Характеристика средств комплексной нейросетевой идентификации сложных экономических систем
После проведения всего комплекса перечисленных предварительных работ в предлагаемой концепции предполагается нейросетевая структурная и парамет-рическая идентификация СЭС. Нейронные сети в силу своей нелинейности и мно-гомерности при грамотном построении эффективны как для имитационного мо-делирования, так и для построения СППР. Однако экономическая нейроматемати-ка, как наука, весьма молода, и поэтому подавляющее число практических реали-заций нейродинамики на предприятиях и в банках зачастую не имеют четких на-учно-обоснованных концепций и принципов, как построения, так и обучения ней-ронных сетей. Как следствие, имеющаяся практика применения нейронных сетей зачастую приводит к негативным результатам, и это небеспричинно. Вот наиболее распространенные проблемы, возникающие при попытках построения нейроди-намических моделей:
- обучающие выборки недостаточно полны или, наоборот, противоречивы для построения адекватной модели;
- информационный шум в обучающей выборке приводит к появлению быст-роосциллирующих участков гиперсферы нейросети, что лишает её обоб-щающих свойств;
- проблема переобучения (паралича) нейросети находится в прямой конфрон-тации с точностью нейросети;
- критерий оптимальности при обучении сводится к обеспечению точности работы нейросети и никак не связан с конкретными задачами экономиче-ской динамики;
- нет четких критериев выбора конфигурации и емкости нейросети, а сущест-вующие нейропакеты имеют слабоформализованные алгоритмы конфигури-рования нейросети, и поэтому окончательное принятие о структуре и емко-сти сети почти всегда принимает человек.
Как следствие, практика применения нейронных сетей остается уделом уз-кой группы специалистов, хотя имеет все шансы стать универсальным инструмен-том современного экономиста. Преодолению и минимизации влияния вышепере-численных недостатков служат разрабатываемые формализованные подходы к решению не только задач собственно обучения ИНС при идентификации СЭС, но и всего сопутствующего этому процессу спектра работ.
Итак, основной целью в ходе разработки концепции формирования МФИ СЭС является разработка теории и методологии автоматического построения многомерных управляющих нейронных сетей масштаба предприятия, которые по-зволяют выполнять многокритериальную оптимизации динамических характери-стик ОУСЭС.
Основные положения и сферу применения настоящей концепции можно проиллюстрировать на примере. Пусть существует многофакторная экономиче-ская система и определена система критериев оптимальности динамических ха-рактеристик по значимым информационным каналам.
Частная оптимизация информационных каналов. Динамические характе-ристики производственного объекта могут определяться локальным критерием оптимальности на основе найденной его микромодели. Наличие такого критерия позволяет определить локальную оптимальную динамику методами модального управления для стандартных распределений или критериев оптимальности Гре-хема-Летропа, а также методом динамического программирования Беллмана в случаях, когда критерий оптимальности является функцией Ляпунова, например, для интегрального квадратичного критерия. И первый, и второй варианты позво-ляют строго формализованными методами получить одноканальную модель замк-нутой экономической системы по одному частному критерию оптимальности.
Метод искусственных примеров. Семейство полученных частных опти-мальных моделей можно обобщить формированием единой искусственной обу-чающей выборки. При этом целесообразно использовать обобщенный критерий оптимальности масштаба предприятия, весовые коэффициенты для частных кри-териев оптимальности учесть в этом случае довольно просто. Коэффициенты оп-ределяют емкость отдельного искусственного примера в общей обучающей вы-борке. Искусственные примеры лишают выборку естественного шума, что весьма положительно сказывается на качестве итоговой нейросети. Полученная выборка формирует OLAP-массив, пригодный для обучения управляющей нейронной сети. Предложенный метод позволяет эффективно преодолеть известную дилемму сис-темного подхода (прямое объединение частных оптимальных систем не гаранти-рует оптимальности системы в целом). В то же время OLAP-подход (англ. online analytical processing, аналитическая обработка в реальном времени) является га-рантом адекватности полученных нейродинамических моделей на текущий мо-мент времени. Термин нейродинамические методы и модели является обоснован-ным, поскольку в рамках идеологии предлагаемой концепции:
— процессы формирования, обучения и дообучения таких ИНС-моделей происходят непрерывно, т.е. база ИНС обновляется всякий раз при поступлении новых актуальных данных;
— обрабатываемые данные и соответствующие нейросетевые модели но-сят динамический характер;
— сами ИНС нестационарны как архитектурно, так и параметрически в си-лу постоянного дообучения.
Обучение популяции нейронных сетей. Имея готовый инструмент для гене-рации обучающих выборок, можно сформировать произвольное число примеров оптимальной динамики предприятия для обучения, причем они будут непротиво-речивы, т. к. основаны на математических моделях. Однако большая емкость обу-чения может породить проблему локальных экстремумов нейросети. В ряде работ отмечено существенное преимущество в работе комитета нейронных сетей или управляемого набора таких сетей (ассоциативных машин) по сравнению с оди-ночной нейросетью, однако нет четких рекомендаций по выбору емкости нейро-сетей комитета. В настоящее время известно, что емкость нейросети определяется в первую очередь данными обучения. Для решения проблемы локальных мини-мумов можно использовать комитеты нейросетей, однако, как видно из предло-женной концепции, предлагается пойти дальше и, наряду с комитетными мето-дами формирования ИНС, использовать эволюционные методы Подобный подход используется для различных архитектур нейронных сетей [71 ; 137; 138]. Как бу-дет показано ниже, используя известные методы − скрещивание и мутацию, мож-но с достаточно высокой точностью получить устойчивую популяцию с опти-мальной емкостью нейронных сетей у отдельных особей популяции. При этом за-дача полной формализации диктует включить в такой генетический алгоритм не только процедуру синтеза топологии ИНС, но и все процедуры, обычно выпол-няемые исследователями при формировании нейросетевых моделей на основе своей интуиции и опыта. Так, селекция алгоритмов обучения позволяет опреде-лить наиболее адекватный способ обучения ИНС в каждом конкретном случае. При этом синтез целевых функций определяет цель обучения, как будет показано ниже, эта цель редко сводится к функционалу минимума квадратичных потерь, что является обоснованием для необходимости такого синтеза.
Геном для предлагаемого эволюционного процесса будет обладать высо-кой емкостью, поэтому целесообразно разделить процессы фитнес-анализа каж-дой из предложенных процедур на отдельные части — острова, поэтому серди всего разнообразия существующих генетических алгоритмов наиболее эффектив-ными для предложенной концепции являются островные эволюционные методы.
Несмотря на огромную вычислительную сложность, подобный метод име-ет существенное преимущество перед иными вариантами − в нем отсутствует че-ловеческий фактор.
Таким образом, применение комплекса вышеприведенных положений и соответствующее разработанное программное обеспечение позволяет конечному пользователю сформировать управляющую популяцию нейродинамических сетей, обеспечивающих заданное качество принятия управленческих решений, причем полученный в итоге контроллинг предприятия будет удовлетворять комплексному критерию оптимальности.
Впрочем, существуют проблемы технической реализации. Несмотря на обилие нейропакетов на программном рынке, применение вышеописанного под-хода требует разработки специализированного программного обеспечения. Вы-числительный комплекс подобного рода является масштабируемым, если пред-ставляет собой набор специализированных библиотек с собственным API. Такой подход позволяет легко интегрировать комплекс в специализированную пользова-тельскую программу. Универсальность предложенного подхода позволяет приме-нить его для решения целого ряда экономических и экономико-технологических задач, что и будет показано ниже.
