شکل۲-۴٫ یک ماتریس مقایسه­ایی دوبه­دو در این ماتریس، نشان­دهنده نتیجه­ مقایسه­ دوبه­دوی عناصر و با توجه به عنصر X می­باشد. معیار سطر i ام بهتر از معیار ستون j ام است اگر مقدار عنصر (i,j) بیشتر از یک باشد، در غیر اینصورت معیار ستون j ام بهتر است از معیار سطر i ام. در این صورت واضح است که یعنی عناصر قطری این ماتریس برابر است با ۱ و . در این روش برای سنجش­های غیرکمی، یک مقیاس از ۱ تا ۹ برای مقایسه­ دوبه­دوی دو عنصر، در نظر گرفته می­ شود [۱۱]، که ۱ نشان­دهنده یکسان بودن اهمیت دو عنصر و ۹ نشان­دهنده اهمیت مطلق یک عنصر بر دیگری است. مقدار ویژه­ی[۳۳] اصلی ماتریس محاسبه شده و بردار ویژه[۳۴]­ی ماتریس مقایسه متناظر با آن مقدار ویژه، اهمیت نسبی معیارهای مقایسه­شده گوناگون را بدست خواهد داد. عناصر بردار ویژه­ی نرمال، به عنوان وزن­ نسبت به معیار یا زیرمعیار و درجه نسبت به راه­حل­ها در نظر گرفته می­شوند. سپس سازگاری[۳۵] ماتریس­های مقایسه از طریق یک نرخ سازگاری پیگیری می­ شود. یک نرخ سازگاری برابر با ۰٫۱ یا کمتر نشان­دهنده یک سطح سازگاری قابل پذیرش است که در ماتریس­های مقایسه، کدگذاری می­ شود و ماتریس­های متناظر با آن، سازگار نامیده می­شوند. درجه­ هر راه­حل در اوزان زیرمعیار، ضرب و برای بدست آوردن درجه­ های محلی برای هر زیرمعیار، با یکدیگر جمع می­ شود. این درجه­ های محلی سپس در اوزان معیار، ضرب و برای بدست آوردن درجه­ های سراسری با یکدیگر جمع می­ شود. به طورکلی، روند سلسله مراتبی تحلیلی برای هر راه­حل، تعدادی مقادیر وزنی بر اساس اهمیت آن راه­حل نسبت به سایر راه­حل­ها، برطبق یک معیار یکسان، تولید می­ کند. این مدل، ساختار موثری را فراهم می­سازد که در آن تصمیم­های مختلف و مفاهیم مربوط به آنها بررسی و به صورت عددی مقایسه می­گردند. این روش به کاربر کمک می­ کند که یک تصویر صحیح و متوازن از ریسک­ها و پاداش­هایی که می­توانند در نتیجه­ یک انتخاب مشخص حاصل شوند، تشکیل دهد. از جمله دیگر مزیت­های مدل روند سلسله مراتبی تحلیلی، تقارن[۳۶] ذاتی آن است که آن را برای یک پیاده­سازی با شیوه­ برنامه­نویسی شئ­گرا مناسب می­سازد: بلوک­های مدل می­توانند هنگام محاوره با فرد تصمیم­گیرنده، مدیریت و اصلاح شده و پس از آن به انجام وظایف خود بپرازند. از جمله سیستم­هایی که از این روش جهت رفع ناسازگاری استفاده می­نماید، سیستم تصمیم­همیار هوشمندی است که به عنوان یک دستیار هوشمند جهت اخذ تصمیمات تجاری طراحی شده و شرح آن در مرجع [۱۲]، ارائه شده است. در مرجع [۱۳]، یک مدل تغییریافته از روند سلسله مراتبی تحلیلی به منظور استخراج اولویت­های نسبی موجود در حالت­های ممکن در یک مدل گراف، ارائه شده است. شکل ۲-۵، یک مقایسه­ ساده بین نسخه­ تغییر داده شده و روش روند سلسله مراتبی تحلیلی استاندارد را نشان می­دهد. شکل۲-۵٫ (الف)روند سلسله مراتبی تحلیلی استاندارد، (ب) نسخه­ تغییر داده شده روند سلسله مراتبی تحلیلی. ساختار نسخه­ تغییر داده شده روند سلسله مراتبی تحلیلی، به صورت مشخص­تر در شکل۲-۶ ارائه شده است. Influence power Actions (States) Options