Universitatea Politehnica Bucureti

Facultatea de Automatic i Calculatoare

Departamentul Ingineria Sistemelor

Referat tehnic
Algoritmi de optimizare multicriteriala (OM) vs
algoritmi bazai pe tehnici de inteligen
artificial (TIA)

Vlsceanu Giorgiana Violeta

OM vs TIA

Rezumat
2014-02-102

Vlsceanu Giorgiana Violeta

Rezumat
n lucrarea de fa sunt abordate doua tipuri de algoritmi ce sunt
ntlnii n cotidian cu aplicabilitate mare OM i TiA.
n primul capitol este tradat ideea de algoritmi, ca apoi ce obiective
aduc optimizarea algoritmilor si ce rezultate sunt asteptate. Urmnd
urmtorul plan: obiective, metode, instrumente, puncte tari puncte slabe
au fost tratate cele doua tipuri de algoritmi. S-au prezentat domeniile n
care se intalnesc OM si TIA, ca apoi sa fie sa fie alcatuita o analiza comparative urmata de un studiu de caz.

ii

OM vs TIA
Vlsceanu Giorgiana Violeta

Cuprins
2014-02-10

Cuprins
Rezumat ............................................................................................................ ii
1
Introducere ............................................................................................. 1
1.1 Optimizare ............................................... Error! Bookmark not defined.
1.2 Obiectivele optimizrii. 2
1.3 Rezultatele optimizrii 3
Algoritmi de optimizare multicriterial ....... Error! Bookmark not
defined.
2.1 Decizia
4
2.2 Procesul lurii unei decizii
4
2.3 Metode de luare a deciziilor multi-atribut (MADM)
6
Metode elementare
7
Metode MAUT
8
Procesul de ierarhizare analitic ( AHP)
8
Metode Outranking
9
2.4 Puncte tari / puncte slabe
11
2

0
Algoritmi bazai pe tehnici de inteligen artificial...12
3.1 Reele neuronale.13
3.2 Logica fuzzy...15
3.3 Algoritmi evolutivi19
3.4 Algoritmi genetici .19
Error! Reference source not found.

Algoritmizare i implementare 24

Error! Reference source not found. .............. Studiu de caz: OM vs fuzzy

25
Error! Reference source not found. Analiza comparativ .................. Error!
Bookmark not defined.
5.2 Studiu caz: Selectarea facultii i admiterea la Facultatea de
Automatic i Calculatoare25
6

Error! Reference source not found.

Referine

27
28

iii

OM vs TIA
Vlsceanu Giorgiana Violeta

Introducere
Algoritmii sunt seturi de etape care ndeplinite duc la rezolvarea unui
task astfel algoritmii i propun o modalitate de rezolvare a unei probleme sau o modalitate de explicare a evoluiei.
Un exemplu de algoritm poate fi i un algoritm aritmetic al lui Euclid,
dar i o reet de buctrie. De la Charles Babbage la Albert Turing i
pn n prezent, conceptul de algoritm s-a pstrat. Se consider c
formalizarea conceptul de algoritm a fost introdus de Alan Turing n
lucrarea Maini Turing i de Alonzo Church n lucrarea Lambda
Calcul. Plecnd de la acest fapt, Gurevich definete un algoritm ca un
proces de calcul definit de ctre o main Turing.

1.1

Optimizarea
Optimizarea const n emiterea i selectarea soluiilor viabile n cazul
unei probleme aprute, n cele mai multe cazuri a unei probleme inginereti. Scopul final al acestei optimizri este de a selecta din mulimea de
soluii soluia cea mai avantajoas. n alte cuvinte prin optimizare se
nelege un ansamblu de metode i tehnici care determin gsirea soluiei optime pentru o problem dat.
Bazele matematice pentru procesele de optimizare le constituie cercetarea operaional, programarea liniar, programarea dinamic, programarea geometric, algoritmi genetici etc.
Modelul matematic al oricrei probleme de optimizare presupune
minimizarea sau maximizarea unei funcii numit funcie obiectiv i
catalogarea problemei n funcie de un model. Acest proces al optimizrii trebuie s determine acea valoare minim a funciei obiectiv, funcie
ce este dependent de variabilele de proiectare. Este prezentat n
figura 1 schema general conceptual a procesului de optimizare, n
care este evideniat bucla iterativ a procesului. Din punct de vedere
matematic, nu se poate vorbii de rezolvarea unui sistem de ecuaii
algebrice sau despre compatibilitatea acestora sau numrul de soluii
sau dac este vorba de o soluie unic. n cazul nostru, se apeleaz la o
strategie euristic de gsire a soluiei viabile din mulimea de soluii.

OM vs TIA
Vlsceanu Giorgiana Violeta

Figura 1: Procesul de optimizare

Romic Trandafir definea optimizarea n lucrarea sa Modele i algoritmi de optimizare astfel: Optimizarea poate fi definit ca tiina
determinrii celei mai bune soluii la anumite probleme definite
matematic, care sunt adesea modele ale realitii fizice. Ea implic
studiul criteriilor de optimalitate pentru probleme, determinarea soluiei
cu metode algoritmice, studiul structurii acestor metode i experimentarea pe calculator a metodelor cu date experimentale i cu date reale.

