Диссертация (Методы и алгоритмы интеллектуализации принятия решений в условиях неопределенности на базе аппарата нейронных сетей и эволюционного моделирования), страница 3

Условиями неопределенности считается ситуация, прикоторой результаты принимаемых решений неизвестны. К основным видамнеопределенности в зависимости от свойств имеющихся данных относятся:неизвестность, то есть отсутствие каких-либо данных [9]; недостоверность(недостаточность, неадекватность и неполнота данных, при которой невозможноопределить единственное распределение вероятностей для состояний природы[16]); неоднозначность входных данных [15].Принятие решений с учетом различного типа неопределенностей являетсяобщим случаем задачи принятия решений, а принятие решений без их учета –частным случаем.

Несмотря на это, в связи с концептуальными и методическими13трудностями на данный момент отсутствует единый методологический подход крешению таких задач.1.1.2 Обзор методов и систем поддержки принятия решений в условияхнеопределенностиСистемаподдержкипринятиярешений–этоспециализированнаяинформационно-управляющая система, предназначенная для помощи в работелиц, принимающих решения [2]. Для выработки решений в СППР используютсяметоды из различных областей знаний, в том числе разработанные в рамкахконцепции вычислительного интеллекта. В случае, если в качестве базы СППРзаложены методы искусственного интеллекта, то говорят об интеллектуальнойСППР [10]. Далее перечислены основные классические и базирующиеся натеории искусственного интеллекта методы, применяющиеся в СППР [27].Информационный поиск (information retrieval) [4] – совокупность методовформирования на основе массива информации записей, удовлетворяющихсформулированномуинформационногозапросупоискаилиусловиюпосвященапоиска.Изученияммеждисциплинарнаяобластьметодовнауки,объединяющая информатику, информационный дизайн, лингвистику, семиотику.Глубинный анализ данных (data mining) [123] – совокупность методовобнаружения в данных ранее неизвестных, нетривиальных и обладающихпрактической пользой знаний, доступных для интерпретации и необходимых дляпринятия решений в различных сферах деятельности.

Основу глубинного анализаданных составляют методы классификации, моделирования и прогнозирования,основанные на применении деревьев решений, ИНС, ассоциативной памяти,нечеткой логики [54]. К методам глубинного анализа данных также относятсястатистическиеметодыанализа,средикоторых:дескриптивный,корреляционный, регрессионный, факторный, дисперсионный, компонентный,дискриминантный, анализ временных рядов [5] и т.д.14Поиск знаний в базах данных (KDD, Knowledge Discovery in Databases) [5] –совокупность методов поиска полезных знаний в массивах данных.

МетодамиKDD реализуются процессы подготовки данных, выбора информативныхпризнаков,очисткиданных,примененияглубинногоанализаданных,постобработки и интерпретации полученных результатов.Рассуждение на основе прецедентов (CBR – Case-Based Reasoning) [38] –совокупность методов ИИ, позволяющих использовать накопленный СППР опытпри решении новых, неизвестных задач и помогающих ЛПР осуществлятьадекватный выбор при управлении процессами различной природы и сложнымиобъектамивусловияхвременныхограниченийиразличноготипанеопределенностей [11].Имитационноемоделирование[17]–совокупностьметодовматематического моделирования, применяющихся в исследовании систем, длякоторых отсутствуют аналитические модели.

Суть данных методов состоит взамене изучаемой системы моделью, с достаточной точностью ее описывающей,над которой проводятся эксперименты для получения информации о системе [6].Когнитивное моделирование [13, 75] – совокупность методов анализа ипринятиярешенийвплохоопределенныхситуациях,основаннаянамоделировании субъективных представлений экспертов о ситуации.К наиболее эффективным методам CI, используемым в интеллектуальныхСППР, относятся нейросети и эволюционные алгоритмы [40, 41].Эволюционные алгоритмы [77] – это раздел эволюционного моделирования,имитирующийпринципыестественногоотборавзадачахоптимизации.Эволюционные алгоритмы отличаются тем, что легко могут быть описаны втерминах математики [64]. К данной области относятся следующие направленияисследований, нашедшие применение в реализации СППР:Генетические алгоритмы (ГА) [69] – эвристические методы поиска,используемые для решения задач оптимизации и моделирования путемслучайного подбора, комбинирования и вариации искомых параметров.15Эволюционные стратегии (ЭС) [69, 75] – эвристические методы, схожие сгенетическими алгоритмами за исключением того, что в последующие поколенияпередаются только положительные мутации.Генетическое программирование (ГП) [83] – методы автоматическойгенерации и модификации структуры исходного кода программ с помощьюгенетических алгоритмов.Эволюционное программирование (ЭП) [91] – методы автоматическоймодификации параметров исходного кода программ с помощью генетическихалгоритмов.Дифференциальная эволюция [124] – стохастический метод многомернойоптимизации, использующий идеи генетических алгоритмов для нахожденияэкстремума недифференцируемых, нелинейных, мультимодальных функций [90].Программирование с экспрессией генов [120] – методы, объединяющиеидеи ГА и ГП для оптимизации особей, представляющих собой префиксныезаписи выражений и хранящихся в виде строк фиксированной длины.

