• Блок-схема генетичного алгоритму
  • Мал. 1.
  • Список літератури.


  • Дата конвертації23.03.2017
    Розмір10.55 Kb.
    Типреферат

    Скачати 10.55 Kb.

    Генетичні алгоритми в СППР

    Курков Максим Семенович, аспірант денної форми навчання Київського національно економічного університету.

    Генетичні алгоритми в системах ПІДТРИМКИ Прийняття РІШЕНЬ для фінансового АНАЛІЗУ на фондовому ринку.

    Прогнозування є ключовими етапом при прійнятті РІШЕНЬ в управлінні. Кінцева ефективність будь-которого решение Залежить від послідовності подій, Які вінікають Вже после Прийняття решение. Можлівість Передбачити некеровані аспекти ціх подій перед Прийняття решение дозволяє сделать найкращий вибір, Який в ІНШОМУ випадки МІГ буті не таким вдалині. Альо Прийняття решение особою, что пріймає решение очень ускладнюється великим потоком Даних. Аналізуваті данні можливо передоручіті засоби комп'ютерної техніки.

    Одним з напрямків использование новітніх технологій є создания систем ПІДТРИМКИ Прийняття РІШЕНЬ. Дуже важліво использование таких систем при проведенні фінансового АНАЛІЗУ у зв'язку з необхідністю Прийняття найбільш адекватного решение, Пожалуйста может вплінуті на прібутковість проекту. Дуже часто необходимо прійматі решение, маючі протіречіві данні, Які ма ють високий рівень так званого "шуму". Це нужно враховуваті при створенні систем ПІДТРИМКИ Прийняття РІШЕНЬ фінансового АНАЛІЗУ. Одним з віходів з подібної складної ситуации є использование апарату нечіткої логіки.

    Нечітка логіка є Розширення класичної (булевої) логіки и засновано на Концепції часткової правди - правди, что находится десь посередіні между "є" і "немає".

    Що найбільш важліво при проведенні фінансового АНАЛІЗУ на фондовому ринку? Це по-перше складання найбільш вірогідного прогнозу поведінкі ЦІННИХ ПАПЕРІВ. Прогнозування - це Ключовий момент при прійнятті РІШЕНЬ в управлінні. Можлівість Передбачити некеровані аспекти подій перед Прийняття кінцевого решение дозволяє сделать найкращий вибір, Який, в ІНШОМУ випадки МІГ буті Невдалий.

    Окрім традіційніх статистичних методів в системах ПІДТРИМКИ Прийняття РІШЕНЬ для фінансового АНАЛІЗУ на фондовому ринку Використовують розвинутості алгоритм! Застосування нечіткої логіки - нейронні мережі. Альо е ще один цікавий метод - це генетичні алгоритми. Спробуємо Розробити систему ПІДТРИМКИ Прийняття РІШЕНЬ, яка б булу побудовали на генетичних алгоритмах.

    Нехай є Деяка доладна функція, яка Залежить від Деяк змінніх, и необходимо найти таке значення змінніх, при якіх значення Функції максимально.

    У нашому випадка, в задачі поиска Прийняття оптимального решение на фондовому ринку Стосовно розподілу інвестіцій в цінні папери багатьох емітентів. У цієї задачі змінними будут ОБСЯГИ коштів, Які вкладаються в ті чи інші цінні папери, а функцією, якові треба максимізувати - сумарний ОБСЯГИ доходів особини, яка пріймає решение относительно розподілу інвестіцій. Такоже в базі знань системи повінні містітісь значення максимального та мінімального ОБСЯГИ вкладень в шкірній вид цінного паперу, Які задають область Зміни значень кожної з змінніх.

