Смекни!
smekni.com

Методы формирования нейросетей. Сущность электронного документооборота (стр. 9 из 12)

Формирование решений в условиях определенности

Понятие определенности является относительным. Под определенностью будем понимать ситуацию, когда каждой альтернативе решения соответствует известный набор последствий. Это значит, что:

задача хорошо формализована (существует модель решения);

существует критерий оценки качества решения;

последствия решения известны.

В иерархии управления формулируются цели, соответствующие определенному уровню управления. На самом высоком уровне находятся цели, носящие директивный характер. Эти цели называют также траекторными.

Директивные цели всегда детализируются. Процесс детализации носит иерархический характер. В результате получают дерево целей. Нижний уровень дерева целей превращается в мероприятия, которые следует выполнить для достижения директивной цели.

Если можно сформулировать цель решения задачи, декомпозировать ее на подцели, а затем, указать формулы для расчета уровня достижения каждой подцели, то процесс принятия решений можно представить с помощью дерева целей, на котором выполняются два вида расчетов: прямые и обратные.

Решения с помощью деревьев целей формируют в два этапа:

Выполняют прямые расчеты, для того, чтобы определить фактическое состояние предприятия (каков фактический уровень достижения главной цели).

Выполняют обратные вычисления, для того, чтобы узнать какие меры следует предпринять, чтобы достичь желаемый уровень главной цели.

Для выполнения обратных вычислений необходимо указать следующее:

Ограничения на терминальные узлы дерева целей (ограничения на ресурсы).

Приоритеты в достижении целей.

Направления в изменении уровня достижения целей (знак плюс или минус).

Решением задачи является множество значений терминальных узлов дерева целей, которые служат управляющими воздействиями для конкретных структурных подразделений.


Формирование решений в условиях неопределенности

Существует измеримая неопределенность, то есть риск, и неизмеримая – собственно неопределенность. Риск вычисляется на основе статистических данных, а неопределенность не вычисляется. Ее величина устанавливается на основе субъективных знаний человека. Источниками неопределенности служат либо неполнота знаний о фактах или событиях, либо свойство объекта, которое принципиально невозможно измерить.

Допустим, перед руководством предприятия возникла проблема принятия решения о вложении средств в акции другого предприятия. Сформулируем гипотезу: Акции данного предприятия являются перспективными. Тогда задача состоит в расчете коэффициента определенности данной гипотезы в диапазоне от 0 до 1. Фрагмент дерева вывода, представленный на рис. 8.9, содержит три правила.

Современные экспертные системы, используемые для формирования решений, в большинстве случаев базируются на базах знаний. Как правило, в основе такого рода систем лежат различные деревья выводов. Экспертные системы являются одним из результатов исследований в области искусственного интеллекта и рассматриваются в качестве программного средства, которое позволяет представить знания специалистов высокой квалификации о предметной области. Экспертные системы воспроизводят осознанные мыслительные усилия человека.

Центральным элементом экспертной системы является база знаний, которая отражает знания специалиста-эксперта в соответствии с какой-либо моделью (деревья вывода, деревья целей, семантические сети и т.д.).

Блок логического вывода, необходимый, для обработки базы знаний с целью получения новых знаний.

Блок объяснений, который служит для воспроизведения хода получения новых знаний в случае, если этого потребует пользователь.

Блок приобретения знаний, необходимый для периодической замены устаревших знаний и ввода новых.

Как правило, экспертные системы содержат еще и базы данных, содержащих информацию о фактическом состоянии объекта управления.

В экономике экспертные системы используются для консультаций по выработке инвестиционных решений, выбору стратегии маркетинга, кредитованию юридических лиц и т. д.

Формирование решений в условиях риска

В условиях риска можно использовать деревья решений, если альтернативы, отражающие варианты решения, находятся в отношениях соподчиненности. Как правило, условия появления альтернатив носят качественный характер и определяются вероятными величинами.

Иерархические отношения удобно представлять в виде дерева: дуги дерева отражают альтернативы частичных решений, а узлы – результаты. Таким образом, получают дерево решений, с помощью которого можно представлять вероятностные (частотные) характеристики условий.

Рассмотрим пример. Допустим лицу, принимающему решение, известно два варианта повышения уровня рентабельности:

Произвести продукцию А в количестве 100 ед. и продать ее по цене 10 ед. за штуку. Себестоимость единицы продукции составляет 8 ед.