Preference ranking شکل۲-۶٫ ساختار نسخه­ تغییر داده شده روند سلسله مراتبی تحلیلی سطح رتبه ­بندی اولویت[۳۷] شامل تمامی تصمیم­گیرندگانی است که در مدل رفع ناسازگاری در نظر گرفته می­شوند. برخلاف روند سلسله مراتبی تحلیلی استاندارد که تنها دارای یک هدف است، این سطح، این نکته را مشخص می­سازد که اهداف به منظور پی­بردن به رتبه ­بندی­های اولویت­ها برای تمامی تصمیم­گیرندگان می­باشند. سپس بررسی­ها از نقطه­نظر هر تصمیم­گیرنده به طور جداگانه صورت خواهد گرفت. سطح قدرت تأثیر[۳۸]، قدرت تأثیر تصمیم­گیرندگان گوناگون را بر روی موقعیت کلی از دیدگاه هر تصمیم­گیرنده تعیین می­سازد. سطح انتخاب[۳۹]، تمامی انتخاب­های تحت کنترل هر تصمیم­گیرنده را لیست می­ کند. در این سطح، اوزان اولویت­های تمامی انتخاب­ها بدست می ­آید. همچنین، مقایسه­ها می­توانند به علت پیچیدگی و یا بزرگی مجدداً به یک مدل زیر سلسله مراتب[۴۰] شکسته شوند. سطح اقدامات/حالات[۴۱] دنباله­ایی از نمایه[۴۲]­های اقدامات که با ترکیباتی از صفر و یک در مقابل انتخاب­ها مشخص شده ­اند را نمایش می­دهد. در این ترکیبات، صفر، تعیین­کننده­ آن است که انتخاب متناظر با آن برگزیده نشده و یک، تعیین­کننده­ آن است که انتخاب متناظر با آن برگزیده شده است. درجه­بندی اولویت کل با ضرب اوزان اولویت­های انتخاب­ها در وضعیت اقدامات، بدست می ­آید. در سیستم مطرح شده در مرجع [۱۳]، پس از استخراج اولویت­های نسبی تمامی تصمیم­گیرندگان، این اولویت­ها به یک مدل گراف داده شده است. فصل سوم سیستم­های تصمیم­همیار هوشمند سیستم­های تصمیم­همیار هوشمند مقدمه بسیاری از تصمیم­گیرندگان با محیط­هایی سرشار از استرس، به شدت رقابتی، با گام سریع و انبوه از اطلاعات مواجه هستند. ترکیب اینترنت که دسترسی سریع به منابع را فراهم می­سازد و پیشرفت تکنیک­های مختلف هوش مصنوعی، امکان حمایت از روند اخذ تصمیم در شرایط پرمخاطره و غیرقطعی را فراهم می­سازد. این حمایت­ها و کمک­ها، دارای پتانسیلی جهت بهبود تصمیم ­گیری از طریق ارائه­ راه­حل­هایی که بهتر از راه­حل­هایی است که بتنهایی توسط انسان گرفته می­ شود، می­باشند. این کمک­ها در قالب سیستم­هایی در زمینه ­های گوناگون از تشخیص پزشکی تا کنترل ترافیک تا برنامه ­های کاربردی مهندسی در دسترس هستند. این سیستم­ها به طور کلی سیستم­های تصمیم­همیار هوشمند نامیده می­شوند و با فراهم نمودن امکاناتی از قبیل ارائه­ اطلاعاتی درست بموقع[۴۳]، پردازش بلادرنگ، پردازش تراکنش­های روی­خط[۴۴]، اطلاعات یکپارچه و به طور کلی به­روز، سبب توسعه و ارتقاء سیستم­های تصمیم­همیار قدیمی شده ­اند [۱۴]. در این فصل، ابتدا در رابطه با ویژگی­های یک سیستم تصمیم­همیار هوشمند و تفاوت­های این سیستم­ها با سیستم­های تصمیم­همیار توضیحاتی ارائه می­گردد و در ادامه مولفه­های مختلفی که برای این نوع سیستم­ها در بررسی­های گوناگون در نظر گرفته شده، شرح داده می­ شود. ویژگی­های سیستم­های تصمیم­همیار هوشمند سیستم­های تصمیم­همیار هوشمند با آمیختن تکنیک­هایی برای فراهم ساختن رفتارهای هوشمند و بکارگیری قدرت کامپیوترهای مدرن