多标准决策中的选择自由和创造性外文翻译资料

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

附录X 译文

多标准决策中的选择自由和创造性

Andrzej M.J. Skulimowski

摘 要

本文提出了利用创造性概念来制定和解决复杂的现实生活决策问题的新方法。我们假设，决策过程是嵌入在系统的观点和决策者之间的相互关系以及他们周围的环境，所以创造力，正式定义在第2部分，能在决策过程中发挥首要作用。我们将研究多准则决策问题，其中决策者不能完全遵循由多准则优化问题的标准数学公式产生的决策规则。这要么是由于外部条件(如需要做出快速决策、数据丢失或缺乏数据处理能力)，要么是因为决策者能够表现出与决策过程隐藏的内部状态相关的创造力。我们将提供一个选择自由的正式定义(FOC)，为多元文化决策(MCDM)问题指定三个层次的FOC。然后我们将指出，决策中的创造性可以在自主和自由决策的框架内解释，决策自由是创造性的必要前提。这里提出的方法可以应用于分析人类决策过程和条件，允许创造性的表达，以及设计在人工自主决策系统中导致创造性决策的途径(AADS)。后者的应用包括视觉信息检索、具有特征识别的财务决策、智能推荐器等等。

关键词 多标准决策;选择自由;创造力;人工自主决策系统;参考集

一 准备工作

本文的目的是为智能、自主和灵活的嵌入式应用程序提供基础，这些应用程序可以管理独立的系统或与人类和人工智能系统进行交互。我们将直接讨论这类系统的认知方面，着重于人机交互的新方法。虽然既不是纯粹的规范性决定，也不是纯粹的描述性决定理论被使用，两者都融合在基于模拟人类决策认知现象的智能意图理解(和重构)系统中。此处给出的结果应构成为这种系统设计原型发电机以及从发电机衍生的专用系统的第一步。这些系统将针对特定的应用进行定制，包括视觉偏好处理和决策引导，这是一个提供排名和实现约束但不是最终选择的推荐器子类。

在本文中，我们将提到可以被建模为多准则优化问题的决策问题

(F:U→E)→min(P) (1)

根据定义，有一套选择规则

S {s:2^F(U)  K → 2^U:VU,K s(F(V),)P(U,F))}, (2)

其中U是一组可接受的决策，函数F=(F₁,hellip;,F_N)是一个向量标准，E是一个偏序P的有序空间，它是由关于F_i, i=1,hellip;,N的值的个人偏好和强加于f的值的一些附加条件构成的。每个选择规则S将U的子集V和外部知识状态,K的已知值f映射到关于K 的v中的潜在最佳折衷决策的子集，以符合(1) -是帕累托最优(或非支配)决策集P(U,F)的元素。

最常见的情况是，E=IR^N,，P由闭凸锥定义，选择规则依次应用于F(U)的单个元素，K是包含在决策者或顾问的专家知识中的一组关系。例如，K可以包含关于对标准F1之间的权衡系数施加的约束的信息。为了使本文提出的理论能够应用于人工决策系统，我们将研究使用特征识别和检索方法从环境中检索标准的可能性，例如参见[5]，[7]，[8]。我们还将假设外部知识和决策选择规则同时使用权衡和直接信息，后者以参考集的形式给出[10]，[12]，预期后果[9]，[14]和以前选择的历史。

在研究作为一类认知决策支持系统的智能意图理解系统的理论背景时，我们遇到了一个问题——人工系统做出创造性决策的能力有限。从常识的意义上来说，创造性只有在特定的程度上才是可能的，并且受到上级(人类)系统目标的约束。这个问题反过来导致了选择自由原则的定义(FOC) (参考[13)，我们现在将以更正式的形式表述为

定义1：问题(1)-(2)中的一阶自由选择是指从一组给定的可接受的方案中选择一个最优解的能力，该方案与一组明确指定的所选的最优性标准有关。第二种选择的自由允许决策者放松约束[11]，或者——更像是基因集合——将最初的一组可接受的决策嵌入超集。最后，三阶选择自由是在现实生活对象的特征空间中选择一个人的选择标准的权力，现实生活对象是决策者最终选择的主体。

界定FOC时考虑的标准可能伴随着外部专家会议和决策支持程序，在某些情况下也可能是一个选择的对象。基于上述概念，在下一节中，我们将把创造力定义为在基于知识的可变决策模型中随着信息流入而行动的能力。请注意，自主概念的本质是有决策的能力。

