CC BY
129
УДК 004 + 338.27
О ПРИМЕНЕНИИ ГИБРИДНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В ЭКОНОМИЧЕСКОМ ПРОГНОЗИРОВАНИИ
© 2009 Н. А. Гладких
аспирант кафедры программного обеспечения и администрирования информационных систем
e-mail: gladkih@,kursknet. ru
Курский государственный университет
В статье рассматриваются особенности гибридных интеллектуальных систем с позиций идей синергетики и холизма, во взаимодействии принципов структурного и эволюционного проектирования. Раскрываются теоретические предпосылки использования гибридных интеллектуальных систем в экономическом прогнозировании, описываются сферы их практического применения.
Ключевые слова: эконометрические модели, гибридные интеллектуальные системы, искусственные нейронные сети, генетический алгоритм, экономическое прогнозирование.
В условиях глобального финансового кризиса весьма актуален системный анализ изменений различных экономических факторов. Системный подход в экономике подразумевает имитационное моделирование экономических систем. С точки зрения этого подхода каждая имитируемая система является неделимой и все элементы ее структуры рассматриваются только в совокупности друг с другом.
Среди задач экономического прогнозирования выделяют три наиболее существенных:
• выработка главного направления функционирования экономической системы (задачи бизнеса, макроэкономической стратегии);
• прогнозирование результатов развития системы, происходящего под воздействием существующих факторов, внешних и внутренних;
• перспективное планирование в качестве системы мер, необходимых для преодоления отклонения прогнозируемых итогов от установленных параметров [Абраменко, Шорин 2001].
Для повышения эффективности производства любое предприятие нуждается в современном аппаратном, программном и методологическом обеспечении. В современном мире любая организация, будь то сеть торговых центров или фитнес-клуб, представляет собой экономическую систему определенной сложности. Этот факт диктует руководству любого предприятия необходимость иметь под рукой качественный аппарат экономического прогнозирования.
С потребностью в прогнозировании связана и теоретико-методологическая, и практическая работа в организации. Каждый специалист по планированию должен владеть навыками и технологиями прикладного прогнозирования. Экономическое прогнозирование сводится к составлению сценариев, отражающих возможные направления будущего изменения состояния определенной системы, рассматриваемой в тесном взаимодействии с окружающей средой.
Существуют экономические системы, имеющие невероятно высокий уровень сложности. Наблюдаемое поведение и свойства этих систем не могут быть сведены к простой сумме свойств отдельных компонент. Небольшие отклонения в показателях
работы отдельных подсистем могут вызвать качественно новый режим поведения всей системы в целом и, в частности, даже привести к серьезному кризису системы.
На уровне крупных промышленных предприятий широко используются локальные информационные экспертные системы, ориентированные на конкретные исследовательские и аналитические задачи: анализ и прогнозирование рынка,
поведение конкурентов, потребителей и т.д. Перспективными являются, несомненно, самообучающиеся экспертные системы, способные автоматически формировать свои базы знаний в целях классификации проблемных областей и прогнозирования.
Для имитирования экономических систем используются математические (идеальные) модели. На сегодняшний день достаточно полно разработана методология эконометрического моделирования, сводящая задачу экономического прогнозирования к задачам математического анализа. Данный подход является сугубо формальным, поэтому для эффективного и целесообразного использования он должен реализовываться посредством систем искусственного интеллекта.
Известно, что разработки в области искусственного интеллекта возникли под влиянием идей кибернетики, прежде всего идеи общности процессов управления и передачи информации в живых организмах, обществе и технике, в частности в компьютерах. В современном понимании искусственный интеллект - это мультидисциплинарная область науки, зародившаяся на базе кибернетики и имеющая дело с изучением возможностей построения искусственного разума как с точки зрения формального подхода, так и с точки зрения инженерных решений.
При моделировании экономических систем необходима реализация идей холизма и синергетики. Решение сложных, неоднородных задач, к числу которых относится экономическое прогнозирование, предполагает опору на достижения в сфере синергетического искусственного интеллекта, разработки в области методологии и технологии проектирования функциональных гибридных интеллектуальных систем [Колесников, Кириков 2007].
