лучшие книги по экономике
Главная страница

Главная

Замовити роботу

Последние поступления

Форум

Создай свою тему

Карта сайта

Обратная связь

Статьи партнёров


Замовити роботу
Книги по
алфавиту

Б
В
Г
Д
Е
Ж
З
И
К
Л
М
Н
О

системи підтримки прийняття рішень

Страницы [ 1 ] [ 2 ] [ 3 ] [ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] [ 10 ] [ 11 ] [ 12 ] [ 13 ] [ 14 ] [ 15 ]
[ 16 ] [ 17 ] [ 18 ] [ 19 ] [ 20 ] [ 21 ] [ 22 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] [ 27 ] [ 28 ] [ 29 ] [ 30 ] [ 31 ] [ 32 ]
[ 33 ] [ 34 ] [ 35 ] [ 36 ] [ 37 ] [ 38 ] [ 39 ] [ 40 ] [ 41 ] [ 42 ] [ 43 ] [ 44 ] [ 45 ] [ 46 ] [ 47 ] [ 48 ] [ 49 ] [ 50 ]

 

Моделі баз даних


Єрархічні (або деревоподібні) моделі баз даних забезпечують відносно ефективне подання даних у СППР. Вони базуються на принципі підпорядкованості і являють собою деревоподібну структуру, яка складається із вузлів (сегментів), які розташовані на різних рівнях єрархії, і дуг (гілок). Кожен вузол — це сукупність логічно взаємозв’язаних атрибутів, які описують певний об’єкт предметної галузі, а неорієнтовані дуги показують інформаційні зв’язки між об’єктами.
Єрархічна модель упорядкована згідно з правилами, за якими розташовуються сегменти і дуги моделей. До таких правил належать:
1. На найвищому рівні єрархії знаходиться один вузол — кореневий. Кожен екземпляр кореневого вузла породжує відповідний логічний запис, тому пошук даних в єрархічній базі даних здійснюється за принципом «зверху вниз» (зворотного напрямку пошуку в єрархічних моделях немає).
2. В єрархічних моделях підтримуються лише співвідношення між елементами даних типу «один до одного» (1 : 1) або «один до багатьох»» (1 : Б).
3. Взаємозв’язки в єрархічних базах даних будуються за принципом «вихідний—породжений», тому доступ до кожного вузла (за виключенням кореневого) здійснюється через його вихідний екземпляр, у зв’язку з чим шлях доступу до кожного вузла є унікальним і лінійним за структурою. Кожен породжений вузол може мати лише один вихідний.
4. Кожен вузол може мати кілька екземплярів конкретних значень атрибутів. Кожен екземпляр породженого вузла зв’язаний з екземпляром вихідного. Кожен екземпляр кореневого сегменту разом з багатьма взаємозв’язаними екземплярами породжених сегментів утворює один логічний запис. Якщо в цьому ланцюжку відсутній хоча биодин екземпляр, то подібний запис існувати не може, і потрібно розв’язати питання про введення якихось штучних екземплярів.
Крім цих загальних правил кожна єрархічна СКБД може мати свої особливості і вносити обмеження щодо побудови моделі бази даних; ці обмеження можуть стосуватися кількості рівнів єрар-хії, кількості атрибутів у сегменті тощо. Багато СКБД, основаних на єрархічних моделях, містять механізми для оброблення додаткових відношень.
У сітьовій (мережевій) моделі бази даних відношення між типами записів не обмежуються єрархією, а можуть утворювати граф з поіменованими дугами і вершинами. Домінуючою сітьовою моделлю є модель, розроблена групою КОДАСИЛ; у ній відношення між типами подаються в термінах теорії множин.
У реляційній моделі бази даних базова структура даних подана у вигляді плоскої двохмірної поіменованої таблиці, яку називають «відношенням». Реляційне «відношення» включає поіменовані стов­пчики-атрибути і рядки, які називають кортежами (записами).
Зв’язки між реляційними «відношеннями» мають не статичний,
а динамічний характер і встановлюються саме на період розв’язання задачі. Тому ця структура даних, з одного боку, є гнучкішою, оскільки немає необхідності визначати зв’язки між відношеннями на схемі, а з другого боку, така гнучкість може виявитись неефективною через те, що структуру попередньо не визначають.
