第讲 智能决策理论与方法
决策理论与方法
决策理论与方法决策是人们在面对问题时进行思考、选择和行动的过程。
决策问题的复杂性和多样性使得理论与方法对于决策过程的指导和支持至关重要。
本文将介绍决策理论与方法的基本概念，以及几种常用的决策方法，并通过案例分析来说明其应用。
一、决策理论与方法的基本概念决策理论是研究人们在面对有限信息和不确定性时如何进行决策的学科。
在决策理论中，人们被视为理性的决策者，希望通过决策获得最大的效益或最小的风险。
决策方法是指在决策过程中使用的一种系统的工具或技术。
不同的决策方法适用于不同的决策问题。
常用的决策方法包括定性决策分析、定量决策分析、决策树分析、模糊综合评价等。
二、定性决策分析定性决策分析是一种基于主观判断和经验的决策方法。
在定性决策分析中，决策者主要依靠自身的判断和知识进行决策。
定性决策分析的基本步骤包括：问题定义、准则制定、方案评估和决策选择。
决策者首先明确决策问题，并确定评价准则。
然后，针对每个方案进行评估，将评估结果进行综合分析，并最终选择最优方案。
案例分析：某公司要推出一款新产品，决策者根据市场调研和竞争对手分析，制定了几个评价准则，包括市场需求、竞争优势、技术可行性和经济效益。
决策者根据对每个方案的评估，综合各个准则的权重，最终选择了能够满足市场需求、具有竞争优势、技术可行且经济效益较高的方案。
三、定量决策分析定量决策分析是一种基于数学模型和数据分析的决策方法。
在定量决策分析中，决策者通过收集和分析相关数据，运用数学模型计算和优化方案。
定量决策分析的基本步骤包括：问题定义、数据收集、模型建立、计算求解和方案选择。
决策者首先明确决策问题，并确定需要的数据。
然后，根据问题的特点和约束条件，建立相应的数学模型，并利用计算机进行求解。
最后，根据模型的结果，选择最优方案。
案例分析：某公司需要选择供应商，决策者根据历史数据和市场价格，建立了一个供应商评估模型。
模型考虑了供应商的价格、交货时间、产品质量和服务水平等因素，并赋予了各个因素的权重。
决策理论和方法知识讲解
决策理论和方法知识讲解决策理论和方法是指通过对决策过程、决策者和决策环境的研究来指导和改进决策的学科。
决策理论和方法主要包括决策过程的描述、决策树和概率分析、决策分析和模型、群决策、风险分析和随机性等内容。
下面将从这些方面对决策理论和方法进行详细讲解。
首先，决策过程的描述是指对决策者在特定决策环境下进行决策的过程进行描述和分析。
决策过程通常包括问题定义、信息收集、方案评估、选择方案、实施方案和结果评估等步骤。
决策者在每一步都需要对当前的信息进行分析和判断，以制定最优的决策方案。
其次，决策树和概率分析是指通过构建决策树模型，对决策者在不同选择下的可能结果进行分析和评估。
决策树采用树形结构来表示决策过程，每个节点表示一个决策点，每条路径表示一个决策序列。
概率分析则是在决策树的基础上，通过对可能结果的概率分布进行分析，评估不同决策方案的风险和收益。
决策分析和模型是指通过建立数学或统计模型，对决策问题进行定量分析和评估。
常用的决策分析方法包括线性规划、多目标决策、决策支持系统等。
决策模型则是将决策问题抽象为数学模型，通过模型求解得出最优的决策方案。
群决策是指多个决策者共同参与决策过程，根据不同的决策权重和决策规则来进行协商和决策。
群决策可以通过多个决策者的意见和建议来获取更全面和客观的决策信息，避免个体决策的局限性。
常用的群决策方法包括层次分析法、模糊综合评价法等。
风险分析和随机性是指在决策过程中考虑不确定性和随机性因素对决策结果的影响。
风险分析通过对可能结果的概率分布进行分析，评估不同决策方案的风险水平。
随机性则是通过随机模拟和蒙特卡洛方法来评估不确定性因素对决策结果的影响。
总结起来，决策理论和方法是指通过对决策过程、决策者和决策环境的研究来指导和改进决策的学科。
决策理论和方法主要包括决策过程的描述、决策树和概率分析、决策分析和模型、群决策、风险分析和随机性等内容。
在实际应用中，决策理论和方法可以帮助决策者更科学、合理地制定决策方案，减少决策中的风险和随机性，提高决策效果。
决策理论和方法范文
决策理论和方法范文一、基本决策理论1.理性决策理论：理性决策理论认为人们在做出决策时是理性的，会权衡利弊并选择最佳选项。