1.2

Obiectivele optimizrii
A face cel mai bine posibil este sensul oricrei atitudini naturale n
viaa de zi cu zi. Dar aceasta nu are dect un sens relativ n raport cu
nite restricii impuse din exterior sau acceptate de bunvoie (Cohen,
2000).
Un obiectiv permanent pentru un inginer este a face cel mai bine
posibil fie c vorbim de automatizarea unui sistem sau de implementarea unui nou software. Expresia este relativizat n funcie de buget, de
securitate, sau altele, restricii al cror nivel a fcut la rndul su obiectul
deciziilor prealabile i adesea exterioare. Aici intervin obiectivele optimizrii.
Am plecat de la ideea optimizare, de a selecta o soluie din mulimea de
soluii care se pliaz pe o interogare cu anumite principii astfel putem
un prim obiectiv al acestui proces mbuntirea performanelor n raport
cu un criteriu.
Un alt cuvnt cu semnificaie vis-a-vis de optimizare sunt resursele. S-a
pornit pentru acest proces de optimizare i din cauza managementului
resurselor. Un algoritm optimizat bine este algoritmul care salveaz
2

OM vs TIA
Vlsceanu Giorgiana Violeta
resursele utilizarea optim a resurselor. Vorbim de aceste lucruri intervine i eficiena codului.
Optimizarea are rolul de a crea algoritmi buni. Mergnd spre partea de
clasificare a acestora ne gndim la performana. Performana este dat i
de dependena n timp. Procesul de optimizare i propune reducerea
timpului de execuie.

1.3

Rezultatele optimizrii
Pornind de la obiectivele enunate putem prezenta rezultatele ateptate,
n acest fel dup procesul de optimizare suntem siguri de creterea
nivelului de performan. Tot n aceast direcie se obine un nivel bun
al fiabilitii i al mentenanei. Este esenial pentru un algoritm optimizat s fie stabil i s ruleze n condiii bune pe orice main de calcul.

OM vs TIA
Vlsceanu Giorgiana Violeta

Algoritmi de optimizare
multicriterial
Problemele de optimizare care se ntlnesc deseori n practic se caracterizeaz prin necesitatea de a optimiza simultan mai multe criterii. Aceste
probleme sunt denumite probleme de optimizare multicriterial.
Rezolvarea acestor probleme este mai dificil dect rezolvarea unei
probleme cu o singur funcie obiectiv deoarece n acest caz este mai
greu de definit conceptul de optim. Acest lucru se ntmpl pentru c
criteriile de optimizat pot fi n conflict cu celelalte criterii astfel nu exist
o soluie n sens clasic s fie optimizate simultan toate criteriile.

2.1

Decizia
Luarea unei decizii const n deliberarea asupra opiunilor asupra unui
lucru ales dintre mai multe valabile, pentru a optimiza o situaie sau un
rezultat care s-ar ntmpla implicit. n acelai mod putem spune c
minimizm riscul de via prin evaluarea unor decizii i aciuni ce vor
favoriza rezultatul n favoarea unei pri.
Ca un mic rezumat legat de luarea unei decizii, aceasta este: selectarea
unei opiuni n defavoarea altora care nu ar include nici o aciune;
eliminarea condiiilor care sunt nesigure, care aduc un risc ridicat;
cutarea variantelor ce te ajut s atingi un anumit scop, anumite obiective sau un rezultat scontat.

2.2

Procesul lurii unei decizii

Procesul se iniializeaz de la o necesitate cunoscut la o decizie care se
adreseaz nevoii i adevratei probleme. n acelai timp este necesar
minimizarea riscului problemei i consecvena cu care este privit decizia.
Deciziile multicriteriale sunt de dou tipuri: multi-atribut i multiobiectiv.

OM vs TIA
Vlsceanu Giorgiana Violeta

Figura 2: Metode de analiza a deciziilor

Luarea unei decizii implic o serie de pai eseniali pentru determinarea

celei mai bune soluii.

Figura 3: Pai n luarea unei decizii

Pas 1 Definirea problemei

Pas 2 Determinarea cerinelor
Pas 3 Stabilirea scopului
Pas 4 Identificarea alternativelor
Pas 5 Definirea criteriului

OM vs TIA
Vlsceanu Giorgiana Violeta
Pas 6 Selectarea unei decizii ca instrument
Pas 7 Evaluarea alternativelor fa de criteriu
Pas 8 Validarea soluiilor n vederea formulrii problemei

2.3

Metode de luare a deciziilor multi-atribut (MADM)

Se poate considera o problem de acest tip care cu m criterii i n alternative. Avem C1, , Cm i A1, , An ce reprezint criteriile i respectiv
alternativele. O caracteristic standard de MADM este tabelul de decizie. Datele de baza a unei astfel se probleme se gsesc n acest tabel.
x1

Xn

A1

An

w1

C1

a11

am1

wm

Cm

am1

amn

Tabel 1: Tabelul de decizie

n tabelul de decizie fiecare rnd aparine unui criteriu i fiecare coloan

descrie performana unei alternative. aij descrie performana alternativei
Aj mpotriva criteriului Ci. Aa cum arat tabelul de decizie, w1, , wm
sunt atribute criteriilor. Ele reprezint opinia unei singure decizii filtru
sau sinteza opiniilor de grup. Valorile x1, , xn asociate alternativelor
sunt utilizate n metoda MAUT i reprezint valorile de rang maxim ale
alternativelor. n mod normal, valori de rang nalt atrag o performan
mai bun, iar rangul cel mai nalt reprezint cea mai bun alternativ.
MCDM permite factorilor de decizie s aleag un rang alternativelor pe
baza unei evaluri conform mai multor criterii. Deciziile sunt luate pe
baz de compromisuri sau compromisuri ntr-o serie de criterii, care
sunt n conflict unele cu celelalte. Cum am remarcat se fac doua tipuri
de decizii multi-atribute i multi-obiective. MODM sunt folositi n
cadrul modelelor matematice de programare, optimizai i supui la o
serie de constrngeri matematice. Scopul este de a alege cel mai bun
dintre toate variantele. MAUT permite factorilor de decizie s ia n
considerare preferinele sub form de atribute multiple funciile utilitate.
6

OM vs TIA
Vlsceanu Giorgiana Violeta
Procesul de ierarhizare analitic este o metodologie ce const n structurarea , msurarea i sinteza, care pot ajuta factorii de decizie pentru a
face fa cu situaiile complexe. Eliminarea i alegerea traduc i metode
ce in de realitate, inclusiv ELECTRE I, II, III i metodele IV care sunt
familiare cu metodele Outracking. Tot din clasa outracking face parte
metoda de mbogtire a evalurii PROMETHEE.
2.3.1

