Методы и алгоритмы построения нечетких моделей интеллектуального анализа состояний слабоформализуемых процессов

Аннотация

Актуальность и востребованность темы диссертации. Эксперты Synergy Research отметили, что общий объём рынка нейронных сетей к 2005 году превысил 10 млрд, долларов, в 2014 году объем облачных сервисов составил более 17 млрд, долларов, увеличившись на 45% в годовом исчислении1. А также, в первом квартале 2015 года объем рынка сервисов, предназначенных для развертывания облачных инфраструктур, превысил $5 млрд., где доля Amazon Web Services составила 29%. За счет динамического увеличения продаж облачных услуг в январе-марте 2015 года доходы Google увеличились на 74%, IBM - на 56%, а доходы Salesforce.com поднялись на 34%. Таким образом, в 2018 году на рынке публичных облачных сервисов будут иметь место инвестиции в размере $127,5 млрд., а их размер к этому времени будет увеличиваться в среднем на 22,8% в год, что в шесть раз больше прогнозируемого роста глобального ИТ-рынка2. Выявление скрытых закономерностей, классификация данных, прогнозирование протекания процессов, а также анализ изучаемого процесса при больших объемах данных, описывающих состояние слабоформализуемых процессов, и в условиях их неопределенности являются основными задачами интеллектуального анализа данных. Для таких процессов, характеризующихся нечеткостью ситуаций внешней и внутренней среды, т.е. нестохастичностью и неполнотой исходной информации, обычно невозможно построить простую адекватную математическую модель. Информация о параметрах таких процессов обычно выражается экспертами в виде слов и предложений, т.е. в лингвистической форме. В таких случаях при моделировании, принятии решений и управлении целесообразно использовать средства технологии мягких вычислений (Soft Computing). Гибридная система, полученная на основе объединения компонентов технологии мягких вычислений - нечеткой логики, нейронных сетей и эволюционных алгоритмов, будет обладать тем же интеллектуальным свойством, что и применение знаний на естественном языке. В связи с этим разработка алгоритмов и программ построения нечетких моделей задач классификации, оценки, прогнозирования и принятия решений, основанных на нечетких правилах вывода, нейронных сетях и эволюционных алгоритмах является актуальной задачей. Следовательно, возникает необходимость разработки методов и алгоритмов решения задач интеллектуального анализа данных, то есть задач построения нечетких моделей классификации, оценки и прогнозирования на основе метода нечеткой кластеризации, настройки параметров модели с помощью нейронных сетей и эволюционных алгоритмов, а также нечеткой многокритериальной оптимизации, возникающей при построении модели. Данное диссертационное исследование направлено на решение задач, установленных Законом Республики Узбекистан «Об электронном правительстве» за № ЗРУ-395 от 9 декабря 2015 года, Постановлениями Президента Республики Узбекистан «О мерах по дальнейшему внедрению информационно-коммуникационных технологий в реальный сектор экономики» за № ПП-2158 от 3 апреля 2014 года, «О мерах по дальнейшему развитию Национальной информационно-коммуникационной системы Республики Узбекистан» за № ПП-1989 от 27 июня 2013 года, а также Постановлением Кабинета министров Республики Узбекистан «О мерах по формированию центральных баз данных физических и юридических лиц и внедрению единой информационной системы идентификации пользователей системы “Электронное правительство”» за № 365 от 17 декабря 2015 года. Цель исследования заключается в разработке гибридных методов и алгоритмов построения моделей интеллектуального анализа состояния слабоформализуемых процессов на основе метода нечеткой кластеризации, настройки параметров этих моделей с помощью нейронных сетей и эволюционного алгоритма пчелиного роя. Научная новизна исследования состоит в следующем: предложены гибридные методы построения нечетких моделей интеллектуального анализа состояния слабоформализуемых процессов; разработан алгоритм построения нечеткой логической модели интеллектуального анализа - классификации, оценки и прогнозирования состояния слабоформализуемых процессов на основе метода нечеткой кластеризации; показана возможность получения нечеткого решения при построении нечеткой логической модели классификации, оценки и прогнозирования состояния слабоформализуемых процессов на основе настройки параметров модели нейронными сетями при различных функциях принадлежности; показана возможность получения нечеткого решения при построении нечеткой логической модели классификации, оценки и прогнозирования состояния слабоформализуемых процессов на основе настройки параметров модели алгоритмом пчелиного роя при различных функциях принадлежности; сформирована задача многокритериальной оптимизации в условиях нечеткой информации и разработан алгоритм решения этой задачи; разработаны критерии и алгоритмы решения задач оптимизации и принятия решения при нечеткой исходной информации, доказан ряд утверждений о свойствах улучшаемое™ решений в терминах функций принадлежности; разработана технология построения адекватной нечеткой модели на основе гибридных методов интеллектуального анализа состояния слабоформализуемых процессов. ЗАКЛЮЧЕНИЕ Анализ основных результатов диссертационной работы позволил сделать ряд следующих выводов. 1. Системный анализ проблемы построения нечетких моделей задач классификации, оценки и прогнозирования в слабоформализованных системах обосновал актуальность и необходимость разработки методов их решения. 2. На основе математического анализа показано, что важное значение имеет обеспечение адекватности модели, то есть то, насколько правильно использована текущая информация о предмете исследования в процессе моделирования. 3. Алгоритм построения нечеткой модели интеллектуального анализа состояния процессов позволяет решать задачи классификации, оценки и прогнозирования состояний процессов в условиях слабоформализованности и неопределенности информации об этих процессах. 4. Анализ задач нечеткой многокритериальной оптимизации, формируемых при построении нечеткой модели интеллектуального анализа состояния слабоформализуемых процессов, позволяет решать задачи многокритериальной оптимизации, возникающей при построении моделей классификации, оценки и прогнозирования состояний процессов в условиях нечеткой информации. 5. Проведенные экспериментальные исследования показали более высокую эффективность разработанных алгоритмов по сравнению с известными алгоритмами при решении модельных задач классификации, оценки и прогнозирования. 6. Анализ результатов, полученных при построении моделей классификации, оценки и прогнозирования интеллектуального анализа состояний процессов в условиях нечеткой информации на основе метода нечеткой кластеризации, показал, что нечеткий подход дает возможность получить адекватное нечеткое решение, опираясь на любые априорные данные и уровень их определенности. 7. Определено свойство улучшаемое™ решения задачи нечеткой многокритериальной оптимизации, формируемое при построении нечеткой модели, и это свойство способствует получению эффективных результатов при решении ряда практических задач. 8. Показана возможность получения эффективного решения при решении практических задач классификации, оценки и прогнозирования на основе разработки алгоритмов построения моделей интеллектуального анализа состояния слабоформализованных процессов.