به منظور حمایت و ارتقاء تصمیم ­گیری، سیستم­های تصمیم­همیار را بهبود بخشیده­اند [۱۲]. این سیستم­ها می­توانند به سرعت و با کامیابی به داده و اطلاعات جدید بدون مداخله­ی انسان پاسخ داده و به موقعیت­های پیچیده و گیج­کننده رسیدگی کنند. یادگیری از تجربه­ گذشته، اعمال دانش به منظور درک محیط، شناسایی اهمیت نسبی عناصر مختلف موجود در تصمیم، افزودن دانش افراد خبره در زمینه­ خاص تصمیم از جمله دیگر قابلیت ­های این نوع سیستم­ها می­باشد. در شکل ۳-۱ یک ساختار تئوری برای یک سیستم تصمیم­همیار هوشمند ارائه شده است [۱۶]. شکل۳-۱٫ یک ساختار تئوری برای یک سیستم تصمیم­همیار هوشمند در این ساختار، حافظه و قدرت محاسباتی به منظور دستیابی و تحلیل حجم انبوهی از داده، و تکنیک­های هوش مصنوعی به منظور تولید رفتار هوشمندانه در موقعیت­های پیچیده­ تصمیم ­گیری، مورد نیاز می­باشند. علاوه بر هوشمندانه عمل کردن، یک سیستم تصمیم­همیار هوشمند باید قادر باشد که در یک محیط با سایرین ارتباط برقرار کند، اشتباهات را شناسایی و تصحیح نموده و از توانایی­های دیگران سود برد. بنابراین “هوشمندی” و تأثیرگذاری می ­تواند یک ویژگی ضروری برای تمامی عواملی باشد که در یک مسئله به شیوه­ایی نسبتاً هماهنگ با یکدیگر کار می­ کنند. با در ذهن داشتن این پیش­زمینه، می­توان ویژگی­های یک سیستم تصمیم­همیار هوشمند را به صورت زیر عنوان نمود: همکاری[۴۵]: سیستم بتواند با سایر پایگاه داده ­ها و نیز با کاربران انسانی (کاربرانی که باید با سیستم کار کنند) بخوبی کار کند و این امکان را برای آنها فراهم سازد که بجای آنکه تنها از یک راه­حل بهینه آگاه گردند، به مشاهده و اکتشاف فضای گزینه­ های ممکن به شیوه­ایی مشخص بپردازند. تشخیص رویداد و تغییر: سیستم بتواند تغییرات و رویدادهای مهم را شناسایی و به صورت موثری با آنها ارتباط برقرار کند. کمک به بازنمایی[۴۶]: سیستم بتواند اطلاعات را به شیوه­ایی قانع کننده، آگاهی بخش و انسان­گونه ارائه نماید. تشخیص خطا و بازیابی: سیستم به بررسی خطاهای منطقی که عموماً، افراد آنها را مرتکب می­شوند، بپردازد. همچنین، سیستم، اطلاعاتی از محدودیت­های خود داشته باشد و موقعیت­هایی را که ممکن است به طور کامل نتواند از عهده­ آنها بر آید، بررسی نماید. بدست آوردن اطلاعات از داده: سیستم بتواند با بهره گرفتن از تکنیک­های الگوریتمیک هوشمند، داده را پردازش و اطلاعات تولید نماید. بدین مفهوم که علاوه بر استخراج اطلاعات از حجم بسیاری از داده، ابزارهایی را برای رسیدگی به مجموعه­های کوچکی از داده و یا سایر منابع کوچکی که ممکن است شامل اشتباه و یا خطا باشند، فراهم نماید. توانایی پیشگویی: سیستم بتواند تأثیر اقدامات را در کارایی آتی پیش­گویی نماید. بدین معنا که علاوه بر پیش ­بینی حالت محیطی بعدی، تغییر در حالات، که توسط تصمیمات مختلف صورت می­گیرد را نیز پیش ­بینی نماید. در شکل ۳-۲، مولفه­هایی که به طور کلی در یک سیستم تصمیم­همیار هوشمند وجود دارد، نشان داده شده است [۱۲]: شکل۳-۲٫ مولفه­های کلی یک سیستم تصمیم­همیار هوشمند در هر سیستم تصمیم­همیار هوشمند، یک و یا