Práce pojednává o možnosti využití umělých imunitních systémů pro modelování bonity obcí. Bonita znamená schopnost a ochotu obce splácet svůj dluh. Na základě bonity mohou obce získat rating od ratingové agentury, což je však velmi nákladné. Proto byly navrženy různé modely pro predikci a klasifikaci. Umělé imunitní systémy, které jsou inspirovány principy imunitních systémů živočichů, představovaly novou možnost pro vytvoření funkčního modelu.
V práci je kladen důraz na umělé imunitní systémy založené na populacích. Z této skupiny algoritmů byly pro hodnocení bonity obcí vybrány algoritmy skupiny Immunos, algoritmus CLONALG a algoritmus CLONCLAS. V rámci navrženého modelu pro hodnocení bonity obcí byla uskutečněna analýza nastavení parametrů pro tyto algoritmy a formulována doporučení pro první nastavení těchto algoritmů. Dále byla realizována analýza chování algoritmu Immunos-99 a na základě výsledků této analýzy byly navrženy optimalizované varianty tohoto algoritmu. V rámci navrženého modelu pro hodnocení bonity obcí bylo uskutečněno vyhodnocení jednotlivých použitých algoritmů a navržených variant společně s porovnáním výsledků získaných pomocí neuronových sítí a algoritmů LVQ. Součástí práce je i vyhodnocení použitých algoritmů na standardních datových souborech ?Iris plant? a ?Ionosphere? ve srovnání s výsledky jiných algoritmů pro tyto datové soubory. Práce ukazuje, že algoritmy založené na principech umělých imunitních systémů lze úspěšně využít pro modelování bonity obcí.
Anotace v angličtině
This thesis deals with application of artificial immune systems for creditworthiness modelling. Municipal creditworthiness is a creditor's measure of a municipal?s ability and willingness to repay debts. According to the creditworthiness, municipalities can obtain rating created by an independent rating agency. Such ratings are very expensive so that many models were developed to predict or explain municipal ratings. Artificial immune systems, which are inspired by principles of humane immune systems, were successfully used for classification tasks hence application on creditworthiness modelling was great challenge.
The emphasis is given on artificial immune systems based on populations. Especially were tested algorithms Immunos, algorithm CLONALG and CLONCLAS. Within the frame of proposed model for creditworthiness rating was undertaken analysis of parameter setting and formulated recommendation for first setting of these algorithms. Hereafter was done analysis of features of algorithm Immunos-99 and based on this analysis were proposed optimized variations. Evaluation and comparison of all described algorithms was done along with comparison to results obtained by neural networks and LVQ algorithms. In this thesis, is also given evaluation of artificial immune systems on standard data sets ?Iris plant? and ?Ionosphere? in comparison with results obtained by different methods. This work demonstrates that algorithms based on artificial immune systems can be successfully used for rating of municipality creditworthiness.
Artificial Immune System, Immunos, CLONALG, CLONCLAS, Municipal Creditworthiness.
Rozsah průvodní práce
116
Jazyk
CZ
Anotace
Práce pojednává o možnosti využití umělých imunitních systémů pro modelování bonity obcí. Bonita znamená schopnost a ochotu obce splácet svůj dluh. Na základě bonity mohou obce získat rating od ratingové agentury, což je však velmi nákladné. Proto byly navrženy různé modely pro predikci a klasifikaci. Umělé imunitní systémy, které jsou inspirovány principy imunitních systémů živočichů, představovaly novou možnost pro vytvoření funkčního modelu.
V práci je kladen důraz na umělé imunitní systémy založené na populacích. Z této skupiny algoritmů byly pro hodnocení bonity obcí vybrány algoritmy skupiny Immunos, algoritmus CLONALG a algoritmus CLONCLAS. V rámci navrženého modelu pro hodnocení bonity obcí byla uskutečněna analýza nastavení parametrů pro tyto algoritmy a formulována doporučení pro první nastavení těchto algoritmů. Dále byla realizována analýza chování algoritmu Immunos-99 a na základě výsledků této analýzy byly navrženy optimalizované varianty tohoto algoritmu. V rámci navrženého modelu pro hodnocení bonity obcí bylo uskutečněno vyhodnocení jednotlivých použitých algoritmů a navržených variant společně s porovnáním výsledků získaných pomocí neuronových sítí a algoritmů LVQ. Součástí práce je i vyhodnocení použitých algoritmů na standardních datových souborech ?Iris plant? a ?Ionosphere? ve srovnání s výsledky jiných algoritmů pro tyto datové soubory. Práce ukazuje, že algoritmy založené na principech umělých imunitních systémů lze úspěšně využít pro modelování bonity obcí.
