Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Transkrypt
Analiza wielokryterialna wiedzy reprezentowanej ontologicznie
Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Zastosowanie metod analizy semantycznej do zwiększenia efektywności wykorzystania gridu Katarzyna Wasielewska-Michniewska Studia Doktoranckie IBS PAN Techniki informacyjne - teoria i zastosowania Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Zakres i cel pracy Zadanie badawcze Zaproponowanie metod wspomagających użytkownika przy efektywnym wykorzystywaniu zasobów gridu z zastosowanie agentów programowych, ontologicznej reprezentacji wiedzy oraz wielokryterialnej oceny przy podejmowaniu decyzji. Cele badawcze 1 Opracowanie metody reprezentacji wiedzy dziedzinowej opartej na ontologii. 2 Zastosowanie analizy wielokryterialnej do wsparcia użytkownika przy definiowaniu zadania oraz w określaniu ograniczeń dotyczących wymaganego zasobu. 3 Wsparcie użytkownika przy wyborze optymalnej oferty (kontraktu) określającej warunki wykonania zadania. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Motywacja Grid jako narzędzie do rozwiązywania problemów obliczeniowych dużej skali Problemy z wykorzystaniem udostępnionych zasobów: luka w komunikacji pomiędzy twórcami narzędzi a użytkownikami ciągłe wykorzystywanie jednej metody / algorytmu / biblioteki do rozwiązania danego problemu Integracja gridu z biznesem Zastosowanie ontologii oraz agentów programowych w celu dostarczenia inteligentnej infrastruktury Wsparcie użytkownika o małej wiedzy technicznej w jego współdziałaniu z gridem - jak wybrać odpowiednie narzędzie do rozwiązania problemu? Mechanizmy integrujące z warstwą ekonomiczną Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Kontekst Agents in Grid – inteligentne zarządzanie zasobami udostępnianymi w gridzie z wykorzystaniem agentów programowych oraz semantycznego przetwarzania danych. Scenariusz: wyszukiwanie zasobu do wykonania zadania Założenia: grid jako środowisko otwarte, do którego może się przyłączyć dowolny zasób, wszyscy “użytkownicy” oraz udostępnione zasoby reprezentowane są przez agenty programowe, agenty działają w zespołach reprezentowanych przez liderów, użytkownik ma do wykonania zadanie obliczeniowe, do którego chce wykorzystać zasób dostępny na gridzie, użytkownik ma wiedzę dotyczącą problemu oraz posiada ogólną wiedzę na temat metody, natomiast nie jest pewien, które narzędzie oraz konfiguracja zasobu będzie optymalna. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Kontekst Agents in Grid – inteligentne zarządzanie zasobami udostępnianymi w gridzie z wykorzystaniem agentów programowych oraz semantycznego przetwarzania danych. Scenariusz: wyszukiwanie zasobu do wykonania zadania Założenia: grid jako środowisko otwarte, do którego może się przyłączyć dowolny zasób, wszyscy “użytkownicy” oraz udostępnione zasoby reprezentowane są przez agenty programowe, agenty działają w zespołach reprezentowanych przez liderów, użytkownik ma do wykonania zadanie obliczeniowe, do którego chce wykorzystać zasób dostępny na gridzie, użytkownik ma wiedzę dotyczącą problemu oraz posiada ogólną wiedzę na temat metody, natomiast nie jest pewien, które narzędzie oraz konfiguracja zasobu będzie optymalna. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Kontekst Agents in Grid – inteligentne zarządzanie zasobami udostępnianymi w gridzie z wykorzystaniem agentów programowych oraz semantycznego przetwarzania danych. Scenariusz: wyszukiwanie zasobu do wykonania zadania Założenia: grid jako środowisko otwarte, do którego może się przyłączyć dowolny zasób, wszyscy “użytkownicy” oraz udostępnione zasoby reprezentowane są przez agenty programowe, agenty działają w zespołach reprezentowanych przez liderów, użytkownik ma do wykonania zadanie obliczeniowe, do którego chce wykorzystać zasób dostępny na gridzie, użytkownik ma wiedzę dotyczącą problemu oraz posiada ogólną wiedzę na temat metody, natomiast nie jest pewien, które narzędzie oraz konfiguracja zasobu będzie optymalna. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Kontekst Agents in Grid – inteligentne zarządzanie zasobami udostępnianymi w gridzie z wykorzystaniem agentów programowych oraz semantycznego przetwarzania danych. Scenariusz: wyszukiwanie zasobu do wykonania zadania Założenia: grid jako środowisko otwarte, do którego może się przyłączyć dowolny zasób, wszyscy “użytkownicy” oraz udostępnione zasoby reprezentowane są przez agenty programowe, agenty działają w zespołach reprezentowanych przez liderów, użytkownik ma do wykonania zadanie obliczeniowe, do którego chce wykorzystać zasób dostępny na gridzie, użytkownik ma wiedzę dotyczącą problemu oraz posiada ogólną wiedzę na temat metody, natomiast nie jest pewien, które narzędzie oraz konfiguracja zasobu będzie optymalna. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Kontekst Agents in Grid – inteligentne zarządzanie zasobami udostępnianymi w gridzie z wykorzystaniem agentów programowych oraz semantycznego przetwarzania danych. Scenariusz: wyszukiwanie zasobu do wykonania zadania Założenia: grid jako środowisko otwarte, do którego może się przyłączyć dowolny zasób, wszyscy “użytkownicy” oraz udostępnione zasoby reprezentowane są przez agenty programowe, agenty działają w zespołach reprezentowanych przez liderów, użytkownik ma do wykonania zadanie obliczeniowe, do którego chce wykorzystać zasób dostępny na gridzie, użytkownik ma wiedzę dotyczącą problemu oraz posiada ogólną wiedzę na temat metody, natomiast nie jest pewien, które narzędzie oraz konfiguracja zasobu będzie optymalna. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Przykładowy scenariusz Krok 1 Użytkownik szuka zasobu o wskazanej konfiguracji (np. dostępna pamięć większa niż 1024MB) do rozwiązania zadania z jego dziedziny (np. znalezienie najmniejszej wartości własnej dla macierzy symetrycznej). użytkownik definiuje problem / własności danych /konfigurację zasobu zgodnie ze swoim stanem wiedzy (różny poziom szczegółowości) wielokryterialna ocena “poprawności” wymagań użytkownika Krok 2 Użytkownik chce określić warunki współpracy z dostawcą zasobu. wielokryterialna ocena ofert kontraktów otrzymanych w wyniku negocjacji Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wspomaganie użytkownika w ramach AiG I Wyszukiwanie zasobu do wykonania zadania 1 Użytkownik wprowadza wymagania dotyczące zasobu oraz zadania. 2 Agent użytkownika przeszukuje repozytorium z wiedzą ekspercką i wybiera pasujące opinie eksperckie (analiza wielokryterialna). Bazując na opiniach eksperckich można wyróźnić trzy sytuacje: 3 1 2 3 4 użytkownik prawidłowo i w pełni zdefiniował zadanie i konfigurację zasobów (bez zmian) można precyzyjniej określić metodę rozwiązania i/lub optymalną konfigurację zasobów (rozszerzenie/modyfikacja) wiedza ekspercka wskazuje na to, że należałoby zastosować inną metodę i/lub inaczej skonfigurować zasoby (wskazanie alternatyw) Użytkownik akceptuje lub odrzuca zmodyfikowane wymagania. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wspomaganie użytkownika w ramach AiG II Wyszukiwanie zasobu do wykonania zadania 5 Agent użytkownika odpytuje system, o zarejestrowane zespoły, które posiadają zasób o wskazanej konfiguracji. 6 Użytkownik wprowadza wymagania dotyczące kontraktu. 7 Agent użytkownika przystępuje do negocjacji z wybranymi liderami zespołów. 8 Agent użytkownika wybiera optymalną ofertę kontraktu (analiza wielokryterialna). 9 Następuje etap przesłania i wykonania zadania. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wiedza ekspercka Ontologia Formalna, jawna specyfikacja współdzielonej konceptualizacji. Ontologię specyfikuje się używając następujących konstruktów: pojęcia opisujące elementy dziedziny, własności opisujące cechy poszczególnych pojęć, ograniczenia nałożone na wartości, jakie mogą przyjmować cechy danego pojęcia, związki miedzy pojęciami i aksjomaty (np. używając aksjonamtu subclass można wskazać, że klasa sparseSymmetricMatrix jest podklasą klasy SymmetricMatrix). Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Ontologia dziedzinowa I Podstawowe pojęcia - model koncepcyjny Domain - identyfikuje dziedzinę wiedzy Problem - hierarchia problemów Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Ontologia dziedzinowa II Podstawowe pojęcia - model koncepcyjny Algorithm - hierarchia algorytmów / metod, które można wykorzystać do rozwiązania problemów Data Element - typ danych, które stanowią wejście dla algorytmów Data Property - hierarchia własności danych wejściowych; dla dziedziny obliczeniowej algebry liniowej własności są podklasami Matrix Property lub Matrix Element Property Domain Expert - eksperci (ludzi bądź systemy), którzy wprowadzają do systemu opinie (rekomendacje) w ramach przypisanych do nich dziedzin Job Profile - profil zadania stanowiący powiązanie instancji klas Problem, Algorithm, Data Element, Expert Opinion Expert Opinion - opinie eksperckie wiążące instancje klasy Domain Expert oraz Grid Entity Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Ontologia dziedzinowa III Podstawowe pojęcia - model koncepcyjny Testowe zastosowanie dla dziedziny: obliczeniowa algebra liniowa W ontologii OWL można wyróźnić: T-Box (terminologia - syntaktyka) – model koncepcyjny tj. aksjomaty definiujące i opisujące pojęcia A-Box (asercje - semantyka) – zawiera asercje dotyczące instancji A-Box + T-Box = baza wiedzy Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Ontologia dziedzinowa IV Podstawowe pojęcia - model koncepcyjny Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu I Definiowanie wstępnych wymagań Profil zadania – ograniczenia na kombinację problemu, algorytmu, oraz własności danych wejściowych, ew. konfiguracji zasobu. Kluczowy element przy wyszukiwaniu opinii eksperckiej. Opinie ekspertów powinny zostać zagregowane i skonfrontowane z tym co określił użytkownik. Można wyróżnić dwie sytuacje: 1 użytkownik niedookreślił “tego co chce zrobić” 2 użytkownik zaproponował sformułowanie zagadnienia, które nie jest optymalne Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu II Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu III Opinie eksperckie Opinie eksperckie wyrażone są semantycznie co pozwala na ich reprezentację w postaci drzewa. < o w l : N a m e d I n d i v i d u a l rdf:about = " AiGExpInst ; eigenvalueJobProfile "> < rdf:type rdf:resource = " AiGExpOnto ; JobProfile " / > < A i G E x p O n t o : f