Кількість зв’язків між відношеннями не лімітована, єдиною умовою створення зв’язку є наявність у відношеннях, що зв’я-зуються між собою, спільних атрибутів — ключових або атрибутів зв’язку. Відношення мають бути подані в третій чи четвертій нормальній формі, тому попередньо потрібно виконати процедуру нормалізації відношень.
Нормалізація відношень являє собою інтераційний зворотний процес декомпозиції вихідного відношення на кілька простіших відношень меншої вимірності. В цьому процесі необхідно дотримуватись таких вимог: усі атрибути мають бути атомарними (неподільними); між атрибутами не повинні існувати неповно функціональні, транзитивні і багатозначні залежності; у базі даних мусять мати місце не надмірні дублювання атрибутів, що виконують ролі зв’язку між реляційними відношеннями.
З погляду застосування в СППР реляційна модель будується на базовій моделі індивідуальних записів. Вона дає змогу проводити операції над записами, зокрема, вводити нові записи, обнов­лювати поля, викреслювати наявні записи, а також утворювати і викреслювати відношення, зв’язувати чи об’єднувати два або більше відношень на основі спільних атрибутів. Можна вибирати записи за наявністю ознак певних відношень і проекції, що забезпечують вибір підмножини полів, які належать до відношення. Крім того, беззаперечною перевагою реляційних моделей баз даних є простота і гнучкість у проектуванні. Вони можуть підтримувати не лише дані, але і знання про певну предметну галузь. Вітчизняний ринок програмних продуктів пропонує кілька десятків реляційних СКБД, які можна застосовувати в СППР.
Існує досить широкий клас семантичних моделей баз даних, включаючи прямі розширення класичних моделей баз даних, математичних моделей і багатьох інших. До найвідоміших представників цього класу належить семантична реляційна модель даних «об’єкт—зв’язок» (entity—relationship), яка уможливлює графічне відображення об’єкта, і семантичні єрархічні моделі, що розширюють реляційні моделі, забезпечуючи оброблення таких семантичних понять, як «класифікація», «агрегація», «узагальнення» й «асоціація».
Аналіз СКБД для СППР
Існують десятки готових програмних систем для реалізації компонента СКБД системи підтримки прийняття рішень. Ураховуючи специфічні особливості та вимоги щодо цих програмних продуктів, а також значну їх вартість, можна висновувати, що вибір конкретної системи керування базами даних не є тривіальним для створеної СППР і заслуговує на саму серйозну увагу. Тим більше це важливо, оскільки продовжуються теоретичні та прикладні дослідження в цій галузі, а потенційному користувачеві доводиться мати справу з масою рекламних матеріалів. Тому існує проблема створення когерентної (зрозумілої) і комплексної основи оцінювання програмного забезпечення СКБД, як механізму для структурування процесу порівняння й вибору з різ­номанітних альтернативних варіантів СКБД за всім спектром апаратної бази. Найвідомішим способом розв’язання цієї проблеми
є схема Захеді [115].
Схема Захеді має єрархічну структуру і включає п’ять рівнів порівняння: цілі, аспекти, компоненти, засоби і примітиви. Критерій першого рівня містить цілі користувача щодо СКБД і цілі, які мають бути реалізовані в СКБД, щоб остання була прийнятною для СППР. Кожна СКБД як виріб має чотири аспекти: функціональний, фізичний, вартість і корисність. Аспекти містять компоненти, які, у свою чергу, поділяються на засоби, а останні — на примітиви, тобто досить прості модульні задачі СКБД, кількість яких може досягати 116.
Схема Захеді розроблена на основі низхідної структури оцінювання, яка не залежить від прийнятої моделі бази даних, і містить два типи аналізу: порівняння елементів альтернативних СКБД на однакових рівнях і поєднання оцінок на різних рівнях відповідно до прийнятих асоціацій. Докладніше описання схеми Захеді можна знайти в [35].