Произвести продукцию В в количестве 50 ед. и продать ее по цене 20 ед. за штуку. Себестоимость единицы продукции составляет 18 ед.

Для упрощения задачи будем считать, что в случае неблагоприятного рынка для какой либо продукции предприятие терпит убытки по ее себестоимости. Тогда в случае благоприятного рынка предприятие получит от продажи продукции следующий доход:

От продукции А: d1=100 · 10=1000 ед.

От продукции В: d2= 50 · 20= 1000 ед.

При неблагоприятном рынке оно будет убыточным:

От продукции А: d1=-100 · 8= -800 ед.

От продукции В: d2= - 50 · 18= -900 ед.

Построим дерево решений, на котором отразим последовательность событий от корня к листьям, а затем выполним расчет доходов (убытков) в обратном направлении.

1. На дереве решений представлены альтернативные варианты, при которых предприятие ожидают доходы или убытки. Так как отсутствует информация о рынке, будем считать, что он одинаково благоприятен или неблагоприятен для обоих видов продукции.

Вывод: целесообразным будет вариант 1, т. е. производство продукции А.

Можно пойти на некоторые затраты с целью получения информации о конъюнктуре рынка, что позволит уточнить насколько рынок будет благоприятен для того или иного товара.

В данном случае выгоднее выбрать вариант 2, т. е. производство продукции В.


Формирование решений с помощью нейросетей

Нейросетевые технологии, в отличие от экспертных систем, предназначены для воспроизведения неосознанных мыслительных усилий человека (например, человек плохо знает, как он узнает цвет предмета). Такого рода технологии используются для распознавания каких-либо событий или предметов. С их помощью можно воспроизвести многочисленные связи между множеством объектов. Принципиальное отличие искусственных нейросетей от обычных программных систем, например экспертных, состоит в том, что они не требуют программирования. Они сами настраиваются, т. е. обучаются тому, что требуется пользователю.

Известны следующие основные сферы применения нейросетей:

1.Экономика и бизнес: предсказание поведения рынков, предсказание банкротств, оценка стоимости недвижимости, автоматическое рейтингование, оценка кредитоспособности, прогнозирование курса валют.

2.Интернет: ассоциативный поиск информации.

3.Автоматизация производства: оптимизация режимов производственного процесса, диагностика качества продукции, предупреждение аварийной ситуации.

Искусственные нейросети состоят из искусственных нейронов. Искусственный нейрон представляет собой математическую модель естественного нейрона, имеющего несколько входов (вектор входных сигналов) и один выход. Этот выход направлен либо к другому нейрону, либо к выходу из нейронной системы. Вектор входных сигналов преобразуется нейроном в выходной сигнал с использование сумматора и специального нелинейного преобразователя.

Связь между нейронами характеризуется интенсивностью (силой возбуждения), называемой также синаптическим весом.

Применение нейросетей предполагает выполнение следующих этапов:

1.Постановка задачи: формирование цели применения нейросети (например, прогнозирование курса ценных бумаг).

2.Обучение нейросети: подготовка обучающих примеров, которые представляют собой уже известные результаты решения задачи без нейросети и предъявление их ей.

3.Эксплуатация сети: сети предъявляется некоторая ситуация, которая либо распознается, либо нет.

Известно два вида обучения: с учителем и без такового.

Преимущества нейросетей.

1.Способность обучаться на примерах без программирования, что позволяет отказаться от поиска каких-либо аналитических зависимостей между входными данными и результатами.

2.Нейросети могут обучаться на неполной, противоречивой и искаженной информации.Для использования нейросетей не требуются профессионалы-математики.

3.Не требуется выполнение условия отсутствия взаимосвязи между входными факторами, как это требуется в регрессионном анализе.

Нейронные сети реализуются либо аппаратным, либо программным способом. Аппаратная реализация возможна в виде нейрокомпьютеров, нейроплат и нейроБИС (больших интегральных схем).

Аппаратная реализация используется там, где необходима высокая скорость обработки межнейронных соединений. При этом их стоимость достаточно высока. Если высокая скорость не требуется, то используется программный аналог нейросети. В оперативной памяти строится модель нейросети, которая может обучаться на примерах.