的价格波动规律完全不同,我们一定要在理解其波动的基础上进行建模处理。收益管理的主要问题有:选择传统定价,差别定价,还是有限供应定价,能力的分配、网络管理、超订情况的处理。降价优化的要点是:寻找价格下降的合适时机和幅度,从而清楚库存并获得最大收益。高级线性规划应用中同样也包括投资组合。我们首先要注意一点:管理区别于经济,就是因为管理对投资主体的个人态度研究比较深入,而大部分经济管理问题简单地将主体的态度默认为风险规避即风险厌恶者。这里的投资组合并不是“最大化”问题,而是一个寻找一个“满意解”的问题。我们需要考虑三个方面:
项目的收益 项目的风险
主体的态度(风险偏好:风险爱好者,风险中立者,风险厌恶者)
我们这里与资产市场相比,实体市场的风险相对较小。我们投资于未来,所以具有不确定性,这里主要通过连贯性来判断,统计学时间序列向量。指数化证券投资基金是共同基金行业中相当流行的投资手段,书中的例子是用了普尔500收益用来作为对比。我记得当时下课我曾问过老师,有时候从五年来看,一个投资的收益率更高,一个更低,但根据这个方法我们却选择了收益低的那一个,这样是不是很不科学?其实并不是的,我们必须要有一个理念,也就是收益永远跟风险成正比。首先不论那些数据只是我任意假定的,就算是真的,也只是五年,虽然这五年的收益也许她更高,但其实它背后的风险也很大,只不过正好这几年正好都碰巧盈利而已。也许能对书中的一些模型方法提出自己的意见很好,至少说明我认真去看了,但这其实从另一方面来说,会产生这样的疑问,还是我经济学基本概念没有深深记在心里的后果。
在以上的研究基础上,我们注意到,对有些问题来说,例如包装人数、产品数等,这里的小数解没有意义,所以我们需要用到整数线性规划。(当然,像飞机、航空母舰这样的东西肯定是有意义的)整数线性规划分为三种:全整数线性规划、混合整数线性规划、0-1整数线性规划。我们可以根据具体需要进行使用。通过对Par公司的再思考,我们又引入了非线性最优化模型。有两个概念需要区分:
局部最优:如果没有其他有更好目标函数值的可行解可以在邻近域里找到,这个可行解就是局部最优的。对应局部最大值以及局部最小值。
全局最优:非线性最优化问题能有多个局部最优解,如果没有其他有更好目标函数值的可行解在可行域中找到,这个可行解就是全局最优。相对应全局最大值和全局最小值。
以par公司为例,其实我们最初的决策比较简化,对实际的决策来说参考价值不高,我们假定的利润是一成不变的,这在实际问题中是非常苛刻甚至根本不可能达到的条件。但同样的,当我们希望更真实更实际之后,我们的建模求解过程也会更加复杂,我们应当在两者之间找到平衡点,在自己力所能及的范围内做到最好。
这里还涉及到一个非常有趣的预测模型——BASS模型。Bass模型通过模仿系数以及创新系数来进行预测。为管理者的决策提供了一些帮助,例如如何设计产品可能会激发更多的潜在消费者,如何进行市场营销(高广告还是低广告),如何根据以前的经验来指导现行决策等。
等候线模型——排队论在我们的日常生活中应用非常常见,例如商场的结账点的数目、食堂用餐的座位等等。排队论的目的就是使得费用最小,这里的费用包括两部分:
1、服务费用
2、用户成本(我们认为用户成本会以某种方式回到公司)其是通过研究主要数量指标在瞬时或平稳状态下的概率分布及其数字特征,了解系统运行的基本特征。统计推断问题,建立适当的排队模型是排队论研究的第一步(检验系统是否达到平衡状态,检验顾客相继到大的独立性,确定服务时间的分布及相关参数)通过输入:
顾客总人数 顾客源 顾客到达方式 顾客流的概率分布 来确定:
1、最优的服务率
2、最佳的服务台数
3、最为合适的服务规则。但是我们在解决管理问题时需要时刻注意数学解和真正管理问题之间的一些区别。我还记得老师上课说的“维修打印机”的案例。我们如果盲目按照数学的解去进行管理可能会造成很多问题,比如员工之间的沟通交流,其在赶往维修地所花费的时间等等。我们作为管理学院的学生,不论在什么课堂上,都应该要时刻提醒自己现实管理问题十分复杂,不可草率想当然,一定要在多实践的基础上分析透彻。
在实际决策中,还有一种定量方法被人们广泛使用,就是模拟。模拟是对未来、对设想情形的不同状态给出表现,针对带有波动性参数,针对随机系统。
其基本步骤为:
建立所研究系统或问题的理论模型 建立模拟模型 验证和确认模型 利用模型试验 进行试验,分析结果
随机数的生成大致有以下几类主要类型:
1、均匀分布
2、正态分布
3、指数分布
4、离散分布的查表法
模拟在新产品的开发、机票的超额预订、库存政策、交通流量、等候线中都有较多的应用。蒙特卡洛模拟基本上是抽样试验,其目的是估计依据若干概率输入变量而定的结果变量的分布。
最后我们介绍了多准则决策,其中AHP法也就是层次分析法是一种用来解决复杂多准则决策问题的方法。其分为三个层次,分别为:
目标层(客观)
准则层(主观):选择方案的准则
方案层(客观):必须要有两个以上的备选方案 每层有若干元素,层间元素的关系用相连直线表示。(每一层只有一个目标)。提到AHP方法我们就必须提到两两比较,因为两两比较是AHP的基石。因为人的判断能力有限,很难给较多的元素进行一次准确的比较,人们倾向于在两者之间比较,这个比较相对会比较准确。配合比较判断的一致性比率方法检验,我们可以得到比较准确真实的比较程度,这对后续进行决策有着非常重要的作用。
总结:这门课的学习对我来说收获很大,相比以前单纯的数学问题的学习,这门课让我与现实管理问题更加贴近了,发现了管理问题的复杂也发现了其魅力,让身为大三的我有一些紧迫感和对未来的向往。这门课与其说在教我们方法,不如说是在传授一种思想,一种抽象、简化、转化、求解的思想。借用以前运筹学老师说过的一句话,其实你把式子列出来了,会算的人很多,但往往困难就在于你如何去列出这一些式子。这门课就正是教我们这一点。当然了,管理学知识一定不是通过一本书,一学期就能熟练掌握的,这本书只是为我们奠定下了良好的知识基础,在未来的实践过程中,我们应该要结合实际,重新回顾知识,将大学所学结合实践经验,我想这就是大学教育所希望达到的目的。
学习体会是按照老师上课的顺序结合我的课堂笔记以及一些思考对全书做一个总结。
最后,由衷地谢谢老师!您每次上课的板书都非常认真,非常精炼,相比较其他课程的普通PPT来说,更让我觉得贴近。所以我每次都会把您的板书认真记录下来。谢谢老师一学期的辛勤教育,我们在不久的将来一定不会让您失望的!
