با توجه به افزایش روزافزون حجم اطلاعات و پیچیدگی مهندسی، سیستم های اجتماعی و اقتصادی، ارزیابی داده های ورودی و مدیریت این سیستم ها به صورت صحیح دشوار شده است. سیستم های پشتیبانی تصمیم گیری جاری (DSS) تلاش دارند تا به نتایج بهینه دست پیدا کنند و در عین حال ریسک های تلفات جدی را به حداقل برسانند. هدف این DSS کمک به تصمیم گیرنده است که با مسئله حجم بسیار زیاد از داده ها و واکنش های مبهم سیستم های پیچیده بسته به عوامل خارجی مواجه است. با استفاده از تحلیل دقیق و عمیق، DSSها انتظار می رود که برای کاربران نشانگرهای پیش بینی شده دقیق و تصمیم های بیهنه را فراهم کنند.

در این مقاله ما یک ساختار جدید DSS را پیشنهاد می کنیم که می تواند در دامنه گسترده از کارهای دشوار تا رسمی استفاده و به سرعت بالای محابسه و تصمیم گیری دست پیدا کند.

ما رویکردهای مختلف به تعیین وابستگی یک متغیر هدف به داده های ورودی را ارزیابی کرده و رایج ترین روش های پیش بینی آماری را بازبینی می کنیم. مزایای استفاده از شبکه های عصبی برای این هدف توصیف شده اند. ما استفاده از شبکه های عصبی میانی را برای محاسبات با داده های میانی پیشنهاد می کنیم که به کاربر این امکان را می دهد تا DSS ما را در یک دامنه گسترده از کارهای پیچیده استفاده کند. ما یک الگوریتم یادگیری متناظر را برای شبکه های عصبی میانی نیز ایجاد کردیم. مزایای استفاده از یک الگوریتم ژنتیک (GA) برای انتخاب معنی دارترین ورودی ها نشان داده شده اند. ما استفاده از محاسبه با هدف کلی بر روی واحدهای پردازش گرافیک (GPGPU) را برای رسیدن به محاسبات سرعت بالا با سیستم پشتیبانی سرعت بالا در پرسش توجیه می کنیم. یک نمودار کارکردی از سیستم نیز ارائه و توصیف شده است. نتایج و نمونه های استفاده از DSS نشان داده شده اند.

۱٫ مقدمه
ایده های مدرن در رابطه با جمع آوری، پردازش و استفاده از دانش در سیستم های پشتیبانی تصمیم گیری (DSS) استفاده می شوند، مانند سیستم های اطلاعات مبتنی بر کامپیوتر که برای کمک به تصمیم های پیچیده از طریق تحلیل عمیق و متمرکز حوزه موضوع طراحی شده اند. ایجاد DSS ناشی از ترکیب سیستم های اطلاعات اجرایی و سیستم های میدریت پایگاه داده است.
مجموعه ای از روش ها برای تحلیل و ایجاد انواع مختلف از تصمیم گیری ها در DSS استفاده شده اند مانند جستجو برای اطلاعات و دانش در پایگاه داده، تحلیل شرایط و داده ها، استدلال مبتنی بر گذشتخ، مدلسازی شبیه سازی، محاسبات تکاملی و الگوریتم های ژنتیک (GA)، شبکه های عصبی، مدلسازی شناختی و غیره.
اگر یک DSS براساس روش های هوش مصنوعی باشد، DSS ذهنی یا IDSS نامیده می شود. با استفاده از DSS، می توان یک کار بدون ساختار، نیمه ساختاری یا حتی چند معیاری را حل کرد.
تعریف استاندارد از عبارت DSS یا طبقه بندی جهانی آن وجود ندارد. محققان مقوله بندی های مختلف را براساس تعامل سیستم – کاربر، نوع پشتیبانی یا سایر رویکردها پیشنهاد می کنند.