这种理论假设人们追求自己的利益最大化，并具有坚定的目标。
2.不确定性理论：不确定性理论认为在决策过程中存在不确定因素，决策者无法准确预测未来结果。
这种理论通过概率和统计方法来处理不确定性，以帮助决策者做出决策。
3.边际效益理论：边际效益理论认为人们在做决策时会考虑每个决策的边际效益。
边际效益是指每个额外单位的投入所带来的效益变化。
决策者会在边际效益增加的情况下继续投入，直到边际效益减少。
二、常见决策方法1.基于直觉的决策：基于直觉的决策是基于经验和直觉来做出决策的方法。
这种方法适用于简单的问题，但在复杂问题和不确定性较大的情况下可能会产生偏见和错误判断。
2.经济学决策方法：经济学决策方法是基于经济学原理来做出决策的方法。
它考虑成本和效益，并通过比较不同方案的边际效益来选择最优方案。
3.策略性决策方法：策略性决策方法是基于长期目标和整体视角来做出决策的方法。
它考虑决策的长期影响，以及各种因素的相互关系，以找到最佳的综合解决方案。
4.群体决策方法：群体决策方法是在一个团队或群体中共同讨论和决策的方法。
这种方法可以帮助集体智慧的发挥，减少个人偏见和错误判断的可能性。
5.数据驱动决策方法：数据驱动决策方法是基于大数据和分析来做出决策的方法。
它利用数据和统计模型来识别问题和解决方案，并提供决策者需要的信息。
三、决策的影响因素1.价值观和道德：决策者的价值观和道德观会对决策产生重要影响。
不同的价值观会导致不同的优先级和决策偏好。
2.心理因素：个体的认知偏见、情绪和心理状态等因素会对决策产生影响。
理解这些心理因素可以帮助决策者意识到自己的偏见，并尽量消除它们。
3.环境因素：外部环境的不确定性、竞争状况、政策改变等因素会对决策产生影响。
决策者需要了解并适应不同的环境因素来做出更好的决策。
四、优化决策方法1.线性规划法：线性规划法是通过建立线性模型来寻找决策变量的最优解。
第04讲智能决策理论与方法-1.ppt
数据预处理—空值估算
❖ 空值是指属性值未知且不可用、与其它任何值都不相同的符 号。在样本数据集中，空值在所有非主码属性中都可能出现。 空值出现的主要原因： ✓ 在信息收集时忽略了一些认为不重要的数据或信息提供 者不愿意提供，而这些数据对以后的信息处理可能是有 用的； ✓ 某些属性值未知； ✓ 数据模型的限制。
2020年10月17日9时50分
知识发现—动机
推理机
推理结果
问题请求
决策者
知识库
数据挖掘工具
背景知识 领域专家
数据中心
❖ 优点 ✓ 知识独立于问题本身 ✓ 知识的获取主要通过数据挖掘实现 ✓ 有创造性收获
决策理论与方法-智能决策理论与方法
2020年10月17日9时50分
Data Mining within the DSS
若其属性ci
的取值在区间
[ci j 1
,
ci j
)(
j
(1,2,,
ki
))
内，则将属
性值重新标记为j。这样就把原来含有连续属性的样本数据集
A转换成离散化的数据集 AP 。因此离散化问题本质上可归结
为利用选取的分割点对属性的值域空间进行划分的问题。
决策理论与方法-智能决策理论与方法
2020年10月17日9时50分
等信息量分割首先将测量值进行排序，然后将属性值域分成 k个区间，每个区间包含相同数量的测量值。假设某个属性 的最大属性值为xmax ，最小属性值为xmin ，用户给定的分割 点参数为k，样本集中的对象个数为n，则需要将样本集中的 对象按该属性的取值从小到大排列，然后按对象数平均划分 为k段即得到分割点集，每两个相邻分割点之间的对象数均 为n/k。
❖ 解决问题的主要理论方法：人工智能与不确定性理论
人工智能的自动规划和决策方法
人工智能的自动规划和决策方法人工智能（Artificial Intelligence，AI）的发展已经取得了令人瞩目的成就，其中之一就是在自动规划和决策方面的进展。
人工智能能够通过学习和推理的过程，解决复杂的问题，并提供高效的解决方案。
本文将探讨，并介绍一些常用的技术和应用。
人工智能的自动规划是指利用计算机算法和技术，自动地生成一系列动作方案以实现特定的目标。
自动规划的过程通常包括以下几个关键步骤：问题建模、搜索空间定义、评估和选择、执行和监控。
首先，问题建模阶段将具体问题抽象成数学模型或逻辑表达式。
以城市路径规划为例，地图可以被建模成图论中的图，道路可以被视为图的边，城市可以被视为图的节点。