吴婉清 5504113084
第二篇:《数据模型与决策》学习心得
《数据模型与决策》学习心得
——运用运筹学的理念定会取得 “运筹帷幄,决胜千里”
运筹学问题和运筹思想可以追溯到古代,它和人类实践活动的各种决策并存。现在普遍认为,运筹学是近代应用数学的一个分支,主要是将生产、管理等事件中出现的一些带有普遍性的运筹问题加以提炼,然后利用数学方法进行解决。界定运筹学作为在科学界的一门独立学科的出现,应当说是在1951年,即P.M.Morse和G.E.Kimball 的专著“运筹学方法”出版的那一年。运筹学的思想贯穿了企业管理的始终,运筹学对各种决策方案进行科学评估,为管理决策服务,使得企业管理者更有效合理地利用有限资源。优胜劣汰,适者生存,这是自然界的生存法则,也是企业的生存法则。只有那些能够成功地应付环境挑战的企业,才是得以继续生存和发展的企业。作为企业的管理者,把握并运用好运筹学的理念定会取得“运筹帷幄之中,决胜千里之外”之功效。
一、企业发展原则与战略管理
企业战略管理是企业在宏观层次通过分析、预测、规划、控制等手段,充分利用本企业的人、财、物等资源,以达到优化管理,提高经济效益的目的。随着我国经济市场化的日益加深,市场竞争日趋激烈,我国企业面临着更多的环境因素的影响与冲击。企业要求得生存与发展,必须运筹帷幄,长远谋划,根据自身的资源来制定最优的经营战略,以战略统揽全局。企业战略过程包括,明确企业战略目标,制定战略规划,作出和执行战略决策,并最后对战略作出评价。企业战略管理作为企业管理形态的一种创新,应是以市场为导向的管理、是有关企业发展方向的管理、是面向未来的管理、是寻求内资源与外资源相协调的管理、是寻找企业的长期发展为目的。也就是将企业看作一个系统,来寻求系统内外的资源合理分配与优化,这正体现了运筹学的思想。我国企业战略管理的内容应根据自己的国情,制定对应的战略。主要侧重规定企业使命、分析战略环境、制定战略目标。中国现在绝大部分商品已由卖方市场转为买方市场,知识经济正向我们走来,全球经济一体化的程度在加深,我国企业不仅直接参与国内市场,还将更直接面临与世界跨国公司之间的角逐,企业间竞争的档次和水平日益提高,因而企业将面临更加复杂的竞争环境。只有确定了宏伟的奋斗目标,才能使企业凝集全部的力量,众志成城,向一个共同方向努力,争取实现有限资源的最有效的利用。显然,运筹学理念的作用举足轻重。
二、企业生产计划与市场营销
1、生产计划。使用运筹学方法从总体上确定适应需求的生产、贮存和劳动力安排等计划,以谋求最大的利润或最小的成本,运筹学主要用线性规划、整数规划以及模拟方法来解决此类问题。线性规划问题的数学模型是指求一组满足一个线性方程组(或线性不等式组,或线性方程与线性不等式混合组)的非负变量,使这组变量的一个线性函数达到最大值或最小值的数学表达式.建立数学模型的一般步骤:
(1)确定决策变量(有非负约束);对于一个企业来说,一般是直生产某产品的计划数量。
(2)写出目标函数(求最大值或最小值)确定一个目标函数;
(3)写出约束条件(由等式或不等式组成).约束条件包括指标约束需求约束、资源约束等;
(4)最后根据目标函数为作出最合适的企业生产计划决策。
2、市场营销。一个市场研究专家试图用数据证明消费者的洞察多么有意义,而一个战略管理咨询专家则强调成功营销案例中隐藏的思路更有价值。我认为市场营销管理的任务主要是探查决策环境,进行数据和信息的搜集、加工、分析,确定影响决策的因素或条件。因此,在确定目标阶段实际上包含了问题识别和问题诊断两个内容。在设计方案阶段要理解问题,建立模型,进行模拟,并获得结论,提供各种可供选择的方案(方案主要通过对产品、价格、销售渠道、促销等基本环境的控制来影响消费需求的水平、时机和构成)。评价方案阶段要根据确定的决策准则,从可行方案中选择出最优或满意的方案。这些都都可以使用运筹学的理念来为管理者提供辅助决策。
三、企业库存管理与运输问题
1、库存管理。如果说生产计划是从信息流的角度指挥、控制生产系统的运行,那么库存的管理则是从物质流的角度来指挥和控制。库存管理的目标是如何最有效的利用企业的物质资源的问题。
由于库存的物质属性,因此对生产系统的日常运行具有更直接的作用,库存是指处于存储状态的物品或商品。库存具有整合需求和供给,维持各项活动顺畅进行的功能。而库存的存在又意味着占用资金、面积、资源,这种矛盾的处境导致了库存管理的必要性与难度。现在流行的库存管理系统的库存管理软件,一般含货品进货、出货管理系统,仓库管理系统,报表系统等子模块等,运用的原理还是运筹学模型。
2、运输问题。在企业管理中经常出现运输范畴内的问题,例如,工厂的原材料从仓库运往各个生产车间,各个生产车间的产成品又分别运到成品仓库。这种运输活动一般都有若干个发货地点(产地)、又有若干个收货地点(销地);各产地有一定的可供货量(产量);各销地各有一定的需求量(销量);运输问题的实质就是如何组织调运,才能满足各地地需求,又使总的运输费用(公里数、时间等)达到最小。运输模型是线性规划的一种特殊模型。这模型不仅实用于实际物料的运输问题,还实用于其它方面:新建厂址的选择、短缺资源的分配问题、生产调度问题等。
四、企业人事管理与财务管理
1、人事管理。随着知识经济的到来,现代企业的竞争已经变成人才的竞争。知识经济条件下,经济发展中的知识含量高,对过去一直贯穿和渗透于农业和工业经济中的知识的作用就凸显得日益突出,知识经济时代的到来,是知识成为社会的主要财富,知识和信息逐步成为与人力、资金并列的企业第三大“战略资源”。因此,人力资源的竞争已成为企业间竞争的焦点。所以企业应根据自身的特点和发展状况,应该建立战略导向型的人力资源管理,根据客户总部与下属公司不同的架构,建立对应的人力资源管理模式,最大程度地通过战略纽带将“分割”的人力资源管理职能整合起来,带动企业文化、企业管理等的全面提升,以内部管理的完善获取市场竞争中的优势。这显然蕴涵的是运筹学的理念。还可以用指派问题对人员合理分配;用层次分析方法可以确定一个人才评价体系等。
2、财务管理。运筹学的理念在财务与会计中显得更为突出也就是说它解决企业如何最有效的利用资金资源的问题。其涉及到投资决策分析、成本核算分析、证券管理等。在投资决策分析中,企业如何利用剩余资金,如何投资往往有多种方案。而运筹学的作用就是要要对这些不同的投资方案进行决策,以确定最优的方案,使得企业的收益最大。通常是利用线性规划模型、决策论来进行判断。
第三篇:数据模型与决策学习体会
《数据模型与决策》课程学习体会
“数据、模型与决策”,看这个名字给人的感觉是既理论又实践还颇有些高深。所谓的数据模型与决策就是管理科学的另外一种称呼方式。管理科学(mangement science),它包含了管理和科学两门课程的内容,或者说是管理的科学。如果这个定义还是非常的模糊,那么还可以这么解释,它就是对与定量因素有关的管理问题通过应用科学的方法进行辅助管理决策制定的一门科学。再说的通俗一些,就是将管理过程中出现的定量问题,运用科学的方法,建立相应的模型进行分析,从而为管理者提供决策的依据。
我在课程学习过程中感受到其实质内容主要是线性规划模型和概率统计(检验、估计),内容主要包括统计学和数据模型决策两部分。我自己以前没有学过线性规划,所以感觉课程的这部分是成功的,通过课程的学习懂得了高级线性规划和应用。统计学主要讲授数据收集方法和数据处理方法,包括抽样方法、样本分布、参数估计、置信区间、假设检验、方差分析和回归分析。数据模型决策主要讲述线性规划内容,包括线性规划模型的建立、求解模型的软件使用。通过该课程学习我了解和掌握数据、模型和决策的基本原理、基本方法及其在管理决策中的广泛应用,提升了计算机数量分析的应用分析能力。
统计决策的思想贯穿了企业管理的始终,对各种决策方案进行科学评估,为管理决策服务,使得企业管理者更有效合理地利用有限资源。优胜劣汰,适者生存,这是自然界的生存法则,也是企业的生存法则。只有那些能够成功地应付环境挑战的企业,才是得以继续生存和发展的企业。作为企业的管理者,把握并运用好数据模型与决策的理念定会取得“运筹帷幄之中,决胜千里之外”之功效。
一、企业发展原则与战略管理
