Metody snižování rizika při rozhodování vrcholového managementu



Genetické algoritmy a umělé neuronové sítě

Existují úlohy, které příroda zvládá velmi snadno, zatímco člověkem navržené algoritmy nefungují. Úlohy tohoto typu se vyskytují ve složitém a měnícím se prostředí. Na základě analogie z přírody byly vytvořeny dva přístupy, a to umělé neuronové sítě a genetické algoritmy. Tyto nástroje se používají tam, kde by přesné řešení systematickým prozkoumáváním trvalo téměř nekonečně dlouho. Genetické algoritmy (za pomocí počítače) řeší problém podobně jako vývoj populace nějakého živočišného druhu. Přežívající vybraní jedinci a potomci rodičů jiných vybraných jedinců tvoří další generaci řešení, přičemž stará generace zaniká. Tento proces se řádově opakuje po stovkách a tisících generací, dokud nenastane situace, že se většina jedinců v generaci tak pokřížila, že se vlastně neliší a nemá smysl dále pokračovat. Nepříznivému stavu, kdy se jedinci v populaci neliší, se příroda brání mutacemi. Mutace také nabízejí možnost, jak adaptovat populaci na měnící se prostředí, například je určitě potřeba reagovat na změnu podmínek v přírodě.

Původ genetických algoritmů musíme hledat v 19. století, kdy přírodovědci postupně formulovali zákony klasické genetiky. Zjistili, že hnacím motorem evoluce je přirozený výběr, který posiluje nejlépe adaptované jedince a naopak vyřazuje ty nejméně adaptované. Rozmanitost v genetické výbavě nových potomků zajišťují procesy křížení a mutace. Křížení spočívá v tom, že ze dvou rodičovských chromozomů vzniká vzájemnou kombinací chromozom nový, nesoucí jejich genetickou výbavu. Mutace způsobuje nenadálé změny v genetické výbavě, které jsou zapříčiněny silným vnějším nebo vnitřním vlivem. Uvedené základní principy byly z botaniky přeneseny do zcela odlišných vědeckých oblastí a byl vytvořen genetický (evoluční) algoritmus. Základním principem genetického algoritmu je postupné přizpůsobování řešení okrajovým podmínkám. Jedná se o analogii s přírodou, kde tytéž algoritmy zajišťují adaptaci na okolní prostředí. Základním stavebním prvkem genetického algoritmu je chromozom, který obsahuje souhrn základních znaků umělého systému (modelu), jenž představuje řešený problém. Systémem zde rozumíme množinu základních veličin (například finanční údaje, doba trvání atd.), z nichž odvodíme další veličiny. Požadavky, kladené na tyto základní nebo odvozené veličiny (například požadavek rovnosti nebo nerovnosti, dosažení konkrétních hodnot nebo intervalu hodnot atd.), tvoří prostředí, jemuž se algoritmus snaží přizpůsobit. Konkrétní stav systému, který vychází z generovaných hodnot základních veličin, se nazývá jedinec.^[1]Množina různých jedinců (stavů systému) tvoří populaci nebo generaci. Velikost populace může být různá a závisí na druhu řešeného problému.

Proces genetického algoritmu probíhá v několika krocích. Na počátku vždy vygenerujeme prvotní generaci jedinců, která je většinou malého rozsahu a inicializuje celý systém. Pak následuje druhá generace jedinců, kde se aplikují metody křížení a mutace. Pro zjištění, kteří jedinci jsou nejlépe přizpůsobeni okolním podmínkám a požadavkům, je nutno provést vyhodnocení. K vyhodnocení používáme tzv. fitness funkci, která oceňuje každého nového jedince a vyjadřuje míru splnění požadavků. Následuje seřazení jedinců od nejlepšího k nejhoršímu a provede se úzký výběr rodičovské generace, která se stane vzorem pro vytvoření další generace. Tento cyklus se neustále opakuje až do nalezení řešení systému.

Pomocí genetických algoritmů můžeme řešit problémy, kde aplikace klasických (deterministických) modelů selhává – například jsme schopni řešit problémy, které obsahují nelinearity, prvky náhodnosti, problémy s velkým množstvím vzájemných vztahů atd. Je zřejmé, že tyto nástroje mají obrovskou budoucnost zejména v oblasti řešení (námi sledovaných) špatně strukturovaných problémů z oblasti vrcholového rozhodování.^[2]

^[1]    Popíšeme-li chromozom několika ekonomickými veličinami (například úrok, velikost půjčky, doba splátky), pak jedinec je konkrétním stavem – například 6, 10000 a 5).
^[2]    S řadou konkrétních příkladů použití zde zmiňovaných metod umělé inteligence, které jsou rozšířeny i o základy teorie chaosu a o aplikace této perspektivní teorie do procesů predikce vývoje kapitálového trhu, se lze setkat v publikaci nakladatelství Grada autorů P.Dostála, K.Raise a Z.Sojky: Pokročilé metody manažerského rozhodování z roku 2005.

Převzato z knihy Řízení rizik ve firmách a jiných organizacích vydané nakladatelstvím Grada v roce 2013