Интеллектуальные методы в экономике и бизнесе

экономики, менеджмента и информационных технологий
Кафедра информационных технологий и математики

/ СПбГУАП. СПб., 2005. 208 с.

Осовский С. Нейронные сети для

обработки информации. М.: Финансы и статистика, 2002

3. Змитрович А. И. Интеллектуальные информационные системы. Минск: ТетраСистемс, 1997

Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001

Базы данных. Интеллектуальная обработка информации/ В. В. Корнеев, А. Ф. Гареев, С. В. Васютин и др. М.: Нолидж, 2000

Романов В. П. Интеллектуальные информационные системы в экономике: Учеб. пособие. М.: Экзамен, 2003

– ум, рассудок, разум) методами подразумеваются такие способы решения задач,

в основе которых лежат алгоритмы и действия, в большей или меньшей степени связанные с интеллектуальной деятельностью человека, его эволюцией, повседневным поведением.

Класс интеллектуальных технологий и методов включает следующие направления:
– искусственные нейронные сети (ИНС);
– генетические алгоритмы (ГА);
– нечеткая логика (НЛ).

элементов (формальных нейронов), которые в определенной степени подобны биологическим нейронам

мозга человека. Характерная особенность ИНС заключается в том, что процесс программирования традиционного пути решения задач заменяется процедурой обучения сетей.

В области экономики и бизнеса к проблемам, которые могут быть решены с помощью ИНС, относятся задачи классификации и ранжирования предприятий, фирм, построения рейтингов банков, прогнозирования объема продаж и изменения обменного курса валют.

решений, построенные на принципах естественного отбора и генетики. Любое возможное

решение изображается в виде строки (хромосомы) фиксированной длины, к популяции которых применяются традиционные генетические операторы: селекция, скрещивание, мутация.

К задачам в сфере экономики и бизнеса, решаемым посредством ГА, можно отнести составление плана оптимальных перевозок, определение лучшей торговой стратегии, размещение производственных мощностей.

концепции, представляют собой средство моделирования неопределенностей естественных понятий языка.

Среди

экономических задач, решаемых с помощью систем НЛ, можно выделить класс проблем риск-менеджмента, где при нечетких входных переменных требуется получить количественную характеристику выходной величины.

их обучения (иначе, правила изменения и регулирования весов). Существуют три

основных парадигмы обучения:
– супервизорное обучение (СО);
– несупервизорное обучение (НСО);
– усиленное обучение (УО).

обучения сетей и применяется в ИНС, предназначенных для классификации и

предсказания.
Несупервизорное обучение – применяется в задачах кластеризации и сегментации для поддержки принимаемого решения.
Усиленное обучение – находит применение в задачах оптимизации и адаптивного управления.

автоматов, которые реагируют на стимулы из внешней среды;
эволюционные стратегии –

каждое решение находится в виде массива числовых параметров, определяющих аргумент целевой функции;
генетические алгоритмы – каждое решение является битовой строкой (хромосомой) определенной длины в популяции фиксированного размера;
генетическое программирование – идеи генетического алгоритма для эволюции компьютерных программ

магазин и т.д.), которые должны дать ответ (норма, не норма)

каждому параметру. Количество положительных ответов деленное на число экспертов дает величину функции принадлежности (ФП);
косвенный метод – эксперт сам формирует матрицу попарных сравнений, в которой диагональные элементы равны единице, а остальные заполняются значениями aij и 1/aij - отношение предполагаемых экспертом значений ФП i-го и j-го признаков;
типовые формы – использование типовых форм ФП, например, треугольная, трапециевидная, гауссова, сигмоидальная и др.
по данным эксперимента – определяются относительные частоты проявления того или иного признака у объекта, на основании которого находятся значения ФП