Алгоритм оптимизации на основе локальных нейросетевых

УДК 004.896(06) Интеллектуальные системы и технологии
П.В. АФОНИН, О.Ю. ЛАМСКОВА
Московский государственный технический университет им. Н.Э. Баумана
АЛГОРИТМ ОПТИМИЗАЦИИ НА ОСНОВЕ ЛОКАЛЬНЫХ
НЕЙРОСЕТЕВЫХ МЕТАМОДЕЛЕЙ В РЕАЛИЗАЦИИ
ДЛЯ БАНКОВСКОЙ СИСТЕМЫ
Рассматривается задача оптимизации на основе имитационных моделей сложных систем с использованием метамоделей. Предложен алгоритм оптимизации на
основе локальных нейросетевых метамоделей. Представлены результаты построения нейросетевой метамодели для системы банка.
Задачи оптимизация на основе имитационного моделирования возникают на практике достаточно часто. При решении данных задач активно
применяются метамодели. Ранее был разработан алгоритм оптимизации
на основе имитационного моделирования, генетического алгоритма и
нейросетевых метамоделей [1], особенностью которого является механизм попеременного использования имитационной модели и метамодели
в процессе поиска решения. В развитие данного подхода опишем алгоритм оптимизации на основе локальных нейросетевых метамоделей.
Описание алгоритма:
1. Построение глобальной метамодели в заданной области поиска;
2. Определение областей локальных оптимумов с помощью метамодели на основе метода частичного равномерного перебора;
3. Построение локальных метамоделей в областях локальных оптимумов;
4. Оптимизация функции отклика в локальных областях на основе генетического алгоритма и локальных метамоделей (отдельно для каждой
локальной области);
5. Расчет полученных решений в локальных областях с помощью
имитационной модели.
6. Выбор лучшего решения среди всех локальных областей по результатам расчета с помощью имитационной модели.
Данный алгоритм планируется реализовать для банковской системы.
На сегодняшний день построена глобальная нейросетевая метамодель
(п.1 алгоритма) банковской системы, которая представляет собой более
детализированную систему по сравнению с рассмотренной ранее [2]. Далее дадим постановку задачи по реорганизации отдела банка, описание
имитационной модели и результаты построения глобальной метамодели.
ISBN 978-5-7262-0883-1. НАУЧНАЯ СЕССИЯ МИФИ-2008. Том 10
121
УДК 004.896(06) Интеллектуальные системы и технологии
В банковской системе имеется 6 касс, в которых могут работать специалисты семи квалификаций. Банк специализируется на двух операциях:
прием платежей и операции по вкладам. К каждой кассе формируется отдельная очередь, состоящая не более чем из пяти человек. Прибывший
клиент присоединяется к наиболее короткой очереди по своей операции.
Возможен переход клиента из длинной очереди в короткую. Задан закон
прихода клиентов в банк по каждому типу операции и закон обслуживания клиентов. Факторами ИМ являются квалификации специалиста в
каждой кассе. Откликом модели являются суммарные издержки банка за
день.
Были выбраны параметры плана эксперимента: число точек обучения – 729; число проверочных точек – 4096; число экспериментов в одной
точке – 5; способ расположения точек – равномерный.
В качестве метамоделей для данной системы исследованы три однослойных персептрона: c 10-ю, 30-ю, 50-ю нейронами в скрытом слое.
Проанализировав максимальную, среднюю и минимальную относительные ошибки 3-х нейросетей, был выбран персептрон с 10-ю нейронами в
скрытом слое. При увеличении числа нейронов в скрытом слое происходит переобучение сети, что приводит к увеличению ошибок. На рис. 1
показаны значения ошибок метамодели в проверочных точках.
Рис. 1. Ошибки метамодели для банковской системы
Список литературы
1. Афонин П.В. Гибридные системы интеллектуального имитационного моделирования
// Новости искусственного интеллекта, 2006. №1. С. 71-83.
2. Афонин П.В., Дерябкина В.В., Купцова А.А., Ламскова О.Ю. Разработка и исследование нейросетевых метамоделей сложных систем // Труды IV-го Международного научнопрактического семинара «Интегрированные модели и мягкие вычисления в искусственном
интеллекте» – М.: Физматлит, 2007. Т.2. С. 440-446.
ISBN 978-5-7262-0883-1. НАУЧНАЯ СЕССИЯ МИФИ-2008. Том 10
122
УДК 004.896(06) Интеллектуальные системы и технологии
ISBN 978-5-7262-0883-1. НАУЧНАЯ СЕССИЯ МИФИ-2008. Том 10
123