Том 1

Проблемы развития внешнеэкономических связей и привлечения иностранных инвестиций: региональный аспект, 2010Zadeh- 1966 р.) і характерна для таких додатків, у яких ставляться задачі абстракції (вибірки) даних. Наступна інтерпретація булазапропонована пізніше ( Bellman, Zadeh - 1970 р.), і для неї передбачається, що нечіткі безлічі використовуються для визначення перевагиоб'єктів і характеризують придатність вибору альтернатив. Така інтерпретація застосовується в нечіткої оптимізації й аналізі рішень.Епістемологічна інтерпретація нечітких безлічей для визначення ступеня невизначеності була запропонована в 1978 році ( Zadeh ).Разом з тим, для нечітких систем характерні і деякі недоліки:вихідний набір нечітких правил формулюється експертом-людиною і може виявитися неповним чи суперечливим;вид і параметри функцій приналежності, що описують вхідні і вихідні перемінні системи, вибираються суб'єктивно і можуть виявитисянеповними чи яким характерне протиріччя.Нечіткі (гібридні) нейронні мережі. Для усунення; принаймні, частково, зазначених вище недоліків запропоновано створювати нечіткісистеми адаптивними, коректуючи, у міру їхньої роботи, правила і параметри функцій приналежності. Одними із самих удалих прикладів такихсистем є нечіткі нейронні мережі.Нечітка нейронна мережа формально за структурою ідентична багатошарової нейронної мережі з навчанням, наприклад, по алгоритмузворотного поширення помилки, але сховані шари нейронів у ній відповідають етапам функціонування нечіткої системи: виконують функціївведення нечіткості на основі заданих функцій приналежності входів; відображають сукупність нечітких правил; виконують функціїприведення до чіткості. Кожний з цих шарів характеризується набором параметрів (функціями приналежності, нечіткими вирішальнимиправилами, активаційними функціями, вагами зв'язків), настроювання яких виробляється, по суті, так само, як і для звичайних нейроннихмереж.Системи міркувань на основі прецедентів. Ідея систем case based reasoning (СВR) полягає у тому, що для того, щоб зробити прогноз чивибрати правильне рішення, необхідно знайти найбільш близькі аналоги заданої ситуації і вибирати ту ж відповідь, яка була для нихправильною. Цей метод ще називають методом «К-найближчих сусідів». Він базується на фундаментальній гіпотезі про монотонність просторурішень.Системи СВR показують дуже гарні результати в найрізноманітніших задачах. Головний їхній недолік полягає у тому, що вони взагаліне створюють яких-небудь моделей чи правил, що узагальнюють попередній досвід, - у виборі рішення вони ґрунтуються на всьому масивідоступних історичних даних, тому неможливо сказати, на основі яких конкретно факторів СВR системи будують свої відповіді.Дерево рішень ( decision trees ). Даний метод придатний тільки для рішення задач класифікації, і частково застосовується для рішеннязадач чисельного прогнозу. У результаті застосування цього методу до навчальної вибірці даних створюється ієрархічна структура правил типу"якщо... то...", що має вид дерева. Для того щоб вирішити, до якого класу віднести деякий об'єкт чи ситуацію, ми відповідаємо на питання, щостоїть у вузлах цього дерева, починаючи з його коріння. Питання мають вид «значення параметра А більше х?». Якщо відповідь позитивна,здійснюється перехід до правого вузла наступного рівня, якщо негативний - то до лівого вузла; потім знову - відповідь на питання, зв'язаного звідповідним вузлом. Метою є досягнення одного з кінцевих вузлів, де стоїть вказівка, до якого класу треба віднести розглянутий об'єкт. Методгарний наочністю представлення правил. Недоліком методу є проблема визначення значимості вузлів.Ієрархічні методи аналізу і прийняття рішень. Дані методи призначені для пошуку раціональних альтернативних рішень на основісинтезу множинних суджень і одержання системи переваг.Метод аналізу ієрархії базується на ієрархічному представленні елементів (компонентів системи), що визначають суть будь-якоїпроблеми.Суть цих методів складається в декомпозиції проблеми, на більш простих зупиняються і як рішення задачі оптимізації берутьнайкращий зі знайдених варіантів.