Гибридный подход, сочетающий в себе структурную и эволюционную методики проектирования систем искусственного интеллекта, является наиболее перспективным в силу способности не только выбирать лучшие, но и улучшать уже имеющиеся архитектуры. Структурная методика представлена нейросетевым подходом, а эволюционная - генетическим проектированием.
Рассмотрим особенности генетических и нейросетевых систем искусственного интеллекта.
Аппарат искусственных нейронных сетей (ИНС) широко используется для решения таких экономических задач, как обработка данных, управление, автоматизированное проектирование. Этот подход обладает большой гибкостью и практически безграничными возможностями при своей реализации.
Нейронная сеть является математической моделью, воспроизводящей деятельность нервной системы живого организма, ее способность к обучению на собственном опыте и ошибках. На примере ИНС можно проиллюстрировать идею общности процессов управления и передачи информации в кибернетике и биологии.
Согласно данным биологической науки, нервная система представителя любого биологического вида состоит из нейронов - клеток, способных распространять электрохимические сигналы. Каждый нейрон имеет разветвленную структуру ввода информации - дендриты, ядро и разветвляющийся выход - аксон. Аксоны клетки соединяются с дендритами других клеток с помощью синапсов. При активации нейрон посылает электрохимический сигнал по своему аксону. Через синапсы этот сигнал достигает других нейронов, которые могут в свою очередь активироваться. Нейрон активируется тогда, когда суммарный уровень сигналов, пришедших в его ядро из
дендритов, превысит определенный уровень (порог активации). Интенсивность сигнала, получаемого нейроном (следовательно, и возможность его активации), сильно зависит от активности синапсов. Таким образом, человеческий мозг может быть сравним с системой из параллельных процессоров.
В основу искусственных нейронных сетей положены следующие черты биологических нейронных сетей:
• простой обрабатывающий элемент - нейрон;
• участие большого числа нейронов в обработке информации;
• высокий параллелизм обработки информации за счет большого числа изменяющихся по весу связей между нейронами.
Способность нейросетей к обучению является весомым преимуществом в антикризисном управлении в условиях неопределенной внешней среды. Обучение нейронной сети заключается в первую очередь в изменениях «силы» синаптических связей. Качество обучения сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу. Поэтому правильно обученная сеть способна давать адекватные результаты при любом наборе входных параметров. В настоящее время разработано и программно реализовано определенное количество архитектур нейронных сетей (не всякое соединение нейронов будет работоспособно и вообще целесообразно).
Эволюционные алгоритмы являются направлением искусственного интеллекта, моделирующим биологическую эволюцию. В области эволюционного проектирования используется принципы и терминология теории биологической эволюции, такие как процессы отбора, воспроизводства, понятия популяции и жизнеспособности. Иначе говоря, процесс проектирования систем рассматривается как процесс эволюции, в ходе которого наиболее жизнеспособные виды (наиболее удачные модели) сохраняются в то время, как более слабые исчезают.
Одним из направлений в реализации эволюционного подхода являются генетические алгоритмы (ГА). ГА могут рассматриваться как математические алгоритмы оптимизации, на принцип действия которых, выражаясь метафорически, повлиял неодарвинистский принцип эволюции.
Генетический алгоритм принимает каждую анализируемую единицу популяции и каждого соответствующего члена популяции как шифровку потенциального решения интересующей проблемы. Традиционно этими шифровками (или генотипами) считаются двоичные строки (0, 1, 0, 1, ...).
Генотипы могут быть интерпретироваться различными способами, в зависимости от природы задачи. Например, генотип может быть интерпретирован для производства решений (фенотипов) задач, таких как нахождение коэффициентов линейной регрессии, правила классификации, построение производственного плана, определения структуры нейронной сети. Качество каждого фенотипа определяется путем определения его «жизнеспособности», т. е. определения адекватности и неизбыточности полученной модели. Эволюция в популяции генотипов осуществляется посредством процесса псевдоестественного отбора с использованием псевдогенетических операторов, провоцирующего разнообразие в популяции между успешными поколениями.
В общем случае эволюционные алгоритмы, включая канонические ГА, могут быть представлены как следующее равенство:
х|Ч+1] = v(s(x([t])),
где хИ - популяция генотипов на итерации t, v() - случайный вариативный оператор (оператор скрещивания или мутации), s() - оператор выборки [Хайкин 2006].
Вследствие этого канонический ГА может быть описан как стохастический алгоритм, который переводит одну популяцию генотипов в другую, используя выборку, скрещивание и мутацию. Выборка использует информацию в текущей популяции, концентрируя внимание на «высокоразвитых» генотипах. Скрещивание и мутация нарушают их в попытке раскрыть лучшие генотипы, и эти операторы могут рассматриваться как основные эвристики для исследования.
ГА может быть сформулирован как цепочка Маркова конечной размерности, в которой каждое состояние соответствует конфигурации популяции генотипов. В зависимости от формы генетических операторов, реализуемых в алгоритме, возможности переходов между состояниями могут отличаться.
Несмотря на очевидные различия между методиками ГА и нейросетевыми подходами, они могут успешно дополнять друг друга за счет способности нелинейного отображения ИНС наряду с оптимизирующими способностями ГА. Данное обстоятельство соответствует принципу синергетического подхода в построении интеллектуальных систем.
Генетический алгоритм может использоваться для выбора:
• входов модели;
• количества узлов в каждом скрытом слое;
• формы функции активации для каждого узла;
• формы алгоритма обучения и соответствующих ему параметров;
• количества скрытых слоев;
• весов связей между узлами.
Наиболее часто используемыми операторами в генетических алгоритмах являются операторы скрещивания и мутации.
Оператор скрещивания создает новые генотипы путем передачи частей кодировок исходных генотипов результирующему генотипу. Например, имеются два генотипа, представленные следующими бинарными строками: (0001 1101) и (1100 1100). Если оператор скрещивания применяется к данным генотипам после четвертого бита, то двумя результирующими генотипами будут (0001 1100) и (1100 1101).
Оператор мутации вызывает небольшие случайные изменения в одном или нескольких генах (битах) результирующего решения. В двоичном представлении 0 может мутировать в 1, а 1 - в 0.
На основе приведенных принципов, меняя количество входных и выходных параметров, а также качества осуществляемых операций (характер изменений, осуществляемых оператором), можно построить множество различных модификаций генетических операторов. Это дает возможность комбинировать всевозможные вариации операторов в рамках одного алгоритма.
В процессе разработки нейронной сети с использованием ГА первым этапом является определение механизма расшифровки генотипа в определенную архитектуру нейронной сети. Генотип может кодировать структуру нейронной сети, используя двоичное, целочисленное или вещественно-численное представление (или какой-либо их синтез). При этом форма кодирования будет определять структуру и параметры операторов скрещивания и мутации.
Существует множество способов, которыми структура нейронной сети может быть закодирована, и множество вариантов ГА, которые могут быть применены для развертки этих кодировок.
Приведем пример ГА, используемого для определения архитектуры нейронной
сети:
1. Раскодировать генотип в структуру нейронной сети.
2. Случайными величинами инициализировать веса дуг этой структуры.
3. Обучить нейронную сеть, используя алгоритм обратного распространения.
4. Определить точность классификации (уровень жизнеспособности) результирующей нейронной сети.
5. Осуществить отбор по критерию уровня жизнеспособности для создания новой популяции генотипов.
6. Создать разнообразие генотипов новой популяции, используя скрещивание и мутацию.
7. Заменить старую популяцию новой.
8. Повторять предыдущие этапы, пока не встретится условие останова.
Рассмотренный алгоритм представляет собой пример поколенческого ГА, так как целая существующая популяция замещается вновь созданной популяцией на каждой итерации алгоритма. Этап отбора в ГА может быть реализован различными путями, включая отбор по соразмерности жизнеспособности, ранжированный отбор, соревновательный отбор [Mitchell 1996].