企业战略管理是企业在宏观层次通过分析、预测、规划、控制等手段,充分利用本企业的人、财、物等资源,以达到优化管理,提高经济效益的目的。随着我国经济市场化的日益加深,市场竞争日趋激烈,我国企业面临着更多的环境因素的影响与冲击。企业要求得生存与发展,必须运筹帷幄,长远谋划,根据自身的资源来制定最优的经营战略,以战略统揽全局。企业战略过程包括,明确企业战略目标,制定战略规划,作出和执行战略决策,并最后对战略作出评价。企业战略管理作为企业管理形态的一种创新,应是以市场为导向的管理、是有关企业发展方向的管理、是面向未来的管理、是寻求内资源与外资源相协调的管理、是寻找企业的长期发展为目的。也就是将企业看作一个系统,来寻求系统内外的资源合理分配与优化,这正体现了数据模型决策的思想。我国企业战略管理的内容应根据自己的国情,制定对应的战略。主要侧重规定企业使命、分析战略环境、制定战略目标。中国现在绝大部分商品已由卖方市场转为买方市场,知识经济正向我们走来,全球经济一体化的程度在加深,我国企业不仅直接参与国内市场,还将更直接面临与世界跨国公司之间的角逐,企业间竞争的档次和水平日益提高,因而企业将面临更加复杂的竞争环境。只有确定了宏伟的奋斗目标,才能使企业凝集全部的力量,众志成城,向一个共同方向努力,争取实现有限资源的最有效的利用。显然,数据模型决策理念的作用举足轻重。
二、企业人事管理与财务管理
1、人事管理。随着知识经济的到来,现代企业的竞争已经变成人才的竞争。知识经济条件下,经济发展中的知识含量高,对过去一直贯穿和渗透于农业和工业经济中的知识的作用就凸显得日益突出,知识经济时代的到来,是知识成为社会的主要财富,知识和信息逐步成为与人力、资金并列的企业第三大“战略资源”。因此,人力资源的竞争已成为企业间竞争的焦点。所以企业应根据自身的特点和发展状况,应该建立战略导向型的人力资源管理,根据客户总部与下属公司不同的架构,建立对应的人力资源管理模式,最大程度地通过战略纽带将“分割”的人力资源管理职能整合起来,带动企业文化、企业管理等的全面提升,以内部管理的完善获取市场竞争中的优势。这显然蕴涵的是数据模型决策的理念。还可以用指派问题对人员合理分配;用层次分析方法可以确定一个人才评价体系等。
2、财务管理。数据模型决策的理念在财务与会计中显得更为突出也就是说它解决企业如何最有效的利用资金资源的问题。其涉及到投资决策分析、成本核算分析、证券管理等。在投资决策分析中,企业如何利用剩余资金,如何投资往往有多种方案。而数据模型决策的作用就是要要对这些不同的投资方案进行决策,以确定最优的方案,使得企业的收益最大。通常是利用线性规划模型、决策论来进行判断。
该课程使我更好地理解与应用管理科学当中的数学与技术方面的概念。数据模型与决策还有很多实际应用的实例,例如盈亏平衡分析、资源分配、新产品定价策略、销售量预测、投资组合和供应链网络设计等方面。这些方面的内容是任何一家公司在生产经营过程当中,都是必须要考虑的内容,也是管理者必须要做出决策的内容。怎样保证管理者做出的决策都是最佳的方案,能够产生最大的经济利润呢?这些问题都是通过本门课程建立科学的模型,进行分析,从而得出最优的解决方案,知道我们管理者进行正确决策,减少因错误决策而导致的资源和利润的损失。
通过学习管理科学方法与模型来解决实际的生产管理问题,其中包括如何对问题求解的技术。改课程的学习使我了解管理科学的应用程序,而且还了解到管理科学是如何辅助决策的。教授老师还引用了很多被广泛认可的理论,引用决策分析、实践中的管理科学、案例和问题等内容,使得课程内容更加贴近管理实际。从第一节课开始教授首先从宏观上分析了管理学的本质,就管理学的科学性和艺术性在课堂上开展了讨论,并通过几个案例,例如木料的数量确定,如何决定做多少把椅子和多少把桌子可以使得收益最大等等,我不经顿悟,这门学科就是解决之前遇到的那个数学建模的学科嘛。从第一堂课开始就被教学风格所吸引,通过在教师学术造诣深厚,理论水平高超,更加让人惊喜的是他能够利用简明扼要的知识点讲述、生动丰富的案例教学和风趣幽默的语言风格,带领我们发现了看似杂乱无章的数据背后的规律和联系,向我们展示了数据模型分析的种种运用,教会了我们通过数据分析为我们的决策行为提供依据的基本方法,进而大大开拓了我们的管理视野。通过学习我发现这门课程在工作和生活中有极大的应用价值。可以不夸张的说,该课程使我提高了科学分析能力、风险和优化的决策能力和创新能力,在一定程度上影响了我工作方法和思维。
第四篇:数据模型与决策R.C.Coleman案例 管理报告
数据模型与决策R.C.Coleman案例
管理报告
南农2012届
MBA
R.C.Coleman通过杂货店和超级市场销售其生产的多种食品。该公司直接从自有渠道接受订单,通过都要向不同的地方同时运送20~50种不同产品。依据公司现有仓库操作流程,仓库管理员要派遣人员填写每个订单,然后将商品搬运到仓库运输区域。由于较高的人工费和手工处理订单的低效身产率,管理人员希望安装一个计算机控制的订单挑选系统和一个把产品从仓库运送到运输区域的传输系统,实现仓库管理的自动化。
R.C.Coleman的材料管理处负责人被任命为项目经理,负责仓库系统自动化系统。在与工程人员和仓库管理员商量之后,该负责人编写了一系列与项目相关的活动以及如下表所示的完成每项活动的乐观时间、最可能时间和悲观时间(单位:周)。
活动
描述
紧前活动
活动
时间
乐观
最可能
悲观
A
确定需要的设备
—
A
B
获取供应商计划书
—
B
C
选择供应商
A、B
C
D
下订单
C
D
E
设计新的仓库布局
C
E
F
设计仓库
E
F
G
设计计算及接口
C
G
H
连接计算机
D、E、F
H
I
安装系统
D、F
I
J
培训系统操作员
H
J
K
测试系统
I、J
K
管理报告
设计一个报告,包含活动时间表和仓库扩张项目的期望完成时间,并包含一个项目网络图。另外,要考虑到以下3个问题:
1.R.C.Coleman的高级管理层要求在40周之内完成该项目。你认为在该段时间内完成该项目可能吗?如果必须在该段时间内完成,你有好的建议吗?
2.如果管理人员要求缩短时间以使在40周之内完成该项目的可能性达到80%。如果项目完成时间的偏差与(a)部分一样,应该缩减多少项目期望完成时间以使在40周内完成该项目的可能性达到80%?
3.将期望活动时间作为正常的时间,利用以下紧缩信息,制定仓库扩张项目的紧缩决策和修改后的活动时间表。
活动
紧缩活动时间(周)
成本(美元)
活动
紧缩活动时间(周)
成本(美元)
正常
紧缩
正常
紧缩
A
1000
1900
G
8000
10250
B
1000
1800
H
5000
6400
C
1500
2700
I
10000
12400
D
2000
3200
J
4000
4400
E
5000
8000
K
5000
5500
F
3000
4100
问题1.
R.C.Coleman的高级管理层要求在40周之内完成该项目。你认为在该段时间内完成该项目可能吗?如果必须在该段时间内完成,你有好的建议吗?
期望时间
。乐观时间(a)
。最可能时间(m)
。悲观时间(b)
。期望时间(t)
活动
期望时间(周)
A
B
C
D
E
F
G
H
I
J
K
合计
一周的期望时间
K
I
D
A
0
E
C
开始
完成H
F
B
0
0
J
G
项目网络图(最早开始,完成时间,最晚开始和完成时间)
活动时间表
活动
乐观
时间
最可能时间
悲观
时间
期望
时间
方差
σ2
最早
开始
最晚
开始
最早
结束
最晚
结束
松驰
关键
路线
A
0
B
2.78
0
0
0
是
C
0.44
0
是
D
E
0
是
F
0.44
0
是
G
H
0.44
0
是
I
J
0.11
0
是
K
0.44
0
是
小计
128
5.65
关键路线:B-C-E-F-H-J-K;
项目完成时间:43周。
根据标准正态分布表,该项目在40周内完成的概率为10.38%。
如果必须在该段时间内完成,则必须缩短关键路线上任务的时间。如:
任务B至多可以缩短3天;
任务C至多可以缩短4天;
任务E、F合计至多可以缩短4天;
任务H、J合计至多可以缩短3天。
问题2.如果管理人员要求缩短时间以使在40周之内完成该项目的可能性达到80%。如果项目完成时间的偏差与(a)部分一样,应该缩减多少项目期望完成时间以使在40周内完成该项目的可能性达到80%?
