ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2016 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,389
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,732
5-летний импакт-фактор РИНЦ: 0,364
5-летний импакт-фактор РИНЦ без самоцитирования: 0,303
Суммарное число цитирований журнала в РИНЦ: 5022
Пятилетний индекс Херфиндаля по цитирующим журналам: 355
Индекс Херфиндаля по организациям авторов: 499
Десятилетний индекс Хирша: 11
Место в общем рейтинге SCIENCE INDEX за 2016 год: 304
Место в рейтинге SCIENCE INDEX за 2016 год по тематике "Автоматика. Вычислительная техника": 11

Больше данных по публикационной активности нашего журнале за 2008-2016 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2017

Инструментальная среда эволюционного моделирования

Статья опубликована в выпуске журнала № 4 за 2006 год.[ 23.12.2006 ]
Аннотация:
Abstract:
Авторы: Курейчик В.В. (vkur@sfedu.ru) - Южный федеральный университет, Таганрог, Россия, доктор технических наук, Хабарова И.В. () - , , , Сороколетов П.В. () - , ,
Ключевое слово:
Ключевое слово:
Количество просмотров: 7744
Версия для печати
Выпуск в формате PDF (1.30Мб)

Размер шрифта:       Шрифт:

Эволюционные вычисления являются адаптивными алгоритмами, что позволяет применять их в нелинейных задачах высокой размерности при отсутствии требований к дифференцируемости оптимизируемой функции или полноты знаний о решаемой проблеме. Они отличаются устойчивостью при поиске решения оптимизационных задач искусственного интеллекта [1-4]. Для повышения качества решения оптимизационных задач используются эволюционные модели с динамическими параметрами [2,5]. При этом в процессе эволюции размер популяции и длительность жизни каждого индивида (альтернативного решения) меняется в зависимости от внешней среды. Это позволяет гибко реагировать на любые внешние параметры и повышает эффективность вычислений. В работе описана инструментальная среда по исследованию характеристик эволюционных алгоритмов (ЭА) с динамическими параметрами.

Общая структурная схема инструментальной среды эволюционного моделирования приведена на рисунке. Программа для исследования эволюционных алгоритмов с динамическими параметрами DYNGEN содержит в себе [6]:

-    панели для выбора алгоритма для исследования и вида целевой функции;

-    панель настроек параметров для конкретного ЭА;

-    панель работы алгоритма, позволяющую отображать в процессе работы алгоритма значение исходных данных задачи, значение целевой функции, график максимальной и средней целевой функции по популяции и прогону; для визуальной оценки выполнения алгоритма предусмотрен вывод результатов на экран в виде графиков зависимости целевой функции от поколения [6].

Выбор ЭА включает: простой генетический алгоритм (ПГА), ЭА с переменным временем жизни (ЭА1), ЭА с динамическим размером популяции (ЭА2), ЭА с логистической моделью (ЭА3), ЭА с последствием, поколенческий (ЭА4), ЭА с логистическими моделями (ЭА5) [2,5,6]. Программой предусмотрен просмотр выбранной целевой функции для визуального представления задачи.

Следующим этапом является ввод параметров. Параметры подразделяются на общие и дополнительные. К общим относятся: начальный размер популяции, вероятности генетических операторов, уровень репродукции, число генерируемых поколений, число отдельных запусков алгоритма, тип останова (по номеру поколения, по достижению максимума целевой функции, по отсутствию изменений) и разрядность хромосом (альтернативных решений).

Дополнительные параметры для конкретного алгоритма:

·     для ЭА1 – минимальное время жизни хромосомы, параметр внешних воздействий, размер архива;

·     для ЭА2 с динамическим размером популяции – число удаляемых хромосом;

·     для ЭА3 – шаг изменения уровня репродукции;

·     для ЭА4 – возраст хромосомы;

·     Подпись:  
Структурная схема программы эволюционного
моделирования
для ЭА5 – возраст хромосомы, номер шага для уменьшения размера популяции.

Для программной реализации использован компилятор Delphi 5.0 для 32-разрядных систем Windows, что позволило обеспечить удобный интерфейс пользователя и визуализацию работы алгоритмов.

Цель экспериментального исследования – найти оптимальные параметры предложенных алгоритмов, при которых решение данной задачи (глобальный и близкие ему локальные максимумы функций) становится возможным или улучшается по сравнению с ПГА.

Объектами исследований в данной работе являются ЭА с динамическими параметрами [6]. Критерий эффективности алгоритма есть максимальное значение целевой функции, выраженное в процентах.

В ходе работы были исследованы ЭА при различных значениях варьируемых динамических параметров, подобраны их оптимальные значения для нахождения глобального оптимума тестовых функций. Выбор целевой функции включает функции с одной и двумя переменными. Для проведения экспериментальных исследований рассмотрим следующие функции:

f1(x)=x; f2(x)=xn, nÎ[2,4]; f3(x)=x2-y2;

.

В таблице показаны экспериментальные результаты оптимизации данных функций. Каждый эксперимент проводился повторно 100 раз до достижения 10 поколений. В таблицу занесены средние значения полученных результатов в процентах.

Метод

f1

F2

F3

F4

f5

ПГА

96

90

96

65

0

ЭА1

93

99

92

85

68

ЭА2

98

99

90

91

70

ЭА3

99

93

94

93

80

ЭА4

93

96

90

93

80

ЭА5

98

95

96

96

89

Можно сделать вывод, что из предложенных алгоритмов лучшие результаты показал ЭА5 для всех исследуемых функций, а введение динамических параметров позволяет повысить эффективность генетического поиска и обеспечить его устойчивость. Найденное максимальное и среднее значение целевой функции увеличивается в среднем на 10% по сравнению с ПГА.

Использование динамических параметров при эволюционном моделировании повышает эффективность ЭА, обеспечивая сохранение найденных лучших решений. Это объясняется тем, что жесткие связи в модели приводят к замкнутости поиска, а введение динамических переменных позволяет устранить проблемы преждевременной сходимости и потери найденного лучшего решения.

Список литературы

1.            Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. -М.: Эдиториал УРСС, 2002. -352с.

2.            Зинченко Л.А., Курейчик В.М. Многоальтернативные генетические алгоритмы поиска экстремума функции //Изв. РАН. Теории и системы управления. – 2003. - № 4. - С. 82-91.

3.            Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы: Учебное пособие. / Под ред. В.М. Курейчика. - М: Физматлит, 2006.

4.            Курейчик В.В. Эволюционные, синергетические и гомеостатические методы принятия решений: Монография. - Таганрог: Изд-во ТРТУ, 2001.

5.            Курейчик В.М., Зинченко Л.А. Эволюционное моделирование с использованием динамических параметров // Тр. VII нац. конф. по искусствен. интеллекту. - М.: Физматлит, 2000. - С. 516-523.

6.            Хабарова И.В.. Разработка среды эволюционного моделирования с динамическими параметрами DYNGEN //Изв. ТРТУ. – Таганрог. - 2002. - № 3. - С. 273.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=429
Версия для печати
Выпуск в формате PDF (1.30Мб)
Статья опубликована в выпуске журнала № 4 за 2006 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: