Интеллектуальный анализ данных в менеджменте. Кричевский М.Л. - 195 стр.

UptoLike

Составители: 

195
но допустить некоторый произвольный период задержки (к примеру,
один год). Премия для правила тогда оказывается связанной с дохо"
дом, полученным через портфель в течение этого года, и может быть
как положительной, так и отрицательной.
На втором временном шаге правила, способные конфликтовать с
новыми данными, должны пройти еще один цикл: надбавка–аукци"
он–премия. При повторении этого процесса по многим временным
шагам хорошие правила будут усиливаться, плохие – ослабляться.
Новые правила вводятся в СК через ГА. Однако при построении СК
имеется отличие от традиционного решения задач посредством ГА.
Последние расширяют область поиска в пространстве решений, пы"
таясь найти оптимальное решение, в то время, как при создании СК
стоит задача найти ряд адаптирующих правил, которые хорошо ра"
ботают в комбинации, а не одно лучшее правило.
3.8. Генетические алгоритмы в искусственных нейронных сетях
Генетические алгоритмы могут использоваться в искусственных
нейронных сетях для решения следующих задач:
– нахождение оптимальных значений весов;
– адаптация обучающего правила для ИНС;
– отбор входных переменных;
– выбор наилучшей архитектуры сети.
В первой задаче ГА выступает как альтернатива методу обратного
распространения ошибки (ОРО) [10]. Обучение этим методом регули"
рует веса прямонаправленной ИНС, основываясь на принципах наи"
скорейшего спуска. Один из основных недостатков этого классичес"
кого алгоритма состоит в возможном попадании в локальные мини"
мумы. Вследствие мутации в ГА последний имеет характеристики,
аналогичные способу подъема на холм при поиске оптимума, что по"
зволяет избежать опасности попадания в локальный минимум. Прин"
цип использования ГА для обучения ИНС проиллюстрируем следую"
щим примером.
Положим, что имеется трехслойная ИНС, схема которой показа"
на на рис. 3.11.
В приведенной сети имеются 10 весов: w
1
... w
6
между входным и
скрытым слоями и g
1
... g
4
между скрытым и выходным слоями. Вход"
ной и выходной образы, соответственно: [x
1,
x
2
, x
3
]
T
и [y
1
, y
2
]
T
;
тре"
буемый выходной вектор: [d
1
, d
2
]
T
. Целевая функция в данном при"
мере сводится к минимизации величины z, определяемой как
0,5
22
11 22
()().zdy dy
1 2
3 454
67