方差
s2
活动
方差
A
0.44
B
2.78
C
0.44
D
7.11
E
1.00
F
0.44
G
7.11
H
0.44
I
2.78
J
0.11
K
0.44
用于描述活动时间值的差量或方差
各项活动的方差
项目完成时间的方差(s2)
s2
=
s2B
+
s2C
+
s2E
+
s2F
+
s2H
+
s2J
+
s2K
=
2.78
+
0.44
+
1.00
+
0.44
+
0.44
+
0.11
+
0.44=
5.65
标准差(s)
s
=
√5.65
=
2.38
项目完成的正态分布
项目在40周完成的概率
At
≤
T
≤
z
=
(40
–
43)
/
2.38
=
1.26
根据标准正态分布表,Pr
(40
≤
T
≤
43)
=
0.3962
Pr
(T
≤
40)
=
0.5000
–
0.3962
=
0.103=
10.38%
可以发现项目40周完成的概率期限是10.38%。这样R.C.Coleman如果要在40周完成项目的机会比较低。
如果项目完成时间的偏差与(a)部分一样,应该缩减多少项目期望完成时间以使在40周内完成该项目的可能性达到80%?
达到80%在40周完成的期望完成时间
Pr
(T
≤
40)
=
0.8000
Pr
(x
≤
T
≤
40)
=
0.8000
–
0.5000
=
0.3000
根据标准正态分布表,z
(x
≤
T
≤
40)
=
0.84
(40
–
x)
/
2.38
=
0.84
x
=
所以,项目紧缩后期望完成时间为38周时(缩减5周),在40周内完成该项目可能性将达到80%。
问题3.将期望活动时间作为正常的时间,利用以下紧缩信息,制定仓库扩张项目的紧缩决策和修改后的活动时间表。
可能减少的时间的最大数,Mi
ti
=
活动I的期望时间
t’i
=
活动I在最大值紧缩下的时间
每个单位时间的紧缩费用,Ki
Ci
=
活动I的费用
C’i
=
活动I在最大值紧缩下的费用
紧缩活动决策
活动
期望
时间
紧缩
时间
正常
成本
紧缩
成本
最大可
紧缩时间
每天的紧缩成本
需紧缩的时间
紧缩活动
增加成本
A
1000
1900
450
B
1000
1800
400
800
C
1500
2700
600
D
2000
3200
300
E
5000
8000
1000
F
3000
4100
550
550
G
8000
10250
750
H
5000
6400
700
I
10000
12400
800
J
4000
4400
400
400
K
5000
5500
500
500
合计
2250
为了紧缩5周的项目时间,根据成本最小化原则,则紧缩决策为:活动B紧缩2天、活动F紧缩1周、活动J紧缩1周、活动K紧缩1周。紧缩成本为2250美元(800+550+400+500)。
第五篇:《决策支持系统》课程讲稿
决策支持系统
课前导入
第一章 决策支持系统概述 第一节 决策支持系统的形成和发展
决策支持系统(DSS)是20世纪70年代初由美国的Scott Morton在《管理决策系统》中首先提出,于20世纪80年代迅速发展起来。
管理信息系统 管理科学/运筹学 决策支持系统
管理科学与运筹学是运用模型辅助决策,体现在单模型辅助决策上,这样以来,对于多模型辅助决策问题,在决策支持系统出现之前要靠人来实现模型间的联合和协调。决策支持系统的出现要解决由计算机自动组织和协调多模型的运行以及数据库中大量数据的存取及处理,达到更高层次的辅助决策能力。
决策支持系统具有以下6个特性: ①用定量方式辅助决策,而不是代替决策 ②使用大量的数据和多个模型 ③支持决策制定过程
④为多个管理层次上的用户提供决策支持 ⑤能支持相互独立的决策和相互依赖的决策 ⑥用于半结构化决策领域 专家系统 专家系统也是一种很有效的辅助决策系统。它是利用专家的知识,特别是经验知识经过推理得出辅助决策结论,专家系统辅助决策的方式属于定性分析。
智能决策支持系统
智能决策支持系统是以决策支持系统为主体,结合人工智能技术形成的系统。除专家系统这种典型的人工智能技术以外,还有神经网络、机器学习、遗传算法以及自然语言理解等多种人工智能技术。
经理信息系统 决策支持系统的发展
决策支持系统的技术进步经历以下四个阶段: ①单模型辅助决策 ②交互建模的DSS ③组合模型的DSS ④智能的DSS 第二节 决策支持系统概念
R.H.Spraque和E.D.Carlson对DSS的定义:
决策支持系统具有交互式计算机系统的特征,帮助决策者利用数据和模型去解决半结构化问题。S.S.Mittra对DSS的定义:
决策支持系统是从数据库中找出必要的数据,并利用数学模型的功能,为用户产生所需要的信息。
DSS是在MIS的基础上发展起来的,都是以数据库系统为基础,都需要进行数据处理,也都能在不同程度上为用户提供辅助决策信息。第三节 新决策支持系统与综合决策支持系统
20世纪90年代中期,兴起了数据仓库、联机分析处理和数据挖掘三项新技术,这三项新技术的结合为决策支持系统开辟了新方向,形成了基于数据仓库的新决策支持系统。
数据仓库中存储着大量辅助决策的数据,它为不同的用户随时提供各种辅助决策的随机查询、综合数据或趋势分析信息。联机分析处理提供了多维数据分析、进行切片、切块、钻取等多种分析手段。数据挖掘是挖掘数据中隐含的信息和知识,让用户在进行决策中使用。 以数据仓库为基础结合联机分析处理和数据挖掘形成了基于数据仓库的新决策支持系统。
新决策支持系统与传统决策支持系统具有以下关系:
①新决策支持系统中数据挖掘获取的知识与传统决策支持系统的知识推理中的知识是不相同的。
②新决策支持系统中没有充分利用模型和模型组合来辅助决策。③决策支持系统的技术还没有完全成熟。
把数据仓库、联机分析处理、数据挖掘、模型库、数据库、知识库结合起来形成的综合决策支持系统是更高级形式的决策支持系统。
决策支持系统的综合部件是由网络上的客户机来完成,即在客户机上编制DSS控制程序,由它来调用或者组合模型服务器上的模型并完成模型计算,调用知识服务器上的知识,完成知识推理以及实现数据仓库的综合信息查询,或用历史数据进行预测。这样,就形成了网络环境的综合决策支持系统。
第二章 决策支持 课前复习
第一节 决策与决策支持
决策
决策自古有之,从宏观讲,决策就是制定政策,从微观讲,决策就是做出决定。
决策是指个人或集体为了达到或实现某一目标,借助一定的科学手段和方法,从若干备选方案中选择或综合成一个满意合理的方案,并付诸实施的过程。
决策过程与决策技术
著名的学者H.A.西蒙认为决策过程由四大步骤组成:
(1)确定决策目标;
(2)拟定各种被选方案;
(3)从各种被选方案中进行选择;
(4)执行方案。决策过程八个阶段
决策过程中四大步骤可以分成更详细的八个步骤:
提出问题;确定目标;价值准则;拟定方案;
分析评估;选定方案;实验验证;普遍实施。决策体系与决策信息
决策体系是指决策整个过程中的各个层次、各个部门在决策活动中的决策权限、组织形式、机构设置、调节机制、监督方法的整个体系。
决策体系由决策系统、参谋(智囊)系统、信息系统、执行系统与监督系统这五大部分组成一个统一整体。
决策支持的概念
在DSS发展历史中,决策支持是一个先导概念,决策支持的概念形成若干年后,才出现决策支持系统。
Keen和Morton认为,决策支持是指用计算机来达到如下的目的:
帮助经理在非结构化任务中作出决策;
支持而不是代替经理的判断能力; 改进决策的效能(Effectiveness),而不是提高决策的效率(Efficiency)。第二节 模型的决策支持
模型及分类
模型反映了实际问题最本质的特征和量的规律,描述了现实世界中有显著影响的因素和相互关系。
按模型的表现可以分为物理模型、数学模型、结构模型和仿真模型 数学模型及建模
数学模型分类:
(1)原理性模型
自然科学中所有定理,公式都是这类模型。
