专家与决策支持系统__第二章（45页）.ppt

模型的组合分两种：并行组合与串行组合。 并行组合：各模型所需输入数据是相同的，但输出数据的结构（变量、数组等）相同、数值不同。 串行组合：一个模型的输出为另一个模型的输入。 串并组合：模型之间既有串行组合，也有并行组合 多模型辅助决策支持 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。 实例： 某县对粮食产量进行规划，预测2010年的粮食总产量。为此，利用该县从1990年到2000年各年的粮食产量数据，按照不同预测模型的要求，分别建立了五个不同的数学模型，并分别进行了预测计算: 多模型辅助决策支持 （1）灰色模糊预测模型 其中x1、x2、x3、x4分别为：良种面积、汗涝保收面积、化 肥施用量、农药用量。 预测2010年总产量为15.9亿斤。 （2）生长曲线预测模型 预测2010年总产量为15.4亿斤。 多模型辅助决策支持 （3）时间趋势预测模型 预测2010年总产量为17.5亿斤。 （4）多元回归预测模型 其中x1、x2、x3、x4、t、x6分别为：化肥、种子、 水、种粮面积、时间、政策因素。 预测2010年总产量为16.9亿斤。 多模型辅助决策支持 （5）三次平滑预测模型 预测2010年总产量17.5亿斤。 归纳各模型预测结果在如下范围，即： 2010年粮食总产量：14～17.5亿公斤。 多模型辅助决策支持 决策者分析影响粮食产量的主要因素（投入水平、科技水平、生产条件，并集体讨论，共同决策该县在2010年预测值：2010年粮食总产量为15亿斤。 多模型辅助决策支持 模型串行组合方案的决策支持 书上实例（略） 模型串并组合 多模型辅助决策支持 2.灰色－神经网络组合预测模型 3.灰色预测模型 灰色预测模型： 传统GM(1,1)模型：适合对按等比递增规律变化的序列进行建模； 无偏GM(1,1)模型：适合对指数序列进行建模； 改进的GM(1,1)模型：多用在噪声多、且精度要求较高的序列预测场合，但其计算代价要大得多。 改进的GM(1,1)模型的主要改进： 选用Gauss-Legendre求积公式和相邻最近插值法求背景值； 选用折扣最小一乘法和蚁群优化算法来拟合参数。 4.神经网络预测模型 神经网络预测模型： MBP：计算代价小、无动态特性； 标准Elman：计算代价大、有动态特性； 改进Elman ：计算代价小、有动态特性。 改进Elman的主要改进： 在隐含层和输出层单元的净输入中增加增益因子，以便改变作用函数的陡度，在学习过程中，增益因子同权值或阈值一样调整，从而实现算法收敛速度和精度的提高； 采用自适应学习率调整方案，提升网络学习速度。 5.预测实例：原始数据 月份 费用（千元） 月份 费用（千元） 月份 费用（千元） 1 1.12 5 9.85 9 17.09 2 2.31 6 11.93 10 19.32 3 3.52 7 12.12 11 21.35 4 6.72 8 15.67 12 23.65 加大装饰条检测数量的费用 5.预测实例：灰色预测模型预测结果 效果指标 GM1 GM2 GM3 后验差比值C 0.3817 0.5315 0.2776 小误差概率P 0.9091 0.8182 1.0 模型精度等级 良 差 优 相对残差图 5.预测实例：神经网络预测模型预测结果 效果指标 NN1 NN2 NN3 SSE 15.348 216.175 11.681 MAE 1.032 2.163 0.654 MAPE 0.107 0.141 0.041 拟合效果图 5.预测实例：组合预测模型预测结果 拟合效果图 效果指标 SSE MAE MAPE 不等系数U 有效度S GM3 69.541 1.985 0.308 0.081 0.376 NN3 11.681 0.654 0.041 0.036 0.917 CP0 2.532 0.320 0.025 0.016 0.944 第二章 模型辅助决策支持 2.1 决策概述 2.2 决策过程 2.3 决策体系 2.4 模型的决策支持 2.5 数学模型的决策支持 2.6 多模型辅助决策支持 2.1 决策概述 一、 决策概念： 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。 决策定义的理解： 找出制定决策的根据，即收集信息，并根据手头上的信息制定可能的行动方