5.4. Бази моделей і системи керування
базами моделей у СППР

5.4.1. Моделювання і його роль
у підтримці прийняття рішень

Дані та моделі є центральними елементами СППР. Фактично СППР відрізняється від інформаційних систем менеджменту наявністю інтерактивних програм (з їх допомогою користувач може досліджувати і «мандрувати» по базах даних різних форм, розмірів і типів) та бази моделей (усередині її користувач може кон-струювати, аналізувати, інтерпретувати одну чи кілька моделей).
Протягом 60-х років ХХ ст. управлінські інформаційні системи розроблялися на базі процедурних елементів, причому керування моделями полягало в керуванні бібліотеками процедур розв’язків, поданих у вигляді програм і підпрограм. На початку
70-х років набула стабільності концепція баз даних, на основі якої і створювались інформаційні системи. Проте тепер визнаною є думка, що саме моделі визначають відношення між даними і суто базовий підхід до проектування систем призводить до не-хтування зв’язків, які відповідають процесам і процедурам у середовищі розв’язуваних задач. Тому спостерігається перехід від концепції баз даних до підходу, що ґрунтується на базі моделей, які стають джерелом нових тверджень і підґрунтям для усвідомлення суті інформаційних відношень. Концепція керування моделями усвідомлюється дедалі ширшим загалом дослідників і спеціалістів як передній край у галузі інформаційних систем і систем підтримки прийняття рішень.
Моделювання взагалі і комерційне моделювання зокрема (саме воно переважно використовується в СППР) — це спрощення деякого явища з метою розуміння його суті. Метою цього моделювання є спрощення вибору стосовно того, що особа, яка приймає рішення, має чітко розуміти свій вибір з усіма наслідками, що випливають з нього. Коли статистики будують регресійну модель, то їхньою метою є визначення головних, суттєвих факторів. Фахівці з маркетингу, наприклад, використовують регресію для того, щоб передбачити попит на певний вид продукту. Вони знають, що безліч чинників впливають на процес прийняття рішення покупцями: купувати чи не купувати даний продукт. Тому розвиток маркетингових досліджень є корисним для того, щоб знати, чи буде подобатися, наприклад, молодим фахівцям або службовцям їхній продукт, і чи буде попит на цю продукцію відрізнятися у різних регіонах країни.
Моделі являють собою важливу частину СППР. Багато ділових рішень зумовлені великою кількістю факторів, що впливають на процес їх прийняття. З цього випливає, що творці рішень мають відділяти необхідні компоненти даної ситуації від тих, які не мають до неї відношення. До того часу, поки потреба у такому «фільтруванні» буде очевидною, ніхто не буде вважати таку модель зручною для використання. Дуже часто важко сказати, яка модель є найвідповіднішою для визначеного процесу прийняття рішень. Інколи очевидно, який вид моделі потрібний за певних умов, але даних для підтримки рішення недостатньо. Врешті, отриманий результат не є тим, який має бути в дійсності, але деякою мірою ця модель буде відображати визначену ринкову ситуацію.
Незважаючи на те, що модель може викристовуватися і без СППР, все таки її можливості зростають з використанням СППР завдяки гнучкості, зручному інтерфейсу і можливостям створення запитів. Раніше склалося так, що ОПР мали довіряти іншим особам, які розробляли та інтерпретували для них моделі. Це пов’язано з різ­номанітністю виконання комп’ютерних програм, що потребують застосування відповідних моделей. Разом із СППР нині творці рішень отримують власний доступ до необхідних моделей і даних,
а також безпосередній доступ до резуль-татів.
Це є легкий і «дружній» спосіб, який робить моделі, побудовані в СППР, досить привабливими. ОПР мають розуміти свою причетність до власного вибору та змінювати свій вибір, коли він може бути несумісним із тими фактами, які наперед відомі. До цього можна додати те, що у зв’язку зі швидкістю та зручністю аналізу творці рішень можуть отримати більше альтернатив для того, щоб знайти вигідніше рішення. Більше того, модель заохочує користувачів СППР досліджувати змінні, які є чутливішими до допущень стосовно проблеми, що розв’язується.
5.4.2. База моделей у СППР
Будова бази моделей у СППР
СППР може містити різні типи моделей. Наприклад, до статистичних моделей належать: регресійний аналіз, аналіз змінних величин і експоненціальний розподіл. Бухгалтерські моделі включають цінові моделі, бюджет, податкові плани і вартісний аналіз. Моделлю з управління персоналом є, наприклад, розподіл обов’язків.
До маркетингових моделей належать рекламний стратегічний аналіз та модель вибору споживача. Характеристики всіх цих моделей відрізняються залежно від міри їх використання. Кожна з них являє собою певне спрощення процесу прийняття рішення, яке є корисним для розуміння елементів суті даного явища. Для цього необхідне вміння будувати і використовувати ці моделі, і робити це так, щоб менш досвідчені користувачі могли ефективно їх використовувати. Частина вимог для створення СППР — це знання того, що необхідно включати в моделі і як вони мають бути доповнені, щоб зробити їх зрозумілішими та доступними для ОПР.
База моделей СППР містить оптимізаційні і неоптимізаційні моделі. До оптимізаційних моделей належать моделі математичного програмування — лінійного (розподіл ресурсів, оптимальне планування, аналіз сітьових графіків, транспортна задача), нелінійного, динамічного; моделі обліку; моделі аналізу цінних паперів для визначення інвестиційної стратегії; моделі маркетингу та ін.
До неоптимізаційних належать статистичні моделі (лінійний і нелінійний аналіз регресій); методи прогнозування (аналізу) часових рядів; альтернативні методи моделювання (наприклад, машинна імітація) тощо.
Узагалі вся множина моделей в СППР, котрі входять до бази моделей, може бути відображена в трьохвимірному просторі з такими вимірами: подання, час, методології, як зображено на рис. 5.6 [103].

