2.4.1. Обгрунтування вибору методів іус

Для розв’язання задач вибору кращого із варіантів управлінських рішень потрібно використовувати методи теорії прийняття рішень, зокрема:

1) багатокритеріальні методи прийняття рішень в умовах визначеності (лексикографічний, послідовних поступок, модифікований лексикографічний, головного критерія, агрегованого критерія, ідеальної точки);

2) методи прийняття рішень в умовах невизначеності: методи прийняття рішень в умовах ризику (критерій математичного сподівання (Байєса-Лапласа, критерій сподіваного значення-дисперсії, критерій недостатніх підстав Бернуллі); методи прийняття рішень в умовах повної невизначеності (критерій Вальда: максиміну, мінімаксу; критерій Севіджа - мінімального шкодування, критерій Гурвіца); методи прийняття рішень в умовах конфлікту (методи теорії ігор);

3) метод динамічного програмування Беллмана для багатостадійних задач прийняття рішень (дерев рішень);

4) методи багатокритеріального вибору на основі додаткової інформації: аналітичної ієрархії AHP; виключення і вибору в умовах реальності ELECTRE; t-упорядкування; SIGМОР; Джоффріона-Дайєра; Сейвіра; пошуку за багатогранником, що деформується (метод Нелдера-Міда); метод гілок і границь; метод обмежень (SТЕМ); IMGP; Беленсона-Капура; зовнішнього розгалужування; Михайловського; задовільних цілей; Красненкера-Каплінського; Бедельбаєва та ін.

5) підходи однокритеріальної та багатокритеріальної (MAUT) теорії корисності;

6) методи експертних оцінок для складних неструктурованих проблем;

7) методи колективного вибору.

При проектуванні ІУС треба врахувати особливості предметної області і відповідні до обраної задачі застосувати ті чи інші методи та моделі, зокрема: методи числення висловів та числення предикатів; правила висновку в численні предикатів; методи продукційних моделей та системи; методи дедуктивного та індуктивного висновків в численні предикатів; метод Ербрана; принцип резолюції;. методи резолюції і логічної мови (на прикладі Visual Prolog); методи отримання висновку в умовах ненадійних або неповних знань; байесовський метод; метод коефіцієнтів упевненості; теорія свідоцтв Демпстера-Шефера; нечіткі множини і нечітка логіка; байесовській метод розпізнавання; моделі нейронних елементів; структури нейронних мереж та алгоритми і моделі, зокрема: виключення кандидата; методи індуктивного вивчення евристик пошуку; Уїнстона; алгоритм Мітчелла; алгоритм узагальнення ID3; індуктивний поріг і можливості навчання; алгоритм EBL і навчання на рівні знань; рекурентні алгоритми навчання розпізнавання образів; моделювання штучного життя (Artifical life); оптимізації, симуляцією відновлення (Simulated annealing); кластеризації Гроссберга і Карпентера; оптимізація, за принципом мурашиної колонії (алгоритм Marco Dorigo); зворотного розповсюдження у нейронних багатошарових мережах; генетичний алгоритм Джона Холландона (John Holland); еволюційні моделі для виведення послідовності дій; розробка Web-агента; системи заснованої на правилах та її архітектура; система прямого висновку; системи зворотного висновку; нечіткої логіки (Fuzzy logic); моделі станів (Bigram Model); приховані моделі Маркова (Markov Model); мультиагентні системи.