Αντικείµενο της διατριβής είναι η ανάπτυξη νέων µεθοδολογιών εκµάθησης και σύγκλισης των Ασαφών Γνωστικών ∆ικτύων που προτείνονται για τη βελτίωση και προσαρµογή της συµπεριφοράς τους, καθώς και για την αύξηση της απόδοσής τους, αναδεικνύοντάς τα σε αποτελεσµατικά δυναµικά συστήµατα µοντελοποίησης. Τα νέα βελτιωµένα Ασαφή Γνωστικά ∆ίκτυα, µέσω της εκµάθησης και προσαρµογής των βαρών τους, έχουν χρησιµοποιηθεί στην ιατρική σε θέµατα διάγνωσης και υποστήριξης στη λήψη απόφασης, καθώς και σε µοντέλα βιοµηχανικών συστηµάτων που αφορούν τον έλεγχο διαδικασιών, µε πολύ ικανοποιητικά αποτελέσµατα. Στη διατριβή αυτή παρουσιάζονται, αξιολογούνται και εφαρµόζονται δύο νέοι αλγόριθµοι εκµάθησης χωρίς επίβλεψη των Ασαφών Γνωστικών ∆ικτύων, οι αλγόριθµοι Active Hebbian Learning (AHL) και Nonlinear Hebbian Learning (NHL), βασισµένοι στον κλασσικό αλγόριθµό εκµάθησης χωρίς επίβλεψη τύπου Hebb των νευρωνικών δικτύων, καθώς και µια νέα προσέγγιση εκµάθησης των Ασαφών Γνωστικών ∆ικτύων βασισµένη στους εξελικτικούς αλγορίθµους και πιο συγκεκριµένα στον αλγόριθµο Βελτιστοποίησης µε Σµήνος Σωµατιδίων και στον ∆ιαφοροεξελικτικό αλγόριθµο. Οι προτεινόµενοι αλγόριθµοι AHL και NHL στηρίζουν νέες µεθοδολογίες εκµάθησης για τα ΑΓ∆ που βελτιώνουν τη λειτουργία, και την αξιοπιστία τους, και που παρέχουν στους εµπειρογνώµονες του εκάστοτε προβλήµατος που αναπτύσσουν το ΑΓ∆, την εκµάθηση των παραµέτρων για τη ρύθµιση των αιτιατών διασυνδέσεων µεταξύ των κόµβων. Αυτοί οι τύποι εκµάθησης που συνοδεύονται από την σωστή γνώση του εκάστοτε προβλήµατος-συστήµατος, συµβάλλουν στην αύξηση της απόδοσης των ΑΓ∆ και διευρύνουν τη χρήση τους. Επιπρόσθετα µε τους αλγορίθµους εκµάθησης χωρίς επίβλεψη τύπου Hebb για τα ΑΓ∆, αναπτύσσονται και προτείνονται νέες τεχνικές εκµάθησης των ΑΓ∆ βασισµένες στους εξελικτικούς αλγορίθµους. Πιο συγκεκριµένα, προτείνεται µια νέα µεθοδολογία για την εφαρµογή του εξελικτικού αλγορίθµου Βελτιστοποίησης µε Σµήνος Σωµατιδίων στην εκµάθηση των Ασαφών Γνωστικών ∆ικτύων και πιο συγκεκριµένα στον καθορισµό των βέλτιστων περιοχών τιµών των βαρών των Ασαφών Γνωστικών ∆ικτύων. Με τη µεθοδο αυτή λαµβάνεται υπόψη η γνώση των εµπειρογνωµόνων για τον σχεδιασµό του µοντέλου µε τη µορφή περιορισµών στους κόµβους που µας ενδιαφέρουν οι τιµές των καταστάσεών τους, που έχουν οριστοί ως κόµβοι έξοδοι του συστήµατος, και για τα βάρη λαµβάνονται υπόψη οι περιοχές των ασαφών συνόλων που έχουν συµφωνήσει όλοι οι εµπειρογνώµονες. Έτσι θέτoντας περιορισµούς σε όλα τα βάρη και στους κόµβους εξόδου και καθορίζοντας µια κατάλληλη αντικειµενική συνάρτηση για το εκάστοτε πρόβληµα, προκύπτουν κατάλληλοι πίνακες βαρών (appropriate weight matrices) που µπορούν να οδηγήσουν το σύστηµα σε επιθυµητές περιοχές λειτουργίας και ταυτόχρονα να ικανοποιούν τις ειδικές συνθήκες- περιορισµούς του προβλήµατος. Οι δύο νέες µέθοδοι εκµάθησης χωρίς επίβλεψη που έχουν προταθεί για τα ΑΓ∆ χρησιµοποιούνται και εφαρµόζονται µε επιτυχία σε δυο πολύπλοκα προβλήµατα από το χώρο της ιατρικής, στο πρόβληµα λήψης απόφασης στην ακτινοθεραπεία και στο πρόβληµα κατηγοριοποίησης των καρκινικών όγκων της ουροδόχου κύστης σε πραγµατικές κλινικές περιπτώσεις. Επίσης όλοι οι προτεινόµενοι αλγόριθµοι εφαρµόζονται σε µοντέλα βιοµηχανικών συστηµάτων που αφορούν τον έλεγχο διαδικασιών µε πολύ ικανοποιητικά αποτελέσµατα. Οι αλγόριθµοι αυτοί, όπως προκύπτει από την εφαρµογή τους σε συγκεκριµένα προβλήµατα, βελτιώνουν το µοντέλο του ΑΓ∆, συµβάλλουν σε ευφυέστερα συστήµατα και διευρύνουν τη δυνατότητα εφαρµογής τους σε πραγµατικά