Рассмотрено применение искусственных иммунных систем (ИИС) для решения задач поиска глобальных экстремумов и восстановления нелинейных мультимодальных функций. Исследован вопрос развития методов теории ИИС с целью их использования в данном аспекте.

Розглянуто застосування штучних імунних систем (ШІС) для розв'язання задач пошуку глобальних екстремумів і відновлення нелінійних мультимодальних функцій. Досліджено питання розвитку методів теорії ШІС з метою їх використання у даному аспекті.

Індекс рубрикатора НБУВ: З813.6

Рубрики:

Адаптація систем

Шифр НБУВ: Ж73223 Пошук видання у каталогах НБУВ 

Рассмотрена структура адаптивного вэйвлона и его алгоритм обучения. Предложен алгоритм, обладающий повышенной скоростью сходимости и обеспечивающий улучшенные аппроксимирующие свойства благодаря настройке всех параметров вэйвлет-функций. Структура адаптивного вэйвлона может быть использована как строительный блок более сложных вычислительных конструкций.

Викладено математичний апарат, який можна застосовувати у задачах аналізу даних різної природи задля прогнозування нелінійних нестаціонарних процесів.

Разработаны методы восстановления пропущенных значений и прогнозирования для взаимозависимых временных рядов с использованием метода двустороннего экспоненциального сглаживания. Приведены примеры применения разработанных методов для восстановления искусственно и фактически пропущенных значений, а также прогнозирования взаимосвязанных показателей устойчивого развития. Разработанные методы показали преимущество по сравнению с традиционными методами.

Розглянуто необхідність використання засобів розширення базових компонент прогнозу та їх реалізація, а також типи факторів, які конкретизують застосування засобів розширення функціональних можливостей компонент систем прогнозування.

Доведено на 15 математичних моделях часових рядів та 4 методах їх ідентифікації доцільність оптимізації задачі прогнозування за відповідним зовнішнім критерієм якості прогнозу на розширеній методами ідентифікації множині елементів.

Викладено математичний апарат, що можна застосовувати в задачах аналізу даних різної природи задля прогнозування нелінійних нестаціонарних процесів. Наведено результати його застосування для прогнозування таких процесів. Зазначимо, що майже всі вони є нелінійними та нестаціонарними (можна казати виключно про кусочну лінійність та кусочну стаціонарність). Але вся ця кількість наявних методів прогнозування не дають гарантію що вони покривають вся можливі варіанти розвитку ситуації. Разом з тим, переважна більшість методів є двохетапними. На першому етапі аналізуються параметри раду, що прогнозується, на другому етапі обирається відповідний метод прогнозування і, нарешті, отримується прогноз. Але що робити, коли параметри ряду змінюються? Один метод вже неможна використовувати, бо параметри ряду вже змінилися, а обрати інший ще не можна, бо процес зміни параметрів ще не завершився.

Розглянуто статистичні методи аналізу часових рядів. Розглянуто основні етапи алгоритму побудови трендової і тренд-сезонної моделей, який включає в себе: виділення основних структурно-утворюючих компонент часового ряду (тренду, сезонних коливань, циклічної і залишкової компоненти), методи вибору моделі для опису ряду, а також методи перевірки обраної моделі на адекватність та перевірки можливості прогнозування на основі обраної моделі. Основну увагу приділено алгоритмам короткочасного прогнозування часових рядів на основі трендової моделі та за допомогою адаптивної моделі Брауна. Для прогнозування за допомогою трендової моделі описано етапи побудови точкового та інтервального прогнозів, а також критерії вибору найкращої моделі для опису часового ряду серед чотирьох можливих варіантів: лінійної, поліноміальної, логарифмічної та експоненціальної моделей, в залежності від значення коефіцієнту детермінації. При описі адаптивної моделі Брауна розглянуто алгоритм адаптації моделі до результатів прогнозування в залежності від пріоритетності часових моментів, а також описується можливість враховувати зміну тенденцій в ряді та коливань значень, після чого наводиться сам алгоритм побудови адаптивної моделі Брауна. В заключній частині статті проведено порівняння прогнозу курсу біткоїна до долара, виконаного на основі поліноміальної трендової моделі та прогнозу, зробленого за допомогою адаптивної моделі Брауна. На основі вищевказаного порівняння були зроблені висновки про переваги та недоліки моделей, що розглядалися в статті.

