Улучшенную версию известной нейросети LVI-PDNN, применяемой для оптимизации математических моделей в различных сферах, предложили ученые СФУ в партнерстве с зарубежными коллегами. По их словам, новая нейросеть станет первым "ассистентом инвестора", способным принимать решения в условиях реальной рыночной динамики. Статья опубликована в журнале Applied Mathematics and Computation.
Линейное программирование – инструмент оптимизации математических моделей, применяемых в ряде сфер. Например, при работе с финансами целью оптимизации выступает максимальная прибыль или минимальные затраты, объяснили ученые.
Уже более десяти лет нейронные сети активно применяются для решения в реальном времени задач линейного программирования с изменяющимися условиями, то есть так называемых динамических задач. В то же время интерес к финансовой оптимизации с помощью нейронных сетей также набирает обороты в мире, однако для этой сферы до сих пор не было создано инструмента решения динамических задач, отметили специалисты.
Ученые Сибирского федерального университета (СФУ) усовершенствовали алгоритмы квадратичного и линейного программирования на основе нейросетевого подхода и систем нечеткой логики для решения динамических задач, в том числе при управлении финансами.
"Мы предложили улучшенную версию известного нейросетевого метода LVI-PDNN, специально впервые в мире предусмотрев ее применение для решения динамических финансовых проблем – с помощью нашей разработки инвесторы смогут принимать более аккуратные решения. Начали мы с задачи страхования инвестиционного портфеля с минимальными затратами", – рассказал главный научный сотрудник СФУ Предраг Станимирович.
Изюминка новой системы, по словам создателей, – внедренный в структуру LVI-PDNN контроллер нечеткой логики, оперирующий степенями истинности вместо классической дилеммы "истина/ложь", что повышает адаптивность системы при решении динамических задач.
"Чтобы нейросеть могла распознавать объекты или ситуации реального мира, ее нужно обучить, в том числе с помощью различных алгоритмов оптимизации. Мы же развиваем новый класс обнуляющих нейронных сетей, которые сами по себе способны решать задачи оптимизации. Такие нейросетевые оптимизаторы могут быть реализованы аппаратно, то есть в виде микросхем, что в перспективе сделает их чрезвычайно быстрыми", – объяснила заведующая кафедрой "Цифровые технологии управления" Алена Ступина.
В работе приняли участие специалисты Национального афинского университета имени Каподистрия (Греция), Нишского университета (Сербия), университета Свонси (Великобритания), университета Цзяннань (КНР).
Исследование проведено в рамках стратегического проекта СФУ "Институт цифровых гуманитарных исследований" по программе "Приоритет-2030", поддержано мегагрантом "Гибридные методы моделирования и оптимизации в сложных системах".
