ління та прийняття рішень корпоративного рівня супроводжується оптимізацією сайту господарюючого суб'єкта. Причому оптимізація інформаційної структури коропратівного сайту у відповідності з інтересами його відвідувачів базується на доданні сайту адаптивних властивостей, що вимагає залучення сучасних інтелектуальних засобів. Аналіз перспективних інтелектуальних засобів підтвердив, що при вирішенні завдань управління та прийняття рішень, для яких характерна наявність неповної і недостатньо достовірної інформації, добре зарекомендували себе системи інтелектуального аналізу даних. Нейронні мережі, системи нечіткої логіки є обов'язковим інструментом інтелектуального пошуку та вилучення знань, т. К. Мають здатність виявлення значущих ознак і прихованих закономірностей в аналізованих економічних показниках.
Нейронні мережі і еволюційне моделювання
Навчання нейронних мереж складне завдання з ряду причин. Нерідко процес пошуку адекватної нейромережевої моделі закінчується з нульовим результатом і дуже велику роль відіграє досвід розробника нейромережевих моделей. Для отримання нейромережевої моделі вирішальною задачу із заданим показником якості зазвичай необхідно пройти наступні кроки: спочатку необхідно підготувати дані, визначитися з типом мережі, визначити входи і виходи, вирішити задачу про первісну структурі мережі - шари і нейрони в них, далі необхідно навчити мережу, то Тобто підібрати коефіцієнти зв'язків між нейронами, перевірити навчену мережу на валідаційної вибірці і в підсумку перевірити в реальній роботі. При цьому всі кроки тісно пов'язані між собою і неякісна опрацювання по одному з них веде, у кінцевому рахунку, до тривалого навчання мережі або взагалі до отримання неправильно працюючої нейромережі. Існує велика кількість методів і алгоритмів попередньої підготовки даних, розрахунку структури мережі і модифікованих методів навчання, але всі вони значною мірою спираються на досвід розробника. Одним з найбільш універсальних способів автоматичного отримання нейромережевих моделей є використання генетичних алгоритмів.
Згідно COGANN (Combinations of Genetic Algorithms and Neural Networks), об'єднання нейронних мереж і генетичних алгоритмів може бути, як допоміжним, так і рівноправним. У допоміжному підході один метод йде слідом за іншим, а в рівноправному обидва методи використовуються синхронно.
В якості допоміжної парадигми виділяють наступні види об'єднання:
генетичні та нейромережеві алгоритми застосовуються одночасно для однієї задачі (наприклад, для задач класифікації);
аналіз нейронних мереж за допомогою генетичних алгоритмів;
підбір параметрів нейронних мереж за допомогою генетичних алгоритмів;
підбір правил навчання нейронних мереж за допомогою генетичних алгоритмів;
формування вихідної популяції для генетичних алгоритмів за допомогою нейронних мереж.
У разі рівноправного об'єднання виділяють наступні види спільного використання генетичних алгоритмів і нейронних мереж:
генетичні алгоритми для навчання нейронних мереж (еволюційне навчання нейронної мережі);
вибір топології нейронної мережі за допомогою генетичного алгоритму (еволюційний підбір топології мережі);
нейронні мережі для розв'язання оптимізаційних задач з підбором ваг через генетичний алгоритм;
реалізація генетичного алгоритму за допомогою нейронної мережі.
Слід зазначити, що іноді у зв'язці «генетичний алгоритм + нейронна мережа» застосовуються дуже складні архітектури нейронних мереж, зокрема АРТ - 1 і АРТ - 2.
Керованими параметрами в генетичних алгоритмах є: довжина хромосоми; наповнення хромосоми (локуси і аллели); параметри оператора кросовера; параметри оператора мутації; параметри оператора інверсії; параметри вибору кращих особин; критерій зупинки генерації особин і популяції; параметри генерації початкової і наступних популяцій і т. д.
Висновки
Бурхливий розвиток нейронних мереж, еволюційного моделювання та нечіткої логіки призводить до більшого їх взаємодії. І якщо раніше вони розвивалися паралельно один від одного, то тепер уже йдуть пліч-о-пліч. На перший план, як апогей такої взаємодії виходить створення штучного інтелекту. І хоча сама ідея його створення з'явилася задовго до появи нейронних мереж, еволюційного моделювання та нечіткої логіки на даному етапі стало зрозуміло, що симбіоз цих трьох методів ляже своєю основою для штучного інтелекту.
Нейронні мережі, еволюційне моделювання та нечітка логіка бурхливо розвиваються і знаходять все нові й нові ніші для себе. При цьому й...