Metode elementare
Aceste abordri sunt simple i nu este nevoie de nici un sprijin de calcul
pentru a efectua aceast analiz. Sunt potrivite pentru problemele cu un
singur factor de decizie, cu puine alternative i criterii care sunt rar
luate n calcul pentru luarea unei decizii.
Analiza pro i contra
Aceasta este o metod de analiz calitativ n care sunt reliefate lucrurile
bune i rele, identificarea acestora sunt realizate prin analiza alternativelor. Listele de pro i contra sunt comparate pentru fiecare alternativ.
Este preferat alternativa ce are cele mai puternice puncte tari si cele mai
slabe puncte slabe. Este uor de implementat i i nu necesit nici o
calificare matematic.
Metoda maximax i maximin
Strategia pe care se bazeaz ncearc s evite performana sczut,
maximnd performana minimal pentru criterii. Alternativa pentru
care scorul este cel mai slab este cea mai preferat. Metoda maximin
poate fi utilizat numai dac toate criteriile sunt comparabile.
Metode conjunctive i disjunctive
Aceste metode caut mai degrab performana satisfctoare dect
performana cea mai bun a criteriilor. Metoda conjunctiv presupune
s respecte un prag minim de performan pentru toate criteriile. n
cazul n care nu satisface regulile de conjunctiv sau disjunctiv acesta este
refuzat pentru alte verificri suplimentare.
Metode lexicografice
Criteriile n acest caz sunt clasificate n ordinea importanei lor. Alternativa cu cel mai mare scor de performant este n relaie cu cel mai important criteriu. O sa fie comparata performanta celei mai bune alternative
cu cel mai important criteriu, pana la o unic potrivire.
7

OM vs TIA
Vlsceanu Giorgiana Violeta
2.3.2

Metode MAUT
Dintre cele mai multe abordri bazate de aceast teorie, ponderile asociate cu criteriile pot reflecta importana relativ a criteriilor numai dac
scorurile de tip aij sunt pe o scal comun, fiind adimensionale. Baza
metodelor MAUT este folosirea funciilor de utilitate. Funciile de utilitate pot fi aplicate pentru a transforma valorile de performan ale
alternativelor pe baza unor criterii diverse, att de fapt obiective,
cantitative, ct de judecat subiectiv, calitativ. n practic, intervalele
[0,1] sau [0,100] sunt folosite n acest scop. Funciile de utilitate joac un
alt rol foarte important: ele convertesc performan, astfel nct o performan mai mare obine o valoare mai mare de utilitate.
SMART ( Simple multiattribute rating technique )
Smart este cea mai simpl form de metod MAUT. Pe lng forma
general, Edwards a propus o metod simpl de evaluare a atributelor
criteriilor pentru a reflecta importana relativ a deciziilor. Deciziile sunt
clasificate in primul rnd n ordinea importanei, iar 10 puncte sunt
rezervate celui mai important criteriu. In lista urmeaz cel mai important criteriu din fata celui mai important, este ales si I se atribuie mai
multe puncte si astfel este creionat relevana lor. Ponderile finale se
obin de fapt prin normalizarea punctelor la unul.

2.3.3

Procesul de ierarhizare analitic ( AHP)

AHP a fost propus de ctre Saaty n anul 1980. Ideea de baza a acestei
abordri este de a converti evalurile de importan relativ a unui set
de scoruri globale sau ponderi. AHP este una dintre metodele cele mai
des aplicate.
Aceast metod se bazeaz pe comparaia perechilor pe comparaii de
tipul ct de important este criteriul Ci relativ cu criteriul Cj? Aceast
ntrebare poate stabilii ponderea criteriului i alte ntrebri similare i
trimise ctre rspuns pentru evaluarea scorului de performan pentru
alternative pe criterii de judecat.
Considerm modul de stabilire a ponderilor criteriilor. S presupunem
mai nti c criteriile m nu sunt aranjate ntr-o structur de tip arbore.
Pentru fiecare pereche de criterii, luarea deciziei trebuie s rspund la o
pereche de ntrebri care pun n eviden relevana importanei celor
dou. Rspunsurile la ntrebri pot fi regsite pe urmtoarea scar de 9
puncte care exprim intensitatea preferinei fa de un criteriu sau altul.

OM vs TIA
Vlsceanu Giorgiana Violeta
1 importan sau preferin egal
3 importan sau preferin moderat fa de unul sau altul
5 importan sau preferin puternic sau esenial
7 importan sau preferin foarte puternic sau demonstrat
9 importan sau preferen extrem

Dac criteriul Cj este mai important dect criteriul Ci, atunci se va considera reciproca acestui scenariu.
n practic sunt adesea aranjate perechile n arbori. Apoi, AHP efectueaz o serie de comparaii perechi n segmente mai mici ale arborelui i
apoi ntre seciuni la un nivel superior n arbore.
Similar calcularea ponderilor pentru criterii, AHP folosete tehnica
bazat pe compararea perechilor pentru determinarea scorurilor de
performan relative ale tabelului de decizie pentru fiecare dintre alternative pe fiecare criteriu subiectiv judecat. Acum, ntrebrile puse trebuie s aib un rspuns vis-a-vis de importana relativ a performanei de
perechi alternative privind criteriu considerat. Rspunsurile utilizeaz
acelai set de nou evaluri index ca i-n cazul precedent, i-n aceleai
tehnici pot fi utilizate ca la calcularea ponderilor criteriilor.
O serie de specialiti au exprimat o serie de preocupri cu privire la
AHP, inclusiv potenialul inconsisten intern i fundaia discutabil
teoretic a scalei 1-9 rigid, precum fenomenul de inversare al rangului,
rezult atunci cnd se introduce o noua alternativa. n
acelai timp, au existat, de asemenea, ncercri de a obine metode
similare,
care
pstreaz
punctele
forte
ale
AHP
evitnd unele dintre critici.
2.3.4