o r P r o b l e m rdf:resource = " AiGExpInst ; smallestEigenvalueProblem "/> < A i G E x p O n t o : f o r M a t r i x rdf:resource = " AiGExpInst ; sparseSymmetricMatrix "/> < A i G E x p O n t o : h a s A l g o r i t h m rdf:resource = " AiGExpInst ; eigenSolverJacobiMethod "/> < A i G E x p O n t o : h a s e x p e r t O p i n i o n rdf:resource = " AiGExpInst ; Opinion1ForEigenvalueProblem "/> </ ow l : N a m e d I n d i v i d u a l > < o w l : N a m e d I n d i v i d u a l rdf:about = " AiGExpInst ; Opinion1ForEigenvalueProblem "> < rdf:type rdf:resource = " AiGExpOnto ; ExpertOpinion " / > < A i G E x p O n t o : h a s E x p e r t rdf:resource = " AiGExpInst ; HPCExpert1 " / > Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu IV < A i G E x p O n t o : h a s R e c o m m e n d e d R e s o u r c e rdf:resource = " AiGExpInst ; c o mp u t i n g E l e m en t " / > < A i G E x p O n t o : f o r J o b P r o f i l e rdf:resource = " AiGExpInst ; eigenvalueJobProfile "/> </ o w l : N a m e d I n d i v i d u a l > < o w l : N a m e d I n d i v i d u a l rdf:about = " AiGExpInst ; c o m p u ti n g E l e m e n t " > < rdf:type rdf:resource = " AiGExpInst ; D e f i n e d C o m p E l e m e n t " / > </ o w l : N a m e d I n d i v i d u a l > Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu V Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu VI Analiza wielokryterialna Powinna pozwolić na wybranie zagregowanej opinii wyrażającej pogląd na temat tego jaki zasób byłby najlepszy dla wykonania zadania. wielu ekspertów (decydentów), którzy mogą mieć różne „wagi” wiele kryteriów ilościowych i jakościowych, które mogą mieć wagi istotnościowe możliwość naturalnego / prostego uwzględnienia drzewiastej struktury kryteriów ograniczenia na kryteria mogą stanowić konkretne wartości lub przedziały Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu Rekomendacje Wynik Maksymalnie precyzyjne określenie tego, jakie zasoby (sprzęt i oprogramowanie) są potrzebne aby rozwiązać zadanie oraz ewentualnie zasugerowanie metody rozwiązania problemu. W tej sytuacji może okazać się, że: 1 użytkownik prawidłowo i w pełni zdefiniował zadanie i konfigurację zasobów (bez zmian), 2 wiedza ekspercka wskazuje na to, że można precyzyjniej określić metodę rozwiązania i/lub optymalną konfigurację zasobów (rozszerzenie / modyfikacja), 3 wiedza ekspercka wskazuje na to, że należałoby zastosować inną metodę i/lub inaczej skonfigurować zasoby (wskazanie alternatyw). Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze kontraktu I Definiowanie wstępnych wymagań W tym przypadku jeden ekspert (agent reprezentujący użytkownika), wybiera najlepszą ofertę kontraktu spośród otrzymanych ofert (lub stwierdza, że żadna z otrzymanych ofert nie jest „dostatecznie dobra”). Struktura problemu decyzyjnego generowana jest na podstawie wymagań użytkownika. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze kontraktu II Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze kontraktu III Wymagania oraz oferty kontraktów wyrażone są semantycznie co pozwala na ich reprezentację w postaci drzewa. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze kontraktu IV Analiza wielokryterialna jeden ekspert wiele kryteriów ilościowych i jakościowych, które mogą mieć wagi istotnościowe możliwość naturalnego / prostego uwzględnienia drzewiastej struktury kryteriów Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Metody analizy wielokryterialnej Analytical Hierarchy Process (AHP; Thomas Saaty, 1970+) PROMETHEE (B. Mareschal, J. P. Brans, C. Macharis, 1998) Technique for Order Preference by Similarity to Ideal Solution (TOPSIS; H.