CC BY
14
Посилання на статтю_
Буслаев А.Г. Парадигма нейронных сетей как инструмент инициализации проектов/ А.Г. Буслаев, А.И. Рыбак// Управлшня проектами та розвиток виробництва: Зб.наук.пр. - Луганськ: вид-во СНУ iм. В.Даля, 2007 - №2(22). С.106-111._
УДК 519.68
А.Г. Буслаев, А.И. Рыбак
ПАРАДИГМА НЕЙРОННЫХ СЕТЕЙ КАК ИНСТРУМЕНТ ИНИЦИАЛИЗАЦИИ ПРОЕКТОВ
Парадигма искусственных нейронных сетей применена к отбору первоначального множества проектов (популяции) для последующего применения генетического алгоритма при инициализации новых проектов. Рис. 5, табл.1, ист. 6.
Ключевые слова: нейронные сети, генетические алгоритмы, контекстные карты, метод отбора, конгерентные области, методология управления проектами.
А.Г. Буслаев, А.1. Рибак
ПАРАДИГМА НЕЙРОННИХ МЕРЕЖ ЯК 1НСТРУМЕНТ 1Н1Ц1АЛ1ЗАЦИ ПРОЕКТ1В
Парадигма штучних нейронних мереж застосована для вщбору вихщно'Т множини проект1в (популяцп) для подальшого застосування генетичного алгоритму при 1н1ц1юванн1 нових проекпв. Рис. 5, табл. 1, дж. 6.
A.G. Buslaev, A.I. Rybak
THE PARADIGM OF NEURAL NETWORKS FOR THE PROJECT INITIALIZATION
The paradigm of artificial neural networks is applied to select initial set of projects (population) for the following application of the genetic algorithm during new projects initialization.
Постановка проблемы в общем виде. Человеческая деятельность при решении любой проблемы всегда требует наличия материальных, энергетических и информационных ресурсов.
Максимальный эффект в разрешении различных проблем развития экономики через реализацию проектов и программ обеспечивают - наличие интеллектуального потенциала, применение современных методологий и креативных ресурсосберегающих технологий.
Известно, что использование нейронных сетей как инструмента развития экономики через реализацию проектов находится в стартовом положении, имеет огромную перспективу в их дальнейшем эффективном внедрении, но при условии реализации проблем их практического применения именно это придает решению данной проблемы особую актуальность.
"Управлшня проектами та розвиток виробництва", 2007, № 2(22)
1
В данной статье мы рассмотрим анализ метода обработки, сохранения и интерпретации информации, а также алгоритм образования новых проектов на базе этой информации.
Анализ последних достижений по разрешению данной проблемы и постановка задачи. Общеизвестно, что при создании новых проектов в них переносятся методы, подходы, практические решения, знания и опыт предыдущих аналогичных проектов, а также учитываются новейшие достижения современной науки в исследуемой области. Использовать огромный потенциал накопленных теоретических и практических знаний, имеющийся на настоящее время, можно только автоматизировав процесс образования и накопления баз данных и процедуры их обработки.
Эффективным методом обработки и сохранения информации является ее генетическая и хромосомная интерпретация, а алгоритмом образования новых проектов на базе этой информации являются генетические алгоритмы, нейронные сети [1,2,3].
Поэтому целью данной статьи является использование нейронных сетей при инициализации проектов в условиях широкого применения методологии управления на основе достоверности и качества готового продукта проектов.
Изложение основного материала исследования. Известно, что при генетической обработке проектов значения различных признаков в проекте кодируются в виде генов. Для примера рассмотрим множество данных, представленных в табл.1 (кодировка признаков взята из работы [1]). По данным каждого столбца табл. 1 можно составить представление о каждом новом, разрабатываемом проекте. При этом значение 1 подразумевает наличие, а 0 -отсутствие одного из т свойств.
Таблица 1
Множество кодировки признаков проектов
Проекты Проект 1 Проект 2 Проект 3 Проект п
1. Цель 1 1 1 0
2. Изменение 0 0 1 1
3. Ограниченность во времени 0 0 0 1
4. Неповторимость 1 1 0 1
5. Ограниченность требуемых ресурсов 0 1 1 1
6. Комплексность и разграничение 0 0 1 1
7. Специфичность организации проекта 0 1 0 0
т . Легко управляемый проект 1 1 0 0
Каждому новому проекту в табл. 1 соответствует характеристический код -
вектор х (на генном языке - «хромосома»), состоящий из т компонентов. Из
имеющегося множества проектов следует отобрать те проекты, которые близки по структуре и содержанию к решаемой задаче (разработке нового проекта), которые затем будут подвергнуты анализу. Отбор новых проектов можно произвести, к примеру, с помощью самоорганизующихся контекстных карт, представляющих собой искусственные нейронные сети, построенные на двумерной решетке нейронов, позволяющей извлекать важные признаки, содержащиеся во входных данных [4]. Принцип самоорганизации базируется на идее, впервые предложенной Розенблаттом, основанной на конкурентном обучении (конкуренция ведется за обладание, как правило, всегда ограниченных ресурсов), использующем латеральные связи между нейронами. Нейроны
2
"Управлшня проектами та розвиток виробництва", 2007, № 2(22)
избирательно настраиваются на различные входные образы с учетом взаимосвязи и взаимодействия (кооперации) между проектами. Доминирующему значению признака назначается метка нейрона на карте (рис.1).
