Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Systemy wspomagania decyzji
Tok studiów:
2019/2020
Kod:
EAiR-1-504-s
Wydział:
Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Automatyka i Robotyka
Semestr:
5
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Prowadzący moduł:
prof. dr hab. inż. Skulimowski Andrzej M. (ams@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Systemy wspomagania decyzji (SWD, ang. DSS) stanowią jedną z najważniejszych grup systemów informacyjnych stosowanych w m.in. zarządzaniu, projektowaniu systemów automatyki, czy w medycynie. Celem wykładu jest zapoznanie studentów kierunku AiR AGH z podstawowymi metodami komputerowego wspomagania decyzji, analizy wielokryterialnej oraz metodami projektowania SWD. Wykład uzupełniony będzie analizą konkretnych przykładów SWD w celu przekazania studentom metodyki analizy potrzeb w projektowaniu SWD

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Zna tematykę systemów wspomagania decyzji i ich zastosowań w analizie praktycznych problemów decyzyjnych AiR1A_W04 Kolokwium
M_W002 Zna i rozumie metody pozwalające podejmować optymalne decyzje oraz dokonywać kompromisowych wyborów w problemach wielokryterialnych i z wieloma decydentami AiR1A_W04 Kolokwium
M_W003 Potrafi skonstruować model matematyczny rzeczywistego problemu decyzyjnego jako zadania optymalizacji, a następnie dobrać odpowiedni wielokryterialny model preferencji w celu wyboru decyzji kompromisowej lub rankingu. AiR1A_W04, AiR1A_W01 Kolokwium
M_W004 Potrafi dobrać architekturę SWD i metody analityczne do konkretnego problemu AiR1A_W01 Kolokwium,
Wykonanie ćwiczeń laboratoryjnych
M_W005 Posiada umiejętność implementacji interakcyjnych algorytmów decyzyjnych w jednym z języków programowania wraz z interfejsem umożliwiającym testowanie procedury dialogowej AiR1A_W04 Zaliczenie laboratorium,
Wykonanie ćwiczeń laboratoryjnych
Umiejętności: potrafi
M_U001 Umie przeanalizować i rozwiązać typowe zadania optymalizacji funkcji ciągłych oraz optymalizacji kombinatorycznej. Potrafi dobrać odpowiedni algorytm w celu rozwiązania rzeczywistego zagadnienia optymalizacyjnego. AiR1A_U01, AiR1A_U09 Wykonanie ćwiczeń laboratoryjnych,
Kolokwium
M_U002 Umie wykorzystać właściwe metody modelowania preferencji do rozwiązania określonych wielokryterialnych problemów decyzyjnych AiR1A_U01 Wykonanie ćwiczeń laboratoryjnych,
Kolokwium
M_U003 Potrafi zastosować wiedzę teoretyczną do zaprojektowania procedury wspomagania decyzji umożliwiającej opis formalny i rozwiązanie rzeczywistego zagadnienia AiR1A_U01 Wykonanie ćwiczeń laboratoryjnych
M_U004 Potrafi samodzielnie opracować sprawozdanie i prezentację przedstawiające teoretyczne podstawy zastosowanej metody do rozwiązania opracowywanego zagadnienia oraz praktyczną stronę jego realizacji. AiR1A_U01 Sprawozdanie,
Prezentacja,
Referat
M_U005 Sprawnie posługuje się jednym z języków programowania w celu implementacji algorytmów realizujących metody optymalizacji i wspomagania decyzji dla rozwiązania rzeczywistego jedno- lub wielokryterialnego zagadnienia optymalizacyjnego. AiR1A_U01, AiR1A_U07 Wykonanie ćwiczeń laboratoryjnych
Kompetencje społeczne: jest gotów do
M_K001 Docenia istotną rolę pracy zespołowej, dzielenia się wiedzą i współdziałania w grupie AiR1A_K01, AiR1A_K03 Wykonanie ćwiczeń laboratoryjnych
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
56 28 0 28 0 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Zna tematykę systemów wspomagania decyzji i ich zastosowań w analizie praktycznych problemów decyzyjnych + - - - - - - - - - -
M_W002 Zna i rozumie metody pozwalające podejmować optymalne decyzje oraz dokonywać kompromisowych wyborów w problemach wielokryterialnych i z wieloma decydentami + - - - - - - - - - -
M_W003 Potrafi skonstruować model matematyczny rzeczywistego problemu decyzyjnego jako zadania optymalizacji, a następnie dobrać odpowiedni wielokryterialny model preferencji w celu wyboru decyzji kompromisowej lub rankingu. + - - - - - - - - - -
M_W004 Potrafi dobrać architekturę SWD i metody analityczne do konkretnego problemu + - - - - - - - - - -
M_W005 Posiada umiejętność implementacji interakcyjnych algorytmów decyzyjnych w jednym z języków programowania wraz z interfejsem umożliwiającym testowanie procedury dialogowej + - - - - - - - - - -
Umiejętności
M_U001 Umie przeanalizować i rozwiązać typowe zadania optymalizacji funkcji ciągłych oraz optymalizacji kombinatorycznej. Potrafi dobrać odpowiedni algorytm w celu rozwiązania rzeczywistego zagadnienia optymalizacyjnego. + - + - - - - - - - -
M_U002 Umie wykorzystać właściwe metody modelowania preferencji do rozwiązania określonych wielokryterialnych problemów decyzyjnych - - + - - - - - - - -
M_U003 Potrafi zastosować wiedzę teoretyczną do zaprojektowania procedury wspomagania decyzji umożliwiającej opis formalny i rozwiązanie rzeczywistego zagadnienia - - + - - - - - - - -
M_U004 Potrafi samodzielnie opracować sprawozdanie i prezentację przedstawiające teoretyczne podstawy zastosowanej metody do rozwiązania opracowywanego zagadnienia oraz praktyczną stronę jego realizacji. + - + - - - - - - - -
M_U005 Sprawnie posługuje się jednym z języków programowania w celu implementacji algorytmów realizujących metody optymalizacji i wspomagania decyzji dla rozwiązania rzeczywistego jedno- lub wielokryterialnego zagadnienia optymalizacyjnego. - - + - - - - - - - -
Kompetencje społeczne
M_K001 Docenia istotną rolę pracy zespołowej, dzielenia się wiedzą i współdziałania w grupie + - - - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 108 godz
Punkty ECTS za moduł 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 56 godz
Przygotowanie do zajęć 10 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 20 godz
Samodzielne studiowanie tematyki zajęć 20 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (28h):
Wprowadzenie do projektowania, implementacji i stosowania SWD