-S. Shih, H.-J. Shyur, E. S. Lee, 2008) i Ontological Matchmaking Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Analytical Hierarchy Process (AHP) AHP – analiza wielokryterialna w przypadku złożonego problemu z licznymi, antagonistycznymi oraz podlegającymi subiektywnej ocenie kryteriami (o hierarchicznej strukturze), wspierająca analizę skończonej ilości wariantów (alternatyw) przez wielu ekspertów; możliwość oceny poziomu spójności dla wyrażonych preferencji. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu I AHP 1 Wybór kryteriów. C1 , . . . , CM – zbiór kryteriów służących do oceny wariantów 2 Wybór ekspertów. E = {ei }i=1,...,K – zbiór ekspertów 3 Numeryczna ocena i stworzenie rankingu wariantów. Tworzenie hierarchicznej struktury problemu decyzyjnego. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu II AHP Definicja preferencji oraz obliczanie ocen ważności dla wszystkich elementów hierarchii. 1 c12 ... c1m c21 1 ... c2m (1) ... ... ... ... cm1 cm2 ... cmm Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu III AHP cij = 1 cji , cii = 1 oceny ważności kryteriów z danego poziomu względem rodzica to współczynniki znormalizowanego wektora własnego c̄ dla maksymalnej wartości własnej λmax (posiadającej wektor własny c z dodatnimi współczynnikami ci > 0, i = 1, ..., m) ci c̄i = Pm i=1 hasCPU hasMemory isRunningOS ci , m X c¯i = 1 i=1 hasCPU 1 3 hasMemory 1 3 1 5 1 3 1 isRunningOS 3 5 1 lokalne wagi: hasCPU 0.2, hasMemory 0.68, isRunningOS 0.12 hasClockSpeed hasCores Katarzyna Wasielewska-Michniewska hasClockSpeed 1 3 hasCores 1 3 1 Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu IV AHP lokalne wagi: hasClockSpeed 0.25, hasCores 0.75 hasTotalSize hasAvailableSize hasTotalSize 1 7 hasAvailableSize 1 7 1 lokalne wagi: hasTotalSize 0.12, hasAvailableSize 0.88 oceny wyliczone na każdym poziomie są wykorzystywane do wyliczenia ważonych ocen na poziomie bezpośrednio pod danym elementem - globalne oceny ważności dla każdego ci , i = 1, ..., M chasClockSpeed = c̄computingElement ∗ c̄CPU ∗ c̄hasClockSpeed = 0.025 chasCores = c̄computingElement ∗ c̄CPU ∗ c̄hasCores = 0.075 chasTotalSize = c̄computingElement ∗ c̄Memory ∗ c̄hasTotalSize = 0.041 chasAvailableSize = c̄computingElement ∗ c̄Memory ∗ c̄hasAvailableSize = 0.3 cisRunningOS = c̄computingElement ∗ c̄isRunningOS = 0.06 chasAlgorithm = c̄JobProfile ∗ c̄hasAlgorithm = 0.5 Badania spójności macierzy preferencji. Wyznaczenie ocen ważności dla ekspertów. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu V AHP HPCExpert1 HPCExpert2 HPCExpert3 HPCExpert1 1 1 5 3 HPCExpert2 5 1 7 HPCExpert3 1 3 1 7 1 wagi: HPCExpert1 0.28, HPCExpert2 0.07, HPCExpert3 0.65 Tworzenie rankingu końcowego. macierz ocen, gdzie xijn , i = 1, ..., M, j = 1, ..., K – oceną n-tego wariantu przez j-tego eksperta (o ważności wj , j = 1, ..., K ) mając na uwadze i-te kryterium C1 C2 ... CM e1 n x11 n x21 ... n xM1 Katarzyna Wasielewska-Michniewska e2 n x12 n x22 ... n xM2 ... ... ... ... ... eK n x1K n x2K ... n xMK Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu VI AHP Ocena Mn n-ego wariantu jest wyliczana jako: Mn = M X i=1 Katarzyna Wasielewska-Michniewska (ci K X xijn wj ) j=1 Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu VII AHP Alternatywa 1 hasClockSpeed hasCores hasTotalSize hasAvailableSize