Для того,чтобы по строке всегда можно было построить выражение, вводится требованиекорректности [116]: с заданной позиции строка должна содержать толькотерминалы. Генетические операции реализуются аналогично операциям надстроками фиксированной длины в ГА [113]. Единственное отличие состоит втребовании корректности строк.Системы обучающихся классификаторов (LCS, Learning Classifier Systems)[88] – методы создания эволюционирующих обучающихся систем, строящихся наоснове множества правил, алгоритмов вычисления вознаграждений, адаптивногоусиливающего обучения и ГА.

В зависимости от способа применениягенетических алгоритмов данные системы делятся на два типа: Питтсбургские иМичиганские LCS [45]. Питтсбургские LCS определяют популяцию отдельныхнаборов правил и оптимизирующий их ГА. В Мичиганских LCS определенединственный набор правил в популяции, а генетический поиск направлен наотбор лучших классификаторов в данном наборе.

Мичиганские LCS условно16классифицируютсяповидуфункцииприспособленностинаZCS(оптимизирующие силу) и XCS (оптимизирующие точность).Искусственные нейронные сети. ИНС классифицируются на основанииследующих параметров: характер входных сигналов (двоичные или аналоговые)[125], вид связей нейросети (ИНС прямого распространения и рекуррентные [43]),тип обучения (с учителем или самоорганизация), структура (полносвязные,многослойные, слабосвязные). Конфигурация структуры ИНС осуществляется наосновании особенностей и сложности решаемой задачи. Для решения многихклассов задач уже предложены и хорошо исследованы различные топологииИНС.

Однако, если задача не может быть сведена к одному из известных типов,требуется решать нетривиальную проблему выбора новой конфигурации [28].Следует отметить, что нейросетевые системы и эволюционные методы,несмотря на их возрастающую популярность в качестве модулей СППР, приняторассматривать как альтернативное направление в теории принятия решений [31].1.2 Анализ биоинспирированного подхода кинтеллектуализации принятия решенийОсновная цель интеллектуальной поддержки принятия решений состоит втом, чтобы помочь ЛПР в определенной предметной области оценить возникшуюситуацию и спланировать действия в соответствии с известными условиями.Необходимостьподдержкипринятиярешенийвозникаетнатрудноформализуемых этапах принятия решений [9], в связи с чем в качествеосновы для ее реализации целесообразно использовать модели и методывычислительного интеллекта.Ккатегориитрудноформализуемыхотносятсязадачи,имеющиеформальные постановки и алгоритмы решения, но не гарантирующие получениекачественного результата за приемлемое для конечного пользователя время,особенно в случае их высокой размерности (NP-сложные задачи) [84].

Особо17остро необходимость в интеллектуальной поддержке принятий решенийпроявляется при решении задач неформального (творческого, интеллектуального)плана.Такие задачи характерны прежде всего для предметных областей, вкоторых не существует функционально полных математических теорий описанияобъектов и моделей принятия решений [7]. В качестве средств интеллектуальнойподдержки процессов принятия решений в таких предметных областяхцелесообразно использовать биоинспирированные методы CI [12, 14, 45].

Вчастности, прекрасно зарекомендовали себя нейросетевые технологии. Тем неменее, распространению СППР на базе нейросетей препятствуют сложности,возникающие при подборе топологии и параметров ИНС и нахожденииглобального экстремума функции ошибки. Также процесс обучения ИНС требуетсоставления выборок данных (обучающего, тестового и валидационногомножеств), охватывающих предметную область. К факторам, осложняющимформирование обучающей выборки данных, относятся:– неформализуемость или трудная формализуемость задачи [5];– неполная либо полностью отсутствующая информация о корректныхзначениях выходных сигналов, при которой известно множество вектороввходных сигналов, но соответствующие им выходные векторы не заданы;– высокие вычислительные затраты или технически сложная реализуемостьсоставления репрезентативной обучающей выборки [122];– отсутствие адекватной модели системы.Длянивелированияобозначенныхпрепятствий,возникающихприиспользовании нейросетевого подхода интеллектуализации принятия решений,хорошо подходят методы эволюционного моделирования [32].