(2)系统学模型
系统学是研究系统结构与功能的一般规律的科学。
按系统的复杂程度把系统分为简单系统和巨系统。
简单系统是指组成系统的元素比较少,它们之间的关系又比较简单的系统。巨系统是指组成系统元素的数目非常庞大的系统。
系统学的模型有:系统动力学、大系统理论、灰色系统、系统辨识、系统控制、最优控制和创造工程学等。
优化模型的决策支持(线性规划实例)第三节 决策方案的决策支持
决策方案及生成
设计的方案要有明确的、清晰的和简洁的表述。决策方案尽量计算机语言描述。并在计算机上通过计算得出方案的结果,以便决策者参考。
管理科学与运筹学所研究的大量数学模型,均是解决实际决策问题时进行抽象、总结的结晶。我们可以在管理科学/运筹学中的大量数学模型的基础上,设计解决当前的决策问题的决策方案。
模型并行组合方案的决策支持
在对一个实际决策问题做方案时,往往会采用对同一问题的多个不同模型进行计算,然后对这些模型的计算结果进行选择或者进行综合,得到一个比较合理的结果。这是一种采用多模型并行组合的决策方案。下面通过一个实例进行说明。
模型串行组合方案的决策支持 第三章 决策支持系统 课前复习
第一节 决策支持系统结构的分析
决策支持系统的结构形式
三部件结构、三系统结构、三库结构、四库结构 决策支持系统的结构比较
决策支持系统有多种结构形式,但主要是两种基本结构形式:(1)以“对话(人机交互)、模型、数据”三部件组成DSS。
(2)以“语言系统(LS)、问题处理系统(PPS)、知识系统(KS)”三系统组成DSS。
“对话、模型、数据”三部件结构的优点 :
①明确了三部件之间关系
明确它们之间的接口关系和集成关系,便于决策支持系统的设计和关键技术的解决。
②便于和其他系统的区别 它和“管理信息系统(MIS)”的区别在于DSS多了模型部件。它和“专家系统(ES)”的区别在于DSS中是以“模型、数据”部件进行数值计算为主体的系统,而ES是以定性知识进行推理为主体的系统。
“LS、PPS、KS”三系统结构的优点:
①突出了问题处理系统(PPS)的重要性。
在设计和开发DSS时,应该重点考虑决策问题的处理。
②明确了语言系统(LS)在人机交互中的作用。
人机交互是要通过语言系统来完成的。决策问题的形式化也要用LS来描述。
③统一了知识的看法。
将数据、模型、规则看成是知识的不同表现形式。
决策支持系统的统一结构形式
三部件结构中的最大弱点,在于“人机交互”部件太简化。该部件应该是三系统中问题处理系统和语言系统、人机交互系统的综合部件。
把“人机交互部件”改为 “综合部件”更合适一些。
它具有对决策问题综合“多模型组合运行,大量数据库的存取,人机交互”为一个整体,形成实际决策支持系统。
“人机交互与问题综合系统(综合部件)”可理解为对实际决策问题的集成处理与人机交互的综合作用。它包含的功能有: 人机交互 控制模型的运行 多模型的组合运行 数值计算 数据处理 决策支持系统的语言系统的功能要求比较高,即它应具有:调用模型运行能力、数据库存取能力、数值运算能力、数据处理能力、人机交互能力等五种综合能力,我们称它为决策支持系统语言(DSS语言)。DSS语言应是两类语言(数值计算语言和数据库语言)的综合。第二节 数据库系统
数据管理技术的发展 人工管理(50年代中期)
数据不保存 没有数据管理软件 文件系统(60年代中期)
数据管理软件——文件管理系统 面向单个应用,冗余度大、独立性差 数据库系统(60年代后期开始)
数据管理软件——数据库管理系统 面向组织,冗余度小、独立性好
1、数据库系统的组成、数据库管理系统
数据库系统一般由四部分组成:-数据库
-数据库管理系统-数据库管理员-用户和应用程序
数据库管理系统有四项主要功能:
1、描述数据库
描述数据的逻辑结构、存储结构等。
2、管理数据库(1)控制整个数据库系统的运行;
(2)进行数据检索、插入、删除和修改操作;
(3)控制用户的并发访问;
(4)检验数据的安全、保密与完整性;
3、维护数据库
(1)控制初始数据的装入;
(2)修改、更新、重组数据库;
(3)恢复出现故障的数据库;
4、数据通信
组织数据的传输
2、数据库应用系统的设计和开发步骤
数据库应用系统的设计过程主要是:
(1)系统需求分析
(2)概念结构设计
(3)逻辑结构设计
(4)物理结构设计
3、数据库应用
4、数据库系统在决策支持系统中的作用 第三节 人机交互与问题综合系统
人机交互系统
人机交互的三个元素: 交互设备
计算机系统的输入输出设备 交互软件
展示各种交互功能的核心 人的因素
用户操作模型
问题综合系统
问题综合系统在决策支持系统的统一结构形式中和人机交互系统结合在一起形成综合部件。
人机交互系统主要实现人机对话和对DSS的控制。
问题综合系统完成的任务是:在决策问题用DSS语言描述(形式化)后,完成对DSS问题的分析和求解。
决策支持系统的综合部件
(1)决策支持系统语言
决策支持系统既要达到综合模型部件和数据部件的作用,又要起到人机交互对话作用,是需要利用功能很强的语言来完成。
(2)综合部件功能 控制模型的运行 多模型的组合运行 人机交互
数值计算和数据处理 第四节 模型库系统
模型库
模型库的概念
模型库的由来(模型应用水平的不断提高)模型程序:即用即编;谁用谁编
模型程序包:结构简单;相互独立;数据不共享 模型库:共享;可重用;可管理;相关 模型库——具有一定组织结构的模型集合 由模型库管理系统进行管理 每个模型都具有辅助决策能力 多个模型能有效地组织成系统
多个模型的连接需要利用共享的数据库 模型库的组织和存储 模型库的存储需求
1个模型对应2~4个文件: 源程序文件 目标程序文件 模型说明文件 数据描述文件 模型库管理系统
模型的存储管理
(1)模型的表示(文件形式)
程序文件(数学模型、数据处理模型)
数据文件(图形、图像等)(2)模型存储的组织结构
模型字典库
模型文件库
(3)模型的查询和维护
查询、增加、删除、修改需要:
模型字典库和文件库同时进行 基本概念
模型库管理系统的功能
模型库管理系统的语言体系 1.模型管理语言MML(1)模型的存储管理-同时完成字典库和文件库的管理(2)模型的查询和维护 2.模型运行语言MRL(1)单模型的调用、运行-用命令语言完成(2)模型的组合运行-用集成语言编制程序控制运行 3.数据接口语言DIL 模型程序通过接口操作数据库 第五节 组合模型的决策支持系统
组合模型辅助决策是决策支持系统研究的内容。 它需要模型库提供共享模型和数据库提供共享数据。 其基础是多模型辅助决策系统。
多模型辅助决策系统
区域发展规划系统:区域发展规划问题是典型的多模型辅助决策系统。 区域:社会、经济、文化、生态环境的地域空间,如县、市、国家等都是区域。
规划:制定未来一定时期的目标、任务及实现方案。
区域发展规划:分析自身的优、劣势,对比其他区域状况,制定快速发展的目标和措施。模型组合技术
模型的组合有多种方式,用逻辑形式表示有: 模型间的关系为“与”(and)关系
例如“模型1 and模型2” 模型间的关系为“或”(or)关系
例如“模型3 or 模型4” 模型间的关系为组合“闭包”(and|or)+ 关系
例如“模型1 and模型2”or“模型3 and 模型4”……
模型组合的程序设计
决策支持系统程序与一般系统程序的比较
1、相同处
DSS的控制程序对模型的调用与一般系统主程序对子程序的调用在程序结构上是相似的。
2、不同处:
(1)DSS中的“模型”是共享资源,同一模型可以被不同DSS程序所调用。
一般系统程序中的子程序(模块)只能被该系统主程序调用,并隶属于它。它不能被别的系统主程序所调用。
(2)DSS中模型程序所使用的语言可以不同于DSS的控制程序。
一般系统的子程序(模块)和主程序的语言是一致的。
结论:DSS程序是利用模型程序和数据两个共享资源组建的。在本质上,DSS程序与一般系统程序是不一样的。