isRunningOS hasAlgorithm HPCExpert1 1 3 5 1 7 1 HPCExpert2 3 -1 5 1 5 3 HPCExpert3 3 -1 1 1 3 1 M1 = 0.025 ∗ (0.28 ∗ 1 + 0.07 ∗ 3 + 0.65 ∗ 3) + 0.075 ∗ (0.28 ∗ 3 + 0.07 ∗ (−1) + 0.65 ∗ (−1)) + ... = 1.3 Alternatywa 2 hasClockSpeed hasCores hasTotalSize hasAvailableSize isRunningOS hasAlgorithm HPCExpert1 3 -1 5 1 5 3 Katarzyna Wasielewska-Michniewska HPCExpert2 1 -1 3 1 3 1 HPCExpert3 3 1 7 3 3 3 Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Wsparcie przy wyborze zasobu VIII AHP Alternatywa 3 hasClockSpeed hasCores hasTotalSize hasAvailableSize isRunningOS hasAlgorithm HPCExpert1 1 1 7 3 5 3 HPCExpert2 1 1 7 3 3 5 HPCExpert3 1 1 5 5 3 3 M2 = 2.87, M3 = 4.2 Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Podsumowanie - AHP popularna metoda uwzględniająca wielu decydentów oraz kryteria ilościowe i jakościowe agregacja możliwa na poziomie wyrażania preferencji odnośnie kryteriów oraz ocen dla alternatyw hierarchiczna struktura problemu decyzyjnego - intuicyjna dekompozycja problemu skala werbalna pozwalająca ocenę wartości dla kryteriów ilościowych i jakościowych metoda sprawdzania spójności preferencji wprowadzonych przez użytkownika / eksperta problem rank reversal krytyka odnośnie “naukowości” metody Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie PROMETHEE I Metoda do grupowego podejmowania decyzji z grupy Outranking methods. Kroki obejmują: 1 Wybór decydentów E = {er }r =1,...,R 2 Wybór kryteriów C1 , . . . , CM (wspólnych oraz indywidualnych dla danego decyndenta) Konstrukcja tabeli ewaluacji (evaluation table) - wartości fi (.) wyrażone numerycznie w odpowiednich jednostkach 3 Ci wi fi (.) a b 4 hasClockSpeed 0.025 f1 (.) f1 (a) f1 (b) hasCores 0.075 f2 (.) f2 (a) f2 (b) hasTotalSize 0.041 f3 (.) f3 (a) f3 (b) ... ... ... ... ... Ocena alternatyw przez każdego z decydentów Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie PROMETHEE II wyznaczenie wag kryteriów oraz minimalizacja/maksymalizacja PM r w1r , w2r , ..., wM , i=1 wir = 1 przypisanie funkcji preferencji do kryteriów Pi (a, b) = Gi (fi (a) − fi (b)), i = 1, ..., M - porównania parami Gi - niemalejąca funkcja wyrażająca odchylenie pomiędzy fi (a), fi (b) ustalenie indywidualnego rankingu alternatyw PM π r (a, b) =P i=1 Pi (a, b)wir φ+r (a) = Px∈A π r (a, x) - moc alternatywy a φ−r (a) = x∈A π r (x, a) - słabość alternatywy a φr (a) = φ+r (a) − φ−r (a) - net flow alternatywy a 5 Wyznaczenie globalnego rozwiązania wagi ekspertów PR ω1 , ω2 , ..., ωr , ..., ωR , r =1 ωr = 1 ustalenieP globalnego rankingu alternatyw R ΦG (a) = r =1 φr (a)ωr Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Podsumowanie - PROMETHEE metoda zaprojektowana do grupowego podejmowania decyzji nie wykorzystywany jest fakt, że dane są reprezentowane ontologicznie wagi dla wszystkich kryteriów wyznaczanie są bezpośrednio problem nie jest dekomponowany Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie TOPSIS + Dopasowanie ontologiczne I Technique for order preference by similarity to ideal solution Metoda bazująca na wyznaczeniu idealnej (PIS) oraz anty-idealnej (NIS) alternatywy (najlepsza oraz najgorsza oferta). Celem jest wybranie alternatywy “najbliżej” idealnej oraz “najdalszej” od alternatywy negatywnie idealnej. Alternatywa idealna (PIS) wybór zasobu - alternatywy danego eksperta wybór kontraktu - oferta z najlepszymi otrzymanymi wartościami Alternatywa anty-idealna (NIS) wybór zasobu - wprowadzona przez danego eksperta wybór kontraktu - oferta z najgorszymi otrzymanymi wartościami Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie TOPSIS + Dopasowanie ontologiczne II Dopasowanie ontologiczne Wyznaczanie odległości pomiędzy ontologicznie wyrażonymi alternatywami (instancjami), gdzie ontologia jest reprezentowana w postaci grafu. Odległości jest liczona w dwóch etapach: 1 dystans pomiędzy pojęciami w modelu koncepcyjnym opcjonalnie definiowany przez ekspertów, 2 dystans semantyczny pomiędzy instancjami - skalowanie dystansów eksperckich wartościami wprowadzonymi przez użytkownika. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie TOPSIS + Dopasowanie ontologiczne I Grupowa decyzja Si+ - odległość i − tej alternatywy od alternatywy idealnej Si− - odległość i − tej alternatywy od alternatywy anty-idealnej Ci∗ = Si− + Si +Si− - odległość od alternatywy idealnej Grupowe podejmowanie decyzji: Agregacja zewnętrzna - operacje na wyznaczonych wagach i ocenach poza procedurą TOPSIS Agregacja wewnętrzna - agregacja indywidualnych preferencji w ramach TOPSIS Kroki: 1 2 Dla każdego k − ego eksperta wyznaczamy PIS V k+ i NIS V k− Dla każdego eksperta liczymy odległość i − ej alternatywy od PIS Sik+ i NIS Sik− Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie TOPSIS + Dopasowanie ontologiczne II Grupowa decyzja 3 Dla grupy liczymy zagregowaną odległość i − ej alternatywy od PIS Si+ = Si1+ ⊗ ... ⊗ SiK + i NIS Si− = Si1− ⊗ ... ⊗ SiK − 4 Dla grupy liczymy odległość i − ej alternatywy od idealnej Ci∗ = 5 Si− + Si +Si− Wybieramy alternatywę o maksymalnej Ci∗ Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Podsumowanie - TOPSIS + dopasowanie ontologiczne globalna alternatywa idealna i negatywnie idealna wyznaczana na podstawie zagregowanych alternatyw ekspertów metoda dopasowania ontologicznego jest wygodna gdy informacje są reprezentowane ontologicznie nieznaczny problem rank reversal w porównaniu do innych metod eksperci poza opinią idealną powinni wprowadzić również negatywnie idealną eksperci powinni zdefiniować dystanse dla modelu koncepcyjnego nie ma możliwości sprawdzenia spójności wprowadzonych danych Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Inne rozpatrywane metody I Generalized Regression with Intensities of Preference (GRIP) intuicyjna metoda wskazywania preferencji przez decydenta (holistyczne porównanie parami alternatyw referencyjnych) częściowy porządek na podzbiorze alternatyw referencyjnych decydent wskazuje tylko preferencje, których jest pewny, nie musi oceniać wszystkich kombinacji alternatyw względem kryteriów budowanie modelu preferencji - zbiór liniowych ograniczeń wynik - necessary/possible relations na zbiorze alternatyw jak skonstruować zbiór alternatyw referencyjnych? wsparcie dla wielu decydentów? Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Podsumowanie Problem dopasowania metody analizy wielokryterialnej do wiedzy reprezentowanej ontologicznie okazał się nietrywialny. Proponowane rozwiązanie poza wyborem “najlepszej alternatywy” powinno również uwzględniać: pomoc przy ulepszeniu specyfikacja wymagań, wybór spośród wielu alternatyw, które spełniają wymagania użytkownika. AHP wydaje być się metodą najlepiej “dopasowaną” natomiast wzbudza wiele kontrowersji. Dalsza praca ma na celu zidentyfikowanie oraz zastosowanie metody alternatywnej dla AHP. Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie Dziękuję Katarzyna Wasielewska-Michniewska Analiza wielokryterialna wiedzy reprezentowanej ontologicznie