Metode Outranking
Principiul acestei metode presupune o disponibilitate similara a datelor
pentru metoda MAUT. Trebuie specificate att alternativele, ct i
criteriile, i se utilizeaz aceleai date din tabelul de decizie, i anume aij
i wi.
Metoda ELECTRE
Cea mai simpl metod din aceast familie este ELECTRE I.
Metodologia ELECTRE se bazeaz pe indicia de concordan definite
dup cum urmeaz.
Pornim de la datele din matrice decizie, i presupunem c suma ponderilor tuturor criteriilor este egal cu 1. Pentru o pereche ordonat a alter9

OM vs TIA
Vlsceanu Giorgiana Violeta
nativelor (Aj, AK), indicele de concordan cjk este suma tuturor greutilor de aceste criterii n cazul n care scorul performana Aj este cel
puin la fel de mare ca de Ak.
n mod clar, indicele concordan este ntre 0 i 1. Calculul indicelui
discordan Djk este un pic mai complicat: Djk = 0 dac aij> Aik, i = 1, ...,
m, adic indicele de discordan este zero dac Aj comport mai bine
dect Ak la toate criteriile.

adic pentru fiecare criteriu unde Ak surclaseaz Aj, raportul este calculat ntre diferena. Nivelul de performan ntre Ak i Aj i diferena
maxim scor pe criteriul respectiv ntre orice pereche de alternative
maxim de aceste rapoarte (care trebuie s fie ntre 0 i 1) este indicele de
discordan.
Metoda ELECTRE I este folosit pentru a construi un clasament parial i
alege un set de alternative promitoare. ELECTRE II este utilizat un
clasament pentru alternative. ELECTRE III reprezint credibilitatea
ntre dou alternative care face ca aceast metod mai sofisticat.
Metoda PROMETHEE (Preference Ranking organization Method for
Enrichment Evaluation)
PROMETHEE I (clasament parial) i PROMETHEE II ( clasament complet) au fost dezvoltate de ctre JP Brans i au fost prezentate pentru
prima dat n 1982. n acelai an mai multe aplicaii au fost dezvoltate pe
aceast metodologie mai ales n domeniul sntii.
Ctiva ani mai trziu, JP Brans i b. Mareschal au dezvoltat PROMETHEE III ( clasament ce se bazeaz pe intervale ) i PROMETHEE IV (
cazul continuu). Aceai autori au propus n 1988 modulul interactiv
GAIA care vine s sprijine metodolia PROMETHEE pe partea de vizual.
Un numr considerabil de aplicaii au folosit i folosesc metoda PROMETHEE, n diverse domenii precum domeniul bancar, resurse de ap,
investiii, medicina, localizare, chimie, servicii de sntate, turism, etic
n OR, management dinamic, etc. Succesul acestei metode este n principiu datorit proprietilor sale matematice i uurin n particularizarea
lor.
n cadrul metodei se realizeaz o comparaie pe perechi de alternative n
scopul de a le clasa la un numr de criterii. Metoda utilizeaz o funcie

10

OM vs TIA
Vlsceanu Giorgiana Violeta
pi(a,b) care este o funcie diferena ntre dj ntre dou alternative ale
oricrui criteriu. De exemplu dj = f(a, j) f(b,j) unde f(a,j) i f(b,j) sunt
valorile a dou alternative a i b pentru criteriul j. q i p sunt de asemenea dependente de tipul de criteriu. Dou alternative sunt indiferente
pentru criteriul j ct timp dj nu depete pragul lui q. Dac dj l depete pe p, (a,b) media ponderat a funciei pj(a,b) se poate defini ca:

( a, b)

J
j 1

w j p j ( a, b)

J
j 1

wj

(a) (a, b)
A

(a) (b, a)
A

(a) (a) (a)

unde wj este potenialul criteriului j; +(a) este index devansat a setului

alternativ A; -(a) este indexul surclasat a setului alternativ A; (a) este
clasamentul alternativelor din setul A. Valoarea maxim a (a) este
considerat valoarea cea mai bun.

2.4

Puncte tari / puncte slabe

Puncte tari

Puncte slabe

- reducerea semnificativ a
timpului de execuie
- rezultate mbuntie
- creterea preciziei rezultatelor
- utiizarea n diverse domenii
- implementarea facil

- algoritmii sunt complicai

dect
cei
obinuii
- dezacordul dintre complexitatea problemei i deciziile utilizatorului
- n cazul problemelor complexe timpul de rulare se poate
mrii

11

OM vs TIA
Vlsceanu Giorgiana Violeta

Algoritmi bazai pe tehnici de

inteligen artificial
Prima oar s-a vorbit de inteligent artificial n anul 1956 i pentru acea
vreme prea o utopie. n ultimii 50 de ani, aceast utopie a prins contur
i a ajuns s fie folosit printre toate tiinele care doresc s se afirme.
Putem ca numim inteligena artificial(ia) ca fiind o simulare a inteligenei umane care este atribuit i procesat de ctre maini, dar mai ales de
maini de calcul. Vorbim de simulare, dar s-a plecat cu conceptul ca ia s
imite ntr-un totul creierul uman, la nivel de gnduri, rspuns i interacionare. Dei ctre asta tind oamenii de tiin, trebuie s fim realiti i sa
realizam, creierul uman va mai rmne nc o vreme o enigm.
Pn n prezent se poate spune c s -au dezvoltat dou metode diferite
de abordare a Inteligenei Artificiale. Prima metod este cunoscut sub
numele top-down approach sau symbolic approach to AI. Spre
exemplu, vederea artificial a unei maini (controlat de un computer) a
fost abordat prin construirea unor algoritmi i aplicarea lor pe o serie
de date de intrare. Fiecare pas al procesului de vedere este evaluat,
algoritmul urmnd s transforme datele de intrare ntr-o form mai uor
de utilizat. Are i dezavantajele ei, fiind dependent de maina de calcul.
Un alt inconvenient ar fi faptul c aceast metod se bazeaz numai pe
cunotiinele programatorului. Astfel constinetizam ca nimic nu se poate
automatiza pe aceasta metoda.
A doua metod const n construirea unei reele neuronale care s
asigure convertirea unei imagini n informaie. Undeva n anii 60, s-au
format aceste preocupri pentru a constituii aceasta reea neuronale,
punndu-se baza perceptronului. Acesta, o combinaie reuit de reea
neuronal i informaii pre-procesate, a permis pentru prima dat recunoaterea imaginilor de ctre un computer. Perceptronul s-a bazat pe
ceea ce a reprezentat atunci primul stadiu al vederii artificiale, ca apoi s
fie folosita ulterior n construcia mainilor autoghidate.
Ca n orice domeniu exist algoritmi care sunt mai puternici sau mai
slabi.

