Программное обеспечение генетических алгоритмов

Как отмечалось выше, одно из преимуществ использования генетических алгоритмов для решения различных задач заключается в том, что для реализации ГА не требуется создавать отдельный программный продукт. Единственное, что нужно от пользователя – это представить искомое решение в виде хромосомы и сформировать функцию пригодности. Далее реализация ГА происходит независимо от конкретики рассматриваемой задачи. Учитывая схему выполнения ГА, указанную ранее в этом разделе, очевидно, что процесс программирования не представляет значительных трудностей, так как реализация ГА есть циклическая процедура применения генетических операторов к исходной популяции хромосом. Вследствие этого можно рассмотреть некоторые доступные пакеты программного обеспечения в этой области. Отметим, что в сети Интернет имеются в свободном доступе некоторые материалы по реализации ГА, однако здесь рассмотрим пакет GeneHunter, разработанной американской фирмой Ward Systems Group в 1995 г. В настоящее время этот пакет русифицирован российской компанией Нейропроект, являющейся официальным представителем Ward Systems Group на территории России. В состав пакета GeneHunterвходят дополнение Microsoft Excel, позволяющее пользователю решать оптимизационные задачи из рабочих листов Excel, Динамическая Библиотека (Dynamic Link Library) функций ГА, которые можно вызывать из таких языков программирования, как MS Visual Basic или СИ, и демонстрационные примеры. Поясним приемы использования этого пакета на одном из примеров, имеющихся в составе этого продукта, – в задаче оптимизации портфеля акций. Финансовый менеджер должен пытаться решать задачу таким образом, чтобы минимизировать риски и одновременно максимизировать доход. Идея решения такой задачи заключается в том, чтобы минимизировать риск за счет создания диверсифицированного набора акций (дающих хорошую прибыль), похожего на набор акций в каком"либо из уже существующих оптимизированных портфелей. В качестве последнего можно взять доступный диверсифицированный портфель S&P500. Таким образом, задача состоит в разделении имеющихся в наличии денег на N частей с целью приобретения N акций. При этом новый портфель акций должен формироваться так, чтобы его динамика стоимости была как можно более сходна с динамикой стоимости портфеля S&P500.

Заключение

Data Mining (DM) — это технология поддержки процесса принятия решений, основанная на выявления скрытых закономерностей и систематических взаимосвязей между переменными внутри больших массивов информации, которые затем можно применить к новым совокупностям данных. При этом накопленные сведения автоматически обобщаются до информации, которая может быть охарактеризована как знания. Обнаружение новых знаний можно использовать для повышения эффективности бизнеса. В связи с совершенствованием технологий записи и хранения данных на людей обрушились колоссальные потоки информационной руды в самых различных областях. Деятельность любого предприятия (коммерческого, производственного, медицинского, научного и т.д.) теперь сопровождается регистрацией и записью всех подробностей его деятельности. Многие компании годами накапливают важную бизнес-информацию, надеясь, что она поможет им в принятии решений.

Генетический алгоритм представляет собой именно такой комбинированный метод. Механизмы скрещивания и мутации в каком-то смысле реализуют переборную часть метода, а отбор лучших решений - градиентный спуск.

На рисунке показано, что такая комбинация позволяет обеспечить устойчиво хорошую эффективность генетического поиска для любых типов задач.

Итак, если на некотором множестве задана сложная функция от нескольких переменных, то генетический алгоритм - это программа, которая за разумное время находит точку, где значение функции достаточно близко к максимально возможному. Выбирая приемлемое время расчета, мы получим одно из лучших решений, которые вообще возможно получить за это время.

Список использованной литературы:

1. Дюк В., Самойленко А. «Data Mining: учебный курс» - СПб.: Питер, 2011

2. Журавлёв Ю.И., Рязанов В.В., Сенько О.В. «Распознавание. Математические методы. Программная система. Практические применения» - М.: Фазис, 2009

3. Зиновьев А.Ю. «Визуализация многомерных данных» - Красноярск, 2010

4. Правдин С.В. «Интеллектуальный анализ данных» - М.: Аморфа, 2010

5. Чубукова И.А. «Data mining: учебное пособие» - М.: БИНОМ, 2010

6. Надина Е.С. «Генетические алгоритмы» Сайт «(EHIPS) Генетические алгоритмы» [www.iki.rssi.ru] ссылка [http://iki.rssi.ru/ehips/genetic.htm]

7. Юшкевич А.С. «Лекции по нейронным сетям и генетическим алгоритмам» Сайт «Нейронные сети» [www.infoart.baku.az] ссылка [http://infoart.baku.az/inews/30000007.htm]

8. Явлинец П.С. «Генетические алгоритмы и машинное обучение» Сайт «Математика и наука» [www.math.tsu.ru] ссылка [http://math.tsu.ru/Russian/center/ai_group.html]

[1] Чубукова И. А. «Data Mining: учебное пособие» — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2010. — 382 с.

[2] Дюк В., Самойленко А. «Data Mining: учебный курс (+CD)». — СПб: Изд. Питер, 2011. — 368 с.

[3] Зиновьев А. Ю. «Визуализация многомерных данных» — Красноярск: Изд. Красноярского государственного технического университета, 2010. — 180 с.

[4] Паклин Н.Б., «Бизнес-аналитика: от данных к знаниям (+ СD)». — СПб: Изд. Питер, 2009. — 624 с.

[5] Журавлёв Ю.И., Рязанов В.В., Сенько О.В. «РАСПОЗНАВАНИЕ. Математические методы. Программная система. Практические применения» — М.: Изд. «Фазис», 2009. — 176 с.

[6] (EHIPS) Генетические алгоритмы http://www.iki.rssi.ru/ehips/genetic.htm

[7] Лекции по нейронным сетям и генетическим алгоритмам http://infoart.baku.az/inews/30000007.htm

[8] Генетические алгоритмы и машинное обучение http://www.math.tsu.ru/russian/center/ai_group.html

[9] Чубукова И.А. «Генетические алгоритмы» - М.: БИНОМ: Лаборатория знаний, 2010. – 221 с.

[10] Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы: Учебное пособие — 2-е изд.. — М: Физматлит, 2006. — С. 320

[11] Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы: Учебное пособие — 2-е изд.. — М: Физматлит, 2006. — С. 300