    Вікорістовуючі методи генетичних алгоритмів в системе ПІДТРИМКИ Прийняття РІШЕНЬ фінансового АНАЛІЗУ необходимо передбачаті в ній природні Способи оптімізації. Кожний варіант вкладення в цінні папери розглядається системою як індівідуум, а прібутковість варіанту, як прістосованість даного індівідуума. Тоді, відповідно до методів генетичних алгоритмів, в процесі "еволюції Головна" прістосованість індівідуумів буде зростаті, а значить, будут з'являтися все більш и більш Прибуткові варіанти інвестування. У Деяк момент еволюція винна буті прізупінена и вибір найкращого індівідуума и буде достаточно добрим рішенням задачі.

    Для генерування еволюційного процесса системою ПІДТРИМКИ Прийняття РІШЕНЬ генерується Випадкове популяція - декілька індівідуумів з Випадкове набором хромосом (числових векторів). Для цього Попередньо в базу знань системи винна заносітісь інформація Стосовно ЦІННИХ ПАПЕРІВ, Які обертаються на Сайти Вся.

    Для завантаження бази знань та патенти отріматі з торгових систем інформацію Стосовно курсів ЦІННИХ ПАПЕРІВ мінімум за Останній квартал. Альо у цьом випадка Акції емітентів, по якіх Рідко проходять догоди повінні вівчатісь більш ретельно. Тобто для таких емітентів повінні вівчатісь НЕ только курси, а й Інша інформація. Це стосується як перше ФІНАНСОВИХ показніків, а такоже информации, яка отримується з балансу предприятий.

    Вся інформація Стосовно емітентів винна завантажуватісь в окрему базу Даних, з якої по мірі необхідності вона береться для проведення АНАЛІЗУ. Як основне джерело информации вікорістовується щорічній звіт підприємства. Звіт містіть всю необхідну інформацію Стосовно ФІНАНСОВИХ показніків та баланс підприємства. Для АНАЛІЗУ фінансового стану підприємства, а такоже розрахунків ступенів ризики слід використовуват ще один апарат нечіткої логіки - нейронні мережі. Саме за помощью апарату нейронних мереж система может сделать віключення тих емітентів, інвестування в цінні папери якіх є недоцільнім.

    Математично нейронні мережі можна розглядаті як клас методів статистичного моделювання, что у свою Черга можна розділіті на три класи: оцінка щільності ймовірності, класифікація и регресія. Передбачається, что система ПІДТРИМКИ та Прийняття РІШЕНЬ (СППР) может буті Цілком реалізована на нейронній мережі. Нейронних мереж СППР представляет собою набір нейронів, Які з'єднані между собою. Передаточні Функції всех нейронів могут змінюватісь, а ваги є параметрами мережі и не могут змінюватісь. Нейронних мереж СППР обирає ті сигналі, Які ма ють максимальний рівень. Далі ті Емітенти, Які ма ють максимальний рівень сигналу повінні розглядатісь як данні для ОБРОБКИ генетично алгоритмом системи.

    Ми получил данні относительно курсів ЦІННИХ ПАПЕРІВ, Які отримуються з торговельної мережі та данні относительно орієнтовніх цен ПАПЕРІВ, Які НЕ обертаються Постійно на Сайти Вся, а інформація про їх Ціну підготована нейронних мереж. Далі обчіслюється прібутковість шкірного з ЦІННИХ ПАПЕРІВ та завантажується до бази даних.

    Таким чином ми создали хромосоми для роботи нашого генетичного алгоритму. Для Нашої СППР хромосома буде числовим вектором, Який відповідає зажадає, относительно наявності информации про прібутковість в Деяк історичний период. Доходи за цінними паперами и будут генами Даних хромосом. Система генерує віпадкові хромосоми для ОБРОБКИ їх генетичного алгоритмом. Далі вводяться Такі Поняття як кросинговер та мутація.

    Мутація - це змінювання хромосоми, Пожалуйста віклікане Випадкове зміною ее позіцій (генів). В системе емулюється мутація Шляхом віпадкової Зміни одного з генів - векторів.

