Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень




НазваРозділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень
Сторінка1/5
Дата конвертації06.03.2013
Розмір0.69 Mb.
ТипДокументы
uchni.com.ua > Химия > Документы
  1   2   3   4   5

РОЗДІЛ 3. МЕТОДОЛОГІЯ ПОБУДОВИ ІНФОРМАЦІЙНОЇ СИСТЕМИ З ІНТЕЛЕКТУАЛЬНОЮ ПІДТРИМКОЮ ПРИЙНЯТТЯ РІШЕНЬ



3.1 Постановка задачі структурно-параметричного синтезу нейромереж


Структурно-параметричний синтез включає в себе два основних етапи: структурну ідентифікацію та параметричну ідентифікацію.

При цьому ці два види ідентифікації повинні взаємно впливати один на одного. Тобто параметрична ідентифікація повинна виконуватися для структури, отриманої на етапі настроювання структури. Даний похід може бути реалізований при конвеєрної роботі двох основних етапів.

Оскільки Мультиагентний підхід з непрямим зв'язком добре зарекомендував себе добре при вирішенні задач дискретної оптимізації, то пропонується застосувати його для структурної ідентифікації, в той час як для параметричної ідентифікації пропонується використовувати Мультиагентний підхід з прямим зв'язком між агентами. Таким чином, пропонується використовувати гібридний Мультиагентний підхід з прямою і непрямою зв'язком між агентами для структурно-параметричної ідентифікації нейро-фаззі мереж.

Структурна ідентифікація передбачає перетворення вхідної бази нечітких правил, оскільки структура нейро-фаззі мережі ізоморфна базі нечітких правил, тобто структура визначається базою нечітких правил. У зв'язку з цим структурна ідентифікація буде виконуватися в пропросторі нечітких термів, які будуть об'єднуватися в нові правила.

У свою чергу параметрична ідентифікація передбачає вибір найбільш оптимальних параметрів функцій належності і ваг нечітких правил.

Розроблений гібридний Мультиагентний метод структурно-параметричного синтезу нейро-фаззі мереж з прямою і непрямою зв'язком між агентами можна представити у вигляді послідовності слідующих кроків.

Крок 1. Ініціалізація. Задаються параметри роботи методи:

. Встановлюються лічильники ітерацій в 0: загальний лічильник ітерацій t = 0; лічильник ітерацій параметричної ідентифікаціі tb = 0; лічильник ітерацій структурної ідентифікації ta = 0. Уста-

новіть початкову структуру FN (0), відповідну вхідний базі нечітких правил.

Крок 2. Встановити лічильник ітерацій: t = t + 1. Задати верхні і ниж-

ня межі змін для всіх параметрів нечіткої моделі: rangemax і rangemin.

Крок 3. Створення агентів з початковими випадковими рішеннями.

Створюються Bs агентів, які розміщуються у випадкові позиції про-

странства пошуку:
(3.1)
де - координата в j-му вимірюванні i-го агента; rand - випадкове число в інтервалі [0; 1].

Для всіх позицій, в які були розміщені агенти випадковим чином, розраховується їх корисність. В даному випадку корисність точки простору пошуку визначається помилкою прогнозування моделі з параметрами, які відповідають значенням координат даної позиції:

(3.2)
де profi - корисність точки простору пошуку, в якій знаходиться i-ий агент. Встановити: поточну ітерацію параметричної ідентифікації tb = 0; поточну температуру T = Tinit; кількість агентів-розвідників B = Bs.

Крок 4. Встановити: tb = tb + 1.

Крок 5. Вибір робочих агентів. Відбір робітників виконується за рахунок моделювання процедури імітації відпалу, тобто агент відноситься до робітникам, якщо виконується така умова:
(3.3)
де profbest - корисність позиції, в якій забезпечується найменша помилка прогнозування.

Крок 6. Схрещування. Даний крок дозволяє створити агентів, які б знаходилися в позиціях з кращими характеристиками за рахунок перетину між координатами позицій певної групи агентів. Для схрещування використовуються відібрані на кроці 5 робітники агенти і агент,який знаходиться в кращій точці простору пошуку. На основі скре-щування створюються агенти, які переміщуються в позиції, які визначаються таким чином:
(3.4)
де Bw - кількість агентів, які були віднесені до робочих.