Anotace v angličtině
This thesis deals with application of artificial immune systems for creditworthiness modelling. Municipal creditworthiness is a creditor's measure of a municipal?s ability and willingness to repay debts. According to the creditworthiness, municipalities can obtain rating created by an independent rating agency. Such ratings are very expensive so that many models were developed to predict or explain municipal ratings. Artificial immune systems, which are inspired by principles of humane immune systems, were successfully used for classification tasks hence application on creditworthiness modelling was great challenge.
The emphasis is given on artificial immune systems based on populations. Especially were tested algorithms Immunos, algorithm CLONALG and CLONCLAS. Within the frame of proposed model for creditworthiness rating was undertaken analysis of parameter setting and formulated recommendation for first setting of these algorithms. Hereafter was done analysis of features of algorithm Immunos-99 and based on this analysis were proposed optimized variations. Evaluation and comparison of all described algorithms was done along with comparison to results obtained by neural networks and LVQ algorithms. In this thesis, is also given evaluation of artificial immune systems on standard data sets ?Iris plant? and ?Ionosphere? in comparison with results obtained by different methods. This work demonstrates that algorithms based on artificial immune systems can be successfully used for rating of municipality creditworthiness.
Artificial Immune System, Immunos, CLONALG, CLONCLAS, Municipal Creditworthiness.
Zásady pro vypracování
?Ověření funkčnosti algoritmů Immunos-1, Immunos-2 a Immonos-99 a provedení analýzy vlastností těchto algoritmů.
?Návrh optimalizace algoritmů skupiny Immunos na základě provedené analýzy.
?Návrh modelu pro hodnocení bonity obcí pomocí AIS. Součástí návrhu modelu bude i analýza vlivu nastavení parametrů pro algoritmy Immunos-99, CLONALG a CLONCLAS.
?Formulace doporučení pro prvotní nastavení těchto parametrů na základě uskutečněné analýzy vlivu nastavení jednotlivých parametrů.
?Experimentální vyhodnocení navrženého modelu pro hodnocení bonity obcí pomocí AIS pro skupinu algoritmů Immunos, včetně navržených optimalizací pro tyto algoritmy, a algoritmy CLONALG a CLONCLAS.
?Nalezení vhodného prvotního nastavení parametrů těchto algoritmů tak, aby bylo dosaženo maximální úspěšnosti klasifikace.
?Doporučení nejvhodnějšího algoritmu pro klasifikační úlohu hodnocení bonity obcí, na základě provedených experimentů.
?Testování navrženého modelu a doporučeného nastavení parametrů jednotlivých algoritmů na jiných datových souborech z jiné aplikační oblasti.
?Zhodnocení závěrů pro modelování bonity obcí ve vazbě na výsledky získané na jiných datových souborech.
Zásady pro vypracování
?Ověření funkčnosti algoritmů Immunos-1, Immunos-2 a Immonos-99 a provedení analýzy vlastností těchto algoritmů.
?Návrh optimalizace algoritmů skupiny Immunos na základě provedené analýzy.
?Návrh modelu pro hodnocení bonity obcí pomocí AIS. Součástí návrhu modelu bude i analýza vlivu nastavení parametrů pro algoritmy Immunos-99, CLONALG a CLONCLAS.
?Formulace doporučení pro prvotní nastavení těchto parametrů na základě uskutečněné analýzy vlivu nastavení jednotlivých parametrů.
?Experimentální vyhodnocení navrženého modelu pro hodnocení bonity obcí pomocí AIS pro skupinu algoritmů Immunos, včetně navržených optimalizací pro tyto algoritmy, a algoritmy CLONALG a CLONCLAS.
?Nalezení vhodného prvotního nastavení parametrů těchto algoritmů tak, aby bylo dosaženo maximální úspěšnosti klasifikace.
?Doporučení nejvhodnějšího algoritmu pro klasifikační úlohu hodnocení bonity obcí, na základě provedených experimentů.
?Testování navrženého modelu a doporučeného nastavení parametrů jednotlivých algoritmů na jiných datových souborech z jiné aplikační oblasti.
?Zhodnocení závěrů pro modelování bonity obcí ve vazbě na výsledky získané na jiných datových souborech.
Seznam doporučené literatury
BROWLEE, J. Clonal Selection Algorithms. Technical Report, no. 070209A, Center for Intelligent Systems and Complex Processes (CISCP), Faculty of Information and Communication Technologies, Swinburne University of Technology, Australia. February 2007.
BROWLEE, J. Immunos-81, The Misunderstood Artificial Immune System. Technical Report, no. 3 01, Center for Intelligent Systems and Complex Processes (CISCP), Faculty of Information and Communication Technologies, Swinburne University of Technology, Australia. January 2005.