通过这种方式，可以将城市路径规划问题转化为图论问题来进行求解。
接下来，搜索空间定义阶段将问题的解空间映射到计算机内存中的数据结构，以便进行搜索和推理。
通常，自动规划算法会基于搜索算法如深度优先搜索、广度优先搜索、A*搜索等，在搜索空间中寻找最优解。
在评估和选择阶段，自动规划系统会基于设定的目标和约束条件，评估每个解的质量，并选择最优的解作为输出。
这一步骤通常需要使用启发式函数或评估函数来对解进行评估，例如在路径规划中，可以使用路程长度作为评估指标。
在执行和监控阶段，自动规划系统将生成的方案转化为实际的行动，并跟踪其执行过程。
当遇到新的情况或约束时，系统可以及时修正计划，并做出新的决策。
除了自动规划，人工智能还能够通过决策方法来解决问题。
决策方法是指在给定一些可选的行动和目标情况下，选择最佳行动的过程。
决策方法通常包括以下几个关键步骤：问题建模、用于表示决策的数学模型、决策标准和决策规则以及结果评估。
问题建模是将实际问题抽象为数学模型的过程。
这个模型可以是一组决策变量、约束条件和目标函数的集合。
通过这种方式，可以将复杂的问题转化为可以计算的形式。
决策方法通常需要一个数学模型来描述问题和决策变量。
常用的模型有线性规划、整数规划、动态规划等。
决策理论与方法-大纲
《决策理论与方法》教学大纲课程编号：071424A课程类型：□通识教育必修课□通识教育选修课专业必修课□专业选修课□学科基础课总学时：64讲课学时：48实验（上机）学时：16学分：4适用对象：信息管理与信息系统先修课程：管理学、经济学、统计学、高等数学、运筹学一、教学目标决策理论与方法是管理科学专业和信息管理与信息系统专业的专业主干课程。
通过该课程的学习，使学生掌握决策分析的基本理论和基本方法以及仿真技术在决策分析中的应用，能够灵活运用所学知识建立相关的决策模型和仿真模型并求解，培养学生从实践中发现问题、提出问题、分析问题和解决问题的能力和团队协作精神，提高学生的创新能力和综合素质。
具体包括以下五方面：1、熟练掌握本课程的基本概念和基本原理。
其中，决策原理涵盖：确定型决策分析、风险型决策分析、不确定型决策分析、多目标决策分析、序贯决策分析、竞争型决策分析和决策支持系统等；仿真原理涵盖：蒙特卡洛仿真、基于Matlab随机数的产生、离散系统仿真、连续系统仿真、系统动力学及其应用等。
2、熟练掌握本课程的基本方法和基本模型。
本课程主要包含决策模型和仿真模型两部分。
其中，决策模型包括确定型决策、风险型决策、不确定型决策、多目标决策、序贯决策，仿真模型包括离散系统仿真、连续系统仿真。
3、掌握本课程主要实验的基本原理和基本技能，灵活运用和操作各种相关的决策软件和仿真软件。
决策软件包括Eviews、SPSS、Excel等，仿真软件包括Vensim、Matlab等。
通过实验，巩固课程所学的概念和原理，训练学生对软件的熟练操作和运用能力。
4、培养学生综合运用本课程所学的决策理论、模型方法和仿真技术解决实际问题的能力，包括提出问题、分析问题和解决问题的能力，实践动手能力以及创新能力等。
5、训练学生的科学素养、团队合作意识和探索精神。
二、教学内容及其与毕业要求的对应关系（黑体，小四号字）依据人才培养方案和课程教学目标，提出“问题引导、理论阐析、模型教学、实践强化”的教学设计理念；重点：确定型决策分析、风险型决策分析、不确定型决策分析、多目标决策分析和序贯决策分析；系统仿真的概念、离散和连续系统仿真；系统动力学建模原理和方法。
决策理论与决策方法
决策理论与决策方法决策理论与决策方法是管理学领域的重要研究内容，涉及到个体和组织在面临不确定性时的决策过程和方式。
决策理论和方法旨在帮助决策者更加有效地评估各种选择，并做出最优决策。
本文将分别介绍决策理论和决策方法，并分析它们在实践中的应用。
决策理论是指对决策过程中的假设、原则和规则进行研究和分析的一种学科。
决策理论研究的核心是在不确定性条件下选择最优决策的原则。
例如，当面临多个不同的选择时，决策者应该如何评估各种可能的结果和概率，并根据这些结果进行决策。
决策理论的发展可以追溯到20世纪初，由于经济学和心理学等学科的发展，决策理论逐渐成为一个独立的学科。
决策理论主要包括多准则决策、主观决策和决策模型等研究内容。