Рис. 1. Карта признаков меток нейрона
Таким образом, местоположение нейрона в решетке является индикатором признаков, содержащихся во входных примерах. Предложенный метод отбора позволяет разделить все входное пространство признаков на области, образы которых образуют конгерентные области в двумерной решетке, представляющие собой обособленные множества меток. В результате анализа получается карта с
Проект 1 .
Проект 4
Проект 2
Проект 3
Проект 5
маркированными нейронами (рис. 2), которые дали самые сильные отклики на соответствующие примеры. Принцип такого конкурентного обучения формулируют в виде лозунга - «победитель забирает все» ^¡ппеМакев-а!!) [4].
Рис. 2. Карта с маркированными нейронами
На приведенной ниже схеме точки обозначают нейроны с более слабыми откликами. Присвоив нейронам, давшим самый большой отклик на данный вход, наименование этого входа, получим разделение карты на области (рис. 3).
По карте можно отследить «родственные связи» между п различными проектами, таким образом, могут быть отобраны для анализа проекты, больше всего подходящие для решения поставленной задачи, которые при генетическом подходе могут служить первоначальной популяцией.
Для дальнейшего облегчения обработки информации, содержащейся в наработанной архивной базе данных анализируемых проектов, значения однотипных признаков в табл. 1 объединяются в группы (гены). Например, первые 7 признаков с 1-7 в [1] названы «признаками проекта», следующие 8-14 -
"Управлшня проектами та розвиток виробництва", 2007, № 2(22)
3
«характеристикой проекта» и т. д. Группы отобранных признаков (гены) образуют хромосому.
Пр. 1 Пр. 1 Пр. 1 Пр. 1 Пр. 1 Пр. 1 Пр. 1 Пр. 1
Пр. 2 Пр. 2
Пр. 2 Пр. 2
Пр. 4 Пр. 4 Пр. 4 Пр. 4 Пр. 4 Пр. 4 . .
Проект 3
Проект 5
Рис. 3. Разделение карты на области
Пусть из априорных знаний следует, что вновь создаваемый проект должен содержать т признаков, значения которых закодированы в генах хромосом уже имеющихся аналогичных г проектов и других у источников (г + у = п - общее
количество источников информации равно п).
Замечание. Предполагаем, что информация других источников также представлена в виде хромосом и для простоты считаем их также проектами. Также предполагаем, что источники имеют только по одной хромосоме и все источники информации содержат одинаковое количество ген I.
Из имеющегося массива данных в результате анализа следует отобрать значения признаков, которые перейдут в новый разрабатываемый проект от «проектов-родителей» к «проекту-потомку» (рис. 4).
Проект 1
| I Ген 1.1 | Ген 1.2 | — | ГеНГТТ
Проект 2 I | Ген 2.1 |Ген 2.2 | ••• | Ген 2.1
_______Пр2е_К11__________
| |Ген г .11 Ген г .2 | ••• |Ген
Источник 1
г -I-
Ге
-~грГ ---Т--ТГ т-----грГ Т
_Источник у
|Ген п .1 Ген п .2 ••• I Ген
п -
■Хромосома 1
Новый проект
Ген 1 I Ген 2 1— I Ген I I |
Рис. 4. Значимые признаки, переходящие в разрабатываемый проект
Каждому признаку (гену) с номером (к •) (для простоты, обозначаемого в дальнейшем, G¿ , 1 < к < п) каждого проекта (включая источники) поставим в соответствие некоторое число х , которое называют доминантностью гена Ск
4
"Управлшня проектами та розвиток виробництва", 2007, № 2(22)
[1,5,6]. Если какой-то к - й признак отсутствует в источнике, положим Хк = 0 , а
доминанте Х^ приписываем численное значение пропорциональное количеству
известных переходов данного гена в другие проекты при инициализации новых проектов, с учетом сведений полученных из наблюдений и в зависимости от важности и актуальности заложенной в них информации.
Числовое множество доминант источников информации (входов), из
которого в результате анализа осуществляется выбор оптимального гена G¿ ,
обозначим через Хк, а выход - через Ук. Величины X и У являются
дискретными случайными величинами (индекс к для краткости опущен).