CASTRO, L. N., TIMMIS, J. I. Artificial Immune Systems: A Novel Paradigm to Pattern Recognition. In Artificial Neural Network in Pattern Recognition. SOCO-2002, University of Prasley, UK: Springer Verlag, 2002. pp. 67-84.
CASTRO, L. N., ZUBEN, F. J. Learning and Optimization Using the Clonal Selection Principle. IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems. 2002, vol. 6, no. 3, pp. 239-251. ISSN 1089-778X.
CUTELLO, V. et. al. Clonal Selection Algorithms: A Comparative Case Study using effective Mutation Potentials, In Proceedings Artificial Immune Systems: 4th International Conference Banff, Alberta, Canada (ICARIS 2005). Berlin: Springer Verlag, 2005. pp. 13-28.
DASGUPTA, D. Artificial Neural Networks and Artificial Immune Systems: Similarities and Differences. In the proceedings of the IEEE International Conference on Systems, Man and Cybernetics, Orlando, October 12-15. 1997, vol.1, pp. 873 ? 878.
DASGUPTA, D. Advances in Artificial Immune Systems. Computational Intelligence Magazine, IEEE, November 2006, vol. 1, no. 4, pp. 40-49. ISSN 1556-603X.
TIMMIS, J. et. al. An Overview of Artificial Immune Systems. In Computation in Cells and Tissues: Perspectives and Tools for Thought. Computation Series. Springer Verlag, 2004. pp. 51 86. ISBN 3540003584.
TIMMIS, J. Artificial Immune Systems: A Novel Data Analysis Technique Inspired by the Immune Network Ttheory. Aberystwyth, Ceredigion, Wales: University of Wales. Department of Computer Science, 2001. PhD thesis, Department of Computer Science, University of Wales.
WATKINS, A., BOGGESS, L. A Resource Limited Artificial Immune Classifier. In Proceedings of Congress on Evolutionary Computation, Part of the 2002 IEEE World Congress on Computational Intelligence held in Honolulu, HI, USA, May 12-17. IEEE Computer Society Press, 2002. pp. 926-931.
Seznam doporučené literatury
BROWLEE, J. Clonal Selection Algorithms. Technical Report, no. 070209A, Center for Intelligent Systems and Complex Processes (CISCP), Faculty of Information and Communication Technologies, Swinburne University of Technology, Australia. February 2007.
BROWLEE, J. Immunos-81, The Misunderstood Artificial Immune System. Technical Report, no. 3 01, Center for Intelligent Systems and Complex Processes (CISCP), Faculty of Information and Communication Technologies, Swinburne University of Technology, Australia. January 2005.
CASTRO, L. N., TIMMIS, J. I. Artificial Immune Systems: A Novel Paradigm to Pattern Recognition. In Artificial Neural Network in Pattern Recognition. SOCO-2002, University of Prasley, UK: Springer Verlag, 2002. pp. 67-84.
CASTRO, L. N., ZUBEN, F. J. Learning and Optimization Using the Clonal Selection Principle. IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems. 2002, vol. 6, no. 3, pp. 239-251. ISSN 1089-778X.
CUTELLO, V. et. al. Clonal Selection Algorithms: A Comparative Case Study using effective Mutation Potentials, In Proceedings Artificial Immune Systems: 4th International Conference Banff, Alberta, Canada (ICARIS 2005). Berlin: Springer Verlag, 2005. pp. 13-28.
DASGUPTA, D. Artificial Neural Networks and Artificial Immune Systems: Similarities and Differences. In the proceedings of the IEEE International Conference on Systems, Man and Cybernetics, Orlando, October 12-15. 1997, vol.1, pp. 873 ? 878.
DASGUPTA, D. Advances in Artificial Immune Systems. Computational Intelligence Magazine, IEEE, November 2006, vol. 1, no. 4, pp. 40-49. ISSN 1556-603X.
TIMMIS, J. et. al. An Overview of Artificial Immune Systems. In Computation in Cells and Tissues: Perspectives and Tools for Thought. Computation Series. Springer Verlag, 2004. pp. 51 86. ISBN 3540003584.
TIMMIS, J. Artificial Immune Systems: A Novel Data Analysis Technique Inspired by the Immune Network Ttheory. Aberystwyth, Ceredigion, Wales: University of Wales. Department of Computer Science, 2001. PhD thesis, Department of Computer Science, University of Wales.
WATKINS, A., BOGGESS, L. A Resource Limited Artificial Immune Classifier. In Proceedings of Congress on Evolutionary Computation, Part of the 2002 IEEE World Congress on Computational Intelligence held in Honolulu, HI, USA, May 12-17. IEEE Computer Society Press, 2002. pp. 926-931.