Академия наук

Еволюційне моделювання економічних процесів

Авторы:

Леонтьєва Арина Юріївна, студент, 4 курс

Касьянова Наталія Віталіївна, д.е.н, проф., Національний авіаційний університет

Потреба в прогнозі та адекватній оцінці наслідків, здійснюваних людиною заходів (особливо негативних), призводить до необхідності моделювання динаміки зміни основних параметрів системи, динаміки взаємодії відкритої економічної системи з середовищем (ресурси, потенціал, умови, технології, тощо), з яким здійснюється обмін ресурсами в умовах ворожих, конкурентних, кооперативних або ж байдужих відносин. Це викликає необхідність використання системного підходу та ефективних методів і критерії оцінки адекватності моделей, які спрямовані не тільки на максимізацію показників прибутку та рентабельності, але 1 на оптимізацію відносин з навколишнім середовищем.

Проблема вибору адекватних методів і моделей підтримки прийняття рішень у економіці та підприємництві буде актуальною завжди. Але сучасні умови прийняття рішень, які постійно змінюються, вимагають застосування нових, більш ефективних засобів. Одним із таких засобів може бути інструментарій еволюційного моделювання, зокрема, генетичні алгоритми.Науковими та прикладними розробками в цій області займаються в багатьох наукових школах країн Європи, Америки та Азії, а також науково-дослідних центрах великих компаній. Багатогранність, важливість та актуальність даної проблематики містить ще низку недостатньо досліджених моментів. Зокрема, мало уваги приділяється питанням застосування генетичних алгоритмів для вирішення економічних задач.

Генетичний алгоритм – це евристичний алгоритм пошуку, який застосовується для вирішення завдань оптимізації та моделювання шляхом випадкового підбору, комбінування та модифікації шуканих параметрів з використанням механізмів, що нагадують біологічну еволюцію. Генетичні алгоритми – адаптивні методи пошуку, які використовуються для вирішення задач функціональної оптимізації. Характерні особливості: використання рядків фіксованої довжини для представлення генетичної інформації, робота з популяцією рядків, використання генетичних операторів для формування майбутніх поколінь.

Генетичні алгоритми застосовуються для вирішення наступних завдань:

- оптимізація функцій;

- різноманітні завдання на графах (задача комівояжера, розфарбування,тощо);

- настройка та навчання штучної нейронної мережі;

- завдання компонування;

- складання розкладів;

- ігрові стратегії;

- апроксимація функцій;

- штучне життя;

- біоінформатика.

Переваги генетичних алгоритмів:

- універсальність;

- висока оглядовість пошуку;

- немає обмежень на цільову функцію;

- будь-який спосіб завдання функції.

Недоліки генетичних алгоритмів:

- відносно висока обчислювальна вартість;

- квазіоптимального.

Таким чином, еволюційні методи призначені для пошуку бажаних рішень і засновані на статистичному підході до дослідження ситуацій та ітераційному наближенні системи до шуканого стану. На відміну від точних методів математичного програмування еволюційні методи дозволяють знаходити рішення, близькі до оптимальних, за прийнятний час, а на відміну від відомих евристичних методів оптимізації характеризуються істотно меншою залежністю від особливостей додатку (більш універсальні) і в багатьох випадках забезпечують кращу ступінь наближення до оптимального рішення.

На основі генетичних алгоритмів можна змоделювати роботу банку. З їхньою допомогою можна вибрати оптимальні банківські відсотки (вкладів, кредитів) деякого банку в умовах конкуренції з тим, щоб залучити більше клієнтів (коштів). Той банк, який зможе залучити більше вкладів, клієнтів і коштів, і виробить більш привабливу стратегію поведінки (еволюції) - той і виживе в умовах природного відбору. Філії такого банку (гени) будуть краще пристосовуватися і зміцнюватися в економічній ніші, а, можливо, і збільшуватися з кожним новим поколінням. Кожна філія банку (індивід популяції) може бути оцінений мірою його пристосованості. В основі таких заходів можуть лежати різні критерії, наприклад, аналог економічного потенціалу - рейтинг надійності банку або співвідношення залучених і власних коштів банку. Така оцінка еквівалентна оцінці того, наскільки ефективний організм при конкуренції за ресурси, тобто його виживаності, біологічному потенціалу. При цьому особини (філії) можуть призводити до появи потомства (нових банків, одержуваних у результаті злиття або розпаду), поєднує ті чи інші (економічні) характеристики батьків. Наприклад, якщо один банк мав якісну політику кредитування, а інший – ефективну інвестиційну політику, то новий банк може придбати і те, і інше. Найменш пристосовані особини (філії) зовсім можуть зникнути в результаті еволюції.

На сьогодні, генетичні алгоритми застосовуються при вирішенні проблем у таких галузях: екстремальні задачі (знаходження точок мінімуму та максимуму), задачі оптимального розподілу інвестиційних коштів, задачі про найкоротший шлях (задача комівояжера), задачі компоновки, складання розкладів, апроксимація функцій, відбір (фільтрація) вхідних даних, налаштування штучних нейронних мереж, біоінформатика, ігрові стратегії, нелінійна фільтрація тощо.

Хоча генетичні алгоритми і можуть бути використані для вирішення завдань, які, мабуть, не можна вирішувати іншими методами, вони не гарантують знаходження оптимального рішення (принаймні, - за прийнятний час; поліноміальні оцінки тут часто непридатні). Тут більш доречні критерії типу "досить добре і досить швидко ". Головна ж перевага в іншому: вони дозволяють вирішувати складні завдання, для яких не розроблені поки стійкі і прийнятні методи, особливо на етапі формалізації і структурування системи, в когнітивних системах. Основною перевагою еволюційних методів оптимізації є можливості вирішення багатомодальних (з кількома локальними екстремумами) завдань  з великою розмірністю за рахунок поєднання елементів випадковості і детермінованості точно так само, як це відбувається у природному середовищі.

Література:

1. В.Є. Снитюк. Еволюційне моделювання – парадигма об`активізації процесу розв`язання задач штучного інтелекту.Київський національний університет імені Тараса Шевченка
2. Вітлінський В.В.Моделювання економіки . Режим електронного доступу : http://fingal.com.ua/content/view/920/39/1/2/
3. Нейронні мережі і еволюційне моделювання. Режим електронного доступу : http://ukrbukva.net/page,8,92830-Neiyronnye-seti-i-evolyucionnoe-modelirovanie.html
4. Ситник В.Ф., Краснюк М.Т. Інтелектуальний аналіз даних (дейтамайнінг): Навч. посібник. – К.: КНЕУ, 2007. – 376 с.