Tematem przedstawionej rozprawy są teoretyczne i praktyczne aspekty efektywności Systemów Wspomagania decyzji (SWD) nazywanych często systemami ekspertowymi (SE) i bazujących na tzw. regułowych bazach wiedzy.
Systemy te działają w oparciu o procedury rozumowania (wzorowane na rozumowaniu realizowanym przez człowieka) i przeprowadzają proces zwany wnioskowaniem. W literaturze przedmiotu proces wnioskowania wykorzystuje wiedzę dziedzinową, najczęściej przedstawioną w formie łańcuchów przyczynowo-skutkowych typu „Jeżeli warunek, to decyzja” (reguł). Dodatkowo zakłada się uaktywnienie w procesie wnioskowania tylko tych reguł, których części warunkowe (zwane przesłankami) są prawdziwe (są potwierdzone faktami znanymi w systemie). Konkluzje uaktywnionych reguł stają się nowymi faktami uznanymi za prawdziwe. W ten sposób system gromadzi nową wiedzę wspomagającą podejmowanie decyzji.

Celem prowadzonych badań jest propozycja zamiany dotychczasowej struktury bazy wiedzy (w której reguły nie były uporządkowane i nie tworzyły żadnych złożonych struktur) na strukturę skupień reguł podobnych do siebie, zarówno ze względu na przesłanki reguł, jak i konkluzje. Zmiana ta pozwoli optymalizować efektywność wnioskowania w tego typu systemach dzięki szybkiemu znalezieniu reguł do uaktywnienia oraz rozszerzeniu dotychczasowej bazy faktów o nową wiedzę wydobytą poprzez uaktywnienie reguł, których nie wszystkie przesłanki są spełnione. Bardzo często w typowych rzeczywistych systemach wspomagania decyzji mamy do czynienia z sytuacją, gdy nie mamy pełnej wiedzy (bądź pełnego przekonania), która jest niezbędna by podjąć kolejne kroki (decyzje). Opracowanie metody określania stopnia niepełności wiedzy reprezentowanej przez daną regułę stało się jednym z celów niniejszej rozprawy.
Struktura skupień reguł wraz z reprezentantami skupień – będąc nową formą reprezentacji regułowej bazy wiedzy – pozwoli szybko znaleźć regułę bądź skupienie do uaktywnienia w procesie wnioskowania nawet w sytuacji gdy nie mamy pełnej wiedzy o badanej dziedzinie. Dzieje się tak wtedy, gdy zbiór faktów nie zawiera dostatecznej liczby informacji pozwalającej na uaktywnienie którejkolwiek z reguł. W literaturze znaleźć można prace, które również proponowały zmianę struktury bazy wiedzy wykorzystując analizę skupień jak i prace dotyczące reprezentacji niepewności wiedzy. Rozwiązania proponowane w rozprawie znacząco się jednak od tamtych różnią. Ich zaletą jest intuicyjność i łatwość implementacji.
Mając zadany zbiór faktów, przegląd bazy wiedzy polega na porównaniu wektora faktów z reprezentantami skupień i wyborze skupienia najbardziej podobnego. Proces takiego przeglądu kończy się w momencie znalezienia skupienia bądź reguły, która pokryje możliwie najpełniej zadany zbiór faktów. Jeśli wyszukana w ten sposób zostanie reguła, której wszystkie przesłanki są prawdziwe, w wyniku procesu wnioskowania jej konkluzja zostanie dopisana jako nowy fakt do bazy wiedzy ze stopniem niepełności równym 1. W przypadku gdy, w wyniku takiego przeszukiwania, znaleziona będzie reguła, która tylko w pewnym stopniu (możliwie największym) pokrywa zbiór faktów, jej uaktywnienie pozwoli na wzbogacenie bazy faktów o nową wiedzę ale z określeniem odpowiednio mniejszego stopnia wiarygodności (tu określanej stopniem niepełności wiedzy IF).

Całościowa analiza problematyki wiedzy niepełnej w systemach wspomagania decyzji połączona z badaniami przeprowadzonymi w ramach tej pracy pozwoliły uformować tezę pracy, zgodnie z którą:

Metoda analizy skupień wraz z metodą badania stopnia niepełności pozwoli na zwiększenie efektywności wnioskowania w bazach wiedzy z uwzględnieniem niepełności wiedzy.

Głównym celem pracy jest opracowanie metod poprawiających efektywność wnioskowania w systemach wspomagania decyzji dzięki zmianie struktury bazy wiedzy w strukturę skupień reguł podobnych do siebie i uformowaniu dla każdego skupienia jego reprezentanta. Ponadto optymalizacja procesów wnioskowania staje się możliwa dzięki uwzględnieniu niepełności wiedzy. Efektywność wnioskowania mierzona jest zyskiem czasowym wynikającym z braku konieczności przeglądania wszystkich reguł w bazie wiedzy oraz liczbą nowych faktów wygenerowanych w trakcie procesu wnioskowania.

W rozprawie dokonana została analiza efektywności wnioskowania w bazach wiedzy o złożonej strukturze (tj. o dużej liczbie reguł, dowolnej liczbie przesłanek, bez ograniczeń dla typu atrybutów i ich wartości). Uwzględnienie reprezentacji dla wiedzy niepełnej pozwala na zwiększenie efektywności systemów opartych na bazach dziedzinowych. Istniejące podejścia bazujące na teorii zbiorów przybliżonych, teorii Bayesa oraz innych okazują się niewystarczające do tak postawionego problemu. Wykorzystanie zaproponowanych w rozprawie modyfikacji algorytmów analizy skupień oraz metody badania stopnia niepełności wiedzy pozwoli na realizacje procesów wnioskowania efektywnie mimo, ze wiedza początkowa cechowała się niepełnością – co w rzeczywistych systemach wspomagania decyzji jest zjawiskiem dość często spotykanym.
Dlatego niniejsza rozprawa ma dostarczyć narzędzia i metody pozwalające na rozwiązywanie problemów tego typu.