Диссертация (Методы и алгоритмы интеллектуализации принятия решений в условиях неопределенности на базе аппарата нейронных сетей и эволюционного моделирования), страница 2

2«Исследование информационных структур, разработка и анализ моделейинформационных процессов и структур», п. 8 «Исследование и когнитивноемоделирование интеллекта, включая моделирование поведения, моделирование7рассуждений различных типов, моделирование образного мышления» и п. 13«Применение бионических принципов, методов и моделей в информационныхтехнологиях» специальности 05.13.17 – «Теоретические основы информатики».Научная новизна заключается в следующих научно обоснованныхрезультатах, полученных лично автором в ходе диссертационного исследования:1. Впервыепроведеныанализиклассификацияизвестныхнейроэволюционных методов, что позволило сформулировать их основныеособенности, достоинства и недостатки, а также подтвердило необходимостьразработки концептуально нового метода, учитывающего опыт предыдущихисследований в данной области.2.

Разработанновыйнейроэволюционныйметод,позволяющийкорректировать топологию и параметры нейросети и обладающий оригинальнойсовокупностью свойств, основными из которых являются адаптивность структурыи низкая связность особей, динамичность эволюции, а также возможностьгибридизации.Вотличиеотбольшинстваклассическихреализацийнейроэволюции, метод лишен таких недостатков как конкуренция представлений,незащищенность инноваций, проблемы начального размера и топологическихинноваций.3. Разработаны алгоритмы глобального и локального генетического поиска,позволяющие,вотличиеотсуществующих,модифицироватьнейросетьпроизвольной топологии и направлять эволюцию как по пути структурногоупрощения, так и структурного усложнения ИНС, за счет чего достигаетсяснижение ресурсоемкости и расширение пространства генетического поиска.4.

Разработанаметодикаподбораирасчетакритериевоценкинейроэволюционного метода для его практического применения в качествемодуля СППР. Данные критерии являются наиболее полными в сравнении сизвестными критериями для аналогичных методов. Они позволяют учитыватьтакиепараметрыприспосабливаемость,генетическогопредставлениямножественность,каконтогенетическаякомпактность,замкнутость8представления, устойчивость, а также совокупные характеристики процессаэволюции и характеристики генерируемых нейросетей.5. Разработана модель системы поддержки принятия решений в условияхнеопределенности на базе нейроэволюции.

В отличие от существующих СППР,такая система является самообучаемой: в ходе нейроэволюции она может бытьмодифицирована в соответствии с изменяющимися условиями задачи.6. Разработан программный инструментарий, обеспечивающий реализациюнейроэволюционного метода и модели системы поддержки принятия решений вусловиях неопределенности и позволяющий использовать его при решениипрактическихзадачинтеллектуализацииобработкиданныхвкачествевстраиваемого или автономного модуля СППР.Теоретическаяипрактическаязначимостьработы.Основныеположения диссертации представляют собой определенный вклад в теориюпринятия решений в части решения задач в условиях неопределенности спомощью методов на базе нейросетей и эволюционного моделирования.Выводы и результаты исследования ориентированы на практическоеприменение разработанного метода и алгоритмов в интеллектуальных системахподдержкипринятиярешений,оперирующихданнымивусловияхнеопределенности.

Самостоятельное практическое значение имеет программныйинструментарий, созданный на основе данного метода и реализующийнейроэволюционную модель системы поддержки принятий решений в условияхнеопределенности.Методология и методы исследования. Для решения поставленных задачприменялись методы теоретической информатики, теории принятия решений,вычислительнойматематики,математическогомоделирования и теории искусственного интеллекта.Положения, выносимые на защиту:анализа,математического91.Нейроэволюционныйметоддляначальногоконфигурирования,настройки параметров, оптимизации топологии и обучения нейросетей спроизвольной топологией.2. Алгоритмы глобального и локального генетического поиска дляоптимизации топологии и параметров нейросетей, формируемых в ходенейроэволюции.3. Методика подбора и расчета критериев оценки нейроэволюционногометода для его практического применения в качестве модуля СППР.4.

