Development of a decision support system based on neural networks and a genetic algorithm

ABSTRACT

Given ever increasing information volume and complexity of engineering, social and economic systems, it has become more difficult to assess incoming data and manage such systems properly. Currently developed innovative decision support systems (DSS) aim to achieve optimum results while minimizing the risks of serious losses. The purpose of the DSS is to help the decision-maker facing the problem of huge amounts of data and ambiguous reactions of complicated systems depending on external factors. By means of accurate and profound analysis, DSSs are expected to provide the user with precisely forecasted indicators and optimal decisions. In this paper we suggest a new DSS structure which could be used in a wide range of difficult to formalize tasks and achieve a high speed of calculation and decision-making. We examine different approaches to determining the dependence of a target variable on input data and review the most common statistical forecasting methods. The advantages of using neural networks for this purpose are described. We suggest applying interval neural networks for calculations with underdetermined (interval) data, which makes it possible to use our DSS in a wide range of complicated tasks. We developed a corresponding learning algorithm for the interval neural networks. The advantages of using a genetic algorithm (GA) to select the most significant inputs are shown. We justify the use of generalpurpose computing on graphics processing units (GPGPU) to achieve high-speed calculations with the decision support system in question. A functional diagram of the system is presented and described. The results and samples of the DSS application are demonstrated.

INTRODUCTION

Modern ideas on collecting, processing and applying knowledge are used in decision support systems (DSS), i.e. computer-based information systems designed to assist in making complicated decisions through a more profound and focused analysis of the subject area. The creation of DSS resulted from a merge of administrative information systems and database management systems. A variety of methods are used to analyze and generate different types of decisions in DSS, e.g. search for information and knowledge in databases, situation and data analysis, precedent-based reasoning, simulation modeling, evolutionary calculations and genetic algorithms (GA), neural networks, cognitive modeling, etc. If a DSS is based on artificial intelligence methods, it is called an intellectual DSS, or IDSS.

چکیده

با توجه به افزایش حجم اطلاعات و پیچیدگی سیستم های مهندسی، اجتماعی و اقتصادی، برای ارزیابی داده های ورودی و مدیریت مناسب این سیستم ها دشوارتر شده است. در حال حاضر سیستم های پشتیبانی تصمیم گیری ابتکاری (DSS) برای رسیدن به نتایج مطلوب در حالی که به حداقل رساندن خطرات زیان های جدی است. هدف DSS این است که کمک به تصمیم گیرنده روبرو با مشکل مقدار زیادی داده ها و واکنش های مبهم سیستم های پیچیده با توجه به عوامل خارجی. با استفاده از تجزیه و تحلیل دقیق و عمیق، DSS ها انتظار می رود که کاربر را با شاخص های دقیق پیش بینی شده و تصمیمات بهینه ارائه دهند. در این مقاله، ما یک ساختار جدید DSS را پیشنهاد می کنیم که می تواند در طیف وسیعی از دشوار برای رسم کردن وظایف و دستیابی به سرعت بالا محاسبات و تصمیم گیری مورد استفاده قرار گیرد. ما روش های مختلفی برای تعیین وابستگی یک متغیر هدف بر داده های ورودی و بررسی شایع ترین روش های پیش بینی آماری را مورد بررسی قرار می دهیم. مزایای استفاده از شبکه های عصبی برای این منظور شرح داده شده است. پیشنهاد می کنیم از شبکه های عصبی بازبینی برای محاسبات با داده های نامشخص (فاصله) استفاده کنید، که امکان استفاده از DSS را در طیف گسترده ای از وظایف پیچیده ارائه می دهد. ما یک الگوریتم یادگیری مربوطه برای شبکه های عصبی بازه ای ایجاد کردیم. مزایای استفاده از الگوریتم ژنتیک (GA) برای انتخاب مهمترین ورودی ها نشان داده شده است. ما توجیه استفاده از محاسبات عمومی در واحد پردازش گرافیکی (GPGPU) را برای به دست آوردن محاسبات با سرعت بالا با سیستم پشتیبانی تصمیم مورد نظر توجیه می کنیم. یک نمودار عملکردی از سیستم ارائه شده و شرح داده شده است. نتایج و نمونه های کاربرد DSS نشان داده شده است.

مقدمه

ایده های مدرن در مورد جمع آوری، پردازش و استفاده از دانش در سیستم های پشتیبانی تصمیم گیری (DSS)، یعنی سیستم های اطلاعاتی مبتنی بر رایانه ای طراحی شده اند که برای کمک به تصمیم گیری های پیچیده از طریق تحلیل عمیق تر و متمرکز در زمینه موضوع، مورد استفاده قرار می گیرند. ایجاد DSS ناشی از ادغام سیستم های اطلاعات اداری و سیستم های مدیریت پایگاه داده بود. روش های مختلفی برای تجزیه و تحلیل و تولید انواع تصمیمات در DSS استفاده می شود، به عنوان مثال جستجو برای اطلاعات و دانش در پایگاه های داده، وضعیت و تجزیه و تحلیل داده ها، استدلال مبتنی بر سابقه، مدل سازی شبیه سازی، محاسبات تکاملی و الگوریتم های ژنتیک (GA)، شبکه های عصبی، مدل سازی شناختی، و غیره. اگر یک DSS مبتنی بر روش هوش مصنوعی است، DSS فکری، یا IDSS نامیده می شود.

Year: 2015

Publisher : ELSEVIER

By : Oleg E. Bukharov , Dmitry P. Bogolyubov