Для створених нових агентів розраховується корисність їх пребування в обраних точках простору пошуку:
(3.5)
де Bn - кількість агентів, створених в результаті схрещування.

Крок 7. Моделювання обміну інформацією. В результаті виконання обміну інформацією досягається вербування одних агентів іншими.

Агенти, які були завербовані, використовуються для поліпшеногоаивчення вже знайдених областей простору пошуку. Моделювання обміну інформацією виконується в кілька етапів.

Крок 7.1. Нормування корисностей агентів. Нормування виконується таким чином:
(3.6)
де npi - нормована корисність i-го агента; profmax і profmin - максимальна і мінімальна корисності серед усіх агентів, відповідно.

Крок 7.2. Додавання шумів в отримані нормовані корисності та їх коригування:
(3.7)
де wi - шум у корисності. Шум рівномірно розподілений в межах (-w;+ W). Значення w вибирається експериментально, en - мінімальний поріг корисності, який вибирається експериментально.

Крок 7.3. Визначаються гідності рішення кожного агента:
Li = max {npi-η ⋅ np, 0}, (3.8)
де Li - гідність рішення i-го агента; η - коефіцієнт, керуючий впливом величини np на Li; np - середнє значення нормованої корисності всіх агентів, які допущені до моделювання обміну інформацією.

Крок 7.4. Вибір агентів, які вважаються такими, що виконалвербування інших агентів для поліпшеного вивчення знайдених раніше вирішений. Агент вважається виконав вербування, якщо:
(3.9)
де Bc - кількість агентів, допущених до вербування; β> 0 - коефіцієнт,

понижуючий вплив гідності рішення на ймовірність виконання вербування; γ ∈ (0; 1) - порогової коефіцієнт, що визначає, наскільки вище має бути гідність рішення i-го агента щодо середовищній корисності рішень всіх Bc агентів.

Крок 8. Перезапуск агентів, що виконують параметричну Ідентсифікацію. Створюються агенти, які будуть розглядатися як агенти-розвідники для наступної ітерації.

До нових агентам-розвідникам будуть ставитися:

- Агенти, які виконали допомогою танцю вербування, кращий агент;

- Агенти, які стали зайнятими фуражирів внаслідок вербовкі. Оскільки такі агенти повинні виконувати покращене вивчення вже існуючої області з рішенням, то при створенні рішень для даних агентів повинні враховуватися рішення завербувати їх агентів. У зв'язку з цим для завербованих агентів рішення створюється наступним чином:
(3.10)
де range - це межа, в якій величина змінної може відхилятися від значення даної j-ої змінної d jx у вирішенні агента, моделюювавшіх обмін інформацією;

- Агенти, вирішення яких створюється випадковим чином:
(3.11)
Також для всіх створених агентів розраховується корисність ви-

лайливого рішення.

Крок 9. Оновлення параметрів, які впливають на параметричну

ідентифікацію:

- Змінюється поточна температура: T = α ⋅ T;

- Змінюється межа range:
(3.12)
Крок 10. Перевірка на досягнення оптимальних параметрів для поточної структури. Перевірка вважається успішною, якщо виконується одна з наступних умов:

- Максимальна кількість ітерацій досягнуто:

- Поточна температура дорівнює кінцевій температурі:

- Помилка прогнозування кращою нейро-фаззі мережі знаходиться в допустимих рамках для параметричного синтезу: ε <ε * best.

Якщо перевірка на останов дала успішний результат, тоді best ε (t) = ε

і виконується перехід на крок 11, в іншому випадку - на крок 4.

Крок 11. Порівняння якості прогнозування поточної структури з

якістю прогнозування попередньої. Перевіряється умова:
ε (t -1) <ε (t), (3.13)
де ε (t) - помилка кращої нейро-фаззі мережі, отриманої на ітерації t.

