Реклама є невід'ємною частиною стратегії збуту. Як правило, класична реклама являє собою довгострокові проекти, ефективність яких не завжди відповідає очікуванням.
Факторів, які впливають на результат реклами величезна кількість, як контрольованих (якість товару, ціна, сервіс та ін.), так і тих, що не залежать від рекламодавця (курс валюти, національне законодавство і т.д.). Таким чином, при оцінці ефективності рекламного заходу доводиться стикатися з багатокритеріальною оптимізацією.
З огляду на це пропонується спосіб побудови моделі оцінювання ефективності функціонування, який включає в себе:
- Формування нечітких правил, на основі яких конструюється модель;
- Створення структури моделі;
- Розробку процедури оцінювання за моделлю;
- Вибір критерію якості для навчання моделі;
- Адаптація параметрів моделі.
Використовувані при побудові моделі нечіткої нейромережі нечіткі правила мають вигляд:
ПРАВИЛО k: ЯКЩО k условие k ТО заключение k (Fk),
де k – номер правила,
Fk – коефіцієнт визначеності, коефіцієнт впевненості або ваговий коефіцієнт нечіткого правила (приймає значення з інтервалу [0,1] ),  ,
Як базова модель запропонована модель чотиришарової нечіткої нейронної мережі, структура якої формується за наступним принципом:
- вхідний (нульовий) шар містить нейрони, які відповідають факторів, що впливають на ефективність функціонування, кількість нейронів  ;
Вибір критерію якості для навчання моделі визначається на основі мінімуму середньоквадратичної помилки (різниці виходу за моделлю і реального виходу):
 (1)
де P – кількість тестових реалізацій,
 – оцінка ефективності функціонування, отримана по моделі,
 – реальна оцінка ефективності функціонування.
Адаптацію параметрів моделі пропоную провести на основі генетичного алгоритму з імітацією відпалу, який включає в себе наступні блоки:
- уявлення особин і створення вихідної популяції;
- завдання фітнес-функції;
- оператор репродукції (селекції);
- оператор кросинговеру (кросовера, рекомбінації);
- оператор мутації;
- оператор редукції;
- умова зупинки.
На етапі представлення особин і створення вихідної популяції в якості хромосоми, яка містить значення параметрів функцій приналежності і являє s-ю особину популяції з речовими генами, виступає згенерований випадковим чином вектор:
В якості фітнес-функції (показника якості) пропоную використовувати критерій (1).
В якості оператора репродукції, який дозволяє відібрати кращі особини, тобто значення параметрів функцій приналежності, які задовольняють (1), використовуємо комбінацію пропорційного відбору, в однаковій мірі можливого (однорідного) відбору і імітації відпалу. Це дозволяє визначити ймовірність вибору s-й особини (певних чисельних значень параметрів функцій приналежності) у вигляді:
Таким чином, на ранніх стадіях роботи генетичного алгоритму використовуємо рівноймовірної відбір, що забезпечує дослідження всього простору пошуку, а на заключних стадіях використовуємо пропорційний відбір, що забезпечує збереження кращих особин і робить пошук спрямованим.
В якості оператора кросинговеру, який схрещує дві хромосоми з безлічі відібраних оператором репродукції, тобто комбінує певні чисельні значення параметрів функцій приналежності, які задовольняють (1), використовуємо однорідний кроссинговер. Для вибору схрещуваних хромосом використовуємо комбінацію аутбридинга, інбридингу і імітації відпалу.
Після кросинговеру для забезпечення різноманітності хромосом, тобто значень параметрів функцій приналежності, які задовольняють (1) використовуємо оператор мутації. Випадково вибирається хромосома. Потім випадково вибирається ген хромосоми, до якого додається крок мутації Δ.
Визначення ймовірності неоднорідної мутації базується на імітації відпалу та має вигляд:
де P0m – початкова ймовірність мутації, що вираховується експериментально.
Таким чином, на ранніх стадіях роботи генетичного алгоритму з високою ймовірністю відбувається мутація з великим кроком, що забезпечує дослідження всього простору пошуку, а на заключних стадіях ймовірність мутації і її крок наближаються до нуля, що забезпечує збереження кращих особин і робить пошук спрямованим.
В якості оператора редукції, який дозволяє вибрати особини, тобто значення параметрів функцій приналежності, з безлічі, отриманого об'єднанням попередньої популяції з результатами кросинговеру і мутації, використовуємо комбінацію рівноймовірної схеми, селекційної схеми і імітації відпалу.
В якості умови зупинки використовуємо:
- перевищення максимальної кількості ітерацій;
- перевищення числа поколінь, протягом яких не покращується результат.
Результатом роботи генетичного алгоритму є хромосома (значення параметрів функцій приналежності) з максимальним значенням фітнес-функції.
Таким чином, на ранніх стадіях роботи генетичного алгоритму працює рівноймовірна схема, що забезпечує дослідження всього простору пошуку, а на заключних стадіях працює селекційна схема, що забезпечує збереження кращих особин і робить пошук спрямованим.
Запропонована модель витримує тестові випробування та пропонується мною до використання при проведенні аналізу ефективності реклами.
Література:
1. Ємельянов В.В., Курейчик В.В., Курейчик В.М. Теорія і практика еволюційного моделювання. - М: Фізматлит, 2003. - 432 c.
2. Пантелєєв А.В. Метаеврістичні алгоритми пошуку глобального екстремуму. - М: МАІ- Принт, 2009. - 159 стор. 12.
3. Ходашінській І.А. Оцінювання величин нечіткої арифметики // Автометрія. - 2004. - № 3. - С. 21-31.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter