Методы оптимизации для задач нечеткой регрессии — это инструментальный набор для определения количественных значений одной переменной на основании другой.
Введение
В сегодняшнем мире выбор требуемых решений человеком осуществляется на основе генерации различных возможных альтернативных вариантов, их дальнейшей переоценке и в итоговом выборе самой лучшей версии, удовлетворяющей всем требованиям. По существу, процесс выработки «правильного» решения является выбором такого альтернативного варианта из общего набора допустимых, который способствует в максимальной степени достижению намеченной цели. При определении человеком лучшего альтернативного варианта, ему требуется принять во внимание множество условий, часто весьма противоречивых. То есть, ему необходимо выполнить оценку различных версий решения по очень многим критериям. Присутствие большого количества противоречивых требований, а также ситуационная многозначность, возможные ошибки в распределении приоритетов в известной степени взывают затруднение и замедление операции выработки решения.
Исследование и программная реализация методов оптимизации для задач нечеткой регрессии
Многие коммерческие организации, особенно большие, вынуждены сталкиваться при своей работе с процессом выработки решений, влияние которых на производственные процессы может быть очень значительным. Как следствие, возрастает роль системы поддержки принятия решений (СППР) в самой организации. Учитывая тот факт, что источники данных при решении реальных проблем не всегда бывают чёткими и точными, то основным вопросом для СППР считается способность принимать решения при наличии неопределённостей.
Ключевым аспектом нечёткой логики является то, что её задачей считается формирование модели неточных типов рассуждений, которые играют очень важную роль в способностях людей выбирать оптимальные и рациональные решения в случаях наличия неточностей и неопределённостей. Сегодня компоненты нечёткой логики применяются в различном промышленном оборудовании, например, в системах управления метрополитеном, системах управления военной техникой, микроволновых печах и так далее. Без применения методик нечёткой логики не смогли бы работать ситуационные центры лидеров западных стран, где вырабатываются главные решения в политической сфере и моделируются самые разные экономические ситуации. Примером глобального практического использования нечёткой логики можно считать комплексное моделирование системы здравоохранения и социальных вопросов Великобритании. Сформированная модель даёт возможность оценивать затраты на социальные нужды с очень хорошей точностью и на этой основе выполнять их оптимизацию. Другой областью широкого использования методов нечётной логики выступает крупный бизнес.
Базой нечёткой логики являются алгоритмические методики оптимизации. Самой перспективной методикой оптимизации считается применение нейронных сетей. Используя практически даже упрощённые варианты архитектурной организации нейронной сети и её базу знаний, возможно беспроблемно сформировать работоспособную систему выработки решений с достаточными функциональными возможностями. При этом, учитывать или не учитывать в системе внешние параметры, определяется подключением или исключением определённого входа в нейронную сеть. Более опытные эксперты могут изначально использовать какой-либо алгоритм задания важности (к примеру, применяя нейронную сеть с обобщённой регрессией и генетической подстройкой) и сразу выполнить определение значимости входных переменных, чтобы в дальнейшем отсеять из анализа незначительные параметры.
Ещё одним достоинством нейронной сети является то обстоятельство, что эксперт не станет заложником определения математической модели поведения временного ряда. Формирование модели нейронной сети выполняется в адаптивном режиме в процессе обучения, в котором сам эксперт не принимает участия. Нейронной сети предоставляются примеры из информационной базы, и она сама выполняет подстройку под эти информационные данные.
К недостаткам нейронной сети следует отнести ее неопределённость, то есть недетерминированность. Здесь подразумевается, что по завершении обучения получается «чёрный ящик», который как-то функционирует, но логические основы выработки решений нейронной сетью абсолютно недоступны эксперту. Есть, конечно, алгоритмы, позволяющие извлекать знания из нейронных сетей. Они выполняют формализацию обученной нейронной сети до уровня перечня логических правил, что позволяет создать на базе такой сети экспертную систему. К несчастью, такие алгоритмы не входят в состав пакетов нейронных сетей и, следует отметить, что такие наборы правил, генерируемые алгоритмами, имеют очень большой объём. Но, однако, при решении практических задач свойство непрозрачности нейронной сети не считается большим минусом.
Методики экспертных оценок входят составной частью в обширную область теории принятия решений, сама экспертная оценка является процедурой выработки оценки проблемы на базе мнений специалистов-экспертов для дальнейшего выбора правильного решения. Если проблема необычайно сложная, новая, по ней нет достаточного объёма информации и нет возможности формализовать математически процесс её решения, можно обратиться к знаниям компетентных экспертов, отлично изучивших данную проблему. Известны следующие виды экспертных оценок:
- Оценки индивидуального типа, которые основаны на применении мнения конкретных экспертов, независящих друг от друга.
- Оценки коллективного типа, которые основаны на коллективном мнении группы экспертов.
Сегодня известны следующие самые популярные методы измерения объектов:
- Метод ранжирования, при котором объекты расположены по возрастанию или убыванию выбранного параметра или набора разных свойств.
- Метод попарного сравнения, при котором сравниваются свойства различных версий пар.