Якщо умова виконується, то встановити: FN (t) = FN (t-1);ε (t) = ε (t -1). Тобто, якщо на попередній ітерації була отримана нейро-фаззі мережу з кращими характеристиками, то на наступній ітерації повинно виконуватися порівняння з мережу, отриманої на цій ітерації. Якщо ж знову отримана мережу (на ітерації t) характеризується кращими характеристиками, то на наступній ітерації порівняння буде виробиться з нею. За рахунок такого підходу виявляється краща структура і проміньрілі параметри для неї протягом всієї роботи методу.

Крок 12. Створення простору пошуку. Для кожного класу можливих значень вихідної змінної створюється окремий граф пошуку, на якому переміщуються окремі агенти. Кожен граф пошуку представляє собою граф, вершинами якого є лінгвістичні терми, а ребра формуються при переміщенні агентів і наявність ребра свідчить про те, що пов'язані їм терми входять в правило, сформоване агентом, який переміщувався між ними. Для кожної вершини кожного графа пошуку розраховується евристична значимість:
(3.14)
p η - значення евристичної значимості лінгвістичного терма p для опису класу q; o - екземпляр вхідний вибірки, що містить N примірників; (o), (o) pq μ μ - значення функції належності об'єкта o терму p і класу q, відповідно; T - кількість лінгвістичних термів; K - кількість класів.

У кожному графі пошуку кожному вузлу графа пошуку ставиться в відповілне початкове значення кількості феромонів: τ init:
(3.15)
p τ - значення кількості феромонів для p-го терма в просторі пошуку для q-го класу на першій ітерації пошуку.

Крок 13. Встановити лічильник ітерацій для структурної ідентифікації: ta = ta +1.

Крок 14. Переміщення агентів.

Крок 14.1. Вибір наступного терма для переміщення в нього. При пе-

ремещеніі j-ий агент приймає рішення про переміщення в k-ий лін-

гвістіческій терм i-го простору пошуку при виконанні наступного

умови:

(3.16)
P, - ймовірність додавання k-го терма в правило j-го агента в просторі пошуку для i-го класу; R j - безліч термів, які можуть бути додані в правило j-го агента. Формування даної множини визначає вид правил, які можуть складатися в процесі пошуку, то Тобто передбачається, що правило може включати вирази типу АБО, то після додавання терма з даної множини виключається тільки дані терм, якщо ж передбачається, що правило не може включати вирази типу "АБО", то окрім вибраного терма, виключаються і все терми, що описують даний атрибут.

Крок 14.2. Перевірка на закінчення переміщення. Переміщення може бути закінчене, якщо агент вже відвідав всі можливі вершини графа пошуку або якщо досягнуто задовільний кількість покривають-екпортувати об'єктів сформованим правилом. У зв'язку з цим для кожного примірника o, ставиться до класу i, розраховується ступінь відпо- вия сформованого правила Rj і примірника o:
(3.17)
де match (R, o) - ступінь відповідності між правилом j-го агента Rj і екземпляром o; (p, p)

Дана міра розраховується наступним чином:
(3.18)

де q - окремий терм, що відноситься до області опису атрибута p;

Qp - кількість термів, що відносяться до області опису атрибута p.

Далі перевіряється умова: match (R, o) inMatchMin, j ≥ де inMatchMin - заданий параметр, який визначає, яка мінімальна значення відповідності є достатнім, щоб вважати, що правило Rj в достатній мірі описує об'єкт o.

Якщо умова виконується, то вважається, що даний об'єкт o покритється правилом Rj.

На підставі одержуваних даних збільшується лічильник сntMatch, в якому зберігається кількість примірників, що покриваються правилом Rj.

Перевіряється умова:, i cntMatch ≥ inCntMatchMin де inCntMatchMini

- Граничне мінімальна кількість екземплярів i-го класу, яке має покриватися правилом.

Якщо зазначена умова виконується, то вважається, що правило закривает необхідну кількість примірників, і j-ий агент завершив своє переміщення, в іншому випадку - переміщення продовжується.

Крок 15. Формування баз правил. Створюється nBases баз правил, при цьому для опису кожного класу вихідного значення вибирається одне правило з відповідного простору пошуку.