Ефективне розв'язання завдань керування та прийняття рішень у складних системах має використовувати результати математичного моделювання. Для побудови адекватних прогнозних моделей є багато сучасних методів та інструментів, які, як правило, базуються на двох основних підходах: керовані теорією (дедуктивні) та керовані даними (індуктивні). Методи, керовані даними, є основними для розв'язання типових задач аналізу даних; вони реалізують індуктивний процес переходу від конкретних даних до моделей, що узагальнюють ці дані. Серед усіх таких методів досить примітними є ті, що розробляються в межах індуктивного моделювання на основі методу групового урахування аргументів (МГУА), створеного кілька десятиліть тому академіком О. Г. Івахненком. Мета дослідження - аналіз передумов винайдення МГУА О. Г. Івахненком та еволюції ідей, методів та інструментів самоорганізації моделей протягом піввікового історичного періоду успішного розвитку методології індуктивного моделювання. Знання, набуті О. Г. Івахненком у галузях автоматичного керування, інженерної кібернетики та зароджуваної нейронауки, ініційованої ідеями персептрона, були тими передумовами, які допомогли йому синтезувати оригінальний самоорганізовний підхід до розв'язання завдань побудови моделей об'єктів і процесів на основі експериментальних даних. Проаналізовано еволюцію наукових ідей та основні досягнення у розвитку МГУА у період 1968 - 1997 рр. Охарактеризовано внесок науковців з різних країн у модифікацію та застосування МГУА. Наведено результати подальшого розроблення методів та інструментів індуктивного моделювання у відділі інформаційних технологій індуктивного моделювання і вказано найперспективніші напрями досліджень у цій галузі. Висновки: проаналізовано основні передумови, що сприяли створенню МГУА О. Г. Івахненком, охарактеризовано основні фундаментальні, технологічні та прикладні досягнення півстолітнього розвитку індуктивного моделювання як в Україні, так і за кордоном, а також сформульовано найбільш перспективні шляхи подальших досліджень.

Викладено і проаналізовано результати експериметів щодо ефективності розв'язання задач прогнозування методами Machine Learning із застосуванням технології Machine Learning Services. Ця технологія полягає у перенесенні процесів оброблення даних з комп'ютера клієнта (як це реалізовано у класичній технології Machine Learning) на сервер, на якому зберігаються дані. Дослідження проводилися шляхом порівняння витрат часу розв'язання задач за кожною технологією при різних обсягах даних. Результати досліджень показали, що застосування технології Machine Learning Services має у два рази кращі показники на кількості даних понад півтора мільйона записів.

Розроблено нові методи вирішення актуальної науково–прикладної задачі прогнозування часових рядів. Запропоновано новий загальний метод побудови прогнозуючих моделей для визначеного класу часових рядів. Розроблено нову модель штучного нейрону Sigmoid Piecewise, що підходить для опису визначеного класу часових рядів. Вдосконалено багаторядний алгоритм МГУА шляхом використання методів зворотного поширення помилки та вибіркового виключення. Запропоновано новий алгоритм м’якої кластеризації на основі моделей роздільних гіперповерхонь. На його основі розроблено метод побудови прогнозуючих моделей для визначеного класу часових рядів. Розроблено інформаційну технологію для прогнозування нестаціонарних часових рядів, яку було впроваджено для задачі прогнозування попиту на лінійку пристроїв релейного захисту МРЗС на державному підприємстві «ВО Київприлад».