Недоліками генетичних алгоритмів є те, що, по-перше, постановка задачі не дає можливості проаналізувати статистичну значимістьодержуваних з їх допомогою рішень і, по-друге, ефективно сформулювати задачу, визначити критерій добору варіантів під силу тількифахівцю. Тому в даний час генетичні алгоритми треба розглядати скоріше як інструмент наукового дослідження, чим як засіб аналізу даних дляпрактичного використання в бізнесі і фінансах.Нелінійні регресійні методи. Пошук залежності цільових перемінних від інших ведеться у формі функцій якогось визначеного виду.Наприклад, в одному з найбільш удалих методів цього типу - методі групового обліку аргументів (МГОА) залежність шукають у форміполіномів. Як видно, цей метод дає більш статистично значимі результати, чим нейронні мережі. До того ж отримана формула залежності,поліном, у принципі піддається аналізу й інтерпретації (хоча на практиці все-таки буває занадто складна для цього). Це робить даний методдосить перспективним для аналізу даних.Універсальні засоби інтелектуального аналізу даних досить складні і дорогі, тому вони не можуть широко застосовуватися в рамкахінтегрованої інформаційно-аналітичної системи, орієнтованої на кінцевих користувачів.Для виконання задач підготовки і підтримки прийняття рішень по забезпеченню конкурентоспроможності промислових підприємствнеобхідно не тільки заздалегідь визначити типовий набір аналітичних задач і методи їхнього рішення, але також сформувати типові видиміркувань (аналізу) чи так звані логічні ланцюжки, що характеризують послідовність виконання цих задач.Підходом, що дозволяє інтегрувати різні методи і технології рішення різнотипних евристичних і аналітичних задач, що виникають придослідженні слабкоструктурованих проблем в області управління конкурентоспроможністю організації, є когнітивне моделювання.Когнітивні карти являють собою математичні моделі для формалізації опису складного об'єкта, чи проблеми функціональної системи івиявлення структури причинно-наслідкових зв'язків між елементами системи, складного об'єкта, що складають проблеми й оцінки наслідків урезультаті впливу на ці елементи чи зміни характеру зв'язків. Вони призначені для моделювання й аналізу систем, що характеризуютьсянаступними рисами:багатоаспектністю процесів, що відбуваються в них, і їхнім взаємозв'язком, унаслідок чого неможливе вичленовування і детальнедослідження окремих явищ - усі явища, що відбуваються в них, повинні розглядатися в сукупності;відсутністю достатньої кількісної інформації про динаміку процесів, що змушує переходити до якісного аналізу таких процесів;мінливістю характеру процесів у часі та інш.Традиційні когнітивні карти задаються у виді орієнтованого графа і представляють модельовану систему у виді безлічі концептів, щовідображають її об'єкти чи атрибути, зв'язані між собою відносинами впливу чи причинно-наслідковими зв'язками. Ці чисельні відносиниможуть бути позитивними, негативними чи нейтральними, які характеризують відповідний вплив концептів один на одного.Ефективність використання методів побудови і використання когнітивних карт як моделі для аналізу й оцінки конкурентоспроможностіпромислових підприємств обумовлена наступними обставинами:можливістю наочного представлення аналізованої системи;точністю відображення представлення про концепти і відносини між ними;відсутністю необхідності попередньої специфікації концептів;конструктивністю, наочністю і відносною легкістю інтерпретації з їх допомогою причинно-наслідкових зв’язків (відношень) міжконцептами;інтегрованість з методами оцінок результатів аналізу.В даний час початі зусилля по доповненню методів когнітивного моделювання додатковими можливостями (наприклад, методаминечіткої логіки). Формування і використання нечітких когнітивних карт засновано на попередньому аналізі позитивно-негативних нечіткихзв'язків (відносин подібності) і представлення цих зв'язків у термінах нечіткої логіки. Найбільш конструктивний підхід до представлення,аналізу і використанню нечітких когнітивних карт запропонований у роботах і призначений для аналізу взаємовпливу концептів один наодного. Використання узагальнених нечітких когнітивних карт для побудови моделей і аналізу нечітко-цільових систем дозволяє врахувати88