και πολύπλοκα προβλήµατα. Η κύρια συνεισφορά αυτής της διατριβής είναι η ανάπτυξη νέων µεθοδολογιών εκµάθησης και σύγκλισης των Ασαφών Γνωστικών ∆ικτύων προτείνοντας δυο νέους αλγορίθµους µη επιβλεπόµενης µάθησης τύπου Hebb, τον αλγόριθµο Active Hebbian Learning και τον αλγόριθµο Nonlinear Hebbian Learning για την προσαρµογή των βαρών των διασυνδέσεων µεταξύ των κόµβων των Ασαφών Γνωστικών ∆ικτύων, καθώς και εξελικτικούς αλγορίθµους βελτιστοποιώντας συγκεκριµένες αντικειµενικές συναρτήσεις για κάθε εξεταζόµενο πρόβληµα. Τα νέα βελτιωµένα Ασαφή Γνωστικά ∆ίκτυα µέσω των αλγορίθµων προσαρµογής των βαρών τους έχουν χρησιµοποιηθεί για την ανάπτυξη ενός ∆ιεπίπεδου Ιεραρχικού Συστήµατος για την υποστήριξη λήψης απόφασης στην ακτινοθεραπεία, για την ανάπτυξη ενός διαγνωστικού εργαλείου για την κατηγοριοποίηση του βαθµού κακοήθειας των καρκινικών όγκων της ουροδόχου κύστης, καθώς και για την επίλυση βιοµηχανικών προβληµάτων για τον έλεγχο διαδικασιών. / The main contribution of this Dissertation is the development of new learning and convergence methodologies for Fuzzy Cognitive Maps that are proposed for the improvement and adaptation of their behaviour, as well as for the increase of their performance, electing them in effective dynamic systems of modelling. The new improved Fuzzy Cognitive Maps, via the learning and adaptation of their weights, have been used in medicine for diagnosis and decision-making, as well as to alleviate the problem of the potential uncontrollable convergence to undesired states in models of industrial process control systems, with very satisfactory results. In this Dissertation are presented, validated and implemented two new learning algorithms without supervision for Fuzzy Cognitive Maps, the algorithms Active Hebbian Learning (AHL) and Nonlinear Hebbian Learning (NHL), based on the classic unsupervised Hebb-type learning algorithm of neural networks, as well as a new approach of learning for Fuzzy Cognitive Maps based on the evolutionary algorithms and more specifically on the algorithm of Particles Swarm Optimization and on the Differential Evolution algorithm. The proposed algorithms AHL and NHL support new learning methodologies for FCMs that improve their operation, efficiency and reliability, and that provide in the experts of each problem that develop the FCM, the learning of parameters for the regulation (fine-tuning) of cause-effect relationships (weights) between the concepts. These types of learning that are accompanied with the right knowledge of each problem-system, contribute in the increase of performance of FCMs and extend their use. Additionally to the unsupervised learning algorithms of Hebb-type for the FCMs, are developed and proposed new learning techniques of FCMs based on the evolutionary algorithms. More specifically, it is proposed a new learning methodology for the application of evolutionary algorithm of Particle Swarm Optimisation in the adaptation of FCMs and more concretely in the determination of the optimal regions of weight values of FCMs. With this method it is taken into consideration the experts’ knowledge for the modelling with the form of restrictions in the concepts that interest us their values, and are defined as output concepts, and for weights are received the arithmetic values of the fuzzy regions that have agreed all the experts. Thus considering restrictions in all weights and in the output concepts and determining a suitable objective function for each problem, result appropriate