Перспективы внедрения нейронных сетей вреализацию систем поддержки принятия решений
Бугаков Сергей Сергеевич, магистрант
Кубанский государственный университет
В статье рассмотрены основы искусственных нейронных сетей; изучена архитектура систем поддержки принятия решений на базе нейронных сетей; выявлены перспективы внедрения нейросетевых технологий в системы поддержки принятия решений.
Ключевые слова: системы поддержки принятия решений, нейронные сети, информационные технологии.
Бурное развитие информационных технологий в последние десятилетия, внедрение их во все сферы жизнедеятельности, привели к тому, что сегодня нельзя представить себе даже малое предприятие, не оснащенное IT инфраструктурой. При этом возрастает необходимость в разработке новых интеллектуальных систем поддержки принятия управленческих решений, приспосабливающихся к максимально широкому диапазону условий. Перспективным направлением здесь выступает применение искусственных нейронных сетей.
Искусственные нейронные сети представляют собой сеть искусственных нейронов объединенных между собой синаптической связью [1]. Сетью обрабатывается входная информация и в зависимости от изменений своего состояния во времени формируется совокупность выходных сигналов. Нейронные сети находят широкое применение в направлениях разработки искусственного интеллекта.
Основа нейросетевого подхода заключается в рассмотрении очень простых однотипных объектов, соединенных в сложную и крупную сеть.
Современный уровень развития микроэлектроники создает предпосылки аппаратной поддержки нейросетевых методов [2].
Некоторые исследователи утверждают, что систему поддержки и принятие решений можно целиком реализовать на платформе нейронной сети. Наряду с традиционным использованием нейронных сетей для типовых задач распознавания и формирования образов, в системе поддержки и принятия решений происходит согласованное решение задач распознавания и формирования образов, извлечения и сохранения знаний, оценки образов и принятия решений.
Для практической адаптации систем управления к изменяющимся условиям существования объекта управления необходимо создание масштабных нейронных сетей, приспособленных для решения задач поддержки принятия решений.
Рассматривая основные аспекты создания систем поддержки принятия решений на базе нейронных сетей важно определиться с терминологией и архитектурой [4]. Управляющей системой здесь выступает система управления, имитирующая нервную систему согласно конкретной методологии поддержки принятия решения. Под объектом управления понимается организм, несущий в себе нервную систему. Объект управления контролируется при помощи управляющей системы, внедренной внутрь объекта управления и взаимодействующей со своим окружением посредством блока датчиков.
Можно утверждать, что управляющая система контролирует не только объект управления, но и всю систему. Средой в системе выступают различные объединения объектов.
Передача входной информации управляющей системы от блока датчиков происходит в виде двоичного вектора.
Функционирование блока формирования и распознавание образов происходит следующим образом.
На основе информации о возможных функциональных свойствах среды задаются некоторые объекты (нейроны), на которые транслируются некоторые классы явлений, потенциально способных к существованию в системе. Транслирование определяется топологией нейронной сети [7].
В каждом отображаемом на нейрон классе, можно выделить подкласс, воспринимаемый данным нейроном. Каждым нейроном производится статистический анализ воспринимаемого им подкласса.
В процессе накопления статистической информации о воспринимаемом подклассе, у нейрона появляется возможность принятия решения об отнесении подкласса к неслучайному или случайному явлению в системе [8]. При принятии каким-либо нейроном решения о неслучайности события отображаемого на него подкласса, он переходит в некоторое отличимое от исходного состояния.
После того как нейрон «научен», сформированный образ идентифицируется определенным номером данного нейрона.
Воспринятый нейроном подкласс явлений, вызвавший его обучение, т. е. статистически достоверно существующие в системе пространственно-временные явления, называют прообразом образа.
Уже сформированный образ распознается боком формирования и распознавание образов, когда наблюдается его прообраз.
Блок формирования и распознавания образов указывает на распознанные в данный момент сформированные образы [10]. Распознанные образы одновременно участвуют в создании образов более высокого порядка, т. е. происходит абстрагирование и агрегирование образов.
Представление эмпирически найденных знаний о функциональных свойствах системы производится блоком формирования базы знаний.
Интегральная оценка качества состояний вырабатывается блоком оценки состояния.
Процедура принятия решений, основанная на анализе текущей ситуации, целевых функций и базы знаний происходит в блоке принятия решений.
Блоком определения времени принятия решений, в зависимости от текущей оценки совокупности объектов, определяется глубина просмотра базы знаний. Чем больше совокупность объектов, тем большее значение образов (в порядке уменьшения модуля их значимости) способна учесть управляющая система при принятии решения, и тем медленнее скорость принятия решений.
Так в обобщенном виде выглядит алгоритм управления, реализуемый управляющей системой в системе поддержки принятия решений.