上述类型的选择自由将归于最初的决策者，这是一个基本的概念。它们的特征、动作、关系以及它们之间的交互可以通过本体来建模。这种本体的基本类可以通过添加辅助决策者来扩展，辅助决策者将被赋予从他们过去的决策经验中学习的能力，而管理者可以将一定水平的FOC和创造力分配给其他决策者。在本文中，我们将考虑一种情况，即转移选择自由的能力仅限于人工自主系统，如用于自主车辆的嵌入式智能系统、研究机器人等。

决策者在解决多标准决策(MCDM)问题时的行为可以通过对神经和心理决策机制的基础研究得到恰当的解释，包括创造力和其他认知现象。在第3部分，我们将表明，使用直接偏好信息(如参考集)和特征检测程序可以自动制定选择标准，这反过来又给了人工自治系统二阶选择自由。最大的自由度可以在常见的多准则决策问题中探索，这些问题可以被解释为与自然的多步遗传算法，后者执行未知的无反馈策略。包括认知现象模型在内的扩展MCDM问题的求解方法强烈依赖于应用领域。因此，根据不同领域决策问题解决方案背后的不同心理过程，将应用不同的数学模型。即使多准则优化问题的公式是相同的，但附加的偏好结构有很大的不同，这种情况也会发生。对这些伴随情况的研究可以让我们为不同类别的复杂决策问题分配适当的MCDM模型和方法，这是MCDM的关键问题之一。

此外，在第4部分中，我们将讨论与智能和创造性决策支持引擎的设计相关的问题，该引擎能够通过重构和揭示决策者的潜在意图来理解现实生活中人类决策问题中的隐含偏好。我们将表明，为了实现这一点，基于计算机的人工决策系统必须具备搜索和选择选择标准的能力，即拥有三阶选择自由。这种能力以前从未以不受限制的形式赋予人工系统，从职业远见到科幻作家，许多作者都警告过智能人工生物能够做出和执行决策。在第4部分里我们还将努力讨论决策支持系统(DSS)是否应该拥有选择和创造的自由，以及这些系统应该在多大程度上使用认知原则来理解人类的意图。上述高级人工系统将被赋予选择自由和认知技能，例如搜索、理解、分类和选择信息，特别是视听流的能力。

作为一个应用领域，我们将使用模式发现、识别和分类以及认知决策理论方法[8]指出与在网络上收集、过滤和选择图像相关的多准则决策问题。现实生活中的主要应用将是能够表现、分析和解释人类行为的系统。能够遵循认知决策机制的人工系统的另一个具体应用领域是嵌入式系统。在后一种情况下，缺乏决策能力的人类决策者可以得到部分帮助，甚至被一个能够做出和执行决策的人工系统所取代。此外，上述框架将允许我们创建新的决策支持系统架构并对交互式决策过程建模。

二 与创造性决策相关的主要问题和想法

尽管创造性决策应该被视为人类大脑最高层次的认知功能之一，但它与认知科学其他分支的关系有时并不清楚。这有四个主要原因:

（1）关于获取和模拟人类偏好的研究的零散部分性质，其中心理测量研究和关于多标准决策分析的流行理论研究并不完全一致，并且决策支持系统的设计通常没有足够重视现实生活中的人类决策机制。

（2）将人类决策的模型化限制在决策者能够制定选择标准或能够明确定义一组可接受的备选方案的情况下的趋势。接下来是一个数学规划或游戏问题，随后的努力都集中在解决它，而没有考虑到认知现象，如快速变化的偏好，由不同的认知过程导致的决策范围的扩展/收缩，用一个称为效用或价值函数的单一分数代替结果建模。

（3）当作为决策基础的信息具有图形形式时，缺乏用于复杂系统行为的适当决策模型。在这种情况下，自主系统通常被限制为根据其明确定义的目标层次来执行预定义的任务(例如无人驾驶车辆的任务是以最小的成本或时间带着负载到达某个目的地，避开障碍物和其他车辆)

（4）关于人类决策者效用函数的存在的生动辩论，在过去几十年中已经成为许多研究的主题，并且已经将研究人员的兴趣重新引向创造性问题以外的问题。

这就是为什么到目前为止对决策过程的创造性机制的研究重视不够([4]是一个值得注意的例外)。

如前一节所述，我们将把解决决策问题(1)-(2)时表现出的创造力与改变决策的能力联系起来作为一个模型。通过这种方式，一个新的决策优于先前模型下的任何最优或最佳折衷的决策，但是要服从新的质量标准。修改问题的一个必要条件是根据外部信息流入调整决策过程的能力。