Для решения рассматриваемой задачи следует определить, что подразумевать под оптимальностью выбора гена. Если известна фитнес -функция, позволяющая анализировать результат произведенного выбора, то задача решается просто, но в реальных условиях составить такую функцию трудно или невозможно из-за эвристического характера принятия решений, поэтому обсудим эту задачу с точки зрения самоорганизации процесса выбора.
Через рк обозначим вероятности перехода гена G¿ в новый проект. Сумма вероятностей р^ должна равняться 1, то есть должно соблюдаться
п
условие ^рк = 1. За вероятности перехода примем значения доминант,
к=1
предварительно их нормировав. Схема переходов генов G¿ в новый проект на
место гена G того же типа, с учетом вероятностей их перехода, изображена на рис. 5.
Вход X
Рис. 5. Схема переходов генов СД в новый проект
При этом важно заметить, что вероятность перехода некоторого гена в инициируемый или разрабатываемый проект зависит не только от самого проекта, в котором содержится данный ген, но также и от других генов проекта, с которыми логически связан выбранный ген, а также генов, которые перейдут в новый проект на основании своей природной взаимосвязи. Поэтому между генами, как правило, существует тесная корреляционная взаимосвязь. Следовательно, в процессе отбора генов следует производить постоянный пересчет вероятностей, то есть система должна постоянно находиться в динамичном процессе самоорганизации. При пересчете вероятностей можно
"Управлшня проектами та розвиток виробництва", 2007, № 2(22)
5
использовать нейронную сеть и хеббовскую модель синаптических связей между нейронами [2]. Один из принципов постулата Хебба состоит в том, что условием изменения эффективности синаптической связи является зависимость между предсинаптическим и постсинаптическим сигналами. Предполагается, что перешедший в новый проект ген не должен «сильно» изменить уже имеющийся проект. Нейроны самоорганизующейся карты преобразовывают входные сигналы в пространственно-кодированные распределения вероятностей до тех пор, пока не будет сформирована окончательная устойчивая конфигурация системы. Вопрос сходимости процесса требует особого внимания в силу его потенциальной значимости.
Выводы по данному исследованию. По результатам проведенных исследований можно сделать следующие выводы:
- концептуальный анализ изложенной модели показывает, что веса, приписываемые генам, должны постоянно изменяться с учетом многих факторов после каждой новой итерации до тех пор, пока они не стабилизируются, поэтому нейронные сети являются наиболее подходящим, гибким алгоритмом для решения поставленной задачи.
Перспективы дальнейшей разработки и внедрения данной проблемы. Предложенный подход требует проведения дальнейших експериментально-аналитических исследований и практической апробации достигнутых результатов в реальных проектах и программах. Нейронные сети, создаваемые первоначально для распознавания образов, моделирующие интеллектуальную деятельность человека, перспективны по своей сути и поэтому, безусловно, будут все более востребованы в рыночной среде. Ибо область знаний -универсальная методология и инструментарий, каким является управление проектами, обладает непревзойденной эффективностью развития экономики.
ЛИТЕРАТУРА
1. Бабаев Игбал Алиджан Оглы. Инновационная технология в управлении проектами развития организаций на основе генетической модели проектов. - К.: КНУСА, докт. дис. - 2006.
2. Бабаев И.А. Управление программами развития организаций на основе генетических моделей проекта. - К.: Наук.св^, 2005. - 164 с.
3. Бабаев В.А., Бушуев С.Д., Бушуева Н.С. Формирование генетического кода проекта как инструмента навигации по его жизненному пути // УправлЫня проектами та розвиток виробництва: Зб.наук.пр. - Луганськ: Вид-во СНУ iм. В.Даля, 2005. - № 4(16). - С. 5-11.
4. Саймон Хайкин. Нейронные сети: полный курс, 2-е издание: Пер. с англ. - М.: Издательский дом «Вильямса», 2006. - 1104 с.
5. Францкевич Г.И., Костюк В.П. Разработка экспертной системы для анализа и прогноза финансовой деятельности предприятий // Математическое и программное обеспечение вычислительных систем. Межвузовский сборник научных трудов. - М., 1998. - а 111-115.
6. Францкевич Г.И., Новиков А.Н., Костюк В.П. Модели и методы принятия, поддержки и реализации решений в управлении финансовыми процессами на основе нейросетевых технологий // Математическое и программное обеспечение вычислительных систем. Межвузовский сборник научных трудов. - Рязань, 1999. -а 64-68.
^гаття надмшла до редакцп 17.04.2007 р.
6
"Управлшня проектами та розвиток виробництва", 2007, № 2(22)
