Системи підтримки прийняття рішень в економіці

Курсовой проект - Компьютеры, программирование

Другие курсовые по предмету Компьютеры, программирование

Скачать Бесплатно!
Для того чтобы скачать эту работу.
1. Подтвердите что Вы не робот:
2. И нажмите на эту кнопку.
закрыть



истему, іншими словами, ОК - це обєкт, що повинний управлятися за допомогою КС, розташованої усередині ОК і взаємодіючої зі своїм оточенням за допомогою блока датчиків (БД) і виконавчих органів (ВО).

 

Рис.5. "Система НМ"

 

На рис.5 подана система, під якою будемо розуміти середовище, у яке вкладений ОК, що містить у свою чергу КС. Як бачимо з малюнку, можна стверджувати, що КС управляє не тільки ОК, але й всією системою. Під середовищем у системі можна розуміти різні обєднання обєктів. Будемо називати середовищем W сукупність обєктів, що лежать поза КС; середовищем S - сукупність обєктів, що лежать поза ОК; середовищем U - всю систему.

Блок датчиків поставляє КС вхідну інформацію у вигляді двійкового вектора. Цей блок необхідний у реальних системах для сполучення середовища і КС, тому при моделюванні КС на ЕОМ не використовувався і ми не акцентуємо увагу.

Роботу блоку формування і розпізнавання образів (ФРО) можна уявити таким чином. У блоці ФРО на підставі апріорної інформації про можливі функціональні властивості середовища задані деякі обєкти, назвемо їхніми нейронами, на які відображаються деякі класи просторово-тимчасових явищ, що потенційно можуть існувати в системі. Відображення задається топологією мережі.

У класі, відображуваному на нейрон, виділяється підклас, що може сприйматися даним нейроном. Кожний нейрон може статистично аналізувати сприйманий їм підклас. Накопичуючи статистичну інформацію про сприйманий підклас, нейрон може прийняти рішення, чи є цей підклас випадковим або невипадковим явищем у системі. Якщо якийсь нейрон приймає рішення, що відображуваний на нього підклас є невипадковою подією, то він переходить у деякий відмінний від вихідного навчений стан. Якщо нейрон навчений, то будемо говорити також, що сформований образ, цей образ ідентифікується номером даного нейрону. Підклас явищ, що сприйнятий нейроном, і який викликав його навчання, тобто просторово-тимчасові явища, статистично вірогідно існуючі в системі, називається прообразом даного образу. Сформований образ може бути розпізнаний блоком ФРО, коли прообраз даного образу спостерігається БД. Блок ФРО вказує, які з сформованих образів розпізнані в сучасний момент. Одночасно з цим розпізнані образи беруть участь у формуванні образів більш високих порядків, тобто має місце агрегування та абстрагування образів.

Блок формування бази знань (БЗ) призначений для автоматичного уявлення емпірично знайдених КС знань про функціональні властивості системи.

Блок оцінки стану (БОС) виробляє інтегральну оцінку якості стану ОК St.

Блок вибору дії або, надалі, блок прийняття рішень (БПР) реалізує процедуру ухвалення рішення, засновану на аналізі поточної ситуації, цільових функцій, змісту БЗ, а також оцінки поточного значення оцінки St.

Блок визначення часу ухвалення рішення визначає глибину перегляду БЗ у залежності від поточної оцінки St. Чим вище значення St, тим більше образів (у порядку спадання модулю їхньої ваги) може врахувати КС при ухваленні рішення, тим менше темп прийняття рішень.

У КС можуть бути засоби для апріорного аналізу наслідків альтернативних дій, що вибираються на декілька кроків вперед.

Такий у самих загальних рисах алгоритм керування, реалізований КС у СППР. Основні властивості процесу керування складаються в тому, що КС автоматично накопичує емпіричні знання про властивості предявленого їй обєкта керування і приймає рішення, спираючись на накопичені знання. Якість керування росте в міру збільшення обсягу накопичених знань. Зауважимо також, що керування складається не в тому, що КС реагує на вхідну інформацію, а в тому, що КС постійно активно шукає можливий у поточних умовах засіб поліпшити стан ОК. Тим самим КС СППР має внутрішню активність.

При створенні додатків може бути доцільним використання КС СППР для керування тільки в тих областях простору ознак, у котрих раніше використовувані методи були неефективними. Іншими словами, корисно розділити ознаковий простір на дві області: на область, для якої є апріорна інформація про властивості ОК, і в який можна застосувати систему керування, і на область, у котрої немає інформації про властивості ОК, де потрібно адаптація в реальному часі керування.

Підсумовуючи інформацію, щодо побудови системи на базі нейронних мереж ми бачимо, що використання нейромережевих технологій є перспективним напрямком розвитку систем підтримки та прийняття рішень. Необмежені можливості використання подібних систем в економіці. Вже зараз створені системи підтримки прийняття рішень на базі нейронних мереж, які застосовуються фінансовими менеджерами компаній для зменшення ризику при плануванні фінансової діяльності компаній. На жаль на вітчизняному ринку ці системи поки що не знайшли широкого застосування.

Насамперед це повязано з недосконалістю фінансового ринку. Але це не означає, що подібні системи не знайдуть місця в Україні. По мірі розвитку фінансового ринку постає питання про створення СППР на базі нейронних мереж на Україні.

5. Висновки

 

По проведеній роботі можна зробити наступні висновки щодо призначення і ефективності використання СППР в світі економічних та управлінських проблем.

Керівникам підприємств та організацій і керівникам держав постійно доводиться приймати конкретні рішення. Природньо, що чим вище рівень управління, тим більш вагомими та значущим є відповідне рішення. Проте і кількість факторів

s