ترکیبی از هر یک از تکنیک­های هوش مصنوعی که به عنوان تکنولوژی­های حمایت­کننده در شکل ۳-۲ معرفی شده ­اند، بکار برده می­ شود. در ادامه برای کاربرد هر یک از این تکنیک­ها، سیستمی به عنوان نمونه شرح داده می­ شود. معرفی چند سیستم تصمیم­همیار هوشمند با ساختارهای متفاوت استفاده از الگوریتم­های تکاملی در ساختار IDSS از جمله سیستم­های تصمیم­همیار هوشمندی که در ساختار خود از الگوریتم­های تکاملی استفاده نموده، سیستمی است که به منظور حل یک مسئله با توزیع داده­ی واقعی برای یک شرکت بزرگ سازنده­ی ماشین، طراحی و پیاده­سازی شده است [۱۷]. این سیستم، جریان­های داده[۴۷] را در یک محیط پویا، شناسایی، و با بهره گرفتن از ماژول­های بهینه­سازی یک تصمیم نزدیک به بهینه را ارائه می­دهد. همچنین این سیستم شامل ماژول­های خودآموز به منظور بهبود پیشنهادات آتی نیز می­باشد. این سیستم که ساختار آن در شکل ۳-۳ نشان داده شده، برای شرکت­های مختلف امکان نظارت بر جریان­های تجاری، نمو و انطباق سریع به هنگام تغییر موقعیت­ها و اخذ تصمیمات هوشمند براساس اطلاعات ناکامل و غیرقطعی را فراهم می­سازد. در ابتدا داده ­های اولیه مورد نیاز سیستم وارد می­ شود و پس از بارگذاری و پردازش فایل­های ورودی، روند بهینه­سازی به صورت خودکار آغاز و پس از اتمام این روند یک راه­حل پیشنهادی توسط سیستم ارائه می­گردد. این راه­حل، پس از اینکه نتایج آن توسط یک مأمور بررسی و احتمالاً تنظیمات کوچکی بر روی آن انجام داده شد، توسط سیستم پیاده­سازی می­گردد. در سیستم پیاده­سازی شده، تنها در کمتر از یک درصد موارد، پیشنهاد مطرح شده به صورت دستی تغییر می­یابد و این تغییرات عموماً متناظر است با اقدامات دقیقه­ی آخر مبتنی بر اطلاعات جدید. پس از آنکه روند بررسی به پایان رسید، فایل­های خروجی آماده می­باشد. شکل۳-۳٫ ساختاری برای یک سیستم تصمیم­همیار هوشمند. ماژول­های پیشگویی، بهینه­سازی و انطباق، اطلاعات مورد نیاز فاصل کاربر، پایگاه داده و ماژول گزارش را در اختیار آنها قرار می­ دهند. وظیفه­ی ماژول بهینه­سازی، ارائه­ بهترین راه­حل از میان تمامی راه­ حل­های ممکن با توجه به شرایط فعلی مسئله می­باشد و از آنجا که این پیشنهاد مبتنی بر یک پیش ­بینی است، بین ماژول­های پیشگویی و بهینه­سازی یک ارتباط قوی وجود دارد. بدین صورت که، واحد بهینه­سازی یک راه­حل ممکن را تولید می­ کند که ورودی ماژول پیشگویی می­باشد، سپس واحد بهینه­سازی از خروجی­های بدست آمده از ماژول پیشگویی برای ارزیابی راه­حل ورودی استفاده می­نماید. پیاده­سازی ماژول بهینه­سازی می ­تواند با بهره گرفتن از الگوریتم­های پردازش تکاملی صورت گیرد. اگرچه سیستم­های نرم­افزاری هوشمند به یک ماژول پیشگویی و یک بهینه­ساز نیاز دارند ولی این واحدها بتنهایی برای محیط­های امروزی که به سرعت تغییر می­یابند، کافی نیستند. ماژول پیشگویی باید دارای قابلیت انطباق و یادگیری از تغییرات محیطی را داشته باشد، زیرا یک پیش ­بینی درست با توجه به شرایط فعلی ممکن است برای شرایط آینده صحیح نباشد. این سازگاری، با اندکی تغییر و اصلاح رابطه­ آموخته شده میان