weight matrices that can lead the system to desirable regions of operation and simultaneously satisfy specific conditions of problem. The first two proposed methods of unsupervised learning that have been suggested for the FCMs are used and applied with success in two complicated problems in medicine, in the problem of decision-making in the radiotherapy process and in the problem of tumor characterization for urinary bladder in real clinical cases. Also all the proposed algorithms are applied in models of industrial systems that concern the control of processes with very satisfactory results. These algorithms, as it results from their application in concrete problems, improve the model of FCMs, they contribute in more intelligent systems and they extend their possibility of application in real and complex problems. The main contribution of the present Dissertation is to develop new learning and convergence methodologies for Fuzzy Cognitive Maps proposing two new unsupervised learning algorithms, the algorithm Active Hebbian Learning and the algorithm Nonlinear Hebbian Learning for the adaptation of weights of the interconnections between the concepts of Fuzzy Cognitive Maps, as well as Evolutionary Algorithms optimizing concrete objective functions for each examined problem. New improved Fuzzy Cognitive Maps via the algorithms of weight adaptation have been used for the development of an Integrated Two-level hierarchical System for the support of decision-making in the radiotherapy, for the development of a new diagnostic tool for tumour characterization of urinary bladder, as well as for the solution of industrial process control problems.

Η παρούσα διδακτορική διατριβή έχει ως στόχο τη συνεισφορά στην ανάλυση και ερμηνεία της έντασης και διαμάχης κατά τη διάρκεια παραγωγής και εφαρμογής προγραμμάτων πολιτικής σχετικών με τη διασφάλιση της ποιότητας στο ελληνικό πανεπιστήμιο. Η βασική θεώρηση της εργασίας είναι ότι δρώντες (συλλογικοί και μεμονωμένοι) σχηματίζουν δίκτυα πολιτικής τα οποία συνασπίζονται και συγκρούονται με άλλους αντίστοιχους συνασπισμούς δικτύων έχοντας ως διακύβευμα την προώθηση και εφαρμογή πολιτικών σχετικά με το πανεπιστήμιο. Από την ανάλυση της ελληνικής περίπτωσης διαφαίνεται ότι κάθε προσπάθεια προώθησης ενός θεσμοποιημένου συστήματος διασφάλισης της ποιότητας στα ελληνικά πανεπιστήμια είχε ως αποτέλεσμα την αύξηση της έντασης στο χώρο του πανεπιστημίου. Οι ελληνικές κυβερνήσεις εντατικοποίησαν τις προσπάθειές τους για την ψήφιση και εφαρμογή ενός σχετικού νόμου, καθώς το θέμα της διασφάλισης της ποιότητας είχε τεθεί ως κεντρικό, ήδη από το 1998, μέσω των ευρωπαϊκών εκπαιδευτικών πολιτικών στην ανώτατη εκπαίδευση. Η παραγωγή, η επεξεργασία και η ερμηνεία των ερευνητικών δεδομένων οδήγησε επιγραμματικά στα κεντρικά ευρήματα της παρούσης διδακτορικής διατριβής: Η πρώτη αλλαγή πολιτικής πραγματοποιείται το 2005 με την παραγωγή συγκεκριμένου προγράμματος πολιτικής για τη διασφάλιση της ποιότητας στο ελληνικό πανεπιστήμιο (Ν.3374/2005). Η αλλαγή αυτή πραγματοποιείται κυρίως εξαιτίας των εξωτερικών συνθηκών του υποσυστήματος. Τόσο πριν από την παραγωγή του προγράμματος όσο και αμέσως μετά δημιουργούνται δύο ισχυροί αντιτιθέμενοι συνασπισμοί δικτύων με συγκρίσιμους πόρους. Κατά τη διάρκεια της αρχικής περιόδου εφαρμογής του προγράμματος, οι εξελίξεις εντός του υποσυστήματος πολιτικής του ελληνικού πανεπιστημίου προκαλούν αλλαγές στους πόρους των δύο συνασπισμών και στη θέση ισορροπίας της ισχύος. Ο συνασπισμός δικτύων «Εναντίον» του προγράμματος πολιτικής φαίνεται να αποδυναμώνεται διαρκώς με αποτέλεσμα να μην μπορεί να διατηρήσει με αποτελεσματικό τρόπο την ένταση σε υψηλά επίπεδα. Ο δε συνασπισμός «Υπέρ» φαίνεται να ισχυροποιείται αρκετά έναντι του αντιτιθέμενου συνασπισμού, με αποτέλεσμα να μπορεί να μεταβάλλει τις μεταξύ τους ισορροπίες ώστε να δημιουργούνται σαφώς ευνοϊκότερες συνθήκες για την υλοποίηση του προγράμματος, ιδιαίτερα από το 2008 και μετά. Οι παραπάνω αλλαγές πολιτικής, αν και σημαντικές, δεν συνοδεύονται από παράλληλη παραγωγή γνώσης εξαιτίας πολιτικής εμπειρίας τόσο εντός όσο και μεταξύ των αντιμαχόμενων συνασπισμών δικτύων. Αυτό συμβαίνει παρά το γεγονός ότι η πολιτική εμπειρία δεν υπήρξε αμελητέα καθώς η σύγκρουση και η αντιπαράθεση για το συγκεκριμένο ζήτημα πολιτικής ήταν διαρκώς παρούσα για μία δεκαετία περίπου. / The present thesis aims to the contribution in analysis and interpretation of intensity and conflict during the establishment and implementation of policy programs relative with Quality Assurance in Greek Universities. The basic view of this thesis is that actors form policy networks which create advocacy coalitions and collide with other corresponding network coalitions having at risk the establishment and implementation of policies programs for universities. It seems that in Greece whenever an effort for the establishment of institutionalized quality assurance system takes place the result is the presence of intensity and conflict. However, European educational policies in higher education since 1998 have placed quality assurance as one of the main action lines, fact that results the intensifying of efforts of Greek governments for the voting and implementation of a relative law. The production, the analysis and finally the interpretation of research data led succinctly to the central findings of the present thesis: In 2005 due to external to the policy sub-system events and parameters a first policy change takes place with the establishment of a policy program of quality assurance in universities (Law 3374/2005). So much before the establishment of the policy program what immediately afterwards, at the first period of implementation, two powerful conflicting advocacy coalition networks with comparable resources are created. During the initial period of the policy program implementation developments internal to the policy sub-system of Greek university cause changes in the allocation of resources in the two coalition networks. The advocacy coalition network “Against” the policy program appears to be permanently undermined. As a result this coalition finds difficulties on maintaining with effective way the intensity in high levels. The advocacy coalition network “In favour” to the policy program appears to be strengthened enough against the conflicting coalition. Therefore, this coalition is able to alter the balance point between the two advocacy coalitions and to create more favourable conditions for the implementation of the policy program particularly from 2008 and afterwards. These policy changes, no matter how important they are, they are not accompanied by production of “policy oriented learning” inside or across the conflicting advocacy coalitions. Policy oriented learning does not take place despite the fact that the policy experience of all actors and networks on this specific policy theme was not negligible since the conflict and the juxtaposition on the specific policy issue was continuously present for roughly a decade.