决策支持系统的决策支持
由多个模型组合而成的决策支持系统,在模型组合中,可以选择不同的模型、相同的数据构成不同的决策支持系统方案;
DSS也可以选择相同模型、不同的数据构成不同的决策支持系统方案; DSS还可以选择不同的模型和不同的数据构成不同的决策支持系统方案。
决策支持系统要修改方案,只需修改综合部件中控制的模型名以及该模型发送控制信息的程序地址。
决策支持系统的决策支持作用很容易在模型组合的控制程序中实现。第四章 智能决策支持系统和智能技术的决策支持 第一节 智能决策支持系统概述 智能决策支持系统的概念
智能决策支持系统(Intelligent Decision Support Systems , IDSS)是:决策支持系统(DSS)与人工智能(Artificial Intelligent , AI)技术相结合的系统。
智能决策支持系统的结构
1、人工智能的决策支持技术
智能决策支持系统中包含了人工智能技术,与决策支持有关的人工智能技术主要有:专家系统、神经网络、遗传算法、机器学习、自然语言理解等。
2.智能决策支持系统结构形式 1)基本结构
智能决策支持系统(IDSS)=决策支持系统(DSS)+人工智能(AI)技术
人工智能技术可以概括为:推理机+知识库 第二节 人工智能基本原理
逻辑推理-形式逻辑
形式逻辑是研究人的思维形式及其规律的科学。它是属“符号处理”范畴。形式逻辑主要研究:形成概念、作出判断、进行推理。
1)概念:概念是反映事物的特有属性和它的取值。2)判断:判断是对概念的肯定或否定。
3)推理:推理是从一个或几个判断推出一个新判断的思维过程。
知识表示与知识推理 命题逻辑 举例: 1)如果a是偶数,那么a2是偶数
2)“人不犯我,我不犯人;人若犯我,我必犯人”
归结原理使用反证法来证明语句。即归结是从结论的非,导出已知语句的矛盾。
利用命题逻辑公式和谓词逻辑公式,把逻辑表达式化成合取范式、前束范式,再化成子句。一子句定义为由文字的析取组成的公式。
逆向推理是从目标开始,寻找以此目标为结论的规则,并对该规则的前提进行判断,若该规则的前提中某个子项是另一规则的结论时,再找以此结论的规则。
重复以上过程,直到对某个规则的前提能够进行判断。按此规则前提判断(“是”或“否”)得出结论的判断,由此回溯到上一个 规则的推理,一直回溯到目标的判断。
搜索技术
搜索技术是人工智能的一个重要研究内容。智能技术体现在减少搜索树中的盲目搜索。
1.执行时间与n,n2,n3等成正比的算法,称为按多项式时间执行。2.执行时间与2n,n!和nn等成正比的算法,称为按指数时间执行。按多项式时间执行的算法,计算机是可以实现的。按指数时间执行的算法,计算机是不可能实现的。
1、基本搜索法
对搜索树的基本搜索法有两种思想,一是按广度优先展开搜索树的搜索方法,叫广度优先搜索法;一是按深度优先展开搜索树的搜索方法,叫深度优先搜索法。
(1)广度优先搜索法。(2)深度优先搜索法。
2、生成测试法。
3、爬山法。
4、启发式搜索。
5、博弈算法。
第三节 专家系统与智能决策支持系统
专家系统原理
专家系统是具有大量专门知识,并能运用这些知识解决特定领域中实际问题的计算机程序系统。
专家系统是利用大量的专家知识,运用知识推理的方法来解决各特定领域中的实际问题。计算机专家系统这样的软件能够达到人类专家解决问题的水平。
产生式规则专家系统
产生式规则的推理机=搜索+匹配(假言推理)
在推理过程中,是一边搜索一边匹配。匹配需要找事实。这个事实一是来自于规则库中别的规则,一是来自向用户提问。在匹配时会出现成功或不成功,对于不成功的将引起搜索中的回溯和由一个分枝向另一个分枝的转移,可见在搜索过程中包含了回溯。
专家系统与决策支持系统的集成
智能决策支持系统IDSS充分发挥了专家系统以知识推理形式解决定性分析问题的特点,又发挥了决策支持系统以模型计算为核心的解决定量分析问题的特点,充分做到定性分析和定量分析的有机结合。
IDSS中DSS和ES的结合主要体现在三个方面: 1.DSS和ES的总体结合。由集成系统把DSS和ES有机结合起来(即将两者一体化)。
2.KB和MB的结合。模型库中的数学模型和数据处理模型作为知识的一种形式,即过程性知识,加入到知识推理过程中去。
3.DB和动态DB的结合。DSS中的DB可以看成是相对静态的数据库,它为ES中的动态数据库提供初始数据,ES推理结束后,动态DB中的结果再送回到DSS中的DB中去。
建模专家系统
智能决策支持系统实例 第四节 神经网络的决策支持
神经网络原理
神经元的学习规则是Hebb规则。
Hebb学习规则:若i与j两种神经元之间同时处于兴奋状态,则它们间的连接应加强,即:
△Wij=SiSj(>0)
这一规则与“条件反射”学说一致,并得到神经细胞学说的证实。
设α=1,当Si=Sj=1时,△Wij=1,在Si,Sj中有一个为0时,△Wij=0。反向传播模型
神经网络专家系统及实例 神经网络专家系统特点: 1.神经元网络知识库体现在神经元之间的连接强度(权值)上。它是分布式存贮的,适合于并行处理。
2.推理机是基于神经元的信息处理过程。它是以MP模型为基础的,采用数值计算方法。
3.神经元网络有成熟的学习算法。感知机采用delta规则。反向传播模型采用误差沿梯度方向下降以及隐节点的误差由输出结点误差反向传播的思想进行的。4.容错性好。由于信息是分布式存贮,在个别单元上即使出错或丢失,所有单元的总体计算结果,可能并不改变。
确定系统框架-完成对神经元网络的拓朴结构设计:(1)神经元个数(2)神经元网络层次(3)网络单元的连接
确定神经元的作用函数和阈值-作用函数用得较多的有两种:(1)阶梯函数(2)S型函数
阈值的选取可为定值如i=0或i=0.5,或者进行迭代计算。神经网络的容错性 第五节 遗传算法的决策支持
遗传算法(Genetic Algorithm,GA)是模拟生物进化的自然选择和遗传机制的一种寻优算法。它模拟了生物的繁殖、交配和变异现象,从任意一初始种群出发,产生一群新的更适应环境的后代。
这样一代一代不断繁殖、进化,最后收敛到一个最适应环境的个体上。遗传算法对于复杂的优化问题无需建模和进行复杂运算,只需要利用遗传算法的算子就能寻找到问题的最优解或满意解。
遗传算法原理 1.群体中个体的编码
如何将问题描述成位串的形式,即问题编码。一般将问题的参数用二进制位(基因)编码构成子串,再将子串拼接起来构成“染色体”位串。
2.适应值函数的确定
适应值函数(即评价函数)是根据目标函数确定的。适应值总是非负的,任何情况下总是希望越大越好。如果目标函数不是取最大值时,需要将它映射成适应值函数。优化模型的遗传算法求解
优化模型的计算是遗传算法最基本的也是最重要的研究和应用领域之一。一般说来,优化计算问题通常带有大量的局部极值点,往往是不可微的、不连续的、多维的、有约束条件的、高度非线性的NP完全问题。
精确地求解优化问题的全局最优解一般是不可能的。获取知识的遗传算法
1980年,Smith采用遗传算法研制了一种分类器系统,这是遗传算法在机器学习中的重要应用系统。他使用单个字符串来表示一条规则。 分类器系统的规则形式如下: IF
遗传规划是建立数学模型(发现公式)的一类遗传算法。
编码采用了层次化形式进行,每个个体都对应一个公式,在设计适应度函数时,应用给定数据对每个公式的误差进行计算,误差小的适应度高,误差大的适应度低。
通过遗传规划算子对群体空间进行操作,通过选择算子,变异算子,交换算子等选择适应度高的个体进入下一代遗传, 最终按照终止原则,输出算法计算的结果,即发现的公式。第六节 机器学习的决策支持
机器学习概述
学习和解决问题是人类最重要的两个智能行为。
机器学习是让计算机模拟和实现人类的学习,获取知识。机器学习也是计算机具有智能的重要标志。(1)R.S.Michalski认为:学习是构造或修改所经历的事物的表示。该观点强调知识的表示。