Модель системы поддержки принятия решений, инкапсулирующаямодуль нейроэволюционной обработки данных в условиях неопределенности.5. Результаты экспериментальных исследований метода, алгоритмов имодели СППР, проведенные на разработанном программном инструментарии вприложении к актуальным практическим задачам, оценка качества полученныхрезультатов.Степеньдостоверностииапробациярезультатов.Результатыдиссертационной работы внедрены в Научно-исследовательском финансовоминституте Минфина России (НИФИ) при разработке СППР для защиты отDDoS-атак, а также при разработке СППР для автоматизации обработкиматериалов в виртуальной среде и контроля процесса научной деятельности.Основные положения работы доказывались на следующих конференциях исеминарах:1.

Всероссийскаянаучно-практическаяконференция«Математическиеметоды и интеллектуальные системы в экономике и образовании», Ижевск,2013 г.2. Международнаянаучно-практическаяконференция«Ценностииинтересы современного общества», Москва, 2013 г.3. 5-яМеждународнаяобщество», Лондон, 2013 г.научно-практическаяконференция«Наукаи104.

Международнаянаучно-практическаяконференция«Ценностииинтересы современного общества», Москва, 2015 г.5. Всероссийская научно-практическая конференция «Теоретические ипрактические аспекты развития научной мысли в современном мире», Уфа,2015 г.Публикации.

По результатам выполненных в диссертации исследованийопубликовано9работ,втомчисле:4впериодическихизданиях,рекомендованных ВАК; 5 опубликовано в других изданиях, сборниках статей идокладов конференций.Структура и объем диссертации. Диссертационная работа состоит извведения, 4-х глав, заключения, списка сокращений и библиографического спискаиз 127 наименований. Работа содержит 157 страниц текста с 30 рисунками и 12таблицами.11ГЛАВА 1. ОБЗОР НЕЙРОЭВОЛЮЦИОННЫХ МЕТОДОВ ИСИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В УСЛОВИЯХНЕОПРЕДЕЛЕННОСТИ1.1 Обзор походов к интеллектуализации принятия решенийв условиях неопределенности1.1.1 Постановка задачи принятия решений в условияхнеопределенностиПод принятием решений понимается процесс рационального выбораальтернатив, имеющий целью достижение некоторого результата [1].

Дляисследования принятия решений было сформировано комплексное научноенаправление - теория принятия решений, объединяющая понятия и методыматематики, теоретической информатики, системного анализа, статистики сцелью изучения закономерностей выбора путей решения проблем и задач, а такжеспособов достижения желаемого результата [17, 18].

В задачах принятия решенийc учетом большого количества факторов требуется точный математическийаппарат, позволяющий качественно и количественно сравнивать альтернативныерешения.Задача принятия решений формулируется следующим образом.Пустьимеется множество Α = {1 , … , , … , }, ≥ 2 альтернативных решений, одно изкоторых в рамках данной задачи должно выбрать лицо, принимающее решение(ЛПР). Возможные объективные условия, оказывающие влияние на выбор i-огорешениямножестваΑ,составляютмножествосостоянийприродыΩ = {1 , … , , … , }, > 0, одно или несколько из которых имеют место вовремя принятия решения.

Множество Ω может обладать таким свойствами какнепрерывность и бесконечность. Помимо множества Ω на выбор той или иной12альтернативы оказывает влияние последствие принимаемого решения [3].Последствие u – это функция, определенная на множестве альтернатив и намножестве состояний природы: ∶ ( × Ω) → ℝ(1.1)Задача ЛПР заключается в выборе решения из множества с учетомсостояний природы и последствий. В контексте нейроэволюционного подходасовокупностьсостоянийприродыипоследствийназываетсясредой.Оптимальность осуществленного ЛПР выбора в рамках поставленной задачизависит не только от критериев оптимальности альтернативы, но и от объема ивида информации о среде (о состояниях природы).

На основании этого в задачеопределяется критерий оптимальности – правило, позволяющее численно выявитьусловие предпочтения одного решения по отношению к другому [1]. При помощикритерия оптимальности возможно провести ранжирование множества попредпочтительности.По наличию случайных и неопределенных факторов задачи принятиярешенийпринятоподразделятьнатрикласса:детерминированные,стохастические и в условиях неопределенности [49]. Большинство практическихзадач, изучаемых теорией принятия решений, в том или ином виде содержатнеопределенность.