12

OM vs TIA
Vlsceanu Giorgiana Violeta
Tehnicile tipice cnd vorbim despre acest domeniu ar fi reele neuronale,
seturi i sisteme fuzzy, algoritmi evolutivi, inteligena de tip swarm,
reeaua Bayesian, algoritmi genetici.
Precizm faptul c majoritatea acestor tehnici au fost inspirate din
procesele biologice.

3.1

Reele neuronale
Reele artificiale neuronale, numite de multe ori numai reele neuronale
sunt o metod generic de mapare sau reprezentare a relaiilor de input
i de output sau modele de funcii neliniare sau date trecute prin mai
multe straturi interconectate a grupurilor de neuroni artificiali.

Figura 4: Legtura input - output

ANN const n procesarea nodurilor, care mai sunt numii neuroni, care
colecteaz semnale de tip input, le proceseaz i genereaz un output. In
acest fel interconecteaz toate straturile neuronale.

Neuronii de obicei proceseaz informaia n funcie de procesul ce este

determinat de o funcie ce activeaz acel process, astfel de genereaza un
semnal de tip output, cnd intensitatea semnalului de intrare depeste
un anumit prag specificat, atunci se trece la alti neuroni conectati. Neuronii i conexiunile intre straturile adiacente dau capacitatea ANN de a
aproxima relatiile neliniare.
ANN se pot grupa in retele supervizate i nesupervizate depinzand de
metoda lor de implementare. Retele nesupervizate constau in acele
retele neuronale care nu au un output obligatoriu in timpul formrii lor,

13

OM vs TIA
Vlsceanu Giorgiana Violeta

Figura 5: Input - Output

ca-n cazul reelelor adaptive de rezonan. Cele supervizate, cum ar fi

retele multi-strat care au nevoie si de input si de output in timpul pregtirii reelei.
Un alt mod de a le grupa ar fi acesta, n retele de tip static i dinamic,
depinznd aceast clasificare de structura lor. Reele neuronale de tip
static ofer o mapare intre input i output, fr nici o dependen ntre
conexiunile dintre straturi sau de neuroni din structur. Pe de alt parte,
reele dinamice au ntre conexiuni un feedback ce nu este sincronizat
perfect. Aceast structur poate fi mai compact dect ulterioara.

14

OM vs TIA
Vlsceanu Giorgiana Violeta
Figura 6: Dou noduri interconectate dintr-o reea neuronal

3.1.1

Avantaje i dezavantaje
Avantaje

Poate nva din experien

Se auto-organizeaz
Are o structur transparent

Dezavantaje
Dificultatea de a parcurge etapa de construire a bazei de
regului, care e consumatoare de timp

Dificultatea integrrii modulelor de prelucrare

3.2

Logica fuzzy
Logica fuzzy este gsit peste tot pe lng noi prin importana relative a
preciziei. Un exemplu amuzant ce trateaz principiul acestei tehnici este
urmtorul:

Figura 7 Logica fuzzy n cotidian

Persoana care are meritul pentru aceast tehnica este Lotfi A. Zadeh ce a
publicat n anul 1965 n revista Information and Control un articol
numit Mulimi fuzzy ce a tratat aceast metod. Motivul numirii
acestei metode fuzzy, explic Zadeh este acela c sunt clasele care nu
au granie precis delimitate.
Oamenii posed capacitatea de a descriere comportamentul unui proces,
mcar pe partea calitativ bazndu-se pe procesele lor cognitive. Un
expert poate controla un proces pe baza cunotiielor lui i poate obser-

15

OM vs TIA
Vlsceanu Giorgiana Violeta
va sistemul chiar fr modelul matematic. Kaufmann i Gupta formulau
n 1988 despre logica fuzzy ca ar fi: a body of concepts and techniques
that give a form of mathematical precision to human cognitive processes
that are in many ways imprecise and ambiguous by the standards of
classical mathematics.
Logica fuzzy utilizeaz funcii de tip fuzzy , care au valori de 0 i 1, ce
permit captarea interpretarii cunotiielor lingvistice. Imperfeciunea
cunotiinelor nu este asigurat de fiecare variabil lingvistic. n alte
cuvinte, logica fuzzy este o logic de sistem, care genereaz logici multivoci. Dotrit acestui motiv, teoria nu a pus n practic probleme mult
mai complexe sau prost definite pentru matematica convenional.
ntr-un sistem fuzzy, cunoaterea este reprezentat de cazul n care,
regulile asociate variabilelor fuzzy,. Aceste reguli, mpreun cu funciile
sunt prelucrate prin regula aa-numita compoziie de deducie. Spre
deosebire de alte procese de raionament n cazul n care raionamentul
calitativ este utilizat cu normele lingvistice pure, inferenta neclara duce
dup ea o sinteza numeric bazat pe funciile membri bazate pe datele
din tabelul de decizie fuzzy Deoarece cantitile sintetizate ntr-o procedur de raionament sunt fuzzy, decizia final este, de asemenea, fuzzy.
Interenta fuzzy este de multe ori aproximativ raional.
3.2.1

Sisteme cu logic fuzzy

Un sistem cu logic fuzzy (SLF) permite modelarea si implementarea
funcionrii oricrui proces prin descrierea relaiilor intrare-iesire folosind variabile si valori lingvistice si reguli fuzzy DAC-ATUNCI.
Sisteme cu logic fuzzy:
Mamdani: variabila de ieire (comand) este o mrime
fuzzy a crui valoare se calculeaz folosind un tabel de decizie
i a principiului MINMAX.