ورودی و خروجی (به مقدار نیاز) صورت می­گیرد. این تغییرات ممکن است هر ثانیه، دقیقه، ساعت، روز، هفته و یا ماه، برحسب اینکه شرایط محیط با چه سرعتی تغییر می­یابد، مورد نیاز باشد. برخی از روش­های پیش ­بینی کلاسیک، برای حل این نوع از مسائل بر استفاه از داده ­های اخیر تأکید دارند. یک شیوه­ ایده­آل می ­تواند فرکانس بروزرسانی خود را با اندازه ­گیری پیوسته­ی خطاهای پیش ­بینی خود و تنظیم پارامترهای خود بر طبق آن، تعیین نماید. بنابراین، سیستم انطباق، سرعت تطبیق خود را نیز وفق می­دهد. ماژول انطباق، ورودی­ ها و خروجی­های اخیر را دریافت و از این داده ­ها برای ساخت و آموزش ماژول پیشگویی استفاده می­نماید. این ساختار علاوه بر ماژول­های پیشگویی، بهینه­سازی و انطباق که اساس و بنیاد راه­حل سازگار پیشنهادی را تشکیل می­ دهند، شامل یک فاصل کاربر گرافیکی به منظور برآورده ساختن نیازهای اولیه­ کاربر، یک پایگاه داده به منظور ذخیره­ی اطلاعات و یک ماژول گزارش به منظور دستیابی ساده و آسان به اطلاعات، نیز می­باشد. این ساختار می ­تواند از تصمیمات هوشمند در بسیاری از زمینه­ها از شناسایی تقلب تا مسیریابی تا مدیریت سهام بکار رود. در اغلب موارد، مشخصه­ها و ویژگی­های یک مسئله، قابل تفکیک به پیش ­بینی، بهینه­سازی و انطباق است و از آنجا که طراحی و ساخت دو ماژول اول می ­تواند مستقلاً صورت گیرد و سپس با مسئله­ مورد بررسی وفق یابد، این سیستم در بسیاری از زمینه­ها به صورت گسترده­ایی قابل کاربرد می­باشد. استفاده از عامل هوشمند در ساختار IDSS شیوه ­های اولیه­ گنجاندن هوش مصنوعی در سیستم­های تصمیم­همیار، بر فراهم نمودن یک دستیار ماهر جهت فرمول­بندی استراتژی و نیز استفاده از یک مولفه­ی سیستمی خبره به منظور یاری رساندن به کاربر در حین مرحله­ شناسایی مسئله از روند تصمیم ­گیری تمرکز داشتند [۱۸]. عامل­های هوشمند، سیستم­هایی نرم­افزاری هستند که در محیط­های پویا، پیچیده و مجازی ساکن شده و شرایط این محیط­ها را به صورت خودکار، درک و بر اساس آن عمل می­نمایند. هدف این عامل­ها، تحقق بخشیدن به مجموعه­ایی از اهداف و یا وظایفی است که به منظور انجام آنها طراحی شده ­اند. همچنین این عامل­ها به عنوان مکانیزمی جهت کمک به کاربران کامپیوتر در مواجهه با حجم زیاد کار و اطلاعات نیز در نظر گرفته می­شوند. تکنولوژی عامل می ­تواند از طریق پالایش و بازیابی اطلاعات به منظور یاری رساندن به انواع کاربران نهایی مورد استفاده قرار گیرد. عامل­ها قادرند با درک نیازهای کاربران و وفق دادن فاصل سیستم نرم­افزاری، محاوره و فعل و انفعال انسان با کامپیوتر در انجام یک وظیفه را موثرتر نماید. از جمله سیستم­های تصمیم­همیار هوشمندی که در ساختار خود از یک عامل هوشمند استفاده نموده، یک سیستم نرم­افزاری مبتنی بر زبان با محوریت کاربر با نام MicroDEMON است که به منظور یاری رساندن به تصمیم­گیرندگان حوزه ­های مختلف تجاری طراحی شده است [۱۲]. عامل هوشمند موجود در این سیستم، در واقع یک سیستم تولید و مدیریت محاوره است که در قالب یک فاصل شهودی و ساده در استفاده[۴۸] پیاده­سازی شده است.