(2)学习是知识的获取。该观点强调知识获取。
(3)H.A.Simon认为:学习是系统在相似的任务中,做一些适应性变化,使得在下一次类似的任务中,做得更好。该观点强调学习的效果。
机器学习分类
学习过程的本质是学生(学习系统)把教师或环境(如书本)提供的信息转换成能够理解的形式记忆下来,以便将来使用。
当前,国际上流行的机器学习分类方法主要有:
按应用领域分类(专家系统、问题求解、认知模拟);按获取知识的表示分类(逻辑表达式、产生式规则、决策树、框架、神经网络);按推理策略分类(演绎推理和归纳推理);按系统性分类(历史渊源、知识表示、推理策略、应用领域)。
建立模型的发现学习
BACON系统的思想是利用一些算子反复构造一些新的项,当这些项中有一个是常数时,就得到概念:“项=常数”。第五章 数据仓库与数据挖掘的决策支持 第一节 数据仓库、数据仓库系统及应用 1.数据仓库的基本原理
数据仓库的概念、结构,数据集市,元数据
数据仓库是面向主题的、集成的、稳定的,不同时间的数据集合,用于支持经营管理中决策制定过程。
近期基本数据:是最近时期的业务数据,是数据仓库用户最感兴趣的部分,数据量大。历史基本数据:近期基本数据随时间的推移,由数据仓库的时间控制机制转为历史基本数据。
轻度综合数据:是从近期基本数据中提取出的,这层数据是按时间段选取,或者按数据属性(attributes)和内容(contents)进行综合。
高度综合数据层:这一层的数据是在轻度综合数据基础上的再一次综合,是一种准决策数据。
数据仓库工作范围和成本常常是巨大的。开发数据库是代价很高、时间较长的大项目。
提供更紧密集成的数据集市就应运产生。
目前,全世界对数据仓库总投资的一半以上均集中在数据集市上。 数据集市(Data Marts)是一种更小、更集中的数据仓库,为公司提供分析商业数据的一条廉价途径。
Data Marts是指具有特定应用的数据仓库,主要针对某个应用或者具体部门级的应用,支持用户获得竞争优势或者找到进入新市场的具体解决方案。
元数据是数据仓库的重要组成部分。
元数据描述了数据仓库的数据和环境,即关于数据的数据(meta data)元数据包括四种元数据。
2、数据仓库系统
数据仓库系统结构、数据仓库的存储
数据仓库应用是一个典型的客户/服务器(C/S)结构形式。
数据仓库采用服务器结构,客户端所做的工作有:客户交互、格式化查询、结果显示、报表生成等。
服务器端完成各种辅助决策的SQL查询、复杂的计算和各类综合功能等。现在,越来越普通的一种形式是三层C/S结构形式,即在客户与数据仓库服务器之间增加一个多维数据分析(OLAP)服务器。
数据仓库存储采用多维数据模型。
3、简单阐述一下数据仓库在决策支持中的应用 第二节 数据挖掘及其应用
1、数据挖掘的概念
知识发现(KDD):从数据中发现有用知识的整个过程。
数据挖掘(DM):KDD过程中的一个特定步骤,它用专门算法从数据中抽取模式(patterns)。
KDD过程定义:从大量数据中提取出可信的、新颖的、有用的并能被人理解的模式的高级处理过程。
“模式”可以看成是“知识”的雏形,经过验证、完善后形成知识。
2、数据挖掘的方法和技术
(一)归纳学习方法
分为两大类:信息论方法(决策树方法)和集合论方法。
1、信息论方法(决策树方法)
利用信息论的原理建立决策树或者是决策规则树。
(1)ID3方法:Quiulan研制的ID3方法是利用信息论中互信息建立决策树。
(2)IBLE方法:是利用信息论中信道容量,寻找数据库中信息量大的多个字段的取值建立决策
2、集合论方法
(1)粗糙集(Rough Set)方法
对数据库中的条件属性集与决策属性集建立上下近似关系,对下近似集合建立确定性规则,对上近似集合建立不确定性规则(含可信度)。(2)关联规则挖掘
在交易事务数据库中,挖掘出不同商品集的关联关系,即发现哪些商品频繁地被顾客同时购买。
(3)覆盖正例排斥反例方法
它是利用覆盖所有正例,排斥所有反例的思想来寻找规则。
比较典型的有AQ11方法,AQ15方法以及AE5方法。
(二)仿生物技术
仿生物技术典型的方法是神经网络方法和遗传算法。
1、神经网络方法:包括:前馈式网络、反馈式网络、自组织网络等多个神经网络方法。
2、遗传算法:这是模拟生物进化过程的算法。
它由三个基本算子组成:
繁殖(选择)、交叉(重组)、变异(突变)
遗传算法起到产生优良后代的作用,经过若干代的遗传,将得到满足要求的后代(问题的解)。
(三)公式发现
在工程和科学数据库中对若干数据项(变量)进行一定的数学运算,求得相应的数学公式。
1.物理定律发现系统BACON BACON发现系统完成了物理学中大量定律的重新发现。2.经验公式发现系统FDD 我们研制了FDD发现系统,寻找由数据项的初等函数或复合函数组合成的经验公式。
(四)统计分析方法
利用统计学原理通过对总体中的样本数据进行分析得出描述和推断该总体信息和知识的方法。
(五)模糊数学方法
利用模糊集合理论进行数据挖掘,如模糊聚类、模糊分类等。
(六)可视化技术
利用可视化技术分析数据库,找到潜在的有用信息。
3、数据挖掘的知识表示
主要有四种:规则、决策树、浓缩数据、公式。
规则知识由前提条件和结论两部分组成,前提条件由字段项(属性)的取值的合取(与)和析取(或)组合而成。结论为决策字段项(属性)的取值或者类别组成。
4、数据挖掘在决策支持中的应用 数据挖掘的决策支持分类有:
关联分析、时序模式、聚类、分类、偏差检测、预测。
关联分析:
若两个或多个数据项的取值之间重复出现且概率很高时,它就存在某种关联,可以建立起这些数据项的关联规则。
时序模式:
通过时间序列搜索出重复发生概率较高的模式。这里强调时间序列的影响。
聚类:在数据库中找出一系列有意义的子集,即类。分类:对数据库中的类,找出该类别的概念描述规则。偏差检测: 在数据库中找出异常数据。
预测:利用历史数据找出变化规律的模型,并用此模型预测未来。第六章 综合决策支持系统
1.传统决策支持系统的概念 1980年Sprague提出了决策支持系统三部件结构; 1981年Bonczak等提出了决策支持系统三系统结构; 根据以上两种结构的优缺点建立起来的统一的DSS结构;
20世纪90年代初,决策支持系统与专家系统结合起来,形成了智能决策支持系统(IDSS)。DSS的关键技术:
(1)模型库系统的设计和实现。
(2)部件接口。部件接口包括对数据部件的数据的存取,对模型部件的模型的调用和运行,以及对知识部件的知识完成推理。
(3)系统综合集成。通过集成语言完成对各部件的有机综合,形成一个完整的系统。
2.数据仓库与新决策支持系统 数据仓库技术
管理大量数据
数据仓库中的数据量是10GB或100GB级的,数据仓库开发需要满足处理大量数据的需求。
数据的高效装入和数据压缩
装入数据:装入的数据量很大,同时也要装入高效的索引。(2)数据压缩:DW数据量大需要进行数据的压缩。
存储介质的管理
数据仓库中的数据量是10GB或100GB级的,数据仓库开发需要满足处理大量数据存储介质的需求。
元数据管理:没有一个好的元数据来运作的话,DSS分析员的工作就非常困难。
数据仓库语言 数据仓库语言可有效管理数据仓库中的数据和快速、高效地访问数据仓库中的数据。
高效索引
数据仓库不仅能够方便地支持新索引的创建和装入,而且要能够高效地访问这些索引。
数据仓库的特殊管理
(1)复合键码:能够支持复合键码。
(2)变长数据:有效管理变长数据的能力。
(3)快速恢复:快速地恢复数据仓库表。
多维DBMS和数据仓库
多维数据库管理系统(多维DBMS)提供了用多种方法对数据进行切片、分割,动态地考查汇总数据和细节数据的关系,非常适合DSS环境。
数据仓库中的细节数据为多维DBSM提供了数据源,数据要定期从数据仓库中导入到多维DBMS中去,为DSS用户服务。
