3545336916

WSPÓŁCZESNE TRENDY W BADANIACH NAUKOWYCH SZTUCZNEJ INTELIGENCJI 77

Powyższa sieć neuronowa dla danego wektora wejściowego (rysunek 3) została otrzymana przy użyciu Back Propagation Scheme, dla 300 epok, z zastosowaniem metody MLP (MutiLayer Perceptron). Mamy jedną warstwę ukrytą, która dobrze przybliża zbiór treningowy i walidacyjny. Rysunek 5 pokazuje, że krzywe uczenia i walidacyjna są zbieżne podczas procesu treningowego, a więc dobrana sieć neuronowa może służyć za podstawę do dalszej analizy zagadnienia. Na tym etapie pomijamy wyniki statystyczne otrzymane podczas symulacji SNN. Chcemy nadmienić, że w obecnej chwili nie jest naszym celem przewidywanie upadłości spółki w 100% w oparciu o powyższy model, raczej traktujemy to jako dobre ćwiczenie do dalszych badań nad tym zagadnieniem. Nowe modele prognozowania upadłości spółek będą szeroko opisane w [4].

Rysunek 5. Zrzut okna Statistica przedstawiający krzywą treningową i walidacyjną dla danych wejściowych z rysunku 3 i dla sieci neuronowej z rysunku 4

5. Algorytmy ewolucyjne

Jeśli dany osobnik przystosował się do środowiska, jak również jego kombinacja genów jest korzystna to geny te przekazuje potomstwu. Proces ten wykorzystywany jest do rozwiązywania zadań optymalizacyjnych. Można wykorzystywać analogiczne obliczenia numeryczne do tzw. algorytmów ewolucyjnych. Można sprawdzić, za pomocą odpowiednio zdefiniowanej funkcji, w jakim stopniu dany osobnik przystosował się do środowiska. Osobniki między sobą wymieniają materiał genetyczny. Wprowadza się tu operatory krzyżowania i mutacji, by generować nowe rozwiązania. Rezultatem tego algorytmu jest otrzymanie "osobników” najlepiej przystosowanych, które przeżyją.

Do algorytmów ewolucyjnych można zaliczyć:

-    klasyczny algorytm genetyczny,

-    strategie ewolucyjne,

-    programowanie ewolucyjne,

-    programowanie genetyczne.