Крок 16. Оцінка якості сформованих баз правил. Для оцінки якос- ства баз правил для кожного екземпляра вхідний вибірки визначається правило, найбільш підходяще даному екземпляру, на основі якого визналяется розрахунковий вихідний клас для екземпляра. Виходячи з розрахункових данвих та вихідних даних, розраховується якість бази правил:
(3.19)
де cntMatch - кількість примірників, для яких клас був визначений

вірно за допомогою заданої бази правил; Q - якість прогнозування

класу екземплярів на основі відповідної бази правил.

Крок 17. Додавання феромонів. Додавання феромонів здійснюва-

ється для кожного терма, що входить в правило, яке в свою чергу

входить в базу правил RB:
(3.20)
p τ - кількість феромонів для терма p в просторі пошуку для класу q, який визначається за допомогою відповідного правила.

Крок 18. Випаровування феромонів. Випаровування феромонів виконується зідно з формулою:
(3.21)
де ρ - коефіцієнт випаровування, який задається при ініціалізації.

Крок 19. Перевірка на останов роботи агентів по структурній ідентіфікаціі. Перевірка на останов може вважатися успішною в одному з двох наступних випадків:

- Чи досягнута необхідна якість отриманої бази нечітких правил:

Q high ≥ Q threshold ;

- Досягнуто максимальну кількість ітерацій для структурної ідентифікації:

Якщо перевірка на останов роботи по структурної ідентифікації да-

ла успішний результат, то виконується перехід до кроку 21, у противному випадку - до кроку 20.

Крок 20. Перезапуск агентів, що виконують структурну ідентифікацію. Всі дані про переміщення агентів у всіх просторах пошуку оновлюються, агенти розміщуються у випадкові точки просторів поиска. Перехід до кроку 13.

Крок 21. Перевірка на останов роботи методу. Останов пропонується

виробляти при виконанні однієї з наступних умов:

- Побудована нейро-нечітка модель характеризуються необхідної

точністю прогнозування: дод. ε <ε;

- Досягнуто максимальну кількість ітерацій: t = t max.

Якщо перевірка на останов була успішною, то виконується перехід до

кроці 22, в іншому випадку - перехід до кроку 2.

Крок 22. Зупинка.

Таким чином, запропонований метод забезпечує конвеєрний підхід при структурно-параметричної ідентифікації нейро-нечіткої моделі, за рахунок чого досягається взаємний вплив результатів, отримуємих при параметричної і структурної ідентифікації, що дозволяє синтезувати нейро-нечіткої моделі, яка характеризується високою точністю прогнозування.

  1   2   3   4   5

Схожі:

Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень iconРозділ методологія побудови інформаційної системи з інтелектуальною...

Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень iconРозділ нейромережі як інтелектуальний елемент інформаційної системи
Структура інформаційних систем з інтелектуальною підтримкою прийняття рішень
Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень iconЗвіт про науково-дослідну роботу
Методологія побудови інформаційних систем з інтелектуальною підтримкою прийняття рішень
Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень iconВисновки
Запропоновано нову структуру інформаційної системи з інтелектуальною підтримкою прийняття рішень на основі використання нейромереж,...
Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень iconРозділ інформаційні системи з інтелектуальною підтримкою принять рішень
Структуру інформаційної системи становить сукупність окремих її частин, які називаються підсистемами
Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень iconРеферат Звіт по ндр : 376с., 144 рис., 10 табл., 143 джерела
Об’єкт дослідження − є інформаційна система з інтелектуальною підтримкою прийняття рішень
Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень icon1 Підходи до прийняття рішень І фактори, що впливають
Розділ Вдосконалення процесу прийняття управлінських рішень у менеджменті зовнішньоекономічної діяльності
Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень iconМіністерство науки І освіти України
Статистична інформація є найважливішою складовою частиною глобальної інформаційної системи держави. Статистика покликана забезпечити...
Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень iconІнтелектуальні системи прийняття рішень

Розділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень iconРозділ нейромережі як інтелектуальний елемент інформаційної системи
Класифікація алгоритмів навчання буде наведена в наступному розділі, а питання їх побудови будуть вивчені у подальших розділах. У...
Додайте кнопку на своєму сайті:
Школьные материалы


База даних захищена авторським правом © 2014
звернутися до адміністрації
uchni.com.ua
Головна сторінка