Wyniki wyszukiwania - BazTech

1

Optimization of the logistics function by controlling risks using influence diagram: cases of risks related to road transport

Lakehal A., Tachi F.

Computer Assisted Methods in Engineering and Science

|

2017

|

Vol. 24, no. 4

239--252

EN

The growth in the number of logistics platforms served by road, rail, waterway, and sea is a logical consequence of the extensive and rapid development of merchandise trade in a globalized economy. Transportand logistics are part of the same activity chain that allowsgoods to be transported to their destination. Dependent on the requirements of their customers and suppliers and subject to strong competition,companies in this sector must manage challenges concerningdeadlines, flexibility, and diversity of goods,while handling other risks associated with transport and logistics. The Bayesian approach, proposed inthis paper, covers all the steps necessary to implement decision support solutions for risk managementand control, starting from the identification of risks and the preparation of intervention to the conductingof various operations in crisis In this work, the predictionand the control of the road risks are conductedusing the influence diagram method, whose final objective is the optimization of the logistics function.After identifying and analyzing the different risks, the Bayesian networks (BNs) are initially used to modelthese risks and to prevent the various challenging situations from taking place in the logistics chain. Asa second step, we use the influence diagram as a tool for the decision-making procedure. Finally, a casestudy is presented to highlight the substantial contribution of this tool to controlling road risks whiletransporting goods.

2

Modelowanie sytuacji decyzyjnych przy wykorzystaniu diagramów wpływu

Owczarek T.

Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska

|

2008

|

z. 45

305-323

PL

Diagram wpływu (ID) stanowi zwartą reprezentację problemu decyzyjnego. Matematycznie równoważny drzewu decyzyjnemu, pozbawiony jest jednak podstawowej wady drzewa, jaką jest wykładniczy wzrost wielkości modelu. W artykule przedstawiono diagram wpływu jako sformalizowany język modelowania sytuacji decyzyjnych w warunkach niepewności. Zaprezentowano przykłady wykorzystania reprezentacji modułowej, jak również sposób radzenia sobie z sytuacjami asymetrycznymi.

EN

An influence diagram (ID) is a compact representation of a decision problem. Mathematically, ID is equivalent to decision tree but it does not suffer from its exponential growth. The paper concentrates on using influence diagram as a formal language for modelling decisions under uncertainty. Examples of how to take advantages from the modular representation and deal with asymmetry are given.

3

Sieć bayesowska jako narzędzie pozyskiwania wiedzy z ekonomicznej bazy danych

Olbryś J.

Zeszyty Naukowe Politechniki Białostockiej. Informatyka

|

2007

|

Z. 2

93-107

PL

Proces decyzyjny w inwestowaniu rozpoczyna się od percepcji i przetwarzania napływających informacji. Podłoże decyzji stanowią przekonania dotyczące prawdopodobieństwa zajścia określonego zdarzenia. Jednostki racjonalne posługują się narzędziami teorii prawdopodobieństwa i statystyki, rozumując zgodnie z prawem Bayesa, czyli aktualizując wyobrażenia o prawdopodobieństwie zdarzenia wraz z ujawnianiem wszelkich nowych informacji, zarówno ilościowych, jak i jakościowych. Wydaje się zatem, że bardzo dobrym narzędziem wspomagającym decyzje inwestycyjne może być odpowiednio skonstruowany model sieci bayesowskiej (Bayesian Network). W artykule postawiono za cel główny prezentację możliwości zastosowania modelu sieci bayesowskiej do pozyskiwania wiedzy z ekonomicznej bazy danych, z uwzględnieniem informacji jakościowych oraz preferencji i subiektywnych ocen analityka finansowego, podejmującego decyzje w warunkach niepewności.

EN

Making a decision in investment starts from perception and analysis of incoming information. Rational investors reason according to Bayes formula and try to develop posterior probabilities after new evidence has been added. Virtually all decisions that investors make are exercises in probability. Bayesian networks have been used in different decision support system contexts that combine qualitative and quantitative information. Main goal of this paper is to present Bayesian network as a tool of extracting knowledge from an economic database, with respect to historical quantitative information, uncertain qualitative information, incomplete knowledge and evidence.