Takagi-Sugeno variabila de ieire (comand) este o mrime ferm (crisp) calculat cu ajutorul unei funcii potrivit alese, de regul un polinom cu gradul maxim 2.

SISO - Single Input Single Out

MISO - Multiple-Input and Single-Output

MIMO - Multiple-Input and Multiple-Output

16

OM vs TIA
Vlsceanu Giorgiana Violeta

Figura 8: Sistem cu logic fuzzy

Fiecare sistem cu logic fuzzy are o baz de date ce cuprinde forma,

numrul i n special valorile numerice care defineste suportul i valoarea mediana a mulimilor de acest tip, dar exista si o baza de reguli care
sunt mai uor de definit deoarece ele sunt asociate cu datele descrise de
ctre mulimi dup legile de coresponden dorite.
Exist pentru aceast metod i civa operatori:

o
o

o
o

o
o
Fuzzicicarea
ntre:

Fuzzificare :
Transform valoarea x ntr-o mulime fuzzy
O valoarea de intrare este reprezentat de o mulime
Inferena
Cea mai complex operaie dintr-un system fuzzy
Are sarcina de a rezolva pe baza regulii fuzzy valoarea
fuzzy de intrarea i s ntoarc valoarea fuzzy de iesire
Defuzzificare
Operaia invers fuzzificrii
Transform mulimea y n valoarea y a ieirii
si defuzzificarea sunt operatii care asigur interfaarea
Lumea reala i valorile ei
Valorile aflate n sistemul logicii fuzzy

17

OM vs TIA
Vlsceanu Giorgiana Violeta

Figura 9: Schema bloc a unui regulator fuzzy

3.2.2

Avantaje i dezavantaje
Avantaje
Este bun aceast metod deoarece:

Este uor de nteles i utilizat

Este flexibil
Este toleranta la date imprecise
Poate modela functii complexe cu nivel ridicat de precizie
Poate apela la cunotiinele experilor
Poate fi combinat cu tehnici convenionale de control
Se bazeaza pe limbajul natural

Dezavantaje
Nu sunt recomandai algoritmii care se bazeaz pe logica fuzzy dac:
Exist o soluie deja simpl. Asta implic mrirea complexitii n unele cazuri asta implicnd un scenariu nefericit.

Exist controlre care funcioneaz foarte bine

Nu este convenabil din varii motive

18

OM vs TIA
Vlsceanu Giorgiana Violeta

3.3

Algoritmi evolutivi
Algoritmi evolutivi sunt algoritmi de calcul, care sunt insprirai din
procesele naturale. Ei emuleaz principiile naturale de selecie care
favorizeaz speciile puternice i ghideaz evoluia, n orice condiii de
mediu. Principalul obiectiv al EA este de a cuta punctul optim global.
EA se bazeaz subsimboluri, care reprezint numeric cunotiinele. Spre
deosebire de nceputurile AI care a analizat logica predicatelor, plaselor
semantice, sau cadrelor, EA emuleaz procese evolutive in form de
calcul.
Conform lui Menon, acesta a gsit n ciudata tuturor abordrilor ale
acestui algoritm, cteva caracteristici comune:
Populatia

Noiunea de fitnes

Noiunea de populaie dinamic bazat pe fitnes

Noiunea de motenire de prini la copii

Algoritmii evolutivi reprezint o tehnic de nvare inductiv bazat pe
observaii, un proces nesupervizat.

3.3.1

Avantaje / dezavantaje
Avantaje

Prezint o adaptabilitate bun

Este eficient
Indic setul de soluii printr-o singur rulare

Dezavantaje

3.4

Consum multe resurse

Are un cost ridicat
Prezint un caracter aleator

Algoritmi genetici
Algoritmii genetici reprezint o familie de modele computaionale
inspirate de teoria evoluiei. Aceti algoritmi codific soluiile posibile
ale unor probleme specifice ntr-o structur de date de tip cromozom i
aplic acestor structuri operatori de recombinare, pentru a pstra informaia util.
Implementarea unui algoritm genetic ncepe cu o populaie de cromozomi (n general aleas aleator). Se evalueaz, apoi, aceste structuri i se
aloc faciliti reproductive astfel nct acei cromozomi, care reprezint

19

OM vs TIA
Vlsceanu Giorgiana Violeta
o soluie mai bun pentru problema int, s aib mai multe anse de a
se reproduce dect acei cromozomi care sunt soluii mai proaste. Definirea unei soluii bune se face, n general, n raport cu populaia curent.
Algoritmii genetici se pot utiliza pentru optimizarea unei funcii F(x 1, x2,
... xm) ceea ce nseamn c dorim s minimizm sau s maximizm
aceast funcie. n acest caz variabilele ce desemneaz parametrii sunt
reprezentate n general prin iruri binare.
3.4.1

Algoritmul genetic canonic

Primul pas n implementarea unui algoritm genetic const n generarea
populaiei iniiale. n algoritmul genetic canonic fiecare membru al
acestei populaii va fi un ir binar de lungime L corespunznd codificrii
problemei. Fiecare ir este denumit fie genotip fie cromozom. n majorirevaluat i i se atribuie un fitness.
Funcia de evaluare sau funcia obiectiv reprezint o msur a performanei n raport cu o anumit mulime de parametrii. Funcia fitness
transform aceast msur a performanei n alocare de faciliti reproductive.
n algoritmul genetic canonic fitness-ul este definit prin relaia:
fi
f

unde:
fi reprezint evaluarea asociat cu irul i
f evaluarea medie a tuturor irurilor populaiei

Este util ca execuia unui algoritm genetic s fie considerat ca un proces

n dou etape:
1. prima etap const n aplicarea unei selecii populaiei curente rezultnd o populaie intermediar;
2. a doua etap const n aplicarea recombinrilor i mutaiilor populaiei intermediare pentru a crea o populaie urmtoare.
Trecerea de la populaia curent la populaia urmtoare reprezint o
generaie n execuia unui algoritm genetic.

