Искусственные нейронные сети и генетические алгоритмы

Еще один положительный результат применения генетических алгоритмов к нейронной сети заключается в том, что мы получаем множество различных реализаций модели, выполняющих требование минимальности ошибки. В отличие от других применяемых методов, у нас будет не одна, а целая группа различных нейронных сетей. При других методах, если текущая структура оказалась неправильной (то есть решение попало в локальный экстремум), то придется перестраивать всю модель. Наша же модель с генетическими алгоритмами оперирует группой различных решений. И в случае если на текущем шаге мы попадем в локальный экстремум, существует множество других решений, которые вполне возможно могут оказаться глобальным экстремумом в изменившихся условиях среды. К тому же не стоит забывать о том, что нам не придется, в отличие от других способов настройки весов в нейронной сети, с нуля перебирать множество комбинаций ее структуры, позабыв о других шаблонах также неплохо выполнявших задачу минимизации ошибки.

Заключение

В ходе выполненной работы нам удалось построить систему, прогнозирующую валютный курс. При этом мы применили для этого метод, основанный на интеллектуальных расчетах. Рынок невозможно представить как статическую машину с неизменными «правилами игры». Как раз, наоборот, часто говорят о невозможности предсказания поведения рынка, о частой смене настроения его участников. Наша система является достаточно гибкой, и при изменении условий на рынке, она будет пытаться найти наилучшие решения в измененной среде. Она в буквальном смысле будет адаптироваться в окружающем ее мире. Это выгодно отличает ее от других способов решений. Во-первых, такие решения достаточно сложно найти. Даже, применив очень много усилий, и найдя решение, исследователям будет сложно его объяснить и заставить поверить инвесторов в их эффективность. Ведь может оказаться так, что поведение на рынке описывается какими-либо факторами, влияние которых в действительности маловероятно. Во-вторых, если всем станет известно, по каким правилам нужно действовать на рынке, то, все участники захотят использовать эти выводы. В итоге, это приведет к тому, что рынок перестанет подчиняться тем законам, которые были выведены исследователями. И для того, чтобы постоянно давать правильный прогноз, нужно всякий раз находить новые законы изменения валютного курса.

Наша же модель как раз и предназначена для изменяющейся среды. Изменение генотипа связей будет постоянно поддерживать эволюцию нейронных сетей. Для прогноза необходима всего одна реализация структуры нейронной сети. А из-за того, что мы применили генетические алгоритмы, у нас есть целая популяция различных сетей. Каждая реализация нейронной сети имеет свои характеристики связей между нейронами, а значит и свой метод прогнозирования. То есть, в работе мы описываем метод «выращивания» таких искусственных нейронных сетей, каждая из которых выступает в роли одной особи в популяции таких же систем. Здесь мы реализуем среди них искусственный отбор. Главной движущей силой отбора является наилучшая способность предсказывания нейронной сетью динамики валютного курса на основе входных данных по динамике фондового рынка. И неважно как будет меняться функция зависимости рынков между собой. Поиск наилучшей нейронной сети осуществляется на основе случайного изменения генотипа особей, увеличивая тем самым гибкость системы в динамической среде. При этом сохраняется преемственность поколений. Так как особи, наилучшим образом соответствующие правилам отбора, будут продолжать существование при условии того, что не найдутся потомки, выполняющие эти правила лучше них.

Вычисления, основанные на нейронных сетях, благодаря распараллеливанию обработки информации происходят быстрее. Это обстоятельство добавляет преимущество использования таких технологий в системах с большим объемом информации.

Следует еще раз обратить внимание на то, что построенную архитектуру модели можно применять для различных входных данных. Это делает нашу модель универсальной. Какие бы переменные мы не подавали на вход, система будет искать наилучшую структуру прогнозирования. Если же в действительности не существует зависимости между входными и выходными данными, то такой прогноз, конечно же, будет плохим. Но большим достоинством нейронных сетей является то, что они могут найти сложные, достаточно неочевидные связи между характеристиками среды. Причем чем большую выборку использовать для тренировки, тем более убедительным становится выявленная сложная зависимость. Так как если данное явление систематически повторяется на большом промежутке времени, то вероятнее всего данная тенденция действительно присутствует на рынке.

В целом, наша модель, как система для прогнозирования валютного курса, выполняет те цели, которые были поставлены в ходе курсовой работы. Нужно заметить, что модель предназначена не только для прогнозирования направления движения, но и значения, на которое изменится курс. Информация о величине изменений может рассматриваться как мера уверенности движения в данном направлении. Модель реагирует на происходящие изменения среды, меняя свои внутренние характеристики. Это отвечает требованию гибкости модели в динамической среде.

Недостатком является сложность интерпретации полученной зависимости на рынке. Модель не выдает связи между переменными в виде определенной функциональной формулы. Существуют лишь некоторые закодированные значения весовых функций активации синаптических связей нейронов, которые при подстановке в нейронную сеть дадут некий прогноз.

Еще одна слабая характеристика построенной модели - это жестко заданная архитектура сети. Мы определили эту структуру чисто интуитивно. При этом не существует каких-либо строгих правил того, сколько нейронов нужно использовать, сколько скрытых слоев должно быть в сети, каким образом нейроны должны быть связаны друг с другом. При возможности улучшения модели путем изменения архитектуры сети, построенная нейронная сеть уже не будет универсальной, так как для разных входных данных будет своя оптимальная архитектура сети. И поиск оптимальной структуры, удовлетворяющей новым условиям, таким как, например, быстродействие, либо простота находимой функциональной зависимости, это уже другая системная задача, ответ, на который среди исследователей интеллектуальных систем, пока еще не найден.

Вычисления, построенные на адаптивных алгоритмах, являются новым подходом к решению различного рода задач. У интеллектуальных вычислительных систем есть свои преимущества и недостатки по сравнению с классическими способами вычислений. Но, совершенно очевидно, что такого вида вычисления правомерно использовать в качестве равнозначных методов расчета.

Размещено на Allbest.ru