No description available.

Nos travaux s’inscrivent dans le cadre de la formation à la gestion de crise en environnements virtuels. La scénarisation joue un rôle essentiel pour l’apprentissage humain en environnement virtuel. Cela permet à la fois de proposer et d’orchestrer des situations d’apprentissage personnalisées et également d’amener l’apprenant vers des scénarios pertinents et formateurs. Les travaux présentés dans cette thèse s’intéressent à la génération dynamique de scénarios et à leur exécution en environnements virtuels. Pour cette scénarisation, nous visons un ensemble d’objectifs qui sont souvent contradictoires : la liberté d’action de l’utilisateur, la génération de scénarios variés et fidèles à l’intention de l’auteur, le contrôle scénaristique et la résilience du système de scénarisation. Les différentes approches de la narration interactive favorisent plus ou moins certains de ces objectifs mais il est difficile de tous les concilier, et c’est là l’enjeu de nos travaux. En plus de ces objectifs, nous cherchons également à faciliter la modélisation du contenu scénaristique qui est encore de nos jours un réel enjeu lorsqu’il s’agit de scénariser des environnements complexes comme celui de la gestion de crise. Nous proposons une approche émergente dont le scénario vécu par l’apprenant va émerger des interactions entre l’apprenant, les personnages virtuels et notre système de scénarisation MENTA. MENTA est chargé du contrôle scénaristique en proposant un ensemble d’ajustements (sur la simulation) répondant à des objectifs scénaristiques choisis par le formateur (p. ex., faire travailler certaines compétences en particulier). Ces ajustements prennent la forme d’un scénario prescrit qui est généré par MENTA via un moteur de planification que nous avons couplé avec des cartes cognitives floues au travers d’un macro-opérateur FRAG. Un FRAG permet de modéliser des fragments de scénarios sous la forme de séquence d’actions/événements scriptés. L’originalité de notre approche repose sur un couplage fort entre planification et modèles graphiques qui permet de conserver les propriétés d’exploration et de puissance générative d’un moteur de planification (ce qui favorise la variabilité et la résilience du système), tout en facilitant la modélisation du contenu scénaristique ainsi que l’intention de l’auteur au travers de morceaux de scénario qui vont être scriptés par l’auteur et réutilisés dans la planification. Nous avons travaillé sur un exemple applicatif concret de scénarios portant sur la gestion d’un afflux massif de blessés, puis nous avons implémenté MENTA et généré des scénarios relatifs à cet exemple. Enfin, nous avons testé et analysé les performances de notre système. / Our work is related to the training of crisis management in virtual environments. The specification of possible unfoldings of events in a simulation is essential for human learning in a virtual environment. This allows both to propose and orchestrate personalized learning situations and also to bring the learner toward relevant and educative scenarios. The work presented in this thesis focuses on the dynamic generation of scenarios and their execution in a virtual environment. For that, we aim at a set of objectives that are often contradictory : the freedom of action of the user, the generation of various scenarios that respect the authorial intent, the narrative control and the capacity of the system to adapt to deviations fromthe learner. The different approaches of interactive storytelling tackle more or less some of these objectives, but it is difficult to satisfy them all, and this is the challenge of our work. In addition to these objectives, we also aim at facilitating the modeling of the narrative content, which is still a real issue today when it comes to model complex environments such as the ones related to crisis management. We propose an emergent approachwhere the scenario experienced by the learner will emerge fromthe interactions between the learner, the virtual characters and our narrative system MENTA. MENTA is in charge of the narrative control by proposing a set of adjustments (over the simulation) that satisfies narrative objectives chosen by the trainer (e. g., a list of specific skills). These adjustments take the form of a prescribed scenario that is generated by MENTA via a planning engine that we have coupled with fuzzy cognitive maps through a macro-operator FRAG. A FRAG is used to model FRAGment of scenario in the form of scripted sequences of actions/events. The originality of our approach relies on a strong coupling between planning and graphical models which preserves the exploration capability and the generative power of a planning engine (which contributes to the generation of various and adaptable scenarios), while facilitating the modeling of narrative content as well as the authorial intent thanks to fragments of scenario that are scripted by the author and used during the planning process. We have worked on a concrete application example of scenarios dealing with the management of a massive influx of victims. Then, we have implemented MENTA and generated scenarios related to this example. Finally, we have tested and analyzed the performance of our system.

Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός Συστήματος Υποστήριξης Αποφάσεων βασισμένο στα Ασαφή Γνωστικά Δίκτυα, το οποίο θα μπορεί να χρησιμοποιηθεί στον ιατρικό τομέα για τη διάγνωση ασθενειών και πιο συγκεκριμένα της νόσου του Parkinson. Αρχικά θα γίνει περιγραφή των Ασαφών Γνωστικών Δικτύων αλλά και του τρόπου υλοποίησης ενός Συστήματος Υποστήριξης Αποφάσεων για τη διάγνωση της νόσου του Parkinson. Στη συνέχεια θα γίνει πείραμα με στόχο να διαγνωσθεί το στάδιο, στο οποίο βρίσκονται τρεις ασθενείς. Αυτή η διάγνωση θα γίνει με δύο διαφορετικούς τρόπους. Τέλος θα συγκριθούν και θα αναλυθούν τα πειραματικά αποτελέσματα καθώς και τα συμπεράσματα που προκύπτουν από μία τέτοια έρευνα. / The purpose of this diploma thesis is to develop a Decision Support System based on Fuzzy Cognitive Maps. This system can be used in medicine in order to diagnose diseases, and more specifically Parkinson’s disease. After that three patients will be examined and the system will diagnose the stage of their disease. This diagnose will be achieved in two different ways. Finally we will compare and analyze the experimental results and the conclusions derived from such research.

本研究所關切的議題為，當服務已被良好的設計出來後，為了不辜負這個被良好設計的服務，該怎麼使用它，進而能為所有重要關係人帶來最大的利益，特別是在資源有限的動態情境中。因此，我們將研究問題著眼於服務的傳遞過程中。現有的研究已回答了服務該如何被傳遞，但卻缺少了該在什麼時候，傳遞怎樣的服務才能發揮該服務的功效，帶來預期的好處(例如，贏得顧客滿意度及延續公司競爭力)。於是，本研究試圖提出一以模糊認知圖為基礎架構並考量顧客的心理狀態的服務分派機制，以期在如此動態且資源有限的情境下，能觀測當時的情境變化，透過管理顧客的期望與情緒，做出即時且適當服務分派決策，進而在對的時間針對對的人做對的服務。也就是冀望這樣一個顧客心理狀態的管理過程，能夠使得顧客感到滿意的可能性提高，並有助於所有重要關係人達成其目的，創造整個服務生態體系的平衡。考慮到會展服務即為一動態且資源有限的服務應用情境，本研究將以會展服務做為例子，加以描述整個研究的內容。 / There are already some researches providing the answer to how to deliver services but the issue “when to deliver which service” is still not so clear. Especially under the dynamic and resource-limited situation, bringing the effectiveness of each service into full play and allocating them appropriately to earn the most benefits are imperatives for service providers to keep both service quality and competitiveness. Therefore, the FCM-based mental-driven service dispatcher proposed here tries to pull service receivers’ mental information in to make real-time service deployment decisions which are capable of achieving each stakeholder’s purposes and satisfying service receivers. With the mental information – expectation and emotion, we are given a hand to do the right things at the right time to the right person by building up such a customer- mentality-centric service dispatching system.

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.