Описанный гибридный алгоритм осуществляет двухуровневое обучение. Набор входов и архитектура нейронной сети кодируется в генетическую структуру (например, двоичную строку), которая изменяется во времени по ходу того, как ГА осуществляет поиск в пространстве двоичных строк с целью нахождения строк, которые кодируют «наилучшие», «наиболее жизнеспособные» архитектуры нейронных сетей. Для каждой отдельной архитектуры алгоритм обратного распространения используется с целью обнаружения «наилучших» весов (т. е. весов, при которых адекватность сети определенной архитектуры максимально удовлетворяет критерию качества), представляя эпигенетическое (прижизненное) обучение [Sipper, Sanchez, Mange, Tomassini, Perez-Uribe, Stauffer 1997].
Помимо приведенного выше ГА, методом поддержания разнообразия может быть, например, реализация оператора скопления [Mitchell 1996], в котором вновь сформированный генотип замещает наиболее похожий на себя генотип в существующей популяции. В качестве еще одного метода можно отметить реализацию распределения жизнеспособности (fitness-sharing) [Perkins, Btabazon 2006]. В этом случае коэффициент уровня жизнеспособности генотипов снижается, если существуют другие похожие генотипы в популяции. Этот второй подход может привести к видообразованию в популяции генотипов, что приведет к достижению явных пиков в уровне развития, если они существуют. Если структуры нейронных сетей в этих пиковых точках имеют сходственный уровень жизнеспособности, то это предполагает, что существует множество структур, дающих эквивалентные результаты.
В данном контексте стоит отметить и так называемые «альтернативные» стратегии замещения, в которых только несколько особей, обычно с низким уровнем жизнеспособности, заменяются новыми генотипами в каждом поколении. В альтернативных стратегиях также применяются некоторые разновидности скрещивания, такие, как двухфазное скрещивание или равномерное скрещивание. Соотношение операторов и их качество варьируется от задачи к задаче.
Гибридные интеллектуальные системы могут широко использоваться в сфере экономического прогнозирования: от расчета вероятности риска банкротства
корпорации до моделирования эволюции цен акций. К преимуществам данного
подхода можно отнести высокую скорость генерации и обучения нейросетевых моделей, а также его гибкость и адаптивность в силу возможности построения наиболее полных и адекватных моделей для каждой отдельной задачи [Колесников, Кириков 2007].
Итак, комплексность проблем экономического прогнозирования диктует необходимость междисциплинарного подхода к их решению, расширение и интеграцию уже имеющихся методик. Принципиальным отличием парадигмы проектирования гибридных систем от традиционного построения интеллектуальных вычислительных систем является возможность синтезировать качественно различные варианты решений. Данный синтез в равной мере зависит как от специфики поставленной задачи, так и от внутренних параметров системы, условий внешней среды, а также характера их взаимодействия. Это дает основание рассматривать применение гибридных интеллектуальных систем как стратегическое направление в области экономического прогнозирования.
Библиографический список
Абраменко Г.В., Шорин А.А. Применение системного анализа в технике и экономике. - М.: ЦЭИ Химмаш, 2001.
Колесников А. В., Кириков И. А. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем. - М.: ИПИ РАН, 2007.
Хайкин С. Нейронные сети: полный курс. - 2 изд.: пер. с англ. - М.: Изд. дом «Вильямс», 2006.
Mitchell M. An introduction to genetic algorithms. - Cambridge, MA: MIT Press,
1996.
Sipper M., Sanchez E., Mange D., Tomassini M., Perez-Uribe A., Stauffer A. A phylogenetic, ontogenetic, and epigenetic view of bio-inspired hardware systems // IEEE transactions on evolutionary computation. - 1997. - Vol. 1. - №1. - P. 83-97.
Perkins R., Brabazon A. Predicting Credit Ratings with a GA-MLP Hybrid // Artificial Neural Networks in Real-Life Applications / Rabunal J. R., Dorrado J. (Eds.). - Hershey -London - Melbourne - Singapore: Idea Group Publishing, 2006. - P. 220-237.