20

OM vs TIA
Vlsceanu Giorgiana Violeta
Figura urmtoare explic acest lucru: o generaie se compune din faza
seleciei i faza recombinrii. Mutaia (nu apare n desen) poate interveni dup crossover

Figura 10

n figura de mai sus irurile care alctuiesc o generaie reprezint variabilele funciei de optimizat, variabile ce sunt de regul anumii parametrii ai unui fenomen. Aceste variabile sunt convertite n iruri binare prin
operaia de discretizare. Generaiei curente i se aplic operaia de selecie astfel: se calculeaz fitness-ul fi/f i apoi se asociaz anse mai
mari irurilor cu fitness mai mare. Metoda de asociere a anselor depinde de algoritmul folosit. De exemplu poate fi folosit o metod similar
cea utilizat la jocul de rulet. La jocul de rulet, pe roat, fiecrui numr i se aloc un anumit spaiu inegal pe circumferina roii. Numerele
care vor avea alocat un sector de cerc mai mare au anse mai mari s
capteze bila ruletei.
O alt metod poate fi cea a extragerii aleatoare cu rest. Pentru a aplica
aceastmetod se parcurg urmtoarele etape:
- se calculeaz fitness-ul i pentru fi/f >1 partea ntreag indic numrul
de iruri identice plasate n populaia intermediar;
- partea fracionar fi/f reprezint ansa de a mai plasa o copie a irului.
De exemplu pentru un fitness egal cu 1,36 se plaseaz o copie n generaia intermediar i se mai poate plasa una cu probabilitatea 0,36.

21

OM vs TIA
Vlsceanu Giorgiana Violeta
Prin recombinare se nelege aplicarea cu o probabilitate pc operatorul
crossover perechilor de iruri aleator formate.
Funcionarea operatorului de crossover va fi explicat prin urmtorul
exemplu. Presupunem dou iruri binare din generaia intermediar.
Pentru a putea urmri modul de funcionare a operatorului cel de-al
doilea ir a fost reprezentat cu simbolurile x i y n loc de 1 i 0.
Cele dou iruri sunt:
primul ir: 1101011011
al doilea ir: yxxyxxxxyy

Folosind un punct de recombinare aleator ales, un crossover simplu (1point crossover) apare ca:
1101\/011011
yxxy/\xxxxyy

n urma aplicrii operatorului de recombinare obinem descendenii:

1101xxxxyy

i
yxxy011011

Dup recombinare se poate aplica operatorul de mutaie. Fiecare bit din

populaie se va schimba cu o mic probabilitate pm (n general rata
mutaiei este sub 1%).
Dup ce procesele de selecie, recombinare i mutaie au luat sfrit,
populaia urmtoare poate fi evaluat. Evaluarea, selecia, recombinarea
i mutaia formeaz o generaie n executarea unui algoritm genetic.
Generaia urmtoare devine generaie curent i algoritmul este reluat
pn se atinge obiectivul propus definit de funcia obiectiv.
Teoria algoritmilor genetici presupune o mare varietate de metode i
tehnici utilizate, ncepnd de la modul de reprezentare a variabilelor
funciei de optimizat i terminnd cu metodele de calcul.
Rezultatele foarte bune obinute n unele domenii ale inteligenei artificiale au impus aceast metod pe lng reelele neurale i mulimile
nuanate ca instrumente foarte puternice de lucru.
n concluzie putem spune c un lucru izbitor la algoritmii genetici i
modelele paralele este bogia acestor forme de calcul. Ceea ce pare o
mic schimbare n algoritm duce adeseori la comportri surprinztoare.

22

OM vs TIA
Vlsceanu Giorgiana Violeta
3.4.2

Avantaje / dezavantaje
Avantaje

Sunt usor adaptabili

Reliefeaz o soluie optim
Sunt usor de implementat
Solicit doar valorile funciilor obiectiv

Dezajantaje

Exist o dificultate n gsirea unei reprezentari adecvate

Consum mult timp
Sunt dependeni de parametri
Au o uoar surs de determinism

23

OM vs TIA
Vlsceanu Giorgiana Violeta

Algoritmizare i implementare
Am vorbit despre ce reprezint un algoritm n primul capitol, am prezentat metode. n acest fel putem s considerm c putem implementa
acele metode prin intermediul algoritmilor.
Partea de implementare este diferit n funcie de domeniul in care se
aplic. Algoritmii din cele dou tipuri pot rezolva probleme cotidiene de
o relevan important. O s tratm cteva aplicaii ai celor dou categorii n urmtoarele paragrafe.
Pornind de la algoritmii de optimizare multicriteriala putem afirma c
acetia sunt folosii n industria chimic. Sunt multe domenii precum
domeniile economice, politice, financiare, inginereti unde se lucreaz cu
multe date i inevitabil se gsete o necesitate de a lua o decizie bazat
pe un anumit criteriu sau s in cont de un set de criterii. Astfel putem
afirma c acetia au o aplicabilitate mrite n cadrul bancar, contabilitate.
Tot gndindu-ne la OM, putem da un alt exemplu cu algoritmii ce fac
parte din aceast categorie, cazul rului Nestor. n acest caz s-au folosit
algoritmii AHP i PROMETHEE pentru planificarea apei, echilibrarea
nevoilor de alimentare cu ap, generarea de energie, precum i cerinele
mediului.
Algoritmi bazai pe inteligen artificial sunt folosii n domeniul electronic, fiind realizate multe dispozitive bazate pe recunoaterea vocii,
roboei i multe alte aplicaii. Un alt exemplu ar fi la algoritmii de tip
expert, acetia au o aplicabilitate mrit n domeniul medicinii, dar i a
forajelor geologice. Logica fuzzy este regsit i printre electrocasnicele
noastre, de exemplu n principiul funcionrii mainii de splat, a cuptorului cu microunde. Un exemplu drgu de principiu fuzzy aplicat ar fi
baciul varianta clasic este de a acorda 10% din valoarea notei de
plat. Cu ajutorul algoritmului fuzzy, intervin urmtoarele situaii: dac
servirea este slab sau mncarea este rea atunci baciul este mic, dac
servirea este bun sau mncarea este bun atunci baciul este mediu i
ultimul, dar nu cel din urm dac servirea este excelent sau mncarea
este delicioas atunci baciul este mare. In acest caz beneficiem de dou
variabile mncare i butur. S-au folosit OM si algoritmi genetici n
ceea ce privete un studiu medial la cardiopatia ischemic.