多准则决策是一种常见的决策理论，它考虑到多种决策准则和目标，并试图将其整合为一个综合的评价指标。
在多准则决策中，决策者需要分析每个决策准则的权重和重要性，并评估每个决策选择在这些准则上的得分。
然后，通过加权求和或其他方法将各个准则的得分综合起来，得到每个决策选择的综合得分。
最终，根据综合得分，决策者可以选择得分最高的决策选择。
主观决策是另一种重要的决策理论，它强调决策者的主观判断和个人经验。
在主观决策中，决策者将依赖于自己的主观判断来做出决策，同时考虑到一些客观因素。
与多准则决策不同，主观决策更加关注决策者的直觉和经验。
主观决策常常用于缺乏准确数据或在时间紧迫的情况下。
决策模型是一种用数学和统计方法来辅助决策的工具。
决策模型将决策问题转化为一个数学模型，并使用各种数学方法来求解这个模型。
常用的决策模型包括线性规划、动态规划和模糊决策等。
线性规划是一种用来解决线性决策问题的方法，动态规划则适用于具有时序性的决策问题，而模糊决策则用于处理决策问题中存在的模糊和不确定性。
决策模型可以帮助决策者更加客观地评估各种决策选择，并提供相应的最优解决方案。
决策方法则是将决策理论应用于实践的具体方法。
决策方法的选择和应用需要考虑到具体决策问题和环境。
决策理论与方法课程教学大纲
《决策理论与方法》课程教学大纲
课程名称：决策理论与方法/ Theory And Method of Decision
课程代码：030538
学时：32 学分： 2 讲课学时：30 考核方式：考查
先修课程：管理信息系统、决策支持系统
适用专业：信息管理与信息系统系
开课院系：信息管理
教材：卫民堂.决策理论与技术.西安交通大学出版社.2000.
主要参考书：决策理论导引. 李怀祖.北京:机械工业出版社．2002.
一、课程的性质和任务
使学生掌握基本的决策理论和决策方法，了解最新的决策技术，培养学生的决策分析能力。
二、教学内容和基本要求
第一章：决策概论
决策的价值
决策和决策过程
决策理论及其发展
第二章：常用的决策方法
确定型决策方法
非确定型决策方法
风险型决策方法
第三章：效用理论
效用和效用理论
基效用理论和方法——期望效用值理论
序效用理论和方法——无差异效用曲线及其应用
第四章：群决策理论
群体决策及其特点
群体决策的类型
群体决策的择案规则
第五章：决策思维
决策思维过程
决策思维方式
四、对学生能力培养的要求
1．使学生理解决策分析中所包含的决策理论；
2．使学生能较系统的掌握各种定性与定量决策分析方法； 3．使学生能掌握各种方法的特征、应用条件和应用领域； 4．培养学生灵活运用各种决策分析方法解决实际问题的能力
五、说明
本课程与其它课程的联系与分工
课程内容的重点、难点
该课程属于管理基础课程，需要一顶的数学基础
有关课程考核问题
其它需要说明的问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
印度豹 长颈鹿 斑马
决策理论与方法-智能决策理论与方法
2018年10月4日8时18分
机器学习—归纳学习：决策树
决策树学习是以实例为基础的归纳学习算法。所谓决策树是 一个类似流程图的树结构，其中树的内结点对应属性或属性 集，每个分枝表示检验结果(属性值)，树枝上的叶结点代表 所关心的因变量的取值(类标签)，最顶端的结点称为根结点。 决策树学习采用自顶向下的递归方式，在决策树的内部结点 进行属性值比较并根据不同的属性值判断从该结点向下的分 支，在叶结点得到结论。从根结点到每个叶结点都有唯一的 一条路径，这条路径就是一条决策“规则”。
消除条件规则：一个合取条件可看作是对满足此概念的
可能实例集的一个约束。消除一个条件，则该概念被泛 化。
Re d (v) Circle (v) Apple (v) | Re d (v) Apple (v )
添加选项：通过添加更多条件，使得有更多的实例满足
概念而使该概念泛化。该规则特别有用的方式是通过扩 展某个特定概念的取值范围而增加选项。
2018年10月4日8时18分
决策理论与方法-智能决策理论与方法
机器学习—归纳学习：泛化
归纳学习是指从给定的关于某个概念的一系列已知 的正例和反例中归纳出一个通用的概念描述。 泛化(Generalization)是用来扩展一假设的语义信息， 使其能够包含更多的正例。泛化所得到的结论并不 总是正确的。 常用泛化方法：
