A set of methods for enhancing the efficiency of information processing in intelligent decision support systems

В даному розділі дослідження запропоновано сукупність методів підвищення ефективності обробки інформації в інтелектуальних системах підтримки прийняття рішень.

В ході дослідження авторами запропоновано:
– метод управління потоками інформації в інтелектуальних системах підтримки прийняття рішень з використанням популяційного алгоритму;
– метод оцінки оперативності обробки різнотипних даних в системах підтримки прийняття рішень;
– метод оцінки та прогнозування в інтелектуальних системах підтримки прийняття рішень.

Новизна запропонованих методів полягає у:
– початкова популяція агентів та їх вихідне положення на площині пошуку визначається з врахуванням ступеню невизначеності вихідних даних про потоки інформації в інтелектуальних системах підтримки прийняття рішень;
– враховується початкова швидкість кожного агенту, чим досягається можливість визначати пріоритетність пошуку у відповідній площині пошуку;
– універсальність стратегій пошуку місць харчування агентів, чим дозволяється класифікувати сукупність умов та факторів, які впливають на процес управління потоками інформації в інтелектуальних системах підтримки прийняття рішень;
– можливістю досліджувати простори рішення функцій, що описуються нетиповими функціями, за рахунок використання процедур вибору техніки ходи агентів;
– можливість одночасного пошуку рішення в різних напрямках;
– можливістю глибокого навчання баз знань агентів;
– можливістю розрахунку необхідної кількості обчислювальних ресурсів, яких необхідно залучити у разі неможливості проведення розрахунків наявними обчислювальними ресурсами;
‒ враховується тип невизначеності даних що циркулюють в системах підтримки прийняття рішень;
‒ реалізувати адаптивні стратегії пошуку площини пошуку рішень агентами популяції;
‒ врахувати пріоритетність пошуку агентами популяції;
‒ провести початкове виставлення особин популяції з урахуванням типу невизначеності;
– застосовувати як універсальний інструмент вирішення завдання аналізу оперативності обробки різнотипних даних систем підтримки прийняття рішень;
– перевірити адекватність отриманих результатів;
– уникнути проблеми локального екстремуму;
‒ використанням нового типу нечітких когнітивних темпоральних моделей, орієнтованих на багатовимірний аналіз і прогнозування стану об’єктів в умовах невизначеності;
– можливості комбінації елементів штучної нейронної мережі;
– можливості навчання окремих елементів штучної нейронної мережі;
– обчислення даних за одну епоху без необхідності зберігання попередніх обчислень;
– не накопичення помилки навчання штучних нейронних мереж в результаті обробки інформації, що надходить на вхід штучних нейронних мереж.