1 12 prof. Ing. Petr Dostál, CSc. Ing. Jindřich Petrucha, Ph.D. Optimalizační metody v informačním managementu Recenzenti: prof. Ing. Karel Rais, CSc...
Fuzzy logika - aplikace v praxi …………………………………………. 14
2
UMĚLÉ NEURONOVÉ SÍTĚ ………………………………… 36
2.1
Umělé neuronové sítě – teorie …………………………………………. 36
2.2
Umělé neuronové sítě - aplikace v praxi ………………………………. 41
2.3
Predikce časových řad programem NEURO PROJEKT ……………… 48
3
GENETICKÉ ALGORITMY ………………………………… 54
3.1
Genetické algoritmy – teorie …………………………………….…….. 54
3.2
Genetické algoritmy - aplikace v praxi ………………………….…….. 59
4
KLASICKÉ METODY ………………………….……………. 89
Literatura ……………………….……………..………………. 110
3
Optimalizační metody v informačním managementu
ÚVOD
Publikace se zabývá optimalizačními metodami v informačním managementu s využitím pokročilých metod, jako je fuzzy logika, neuronové sítě, genetické algoritmy Ve skriptech jsou uvedeny základní principy těchto teorií a četné aplikace použití v oblasti informačního managementu.
Pro účely optimalizace si definujeme model. Model M zapíšeme jako množinu M = {P, V, I, O}, kde P je neprázdná množina prvků, V je neprázdná množina všech vazeb (závislostí) mezi prvky, I je neprázdná množina vstupů a O je neprázdná množina výstupů. Prvky tedy umožňují popsat chování modelu. Schéma ukázky modelu M s dvěma vstupy I1, I2 výstupem O1, třemi prvky P1, P2, P3 a možnými vazbami V je zobrazen na následujícím obrázku. I1
VI,P1
P1 VP3,P1
V1,P2 V2,P1
VP1,P2 VP1,P3 VP2,P1 VP2,P3
I2
VP3,O1 VP3,P2
V2,P2
O1
P3
P2
Obr. Příklad schématu modelu M
Jako modelu pro optimalizaci rozhodování bude v publikaci využito fuzzy logiky, umělých neuronových sítí a genetických algoritmů.
4
Optimalizační metody v informačním managementu
1 FUZZY LOGIKA Teorie množin definuje množinu jako soubor prvků určitých vlastností. Prvek potom do množiny patří, nebo ne (0 nebo 1). Jde tedy pouze o dva stavy. L. Zadeh vytvořil teorie fuzzy množin a fuzzy logiky, kdy se určuje, „jak moc“ prvek do množiny patří nebo ne (proměnná x a její příslušnost k množině se značí µ(x) a je definována v rozmezí od 0 po 1; 0 znamená úplné nečlenství a 1 úplné členství). Užití míry členství odpovídá v řadě situací lépe než užití konvenčních způsobů zařazování členů do množiny podle přítomnosti či nepřítomnosti. Fuzzy logika tedy měří jistotu nebo nejistotu příslušnosti prvku k množině. Obdobně se rozhoduje člověk při činnosti v oblasti duševní a fyzické u ne zcela algoritmizovaných činností. Pomocí fuzzy logiky lze najít řešení pro daný případ z pravidel, která byla definována pro podobné případy. Metoda, užívající nezřetelných množin (fuzzy), patří mezi metody, které se používají v oblasti optimalizace informačního managementu. Kromě aplikací z fuzzy logiky se lze setkat i s kombinovanými systémy, např. s neuronovými sítěmi, tzv. neurofuzzy aplikacemi, apod.
1.1 Fuzzy logika - teorie Tvorba systému s fuzzy logikou obsahuje tři základní kroky: fuzzifikaci, fuzzy inferenci a defuzzifikaci. Viz obr. 1. fuzzifikace
fuzzy inference
deffuzifikace
Obr. 1 Rozhodování řešené fuzzy zpracováním První krok znamená převedení reálných proměnných na jazykové proměnné. Definování jazykových proměnných vychází ze základní lingvistické proměnné, např. u proměnné riziko lze zvolit následující atributy: žádné, velmi nízké, nízké, střední, vysoké, velmi vysoké riziko. Obvykle se používá tří až sedm atributů základní proměnné. Stupeň členství atributů proměnné v množině je vyjadřován matematickou funkcí. Existuje mnoho tvarů těchto členských funkcí. Typy, které našly v praxi největší uplatnění, se nazývají standardními funkcemi členství a patří k nim typy: Λ, π, Z a S zobrazené na obr. 2.