CC BY
31
УДК 68І.3
ИНТЕЛЛЕКТУАЛИЗАЦИЯ ПРОЦЕССА ФОРМИРОВАНИЯ БАЗЫ НЕЧЕТКИХ ПРАВИЛ В ЗАДАЧЕ ОЦЕНКИ ЭФФЕКТИВНОСТИ ИНВЕСТИЦИОННЫХ ПРОЕКТОВ Я.Е. Львович, О.Г. Яскевич, О.А. Фиртыч
Рассматривается вопрос внедрения экспертного выбора в алгоритм формирования базы нечетких правил, построенной на основе ретроспективной количественной информации, при оценке эффективности инвестиционных проектов
Ключевые слова: экспертное решение, нечеткие правила, эффективность инвестиционных проектов
В рамках современного
функционирования экономики оценка эффективности инвестиций базируется на концепции временной стоимости, что используется либо для оценки эффективности независимых
инвестиционных проектов, когда
принимается решение о том принять или отклонить данный проект, либо при выборе одного из альтернативных
взаимоисключающих проектов. Управление инвестиционными процессами с точки зрения информационного подхода является стохастической системой с неопределенными параметрами.
Прогнозирование эффективности
инвестиционного проекта осуществляется на основе ретроспективных количественных данных, из которых формируется база 'нечетких правил, получаемых в процессе регистрации вектора параметров х, вектора показателей у и в значениях лингвистических переменных - вектор V.
Множество значений <х, V, у> представляют собой выборку,
где х={х*}, ] = 1,1;
vs={vsI'}, 1' = 1Г;
у=(у}, у={уи I = й;
Б = 1, Б - номер экземпляра в выборке.
Рис. 1. Алгоритм создания базы нечетких правил на основе ретроспективных количественных данных
Львович Яков Евсеевич - ВГТУ, д-р техн. наук, профессор, тел. (4732) 43-77-04
Яскевич Ольга Георгиевна - ВГТУ, канд. техн. наук, доцент, тел. (4732) 43-77-04, e-mail: jaskevich@mail.ru Фиртыч Оксана Александровна - ВГТУ, студент, тел. (4732) 43-77-04, e-mail: meif2006@rambler.ru
По данным xj ySI определим интервалы значений параметров и показателей:
x"j=min(xsj), x+j=max(xsj), j = ІД, s = !,S; y"I=min(ySI), x+I=max(xSI), I = І, I, s = І, S .
Определенный таким образом интервал разделим на (2N+1) отрезков с присвоением значений лингвистической переменной на
нечетких множествах Ajn, Bin, n = 1,2Nj +1,
n; = 1,2N1 +1.
Для каждой количественной переменной ставится в соответствие степень ее принадлежности к лингвистической переменной. После создания правила на
основе данной обучающей выборки ретроспективной информации для него определяется величина истинности как: [1]
fS = П мА*(х!Р П П мв1(у^)’s =1,s
j=1 j i'=1 1=1
Интеллектуализация процесса
заключается в применении экспертного
выбора в рамках представленного алгоритма. Перед экспертами при формировании базы нечетких правил стоят следующие задачи:
- определение min и max значения сигналов;
- разбиение интервала на области
значения лингвистических переменных
- выбор типа функции принадлежности
В качестве входных параметров х в
системе могут рассматриваться следующие показатели, определяющие поведение
денежных потоков по периодам:
- инвестиционные затраты,
- объем производства,
- цена единицы продукции,
- издержки производства и сбыта (или отдельных составляющих),
- процент за кредит,
- прогноз индекса дисконтирования денежных средств,
- задержки платежей
- другие параметры, предусмотренные в задании на разработку проектной документации.
Критерий эффективности основан на максимизации чистой прибыли в результате текущего инвестиционного проекта. Показатели эффективности в данной предметной области:
- дисконтированный срок окупаемости,
- внутренняя норма прибыли (дохода, окупаемости),
- чистое современное значение инвестиционного проекта.
Для вектора параметров х, вектора показателей у определяются min и max значения для задачи при помощи согласованного экспертного решения.
Полученные таким образом отрезки [xj x+j], [y-j, y+j] разбивают на (2N+1) отрезков с присвоением лингвистической переменной. В качестве стандартных лингвистических переменных для входных параметров определить следующие значения: «высокий», «средний», «низкий». Дополнительные
лингвистические переменные могут быть образованы прибавлением отрицательной частицы «не» или усиливающей частицы «очень» к переменным «высокий» или «низкий».
Подсчитывается степень
принадлежности M'(x’), 1 = 1, X'
количественных переменных к
лингвистическим переменным на основе экспертных оценок.
По графику принадлежности количественных переменных к
лингвистической переменной и стандартных функций принадлежности, экспертами определяется тип функции принадлежности к данной области.
Рис. 2. Пример графика функций принадлежности
На графике показана степень принадлежности значений к нечеткой
переменной Ц.’(х’), I = 1,Х' на основе экспертного решения. Строятся графики функций принадлежности различных типов: треугольная Ц'(х), симметричная гауссовская ц2(х) и трапециевидная ц3(х). Графики типовых функций принадлежности имеют
некоторую погрешность относительно степеней принадлежности, определенных экспертным решением. Сумма величин этих погрешностей для каждой функции
принадлежности характеризует насколько функция принадлежности является точной.
л j=zk( хг') -^i(^ ,)|>i =1, х'» j=i1,2,3)
i=1
X’ - количество точек на области значений лингвистических переменных, j -номер типа функции принадлежности.
Воронежский государственный технический университет
INTELLECTUALIZATING FORMATION OF FUZZY RULES BASE PROCESS IN THE PROBLEM OF EVALUATING THE EFFICIENCY OF INVESTMENT PROJECTS Y.E. Lvovich, O.G. Yaskevich, O.A. Firtych
Are examined questions of the of the introduction of expert choice in the algorithm of forming of fuzzy rules base built on the basis of retrospective quantitative data in tht evaluating the efficiency of investment projects
Key words: expert decision, fuzzy rules, the efficiency of investment projects
Выбирается функция принадлежности с наименьшей оценкой погрешности.
Выбор типа функции принадлежности подтверждается коллективным
согласованным экспертным решением.
Литература
1. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер. с польского И. Д. Рудинского. - М.: Горячая линия - Телеком, 2008. - 452 с.
