Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Ризикологія ел варіант.doc
Скачиваний:
1
Добавлен:
01.04.2025
Размер:
18.44 Mб
Скачать

4.4.2. Проблема узгодження пріоритетів (переваг) за ризиком

Проблема узгодження пріоритетів за ризиком — одна з актуа­льних в теорії управління ризиком. Вона полягає в побудові пра­вила колективного прийняття рішень з урахуванням пріоритетів за ризиком різних учасників. Ця проблема (узгодження інтересів) плідно вивчається, зокрема, теорією гри. Останнього запропоно­вано низку підходів і критеріїв щодо розв'язання задач у ситуаці­ях невизначеності, конфлікту та породженого ними ризику (кри­терії Вальда, Севіджа, розв'язки Неша тощо). Запропонована велика кількість критеріїв ефективності, що відіграють роль пра­вила колективного вибору: ефективність за Паретто, ефектив­ність за Колдора-Хіксом, подвійний критерій Ситовські тощо.

Наголосимо, що узгодженість оцінок і пріоритетів має специ­фічні особливості в умовах невизначеності. По-перше, учасники наділені різною схильністю (несхильністю) до ризику. По-друге, учасники по-різному оцінюють ступінь ризику в одній і тій самій ситуації (різні суб'єктивні ймовірності). По-третє, апостеріорні оцінки прийнятих рішень і конфліктів відрізняються від апріор­них оцінок. Почерверте, місце булевої логіки займає нечітка ло­гіка, що допускає судження з різним ступенем упевненості стосо­вно їх істинності.

Існує думка щодо доцільності розбудови та використання нейронних мереж теорії адаптивного резонансу для узгодження пріоритетів (переваг) за ризиком. Основи теорії адаптивного ре­зонансу {ART-Adaptive Resonance Theory) були закладені С. Гросбергом у 1976 р. Однією з моделей є ART-1 — модель нейроме-режі, що реалізує основні принципи теорії адаптивного резонансу. Ця мережа складається з двох шарів нейронів Fl та F2Вхідна інформація (в бінарному вигляді) подається на шар Fx. Нейрони цього шару збуджуються (перетворюють вхід за деякими форму­лами з постійними параметрами) і залежно від показників збу­дженого стану порогова функція вказує вихідне значення кожно­го нейрона, що передається за прямими зв'язками на вхід нейронного шару F2. Разом з тим на вхід кожного нейрона шару F2 надходить зважена ваговими коефіцієнтами зв'язків сума від­повідних вихідних значень нейронів шару Fx. Після збудження нейронного шару F2 визначається нейрон-«переможець», що має максимальне значення збудженого стану. Його вихідне значення передається по зворотних зв'язках нейронам шару F}. Зважене ваговими коефіцієнтами зворотних зв'язків, воно перетворюється на збуджені стани нейронів шару F,, порогова функція вказує ви­хідні значення цих нейронів — вихід нейронної мережі.

Нейромережа самонавчається на навчальних прикладах упро­довж кількох циклів через зміну вагових коефіцієнтів зв'язків за­лежно від ступеня досягнення певного рівня відповідності. У ре­зультаті навчання встановлюється резонанс, коли для пари векторів значень за подачі на вхід нейромережі одного вектора, другий буде виходом, і навпаки. Самонавчання нейромережі по­лягає в підборі вагових коефіцієнтів нейронів, що забезпечують резонанс, тобто представництво інтересів, які не збігаються.

Наголосимо, що нейрони в даному контексті не наділені яки­мись особливими властивостями, окрім порогової функції. Це лише елементи нейромережі, тому їх можна і треба замінити від­повідними комп'ютерними моделями.

Оскільки в умовах невизначеності природним є використання нечіткої логіки, учаснику необхідно надати можливість розподі­ляти свої судження згідно з його нечіткими (вербальними) пріо­ритетами. Це можливо реалізувати за допомогою відповідним чином побудованого вхідного шару нейронної мережі для подан­ня нечітких пріоритетів. Це не так важко здійснити, маючи від­повідний програмно-методичний комплекс, що функціонує в ін­терактивному режимі.

Звичайно ж, задача непроста і вимагає побудови тріади «мо­дель—алгоритм—програма».

РОЗДІЛ 4.5