Wprowadzenie do tematyki komputerowych metod wspomagania decyzji, podstawowe pojęcia i definicje.

Różne rodzaje problemów decyzyjnych: problem optymalnego uporządkowania, sortowania, wyboru kompromisu i selekcji podzbioru ze zbioru alternatyw. Wprowadzenie do modelowania rzeczywistych problemów i metod ich rozwiązywania.

Metody wielokryterialnej analizy decyzji: struktura problemu decyzyjnego, metody dialogowego formułowania problemu i weryfikacja poprawności formalnej, określanie hierarchii ważności kryteriów, metody skalaryzacji przez współczynniki wagowe, odleglość od punktów odniesienia, metoda ograniczeń w przestrzeni kryteriów. Metody identyfikacji relacji preferencji dla problemów ze skończonymi zbiorami alternatyw.

Architektura SWD. Metodologia projektowania SWD w oparciu o inteligentne bazy wiedzy. Systemy oparte na przetwarzaniu reguł decyzyjnych (Rule-based DSS). systemy oparte na analizie typowych lub przykładowych zagadnień (Case-based DSS). Analiza struktur danych niepełnych lub niedokładnych. Opracowanie optymalnych metod interakcyjnego przekazywania informacji o preferencjach decydenta.

Klasyfikacja SWD: data driven, model driven, information driven, knowledge driven, communication driven. systemy hybrydowe. Systemy wspomagania negocjacji i decyzji grupowych. Cechy charakterystyczne architektur tych systemów.