Особенностью процесса управления является в том, что накопление управляющей системой эмпирических знаний о свойствах предъявляемого ей объекта управления и принятие решений производится автоматически на основе накопленных знаний. По мере роста объема накопленных знаний повышается и качество управления [9]. Важным является то, что управление заключается не в том, что управляющая система реагирует на входящую информацию, а в том, что она активно ведет постоянный поиск возможностей в текущих условиях улучшить саму систему. Тем самым в системе присутствует внутренняя активность.
Создание систем поддержки принятия решений на основе нейронных сетей может быть целесообразным лишь в тех областях пространства признаков, в которых раньше используемые методы показали свою неэффективность [6]. Иными словами, необходимо выделить из общего пространства две области — область, для которой существует априорная информация о свойствах объекта управления, и в который имеется возможность применения системы управления, и область, не имеющую информации о свойствах объекта управления, требующую адаптации управления в реальном времени.
С момента введения первой логической модели нейрона Питтсом и Маккалоком в 1948 году было предложено огромное количество различных моделей [3]. Однако все они, как правило, предназначены для решения задач по распознаванию и классификации образов. Можно выделить целый ряд существенных отличий предложенной модели от уже существующих.
Первым отличием выступает то, что в классических моделях всегда имеется в наличии «супервизор», подстраивающий по определенному алгоритму параметры сети. Предлагаемому же нейрону необходимо подстраиваться самостоятельно в зависимости от анализируемой им последовательности входных векторов. То есть, работая, нейрон должен использовать только информацию со своих входов.
Следующим отличием следует назвать то, что в предложенной модели отсутствуют вещественные рычаги и взвешенная суммация по этим весам, что, несомненно, является существенным плюсом при создании нейрочипов [5].
Главное же отличие предложенной модели от классических заключается в целях ее применения. C ее помощью возможно решение всех задач управляющей системы: от формирования и распознавания образов, распознавания и запоминания закономерностей, до анализа информации закономерностей и выбора действий.
Подводя итог можно сказать, что внедрение нейронных сетей в реализацию систем поддержки принятия решений представляется перспективным направлением. Использование подобных систем в экономике не имеет ограничений. Уже сейчас существуют системы поддержки принятия решений на базе нейросетевых технологий применяемые крупнейшими зарубежными компаниями с целью сокращения рисков в планировании своей финансовой деятельности. К сожалению на российском рынке данные системы пока еще не нашли широкого применения. Однако изменения происходящие в отечественном бизнесе в последние годы позволяют предположить,что в ближайшее время ситуация изменится в противоположную сторону.
Литература:
- Лотов А. В. Введение в экономико-математическое моделирование. — М.: Знание, 2010. — 284 с.
- Попов А. Л. Системы поддержки принятия решений // Экономика. — 2010. — № 3. — С. 6–7.
- Басалин П. Д. Структурный синтез цифровых автоматов в нейросетевом базисе / П. Д. Басалин, П. Ю. Белокрылов // Системы управления и информационные технологии. — 2013. — № 8. — С. 44–48.
- Басалин П. Д. Средства интеллектуальной поддержки процессов проектирования и управления / П. Д. Басалин, К. В. Безрук // Интеллектуальные системы: Труды Двенадцатого Международного симпозиума / под ред. К. А. Пупкова. — М.: РУСАКИ, 2013. — С. 217–221.
- Комарцова Л. Г. Нейрокомпьютеры / Л. Г. Комарцова, А. В. Максимов. — М.: МГТУ им. Н. Э. Баумана, 2014. — 400 с.
- Круглов В. В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. — М.: Горячая линия — Телеком, 2011. — 382 с.
- Сайбель Н. Ю., Мезер С. Д. Оптимизация бизнес-процессов как инструмент повышения эффективности деятельности предприятия // Феномен рыночного хозяйства: от истоков до наших дней: материалы III-ой Международной научно-практической конференции / под ред. Я. С. Ядгарова, В. А. Сидорова, В. В. Чапли. Краснодар: Издательство НИИ экономики ЮФО, 2015. С. 440–448.
- Сайбель Н. Ю., Мезер С. Д. Теория оптимизации бизнес-процессов // Актуальные проблемы экономической теории и практики: Сборник научных трудов. Выпуск 18. Краснодар: КубГУ, 2015. С. 35–41.
- Сайбель Н. Ю., Мезер С. Д. Оптимизация и реинжиниринг: сравнительный анализ // Молодой ученый. 2015. № 13. С. 453–456.
- Хайкин С. Нейронные сети: полный курс. — 3-е издание: Пер. с англ. — М.: Издательский дом «Вильямс», 2014. — 1104 с.
