4.2 Кибернетические методы

Данные методы служат для оптимизации, они основаны на принципах и идеях саморазвивающихся систем. Делятся на:

1. Анализ и прогноз на основе нейронных сетей,

2. Эволюционное программирование,

3. генетические алгоритмы,

4. Метод группового учета аргументов.

Достоинства всех кибернетических методов порождают новые проблемы, благодаря них не всегда получается предоставить наглядное решение, что может стать затруднением экспертам.

4.2.1 Анализ и прогноз на основе нейронных сетей

Нейронные сети используются для решения задач прогнозирования, классификации или управления. 

Достоинства:

1. могут аппроксимировать любую непрерывную функцию,

2. нет необходимости заранее принимать какие-либо предположения относительно модели,

3. исследуемые данные могут быть неполными или зашумленными.

Недостатки:

1. необходимость иметь большой объем обучающей выборки,

2. окончательное решение зависит от начальных установок сети,

3. данные должны быть только в числовом виде,

4. модель не объясняет обнаруженные знания (“черный ящик”).

Известные программные пакеты – NeuroShell (1), BrainMaker (2), 4Thought (3) (рисунок 4.2.1.1).

Рисунок 4.2.1.1 – Программные пакеты для анализа и прогноза на основе нейронных сетей

4.2.2 Эволюционное программирование

В его основе лежит получение оптимального решения через имитацию процесса эволюции. Исходное решение – случайные изменения данных, решения нового поколения подвергаются отбору на основе принятия его допустимости, полученное снова модифицируется, образуя третье поколение и так далее. При этом получается самоорганизующаяся оптимизационная последовательность, которая приводит к наилучшему решению. Известный программный пакет – PolyAnalyst (рисунок 4.2.2.1).

Рисунок 4.2.2.1 – Программный пакет на основе эволюционного программирования PolyAnalyst

4.2.3 Генетический алгоритм

Он напоминает эволюционное программирование – для решения задачи, которая является более оптимальной с точки зрения некоего критерия, все решения описываются набором чисел или величин нечисловой природы, при этом поиск оптимального решения похож на эволюцию популяции индивидов, которые имеют разный набор хромосом.

Механизм работы:

1. отбор сильнейших наборов хромосом, которым соответствует наиболее оптимальное решение,

2. скрещивание отобранных индивидов и как следствие получение новых,

3. мутации – случайные изменения генов у некоторых представителей популяции.

В результате смены поколений вырабатывается самое наилучшее решение задачи, которому не требуется улучшение.

Достоинства:

1. удобен для решения различных задач комбинаторики и оптимизации,

2. удобен как инструмент научного исследования.

Недостатки:

1. необходимость эффективно сформулировать задачу, определить критерий отбора хромосом,

2. процедура отбора эвристическая (такой, который помогает находить, обнаруживать что-либо) и под силу только специалисту,

3. не позволяет проанализировать статистическую значимость решения.

Известный программный пакет – Gene Hunter (рисунок 4.2.3.1).

Рисунок 4.2.3.1 – Программный пакет генетического алгоритма Gene Hunter

4.2.4 Метод группового учета аргументов

Данный метод является разновидностью эволюционного программирования. Он позволяет оценивать характеристики исследуемого процесса с помощью последовательных уточнений результатов статистической подгонки наблюдений, при этом зависимость целевых переменных от остальных ведется в форме полиномов, которые так же в свою очередь поддаются анализу и интерпретации.