Systemy rekomendujące i stosowane w nich metody. Collaborative filtering, user-, item-, content-based recommendation i in.

Zastosowania algorytmów przybliżonych i heurystycznych w SWD: wielokryterialne algorytmy ewolucyjne NSGA II/III i in., algorytmy wykorzystujące symulowane wyżarzanie, metody rojowe i in.

Wielokryterialne programowanie dynamiczne: zasada optymalności Bellmana, twierdzenie Heniga, metoda Martinsa wyznaczania ścieżki wielokryterialnej, przykłady implementacji algorytmów WPD w SWD i zastosowań praktycznych.

Przegląd istniejących SWD i stosowanych w nich metod: HIPRE, MREF, TRIMAP, rodzina metod ELECTRE, Promethee i in. Implementacje SWD dedykowane dla problemów dynamicznych i problemów z aktualizacją informacji o preferencjach lub o zbiorze dopuszczalnych alternatyw w czasie rzeczywistym.

Przegląd charakterystycznych zastosowań systemów wspomagania decyzji: wybór rozwiązania kompromisowego w zagadnieniach projektowania, optymalne zarządzanie ryzykiem i inne zagadnienia finansowe, optymalizacja decyzji inwestycyjnych, koordynacja sterowania w układach z wieloma centrami decyzyjnymi i in.

Ćwiczenia laboratoryjne (28h):
Projekt, implementacje, eksperymenty obliczeniowe i praktyczne zastosowania SWD

1. Algorytmy dyskretnego wyboru i szeregowania stosowane w SWD.
Implementacja algorytmów dedykowanych dla dyskretnych zagadnień optymalizacyjnych SST (Dijkstra-Prim), Critical Path, SP (Dijkstra, Kruskal, Floyda-Warshalla, Bellmana-Forda), Flow-Shop (Johnsona).
2. Charakterystyka metod przybliżonych w optymalizacji problemów o dużej złożoności obliczeniowej. Klasy złożoności obliczeniowej (NEXP, EXP, NP, P, NP-hard). Algorytmy konstrukcyjne (stosowane reguły wyboru, złożoność obliczeniowa). Definiowanie reguł zachłannych i ich implementacja. Przykłady zastosowań.
3. Algorytmy wielokryterialne (kryteria ciągłe lub dyskretne), projektowanie procedur interakcyjnych.
4. Metaheurystyki dla problemów optymalizacji globalnej (np. symulowanego wyżarzania, poszukiwania z zabronieniami, systemy ewolucyjne, GRASP) i ich implementacja.
5. Projektowanie procedur wspomagania decyzji dla konkretnego zagadnienia. Projektowanie architektury SWD.
6. Modelowanie złożonych, rzeczywistych zagadnień decyzyjnych. Definiowanie funkcji kryterialnych, ograniczeń, struktur preferencji i metod dialogowych. Rozwiązywanie sformułowanych problemów przy pomocy SWD.
7. Metodyka prowadzenia eksperymentów obliczeniowych. Metody oceny jakości rozwiązań uzyskiwanych przez algorytmy przybliżone. Projektowanie interfejsów graficznych SWD, wizualizacja uzyskanych wyników.
8. Wykonanie prezentacji z wybranego ćwiczenia, przedstawienie jej podczas zajeć

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Ćwiczenia laboratoryjne: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Ćwiczenia laboratoryjne składają się z kilku (3-4) etapów (ćwiczenia oraz prezentacja), za każdy z nich studenci otrzymują oceny cząstkowe. Ocena z zajęć jest średnią ważoną tych ocen, przy czym wagi określane są na podstawie pracochłonności poszczególnych etapów ćwiczeń. Ocena za prezentację wyników ćwiczeń obejmuje zawartość merytoryczną (50%), opracowanie graficzne (animacje itp. – 40%), jakość dyskusji (10%).

