运筹学是决策的核心,在很长一段时间。然而,在今天的组织中的变化和动态交互导致高度的不确定性。有一个合理的解决方案处理不确定问题的情况下,组织需要一个合适的决策过程在每个阶段。传统的决策支持系统(DSS)只能使决策通过数据建模和数值计算和缺乏整合定性、定量和预测分析提供near-to-human智能决策。此外,有实际应用需要考虑和分析基于多个标准和特性,进而使决策过程更加复杂。

人工智能(AI)有能力提供自主权和灵活性在这样一个动态的、多准则决策的环境。AI授权组织和人员 智能 做决定因为其集成业务研究将DSS的增强功能。建立这样的智能DSS, AI-enabled不同编程范式和框架是必需的。从业者,决策者和研究人员需要开发相关科学理论、方法和算法,如机器学习,深入学习、数据挖掘、推理,推理,在多标准的数据分析等,为更好的决策。设计和开发的关心人员AI-DSS寻求证明创新的科学技术,工具和模型,而不是依靠传统的方法,以提高目标决策的质量和准确性。

这个特殊问题的目的是提供高质量的原始研究和评论文章,小说,关注科学前沿技术和方法设计、开发和实现AI-DSS使用领域的最新发展人工智能和多目标决策(指标)。我们邀请研究人员如何集成人工智能与指标的目的提高决策的质量和准确性由这些系统生成一系列多样化的应用程序。提交可以包括不同的指标方法,如优先排名组织方法浓缩评价(PROMETHEE法)、层次分析法(AHP),网络分析法(ANP)技术的偏好相似,理想的解决方案(TOPSIS),和消除和选择翻译现实(ELECTRE)。

潜在的主题包括但不限于以下:

• 人工智能学习技术和算法(如机器和深度学习)的发展AI-DSS跨广泛的领域(例如,商业、教育、医疗等)。
• 数据挖掘和知识发现技术(例如,社会网络分析、网络挖掘,众包,关联规则挖掘,预测和分类、聚类、和回归)
• 数据挖掘和知识发现技术进行科学设计,开发和实施AI-DSS
• 推理和推荐技术和算法(如基于规则、基于案例推理、自适应推理,推理,基于知识的推荐,contents-based推荐和协同推荐方法)决策支持系统
• 分析技术(如预测分析、大数据分析,等等)支持通过比DSS和可视化数据
• 不确定性处理技术(如模糊集、粗糙集和自适应粗糙集处理DSS)的动态情况
• 比较,调查和实施不同的指标方法(PROMETHEE法、层次分析法、ANP、TOPSIS和ELECTRE)在科学分析数据的基础上,多种标准来开发更精确和智能决策支持系统
• 协同决策和分组AI-DSS决策的技术发展
• 多目标、条件优化和权重在多准则决策的数据分析
• 权重、排序和排名的标准选择最好的选择可用的候选人准确地设计和开发决策支持系统
• 科学方法的发展知识、数据驱动模型驱动和混合决策支持系统在不同的实际应用
• AI和指标的应用在医学和医疗、企业、电子商务、市场营销、银行、股票市场和金融
• 农业决策支持系统、天气预报、旅游和酒店、教育、心理学、娱乐和通讯
• 领域的科学发展AI-DSS指挥控制、网络安全和预测性维护
• 人工智能在社交媒体分析,军事和国防自主移动,robo-advisory(机器人),工程,工业和制造业