Представление данных о состоянии популяции и обучение искусственной нейронной сети в задаче управления работой генетическим алгоритмом

Авторы

  • Давид Арегович Петросов Финансовый университет при Правительстве РФ
  • Никита Андреевич Андриянов Финансовый университет при Правительстве РФ
  • Александр Николаевич Алюнов Финансовый университет при Правительстве РФ
  • Евгений Валерьевич Нежданов Финансовый университет при Правительстве РФ

DOI:

https://doi.org/10.52575/2712-746X-2023-50-4-924-935

Ключевые слова:

имитационное моделирование, рекуррентный класс сетей, эволюционные процедуры, структурно-параметрический синтез, моделирование, глубокое обучение, бизнес-процессы

Аннотация

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

Данные скачивания пока недоступны.

Биографии авторов

Давид Арегович Петросов, Финансовый университет при Правительстве РФ

кандидат технических наук, доцент, доцент департамента анализа данных и машинного обучения, Финансовый университет при Правительстве РФ,
г. Москва, Россия

Никита Андреевич Андриянов, Финансовый университет при Правительстве РФ

кандидат технических наук, доцент департамента анализа данных и машинного обучения, Финансовый университет при Правительстве РФ,
г. Москва, Россия

Александр Николаевич Алюнов, Финансовый университет при Правительстве РФ

кандидат технических наук, доцент, доцент департамента анализа данных и машинного обучения, Финансовый университет при Правительстве РФ,
г. Москва, Россия

Евгений Валерьевич Нежданов, Финансовый университет при Правительстве РФ

заместитель директора Центра компетенций «Цифровая экономика», Финансовый университет при Правительстве РФ,
г. Москва, Россия

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

2023-12-29

Как цитировать

Петросов, Д. А., Андриянов, Н. А., Алюнов, А. Н., & Нежданов, Е. В. (2023). Представление данных о состоянии популяции и обучение искусственной нейронной сети в задаче управления работой генетическим алгоритмом. Экономика. Информатика, 50(4), 924-935. https://doi.org/10.52575/2712-746X-2023-50-4-924-935

Выпуск

Раздел

СИСТЕМНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ

Наиболее читаемые статьи этого автора (авторов)