Do kolokwium zaliczeniowego można przystąpić tylko po uprzednim uzyskaniu zaliczenia z ćwiczeń laboratoryjnych. Ocena z kolokwium obliczana jest w oparciu o sumę ilości punktów uzyskanych za poszczególne zadania, przy czym do otrzymania oceny 3,0 konieczne jest uzyskanie 50% maksymalnej ilości punktów, a inne oceny (3,5 – 5) wyznaczane są wg standardowej skali liniowej (czyli ocena 5,0 wymaga uzyskania co najmniej 90% punktów). Ocena końcowa jest średnią ważoną tych ocen zgodnie ze wzorem podanym w kolejnym punkcie sylabusa. Poprawa oceny niedostatecznej z ćwiczeń laboratoryjnych lub z kolokwium następuje w sesji poprawkowej, w terminie ustalonym do końca semestru.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Sposób obliczania oceny końcowej:

Ocena końcowa jest średnią ważoną ocen z kolokwium zaliczeniowego (waga 0,5) i ćwiczeń laboratoryjnych (waga 0,5), przy czym oceny z kolokwium zaliczeniowego oraz z ćwiczeń laboratoryjnych muszą być pozytywne

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach określony będzie zgodnie z Regulaminem Studiów AGH. Studenci, których nieobecności powstały z powodu choroby i innych niezależnych od nich zdarzeń losowych będą mogli skorzystać z dodatkowych konsultacji z prowadzącym zajęcia.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Znajomość języków programowania Python (biblioteki NumPy, SciPy), C++ lub C# oraz Matlab

Zalecana literatura i pomoce naukowe:

1. Bojar W., Rostek K., Knopik L.: Systemy wspomagania decyzji. PWE, Warszawa 2014, s.376
2. Cormen T.C., Leiserson Ch.E., Rivest R.L., Stein C.: Wprowadzenie do algorytmów. WNT, Warszawa 2007
3. Henig M. (1983). Vector-Valued Dynamic Programming. SIAM J. Control, 21, No.3, 490-499
4. Kaliszewski I. (2008). Wielokryterialne podejmowanie decyzji. Obliczenia miękkie dla złożonych problemów decyzyjnych, WNT, Warszawa, s.154
5. Michalewicz Z.: Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT, Warszawa 1996
6. Radosiński, Edward Systemy informatyczne w dynamicznej analizie decyzyjnej : systemy wspomagania decyzji, modelowanie symulacyjne, techniki inteligentne. Wyd.2, Wydawnictwo Naukowe PWN, Warszawa 2013
7. Skulimowski A.M.J. (1996) Decision Support Systems Based on Reference Sets. Wydawnictwa AGH, Monografie, Nr 40, s. 167 (do pobrania z researchgate.net)
8. Skulimowski A.M.J. (2019). Selected methods, applications, and challenges of multicriteria optimization. Seria Monografie, t.19, Komitet Automatyki i Robotyki Polskiej Akademii Nauk, Wydawnictwa AGH, s. 380