Рис. 5.6. Трьохвимірний простір класифікації моделей
Подання моделей
Перший вимір — «подання моделі» — описує тип даних, які необхідні для моделі і які зумовлюють необхідні підходи для збирання та оброблення даних. Відомо, що розрізняють моделі, які базуються на емпіричних і об’єктивних даних. Відмінність між ними полягає в процесі, яким генерується дана модель, а не у відповіді, яка отримується.
Емпіричні моделі (в яких використовують дані досвіду) базуються на підготовці й поданні інформації людьми як індивіду-
ально, так і в груповому порядку. Ці моделі можуть включати судові вироки, експертні думки та суб’єктивні оцінки. В екс-
пертному моделюванні інформація використовується у такий спосіб, яким створює рішення ОПР. Однією з серйозних проблем, що пов’язана з використанням таких моделей, є їхня суб’єктив­ність. Якщо дві особи спробують використати ту саму модель поведінки, то вони можуть досягнути різних результатів, тому що кожен з них керується різним досвідом і може по-різному його оцінювати.
На противагу експертним, об’єктивні моделі спираються на специфічні відокремлені дані і на їх аналіз за допомогю досконалої методики. Вони вважаються об’єктивними тому, що дані та спосіб, за допомогою якого вони використовуються, є специфічними, постійними та незалежними від досвіду прийняття рішень. Прикладом такої моделі є Reuters Money Network System (рейтерська грошова мережева система). Ця система дає змогу ОПР мати доступ до інформації про теперішній стан акцій, до попередніх даних і моделей для аналізу даних. Покриття інвестицій, розраховане одним користувачем для визначеної ситуації, буде таким самим, як і повернення інвестицій, розраховане іншим користувачем для іншої ситуації. Отже, тут немає суб’єктивних зв’язків за аналізу ситуації. Ми можемо впливати на результати рішення за допомогою вибору змінних, зміни періоду або груп шаблонів.
Як емпіричні, так і об’єктивні моделі мають певні переваги та недоліки. Перевагою об’єктивних моделей є те, що вони можуть вільно застосовуватися та доповнюватися новими даними. Крім того, для їх використання не вимагається великого досвіду. Об’єктивні моделі мають певні обмеження. Головною передумовою створення цих моделей є те, що для побудови математичної моделі спрощується реальна ситуація, хоча це і не виключає контроль необхідних факторів середовища, в якому приймаються рішення. Загалом, такі важливі фактори як конкуренція, регулювання цін і технології подаються у спрощеному вигляді. Якщо всі ці фактори з часом значно змінюються, то математична модель не буде доречною, тому що справжня суть середовища, в якому приймаються рішення, і його можливі реакції не будуть ураховані. За цих обставин надійніше використовувати емпіричні моделі.
Деякі СППР уможливлюють інтегрування об’єктивних і емпіричних моделей. СППР допомагає користувачам використовувати комбіновані моделі за допомогою постійних спостережень та оцінювань напрямів розв’язувань і попереджень ОПР за умов появи небезпечних напрямів розв’язань.
Вимір часу
Вимір часу показує, як часто береться до уваги середовище, в якому приймається рішення. Тут важливу роль відіграють статичні та динамічні моделі.
Статична модель завчасно відображає картину того, як усі фактори впливають на середовище прийняття рішень. За такого моделювання вважається, що всі фактори залишатимуться тими самими, тобто в цих моделях допускають ситуацію, коли немає залежності від рішень, які будуть прийняті пізніше.
У динамічних моделях береться до уваги середовище прийняття рішень протягом визначеного періоду. В них можна розглядати однакові явища протягом різних періодів або взаємопов’язані рішення, які будуть прийняті в майбутньому.
Методологічний вимір
Третій вимір показує, у який спосіб дані (не має значення, об’єктивні чи емпіричні) будуть збиратися та оброблятися. Існує п’ять узагальнених методологій: суцільне перебирання (завершеного переліку); алгоритмізація; евристика; імітація (симуляція) та аналітична методологія.
За допомогою методології суцільного перебирання збирається та оцінюється найважливіша і найдорожча інформація про всі можливі альтернативи. За загальних обставин методологія завер-шеного переліку є непрактичною. Але існує кілька випадків, для яких ця методологія є необхідною та доречною. Так, перепис населення України є прикладом цієї методології. Згідно з нею всі жителі України ідентифіковані та пораховані. Метою перепису населення є відображення руху населення і завдяки цьому можна визначити щільність населення в країні. Щоб не досліджувати кожні райони в окремих областях, уряд прийняв рішення ідентифікувати кожного жителя індивідуально. Правда, за перепису населення не враховувалися безпритульні особи, тому, строго кажучи, цей перепис не був суцільним перерахунком.