3.传统决策支持系统与新决策支持系统的比较 传统决策支持系统的特点
(1)用模型和模型的组合来辅助决策
多模型的组合扩大了模型辅助决策的能力。多模型的组合的实现是靠数据或数据处理来完成模型间的连接。
多模型的组合使模型的范围由数学模型扩展为数据处理模型等。
人机交互的手段丰富了多模型组合辅助决策的效果,也为人控制多模型的组合提供了支持手段。
(2)用知识推理进行定性分析
知识推理的专家系统主要是进行定性分析。它结合到决策支持系统中形成智能决策支持系统。实质上完成了定量分析和定性分析相结合的辅助决策方式。
新决策支持系统的特点:
(1)数据仓库和联机分析处理的数据组织方式是多维数据数据仓库的数据组织为空间的多维结构形式。
(2)数据仓库是为决策分析服务的数据仓库可以提供综合信息和时间趋势信息等辅助决策信息。
(3)联机分析处理提供多维分析手段(4)数据挖掘是从数据中挖掘出隐藏知识 4.综合决策支持系统结构和原理
数据仓库(DW)实现对决策主题数据的存储和综合。联机分析处理(OLAP)实现多维数据分析。数据挖掘(DM)能挖掘数据仓库中的知识。
DW+OLAP+DM形成的新决策支持系统是利用数据资源辅助决策的。新决策支持系统主要针对商场、银行、顾客、销售等获取企业外部社会上的信息。
传统决策支持系统是以模型库(MB)和知识库(KB)为基础的。数学模型的优化模型辅助决策的效果很明显。知识推理具有较强的智能性。
传统决策支持系统充分发挥模型资源的辅助决策作用和知识资源辅助决策作用。
两个决策支持系统是完全不同的辅助决策方式,两者不能相互代替,应该是相互结合。
通过两个决策支持系统的结合能充分发挥数据、模型、知识这三种不同的决策资源,获取企业或组织的内部和外部相互补充的信息和知识,才能为决策者提供更全面,更广泛和更有效的辅助决策信息和知识。把数据仓库(DW)、联机分析处理(OLAP)、数据挖掘(DM)、模型库(MB)、数据库(DB)、知识库(KB)结合起来形成的决策支持系统:
将传统决策支持系统和新决策支持系统结合起来的决策支持系统是更高级形式的决策支持系统,称为综合决策支持系统(Synthetic Decision Support System, SDSS)。
综合决策支持系统体系结构包括三个主体: 第一个主体是模型库系统和数据库系统的结合,它是决策支持的基础,它为决策问题提供定量分析(模型计算)的辅助决策信息。
第二个主体是数据仓库和OLAP的结合,它从数据仓库中提取综合数据和信息,这些数据和信息反映了大量数据的内在本质。
第三个主体是知识库与推理机和数据挖掘的结合。5.网络环境下的综合决策支持系统体系 客户/服务器结构与数据库服务器
计算机联网可以使得某些服务在服务器系统上执行,而另一些任务在客户机系统上执行,这种工作任务的划分,形成了客户机/服务器系统。
客户机/服务器(Client/Server, C/S),由服务器提供应用服务,多台客户机进行连接。
当前的实际应用中多数服务器就是一台数据库服务器而客户端就是编写的客户软件,通过ODBC或ADO同数据库服务器通信。组成一个应用系统。
在当前Internet/Intranet领域,“浏览器/服务器”结构是当前非常流行的客户机/服务器结构,简称B/S结构。
Web浏览器只利用鼠标点击某个强调的词语或某个图形按钮,你就会毫不费力地迅速访问到世界各地的计算机。
决策支持系统的综合部件由网络上的客户机来完成。
模型服务器是对用户提供各种模型的服务。模型需要调用数据库服务器存取数据,在模型服务器内完成模型运算,这些模型服务器相对数据库服务器来说是客户端。当模型运算出结果后为用户提供辅助决策信息时,它起到服务器的作用。这种关系形成了三层客户/服务器结构。
在网络环境下形成的决策支持系统结构,既具有客户/模型/数据三层C/S结构,也有客户/数据二层C/S结构,这种组合是一种三角的C/S结构形式。
第七章 决策支持系统的开发
1.决策支持系统开发过程、步骤 DSS系统开发的主要步骤为:
(1)DSS系统分析-包括确定实际决策问题目标,对系统分析论证。(2)DSS系统初步设计-包括对决策问题进行分解成多个子问题以及它们的综合。
(3)DSS系统详细设计-包括各个子问题的详细设计(数据设计和模型设计)和综合设计。数据设计包括数据文件设计和数据库设计,模型设计包括模型算法设计和模型库设计。综合设计包括对各个子问题的综合控制设计。
(4)各部件编制程序-包括①建立数据库和数据库管理系统;②编制模型程序,建立模型库、模型库管理系统;③编制综合控制程序(总控程序),由总控程序控制模型的运行和组合,对数据库数据的存取、计算等处理,设置人机交互等。
(5)三部件集成为DSS系统-包括解决部件接口问题,由总控程序的运行实现对模型部件和数据部件的集成,形成DSS系统。
2.决策支持系统设计 设计思想 决策支持系统的系统结构是由综合部件、模型部件、数据部件三大部件组成。
决策支持系统设计主要是决策支持系统总体结构设计,它包括运行结构设计和管理结构设计。
运行结构是对实际决策问题用决策支持系统原理设计的程序结构。
管理结构是完成模型库管理和数据库的管理,达到多模型的共享和大量数据的共享。
运行结构的关键是综合部件。
3.决策支持系统开发技术 建立模型概述
系统建模目的主要在于:
(1)分析和设计实际系统
(2)预测或预报实际系统的未来发展趋势。(3)对系统实行最优控制。建立模型步骤
(1)建立模型的数学结构,即建立模型中变量之间的方程形式。(2)确定模型的参数,它包括模型中变量的数目、方程的个数、变量的系数等。
DSS的建模技术
DSS建模的主要问题是如何选择多个模型组合形成解决实际问题的方案。也可以认为该方案是解决实际问题的大模型。每个具体的小模型又涉及所需要的数据。多模型的组合表现为用模型资源和数据资源来组合成实际问题方案。决策支持系统就是利用模型库(模型资源)和数据库(数据资源),通过问题综合来组合多模型和大量数据形成解决实际问题的方案,方案可以是一个或者多个,通过方案的计算和比较,达到辅助决策的作用。 模型部件和综合部件存取数据库的接口
模型程序一般采用数值计算语言编制。不具有数据库操作功能。而数据库语言对数组运算等数值计算功能很弱,故数据库语言不适合于编制数值计算类型的模型程序。决策支持系统又需要把数值计算和数据处理二者结合起来。有效的途径是解决好模型存取数据库的接口。
决策支持系统中,把所有公用的数据都放入数据库中,这便于数据库共亨,又便于数据的统一管理。模型程序用到数据时,需要通过这个接口去存取所需数据。
综合部件对模型的接口
综合部件对模型的控制运行以及多模型的组合。一般采用“顺序、选择、循环”结构以及嵌套组合结构形式来组合模型。 综合部件的集成技术
综合部件要真正达到控制单模型运行以及多模型的组合运行,控制大量的数据库的存取,实现DSS的系统集成。
综合部件需要利用一种计算机语言,针对具体的决策问题,编制或者自动生成决策问题的总控程序,将所需要的模型库、数据库进行集成,形成一个实际的决策支持系统。 系统快速原型开发技术
快速原型开发技术用于决策支持系统的主要任务是:按决策问题处理过程,快速生成对多模型的组合以及大量数据库数据的存取并进行集成的决策支持系统。快速原型方法是根据系统的需求能迅速的产生出系统的原型,该原型能表现出系统的功能、行为特性,但不一定符合其全部要求。当用户对原型运行结果不满意时,能迅速修改原型,经过几次反复,将可得到用户满意的应用系统。
快速原型法的实现是需要一个很好的支撑环境来保证软件原型的快速生成。
4.决策支持系统的开发
综合部件的总控程序开发从DSS总控程序的设计中可知它要完成的工作为:
(1)控制模型程序的运行;
(2)存取数据库的数据;
(3)进行数据处理;
(4)进行数值计算;
(5)完成人机交互。
总控程序既要有数值计算能力又要有数据处理能力,还需要有很强的人机交互能力。可见它是一个集成语言。