Представление данных о состоянии популяции и обучение искусственной нейронной сети в задаче управления работой генетическим алгоритмом
DOI:
https://doi.org/10.52575/2712-746X-2023-50-4-924-935Ключевые слова:
имитационное моделирование, рекуррентный класс сетей, эволюционные процедуры, структурно-параметрический синтез, моделирование, глубокое обучение, бизнес-процессыАннотация
В статье рассматривается возможность применения рекуррентной искусственной нейронной сети для решения задачи управления генетическим алгоритмом при структурно-параметрическом синтезе имитационных моделей бизнес-процессов. В качестве входов для выбранного класса сетей рассматривается значение функции приспособленности особей популяции, сгруппированных по количеству одинаковых значений. Такого рода подход позволяет стандартизировать размерность входов нейронной сети для популяций различной размерности. В работе представлены примеры данных, полученных при работе адаптированного к решению задачи структурно-параметрического синтеза имитационных моделей бизнес-процессов генетического алгоритма и их визуализация, которые использовались для обучения искусственной нейронной сети. На основе вычислительных данных эксперимента было проведено обучение нескольких видов моделей искусственных нейронных сетей с целью определения класса сетей, способных определить состояние популяции генетического алгоритма в процессе поиска решений. В работе приведены результаты обучения различных искусственных нейронных сетей современными методами глубокого обучения.
Благодарности
Работа выполнена при финансовой поддержке РНФ (проект №23-31-00127).
Скачивания
Библиографические ссылки
Андриянов Н.А. 2014. Дискретные дважды стохастические авторегрессионные модели случайных полей. Современные проблемы проектирования, производства и эксплуатации радиотехнических систем,1(9): 69-71.
Васильев К.К. 2014. Авторегрессии с кратными корнями характеристических уравнений. Радиотехника, 11: 74–78.
Голышин А.Е. 2018. Настройка параметров нечеткого контроллера с помощью генетического алгоритма при управлении динамическим объектом. Актуальные проблемы авиации и космонавтики, 4(14): 21-23.
Давронов, Ш. Р. 2023. Обзор современных генетических алгоритмов и их применение на практике. Молодой ученый, 36 (483):15-18.
Денисов М.А., Сопов Е.А. 2021. Генетический алгоритм условной оптимизации для проектирования информативных признаков в задачах классификации. Сибирский аэрокосмический журнал, 1: 18-31.
Дрозин А.Ю. 2023. Генетический алгоритм построения маршрутов выполнения этапов работ в конвейерной системе. Системный администратор,5 (246): 94-95
Петросов Д.А., Зеленина А.Н. 2020. Модель искусственной нейронной сети для решения задачи управления генетическим алгоритмом с применением математического аппарата теории сетей Петри. Моделирование, оптимизация и информационные технологии, 4(31).
Сапрыкина А.О. 2022а. Настройка параметров эволюционных операторов генетического алгоритма для повышения эффективности поиска решения задачи. Современные научные исследования и инновации, 12 (141): 12-19.
Сапрыкина А.О. 2022б. Эволюционные операторы и принцип работы генетического алгоритма. Современные научные исследования и инновации, 11 (139):34-41.
Софронова Е.А. 2023. Вариационный генетический алгоритм и его применение к управлению транспортными потоками в городской среде. International Journal of Open Information Technologies, 4:3-13.
Чеканин В.А., Куликова М.Ю. 2017. Адаптивная настройка параметров генетического алгоритма. Вестник МГТУ «Станкин», 3(42): 85-89.
Шегай М.В., Попова Н.Н. 2023. Генетический алгоритм оптимизации путеводных деревьев. Вестник Московского университета. Серия 15: Вычислительная математика и кибернетика,1:54-61.
Шишкова Н.А. 2017. Генетический алгоритм как метод оптимизации. Проблемы науки, 5(18): 28-30.
Andriyanov N.A., Sluzhivyi M.N. 2019. Solution for the problem of the parameters identification for autoregressions with multiple roots of characteristic equations. CEUR Workshop Proceedings, 2391:1-7.
Hahn Y., Langer T., Meyes R., Meisen T. 2023. Time Series Dataset Survey for Forecasting with Deep Learning. Forecasting, 5: 315-335. https://doi.org/10.3390/forecast5010017
Kalayc T.A., Asan U. 2022. Improving Classification Performance of Fully Connected Layers by Fuzzy Clustering in Transformed Feature Space. Symmetry, 14: 658. https://doi.org/10.3390/sym14040658
Petrosov D.A., Lomazov V.A., Petrosova N.V. 2021.Model of an Artificial Neural Network for Solving the Problem of Controlling a Genetic Algorithm Using the Mathematical Apparatus of the Theory of Petri Nets. Applied Sciences, 11: 3899.
Valerian G., Sutrisno T., Herwindiati D.E. 2020. Image clustering using genetic algorithm with tournament selection and uniform crossover. IOP Conf. Series: Materials Science and Engineering. doi:10.1088/1757–899X/852/1/012043.
Zhang J., Zhu F., Chen H. 2023. Two-Threshold-Variable Integer-Valued Autoregressive Model. Mathematics, 11: 3586. https://doi.org/10.3390/math11163586
Zhang X., Zhong Z., Jianjun Z., Ting W., Wing W.Y. 2023. Robust recurrent neural networks for time series forecasting. Neurocomputing, 526: 143-157.
Просмотров аннотации: 61
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2023 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.