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. Andrzej M. J. SKULIMOWSKI (1985). Modelling the Consequences of a Decision in Linked Vector Optimization Problems. International Conference “Cybernetics’85”, Warszawa, 28-30.05.1985. W. Jarominek, T. Kasprzak, J. L. Kulikowski (red.), Proceedings, Vol.3: Human Aspects of Cybernetics, s. 173-182.
2. Andrzej M. J. SKULIMOWSKI (1985). Solving Vector Optimization Problems via Multilevel Analysis of Foreseen Consequences. Found. Control Engrg., 10, No. 1, 25-38.
3. Andrzej M.J. SKULIMOWSKI (1986). Foreseen Utility in Multi-Stage Multicriteria Optimization. Seminar on Nonconventional Problems of Optimization, Warszawa, May 9-11, 1984. W: J. Kacprzyk (ed.), Proceedings, Part III, s. 365-386.
4. Andrzej M.J. SKULIMOWSKI (1994). Optimizing the structure of a partitioned population. W: System modelling and optimization: proceedings of the 16th IFIP-TC7 Conference: Compiegne, France, July 5–9, 1993, eds. J. Henry, J.-P. Yvon. London: Springer-Verlag, 1994. Lecture Notes in Control and Information Sciences ; LNCIS 197. Springer-Verlag Berlin Heidelberg New York, s. 771–782.
5. Andrzej M. J. SKULIMOWSKI (2008). Application of dynamic rankings to portfolio selection. W: New developments in financial modeling, eds. Joao O. Soares, Joaquim P. Pina, Margarida Catalão-Lopes. Newcastle: CSP Cambridge Scholars Publishing, 2008. ISBN (10): 1-84718-674-2, ISBN (13): 978-184-7186-74-4, s. 196–212.
6. Andrzej M. J. SKULIMOWSKI (2011). Freedom of choice and creativity in multicriteria decision making. W: Knowledge, Information, and Creativity Support Systems. 5th international conference, KICSS 2010 : Chiang Mai, Thailand, November 25–27, 2010 : revised selected papers, eds. Thanaruk Theeramunkong [et al.]. Berlin ; Heidelberg : Springer-Verlag. Lecture Notes in Computer Science. Lecture Notes in Artificial Intelligence, 6746, s. 190–203.
7. Andrzej M.J. SKULIMOWSKI (2014). Anticipatory network models of multicriteria decision-making processes, International Journal of Systems Science, Vol. 45 (1), 39-59, DOI:10.1080/00207721.2012.670308, JCR, [http://www.tandfonline.com/doi/full/10.1080/00207721.2012.670308, dostęp z konta BG AGH]
8. Andrzej M.J. SKULIMOWSKI (2016). The role of creativity in the development of future intelligent decision technologies. W: Knowledge, information and creativity support systems: recent trends, advances and solutions: selected papers from KICSS’2013 – 8th international conference on Knowledge, Information, and Creativity Support Systems, November 7-9, 2013, Kraków, Poland, red. Andrzej M. J. Skulimowski, Janusz Kacprzyk. Advances in Intelligent Systems and Computing, vol. 364, Springer International Publishing, Switzerland, ISBN: 978-3-319-19089-1, s. 279–297, https://doi.org/10.1007/978-3-319-19090-7_22.
9. Andrzej M.J. Skulimowski (2017). Cognitive content recommendation in digital knowledge repositories – a survey of recent trends. W: Artificial Intelligence and Soft Computing: 16th International Conference (ICAISC 2017), Zakopane, Poland, June 11–15, 2017, proceedings, Part 2, eds. Leszek Rutkowski et al., —: Springer International Publishing, Switzerland. Lecture Notes in Computer Science, LNAI 10246, s. 574–588, https://doi.org/10.1007/978-3-319-59060-8_52
10. Andrzej M. J. SKULIMOWSKI, Przemysław PUKOCZ (2012a). Enhancing creativity of strategic decision processes by technological roadmapping and foresight. W: KICSS 2012: seventh international conference on Knowledge, Information and Creativity Support Systems, Melbourne, Australia, 8–10 November 2012, Vincent CS Lee, Kok-Leong Ong (red.); IEEE Computer Society. CPS Conference Publishing Services. s. 223–230 (w IEEE Xplore ieeexplore.ieee.org/xpl/articleDetails.jsp?tp=&arnumber=6405533&queryText%3DSkulimowski)
11. Andrzej M. J. SKULIMOWSKI, Przemysław PUKOCZ (2012b). On-line technological roadmapping as a tool to implement foresight results in IT enterprises. W: Internet – technical developments and applications 2, red. Adrian Kapczyński, Ewaryst Tkacz, Maciej Rostanski. Berlin, Heidelberg: Springer-Verlag. Advances in Intelligent and Soft Computing; 118, s. 95–111.
12. Górecki Henryk, Andrzej M.J. Skulimowski (1988). Safety Principle in Multiobjective Decision Support in the Decision Space Defined by Availability of Resources. Arch. Automat. i Telemech., 17, 68-87 (artykuł dostępny w reseaarchgate.net)

Informacje dodatkowe:

Studenci mogą rozwijać swoje zainteresowania naukowe związane z tematyką przedmiotu w Kole Naukowym Modelowania w Finansach (www.knwmf.agh.edu.pl)