    Кросинговер є операцією, при Якій з двох хромосом породжується одна або декілька Нових. У найпростішому випадка в генетичному алгорітмі кросинговер реалізується такоже як и в біології. При цьом хромосоми розрізаються и обмінюються частинами между собою. Блок схему генетичного алгоритму системи представлена ​​на Рис.1.

    У даній схемі вказані всі етапи роботи генетичного алгоритму: створення початкової популяції, відбір, кросинговер, мутація та з'явилися новой популяції.

    Блок-схема генетичного алгоритму


    Мутація

    Перехід до нового

    поколение

    Відповідь

    Мал. 1.

    З качана системою генерується Випадкове популяція індівідуумів, тобто Деяк набір РІШЕНЬ задачі. Далі моделюється розмноження в межах популяції. Для цього система обирає декілька пар "індівідуумів", проводитися кросинговер между хромосомами в Кожній Парі, а отрімані Нові хромосоми розміщується в нову популяцію. У генетичному алгорітмі зберігається основний принцип відбору - чим более прістосованій індівідуум, тім более ймовірність, что ВІН буде брати участь у Наступний кросінговері. Далі система ПІДТРИМКИ Прийняття РІШЕНЬ моделює мутації, тобто Випадкове змінює деякі "гени" у Вибране векторах нового поколения. Далі стара популяція векторів зніщується и система переходити до РОЗГЛЯДУ следующего поколения.

    Популяція следующего поколения містіть ту ж Кількість векторів, что и початкова, но у зв'язку з відбором загальна прібутковість по ній вищє, чем в Попередній популяції. Тепер система повторює опісані процеси відбору, кросинговер та мутації для новой популяції.

    У кожному Наступний поколінні ми будемо Бачити Виникнення зовсім Нових РІШЕНЬ задачі. Серед них будут як добрі, так и погані, но Завдяк відбору Кількість добрих РІШЕНЬ буде зростаті. Імітуючі еволюцію система ПІДТРИМКИ Прийняття РІШЕНЬ буде всегда зберігаті життя найкращому з "індівідуумів" следующего поколения. Така методика назівається "стратегією елітізму".

    Таким чином на Деяк етапі покращення якост РІШЕНЬ задачі буде уповільнюватісь и далі стані очень повільнім. Тоді з Отримання наборів "індівідуумів" відбірається ті, Які надає найбільше значення Функції прібутковості. Отрімані ВІДПОВІДІ и є рекомендаціямі системи для проведення процесса інвестування в цінні папери.

    Привидів варіант системи лишь один з багатьох, Які можна використовуват при створенні універсальної системи фінансового АНАЛІЗУ. На жаль на вітчізняному Сайти Вся ЦІ системи поки що НЕ нашли широкого! Застосування. Самперед це пов'язано з недосконалістю фінансового Сайти Вся. Альо Це не означає, что подібні системи не знайдуть місця в Україні. За мірі розвитку фінансового Сайти Вся постає питання про создания СППР на базі генетичних алгоритмів та других методах нечіткої логіки на Україні.

    Список літератури.

    1. [Диссер] Жданов А.А. Принципи автономного адаптивного керування. Дисертація на конкурс вченого ступенів доктора фізико-математичних наук. -Москва .: ОЦ РАН, 1993.-С. 318

    2. В.Брауер. Введення в теорію кінцевіх автоматів.-М .: "Радіо и зв'язок", 1987. -с. 392

    3. McCulloch WW, Pitts W. 1943. A logical calculus of the ideas imminent in nervous activiti. Bulletinn of Mathematical biophysics 5: 115-33. (Російський переклад: Маккалок У.С., Піттс У. Логічне числення Ідей, что відносяться до нервової ДІЯЛЬНОСТІ. Автомати. - М: ІЛ., 1956. -c. 296)

    4. Уоссермен Ф .. нейрокомп'ютерних техніка. - М .: Світ, 1992, -c. 231

    5. Герман О.В. Введення в теорію експертних систем и опрацювання знань. - Мінськ: ДізайнПРО, 1995. -c. 205