将常量转为变量规则：对于概念F(v)，如果v的某些取值
a,b,…使F(v)成立，则这些概念可被泛化为：对于v的所有 值，F(v)均成立： F (a) F (b) | (v) F (v)
决策理论与方法-智能决策理论与方法 2018年10月4日8时18分
机器学习—归纳学习：泛化
2018年10月4日8时18分
机器学习—归纳学习：决策树
概念学习系统CLS(Hunt)：从一颗空的决策树出发，添加新 的判定结点来改善原来的决策树，直到该决策树能够正确地 将训练实例分类为止。
产生根节点T，T包含所有的训练样本； 如果T中的所有样本都是正例，则产生一个标有“1”的节点作
为T的子节点，并结束；
Re d (v) Apple (v ) |
将合取转为析取规则
Re d (v) Blue(v) Apple (v)
Re d (v) Circle (v) Apple (v)
2018年10月4日8时18分
Re d (v) Circle (v) Apple (v) |
智能决策理论与方法
1、智能决策理论的形成背景
2、知识发现 3、机器学习 4、不确定性理论
决策理论与方法-智能决策理论与方法
2018年10月4日8时18分
机器学习
机器学习是从模拟人类的学习行为出发，研究客观 世界和获取各种知识与技能的一些基本方法（如归 纳、泛化、特化、类比等），并借助于计算机科学 与技术原理建立各种学习模型，从根本上提高计算 机智能和学习能力。研究内容是根据生理学、认知 科学对人类学习机理的了解，建立人类学习的计算 模型或认知模型；发展各种学习理论和学习方法， 研究通用的学习算法并进行理论上的分析；建立面 向任务且具有特定应用的学习系统。
如果T中的所有样本都是反例，则产生一个标有“-1”的节点作
为T的子节点，并结束；
选择一个属性A(如何选?)，根据该属性的不同取值v1,v2,…,vn将
T中的训练集划分为n个子集，并根据这n个子集建立T的n个子 节点T1,T2,…,Tn，并分别以A=vi作为从T到Ti的分支符号；
以每个子节点Ti为根建立新的子树。
A0 1 A1 1 0 -1 1 1 0
0
0 0 0
0
0 0 1
0
1 1 0
1
0 1 0
-1
-1 -1 1
1
1 1 1
0
0 0 1
0
1 1 0
1
0 1 0
-1
-1 -1 1
1
-1
A1
0 -1
A2 0
1
0
0 0
1
1 1
0
1 1
1
0 1
1
1 1
1
1 1
1
1 1
0
1 1
1
0 1
1
-1 -1
决策理论与方法-智能决策理论与方法
(x) L( x) s
Nick等人给出了一种面向属性的归纳算法。 过度泛化问题 当某个属性被爬升至过高的概念层会导致冲突的产生， 这种现象称为过度泛化。克服过度泛化必须有相应的终 止泛化算法的策略。
2018年10月4日8时18分
决策理论与方法-智能决策理论与方法
机器学习—归纳学习：泛化
机器学习—归纳学习：决策树
ID3算法(Quinlan)：ID3算法对CLS做了两方面的改进：(1) 增加窗口技术；(2)以信息熵的下降速度(信息增益)作为测试 属性选择标准。
窗口技术：对于训练集很大的情形可选择其某个子集(称
决策理论与方法-智能决策理论与方法 2018年10月4日8时18分
机器学习—归纳学习：决策树
T
T1 A1 1 T11 A2 1 -1 T111 0 1 T112 0 T12 -1 1 T21 1 A0 1 0 T2 A1 0 -1 T22
决策理论与方法
当经过一批训练实例集的训练产生一颗决策树，那么该决策 树就可以根据属性的取值对一个未知实例集进行分类。所有 的决策树都有一等价的ANN表示；也可用SVM实现相同的 功能。
2018年10月4日8时18分
决策理论与方法-智能决策理论与方法
机器学习—归纳学习：决策树
A0 A1 A2 A3 类 A0 A1 A2 A3 类 0 0 0 0 -1 1 0 0 0 -1
决策理论与方法-智能决策理论与方法
机器学习—归纳学习：泛化
爬升概念树规则：通过爬升概念树，低层概念被较高层
概念替代。设A表示信息系统中的某个属性如Animal， a,b,…分别为对象u,v,…在属性A上的取值，若s是概念树 上a,b,…的父结点，则基于概念树爬升的泛化规则表示为：
A(u ) a A(v) b |