Методологія завершеного переліку є також корисною для використання нейромереж файлів угоди для розпізнавання образу. Наприклад, нейромережева система була сконструйована для Malon-банку в Чикаго з метою ідентифікувати підозрілі кредитні картки, що могли бути краденими. За допомогою перевірки всіх угод нейромережа ідентифікувала зміни в дрібних купівлях, як індикатор вкрадених кредитних карток. Це був метод завершеного переліку угод, доповнений шаблонно-розпізнавальними можливостями, який дав змогу системі швидко реагувати на появу в ній кримінальних явищ (докладно про нейромережі описано в розділі 9.4).
Другий підхід — алгоритмічна модель — являє собою розвиток процедур, які можуть повторюватися, і зрештою будуть визначати бажану характеристику для прийняття рішень. Такі моделі найкраще подані в дослідженнях операцій. Алгоритми мають режим повторювальних обчислень (ітерацій), які можуть бути інструментом для знаходження кращого розв’язку. Ряд обчислень безпосередньо базується на особливостях певної проблеми. На противагу суцільному перебору варіантів алгоритм ідентифікує сприятливу інформацію, яка може бути використана для вибору найкращого результату без попереднього оцінювання всіх можливих розв’язків задачі.
Третій можливий вид моделювання — евристика. У загальному випадку, евристика застосовується для розв’язування громіздких або важко розв’язуваних проблем, які не можуть бути розв’язані алгоритмічним способом. Метою цього моделювання є знаходження задовольняючого рішення, яке найбільш наближається до оптимального. Докладніше евристичні моделі розглядаються в розділі 9.2.
Четвертим видом моделювання є імітація або симуляція. На противагу алгоритмізації та евристиці імітація забезпечує наочні результати шляхом проведення машинних експериментів. Метою імітації є відображення реальності в кількісному чи символьному вигляді. Вона включає повторення експерименту і описання характерних змін. Наприклад, імітація діяльності підприємства може містити такі змінні: середня кількість часу затримки конвеєра й кількість часу, який витрачається на його ремонт. Використовуючи імітаційну модель, можна змінювати попит на продукцію, сировину, кількість і вид продукції та вивчати вплив цих змінних на кількість часу, коли конвеєр зупиняється і знов починає працювати. За допомогою сучасних програм імітаційного моделювання ОПР можуть змінювати величини змінних і наочно бачити їх вплив за сценарієм «що …, якщо…?».
Останнім типом методології є аналітичне моделювання. Воно полягає в поділі цілого на дрібніші частини, котрі досліджуються асоціативно з погляду їхньої поведінки, функцій і взаємозалежностей. Коли вже вивчена суть явища, то за допомогою аналітичних методів розв’язуються задачі з подібними змінними, які мають специфічні властивості у межах обмежень. Отже, ми можемо використовувати специфічні рівняння залежно від поставленої мети. Коли явище не є повністю визначеним, що характерне, зокрема, для реальних бізнес-явищ, то аналітичні методи дають змогу розділити наявні проблеми на вибрані частини і визначити, які компоненти найбільше впливають на взаємозв’язки з іншими компонентами. Статистичний аналіз, особливо регресійний, є прикладом аналітичного моделювання.

Страницы [ 1 ] [ 2 ] [ 3 ] [ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] [ 10 ] [ 11 ] [ 12 ] [ 13 ] [ 14 ] [ 15 ]
[ 16 ] [ 17 ] [ 18 ] [ 19 ] [ 20 ] [ 21 ] [ 22 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] [ 27 ] [ 28 ] [ 29 ] [ 30 ] [ 31 ] [ 32 ]
[ 33 ] [ 34 ] [ 35 ] [ 36 ] [ 37 ] [ 38 ] [ 39 ] [ 40 ] [ 41 ] [ 42 ] [ 43 ] [ 44 ] [ 45 ] [ 46 ] [ 47 ] [ 48 ] [ 49 ] [ 50 ]


ВНИМАНИЕ! Содержимое сайта предназначено исключительно для ознакомления, без целей коммерческого использования. Все права принадлежат их законным правообладателям. Любое использование возможно лишь с согласия законных правообладателей. Администрация сайта не несет ответственности за возможный вред и/или убытки, возникшие или полученные в связи с использованием содержимого сайта.
© 2007-2017 BPK Group.