因此，我们可以表述如下:

定义2：问题(1)-(2)的创造性延伸将被定义为态射

=(₁,phi;₂,phi;₃,phi;₄)变换该组可接受的备选方案U，向量标准F，

偏好结构P和决策规则集S转化为一个新的问题

(₁(F):phi;₂(U)→E₁)→min(phi;₃(P)) (3)

利用由phi;₄(K),引入的新的决策规则集S1，即如果s₁S₁ ，

就 s1:2phi;1(F)(phi;2(U)) phi;4(K) → 2phi;2(U) (4)

创造性扩展序列 ₍₁₎ ₍₂₎hellip; _(n)使得态射的输出问题_(k-1)是_(k)的输入问题，对于k=2,hellip;,n，将被称为创造性决策过程。

图1给出了一个表示创造性过程的方案，该方案允许在考虑上述情况的同时扩展多准则决策问题

图1 一个创造性分析MCDM问题的方案

探索上述创造性概念并导致对决策问题更深入分析的问题解决方法已经发表在[9]，[10]。这些包括:

（1）通过选择可接受决策的子集来代替对单个最佳折衷决策的搜索的问题，可接受决策的子集由新的集合标准来评估，例如在子集上计算的原始标准的平均值；

（2）在时间背景下考虑问题，考虑到最佳决策时间的选择(或宣布)、表征决策备选方案的可变属性值、用另一个选择替代决策的可能性等。；

（3）创造性地消除冗余的目标和偏好结构的元素，对先前决策者的选择进行分析，并使用基本的特征检测算法；

（4）用决策结果的多层次模型代替单一效用值，这可以导致对问题的预期分析；

（5）创造性地探索决策规则集，考虑决策者行为的认知视角。

在本文的下一部分，我们将参考上面提到的创造性问题扩展的例子。此外，创造性有助于克服多标准问题解决、决策模型和支持系统的一般方法的以下缺点:

（1）决策支持系统经常与数据存储、检索和可视化系统相混淆。这对应于决策的第一个基本问题，即在不确定和缺乏信息的情况下做出的决策。对第二类决策问题的认识，即决策者的偏好结构与现有数据不兼容或必须引出的问题，要低得多。能够提高这类决策支持系统的效率和充分性的认知决策机制的知识甚至更少。

（2）存在各种所谓的交互式决策算法(参见[6)，在这些算法中，对话过程中所要求的信息的合理性没有得到检查，并且其进一步的处理不能保证最终以收敛到令人满意的折衷决策的形式获得成功。数学收敛条件不需要与决策的认知过程兼容，不考虑除了确定折衷解决方案的下一个候选方案之外的发现，即使决策者在正式程序中简单的“改变主意”也会导致“收敛灾难”。

（3）当代的决策支持系统很少是个性化的，他们基于先前选择的学习能力也仅限于同一问题的新实例。

尽管有上述缺点，计算机辅助决策支持的出现已经对决策的实践和哲学产生了显著的变化。决策者的直觉和经验所发挥的传统价值和作用仍然是相关的，但它们应该伴随着一个交互式的计算机辅助过程，包括

（1）现有数据的系统分析

（2）数据采集和表示。

接下来应该用关于偏好结构的知识表示来公式化或重新公式化特定决策情形的数学模型。

虽然在此阶段很难判断正式模型的有效性，但决策者对使用数据和数学模型生成的决策的满意度可以提供关于模型质量的信息。决策过程的最后阶段可能包括启发式和非形式化阶段，在这些阶段中，最初的期望、直觉和经验与机器分析的结果相冲突。

人们普遍认为所做的决定应该是最优的、次优的或折衷的。这一假设要求为每个可接受的备选方案定义一套最优性标准。最优性的概念已经通过了旨在达到更高水平的FOC的启发性进化:从标量目标函数的全局最小值(通常没有选择的自由)，通过偏序准则空间中的向量最小值的概念(允许从不可比较的非支配解中选择)，到扩展的最优的概念，如子集选择或动态扩展问题[10中所考虑的。根据(3)-(4)，这些属于创造性决策问题扩展和认知过程中搜索标准的识别[8]，后者导致三阶FOC。

将创造力嵌入决策分析和支持的方法可以基于几个关键原则:

（1）排除任何有关所作决定的信息损失的想法，即使是不一致和矛盾的信息，也应首先判断其是否涉及相同的对象和时间实例

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[606766]，资料为PDF文档或Word文档，PDF文档可免费转换为Word