Методы интеллектуального анализа данных

Непосредственно к кибернетическим методам ИАД относятся синергетические методы. Их использование дает возможность реально оценить горизонт долгосрочного прогноза. Особую заинтересованность вызывают исследования, связанные с попытками построения эффективных систем управления в неустойчивых режимах функционирования.
Методы нейронных сетей формируются путем построения иерархической сети, узлами которой являются модели нервных клеток (нейронов), у которых выходной сигнал определяется взвешенной суммой входных сигналов. Основные недостатки: необходимость иметь очень большой объем обучающей выборки.
Эволюционное программирование. Получение оптимального решения посредством имитирования процесса эволюции популяции; вносятся различные, возможно случайные, изменения; совокупность модифицированных решений образует новое поколение возможных решений, которое подвергается «естественному отбору», основанному на «критерии выживания».
Алгоритмы ограниченного перебора. Вычисляют частоты комбинаций простых логических событий в подгруппах данных. Ограничением служит длина комбинации простых логических событий.
Генетические алгоритмы обработки данных. Аналогично эволюционному также происходит генерация, отбор и селекция возможных решений (генетических информационных структур с заданным набором параметров); помимо случайных изменений генной структуры происходит и направленная модификация.
Генетические алгоритмы в настоящее время обширно применяются с целью интеллектуальной обработки данных и решения задач оптимизации и поиска. Они успешно используются для решения ряда экономически значимых задач в бизнесе и инженерных разработках. Финансовые компании широко используют генетические алгоритмы с целью создания моделей дальнейшего развития финансовых рынков. Генетические алгоритмы являются разновидностью эволюционных вычислений, с помощью которых решаются оптимизационные задачи с использованием методов естественной эволюции, таких как наследование, мутации, отбор и кроссинговер. Характерной чертой генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.
Цель генетических алгоритмов состоит в том, чтобы:
Абстрактно и формально объяснять адаптацию процессов в естественной системе и интеллектуальной исследовательской системе;
Моделировать естественные эволюционные процессы для эффективного решения оптимизационных задач науки и техники;
Генетические алгоритмы отличаются от других оптимизационных и поисковых процедур следующим:
Работают в основном не с параметрами задачи, а с закодированным множеством параметров;
Осуществляют поиск улучшая одно решение, а используя несколько альтернатив на заданном множестве решений;
Используют целевую функцию, а не ее различные приращения для оценки качества принятия решений;
Применяют не детерминированные, а вероятностные правила анализа оптимизационных задач.
При решении практических задач с использованием генетических алгоритмов обычно выполняют четыре предварительных этапа:
Выбор способа представления решения;
Разработка операторов случайных изменений;
Определение способов «выживания» решений;
Создание начальной популяции альтернативных решений.