24

OM vs TIA
Vlsceanu Giorgiana Violeta

Studiu de caz: OM vs fuzzy

5.1

Analiza comparativ
Complexitate n cazul OM exist o complexitate redus,
iar n cazul fuzzy exist o complexitate ce nu poate fi precizat,
n funcie de complexitatea problemei tratate, deoarece fuzzy
este flexibil vis-a-vis de problema.

Corectarea erorilor OM nu este capabil de a corecta

eventualele erori, pe cnd fuzzy evalueaz condiional.

Cunotiine - OM are nevoie de cunotiinte complete, pe

cnd fuzzy are nevoie de cunotiine pariale .

Durata depinde de tipul/complexitatea problemei ce necesit rezolvare, pentru o complexitate medie, OM reduce timpul de execuie, pe cnd fuzzy are un timp de execuie minimal.

Claritate este aproximativ bun la ambii algoritmi din

punct de vedere al rezolvrii.

Principiul minimax ambii algoritmi pot aplica acest

principiu.

Precizia datelor de intrare - OM are nevoie de criterii si

alternative clare i returneaz un rezultat precis, pe cnd fuzzy
nu are nevoie de date att de precise i returneaz i el un rezultat destul de precis.

5.2

Studiu caz: Selectarea facultii i admiterea la Facultatea

de Automatic i Calculatoare
n acest paragraf o s tratm studiul de caz dintre OM i fuzzy. Un
exemplu, nu att de copilresc, ntlnit n viaa adolescenilor este admiterea la o facultate. O s ne imaginm urmtorul scenariu dou fete
care doresc s fie studente la Facultatea de Automatic i Calculatoare
(FAC).
Ana este clasa a XII-a, oraul Buzu. nc din clasa a IX-a s-a gndit c
dorete sa fie aproape de domeniul informatic i s aib diplom de
inginer, nu numai s gndeasc inginerete. Ea a avut n vedere urmtoarele criterii pentru alegerea facultii:

Prestigiul facultii
Distana de cas

25

OM vs TIA
Vlsceanu Giorgiana Violeta
Preul unui bilet

Modalitatea de admitere

Prezena unei examen scris

Timpul de pregtire

Preul cminului

Rudele din oraul respectiv.

Ana analiznd toate aceste criterii s-a oprit la Facultatea de Automatic
i calculatoare.

Cea de-a doua fat Mara, prieten cu Ana, are urmtoarele variabile
de care ine cont Ana i mama ei. Ea are urmtorul scenariu:

Dac Ana sau mama consider c FAC este rea atunci ansele FAC sunt mici.

Dac Ana sau mama consider c FAC este bun atunci

ansele FAC cresc puin.

Dac Ana sau mama consider c FAC este cea mai bun
soluie atunci cea mai bun soluie este FAC.

Cele dou fete au aplicat cele dou tipuri de algoritmi. Ce algoritm a

aplicat Ana? Dar Mara?
Ana a aplicat principiile OM legate de alternative si criterii, iar Mara
logica fuzzy.

26

OM vs TIA
Vlsceanu Giorgiana Violeta

Concluzii
Cele dou tipuri de algoritm au aplicabilitate mare n cotidian, avnd
puncte tari i puncte slabe, prezentnd avantaje i dezavantaje.
Pentru o folosire optim a acestora, programatorul trebuie s aib suficiente informaii legate de tem.

27

OM vs TIA
Vlsceanu Giorgiana Violeta

Referine
[1]

Sinteze, Departamentul de informatic, Universitatea din Craiova

[2]

Mihai Caramihai , Noiuni introductive, Curs 1 SDA, Universitatea Politehnic Bucureti

[3]

Romic Trandafir, Modele i algoritmi de optimizare

[4]

Metode de optimizare, curs Universitatea Trgu-Jiu

[5]

Janos Fulop, Introduction to Decision Making Methods

[6]

Neil Russell-Jones, THE DECISION-MAKING POCKETBOOK

[7]

Jean-Pierre Brans, Bertrand Mareschal, How to Decide with

PROMETHEE

[8]

Mohsen Pirdashti, Arezou Ghadi, Mehrdad Mohammadi,

Gholamreza Shojatala, Multi-Criteria Decision-Making Selection
Model with Application to Chemical Engineering Management
Decisions

[9]

Ionut Ghionea, Inteligena artificial

[10]

G Oltean, Sisteme cu logic nuanat

[11]

Ioan Borlea, Elemente de inteligen artificial Logica Fuzzy,

curs Facultatea de Electrotehnic i Electroenergetic Timioara

[12]

Dan Rotar, Inteligena artificial note de curs, Universitatea

din Bacu

[13]

Yung C. Shin, Chengying Xu, Intelligent Systems

[14]

Kevin Gurney, An introduction to neutral networks

[15]

Pantalas, WATER RESOURCES PLANNING USING THE AHP

AND PROMETHEE MULTICRITERIA METHODS: THE CASE
OF NESTOS RIVER GREECE

Prezentare

28