Другие журналы

электронный научно-технический журнал

ИНЖЕНЕРНЫЙ ВЕСТНИК

Издатель ФГБОУ ВПО "МГТУ им. Н.Э. Баумана". Эл No. ФС77-51036. ISSN 2307-0595

Оптимизация моделей сложных систем на основе метаэвристических алгоритмов и нейронных сетей

Инженерный вестник # 11, ноябрь 2016
УДК: 519.711.2
Файл статьи: Afonin_P_p.508-516.pdf (566.31Кб)
автор: Афонин П. В.

В различных областях науки и техники построение моделей сложных систем во многих случаях не может быть осуществлено с помощью аналитического моделирования. Для таких систем метод имитационного моделирования является единственным подходом к построению моделей необходимого уровня детализации и адекватности. Как правило, конечной целью разработки имитационной модели (ИМ) сложной системы является решение задачи оптимизации на базе ИМ. Для таких задач метаэвристические алгоритмы находят широкое применение, поскольку обеспечивают глобальную оптимизацию и работают для целевых функций заданных не только в аналитическом виде, но и на основе концепции «черный ящик». В ряде случаев для сходимости эволюционного алгоритма требуется большое число расчетов целевой функции (ЦФ), которые невозможно выполнить за время, отведенное на решение задачи. Основным подходом к решению данной проблемы является использование метамоделей. Метамодель – это приближенная математическая модель, полученная в результате экспериментов с моделью системы. Для расчета значений ЦФ в процессе оптимизации можно использовать метамодель вместо имитационной модели, значительно сокращая время работы оптимизационного алгоритма. В статье дана постановка задачи оптимизации имитационной модели сложной системы и представлен краткий обзор методов решения: рассмотрены метаэвристики, способы построения метамоделей и подходы к интеграции метамоделей с эволюционными метаэвристиками. Представлена система для решения задач оптимизации на основе имитационных моделей и эволюционная стратегия на основе метамодели.

Список литературы

      [1].      Лоу А.М., Кельтон В.Д. Имитационное моделирование. 3-е изд. Пер. с англ. СПб.: Питер, Издат. группа BHV. 2004. 848 с.
      [2].      Glover F.W., Kochenberger G.A. Handbook of Metaheuristics. Kluwer, Boston. 2003. 570 p.
      [3].      Hansen N., Ostermeier A. Completely derandomized self-adaptation in evolution strategies. // Evolutionary Computation. 2001. Vol. 9. № 2. P. 159–196. DOI: 10.1162/106365601750190398
      [4].      Haykin S. Neural Networks: A Comprehensive Foundation. Second Edition. Prentice-Hall. 1999. 874 p.
      [5].      Jin Y., Olhofer M., Sendhoff B. A framework for evolutionary optimization with approximate fitness functions. // IEEE Transactions on Evolutionary Computation. 2002. Vol. 6. № 5. P. 481-494.
      [6].      Ulmer H., Streichert F., Zell A. Evolution strategies with controlled model assistance. // 2004 IEEE Congress on Evolutionary Computation. Portland, Oregon. 2004. P.1569-1576. Режим доступа: http://www.ra.cs.uni-tuebingen.de/publikationen/2004/ulmer04evolution (дата обращения: 6.10.2016)
      [7].      Gräning L., Jin Y., Sendhoff B. Individual-based Management of Meta-models for Evolutionary Optimization with Applications to Three-Dimensional Blade Optimization. // Evolutionary Computation in Dynamic and Uncertain Environments. Springer. 2007. P. 225-250.
      [8].      Branke J., Schmidt C. Sequential sampling in noisy environments. / In Xin Yao et. al., editor. // Proceedings of the 8th International Conference on Parallel Problem Solving from Nature (PPSN VIII). (Birmingham, UK, September 18-22, 2004). Berlin/Heidelberg, Germaany: Springer. 2004. P. 202–211. DOI: 10.1007/978-3-540-30217-9_21
      [9].      Jaskowski W., Kotlowski W. On Selecting the Best Individual in Noisy Environments. // The proceedings of GECCO’08. (July 12–16, 2008, Atlanta, Georgia, USA). P. 961-968.
    [10].    Афонин П.В. Построение гибридных систем имитационного моделирования на базе эволюционных метаэвристик и нейронных сетей // Обозрение прикладной и промышленной математики. Сборник трудов Макросимпозиума «Нечеткие системы, мягкие вычисления и интеллектуальные технологии». 2011. Т.4. C.38-39.
    [11].    Jin Y., Huesken M., Sendhoff B. Quality measures for approximate models in evolutionary computation. / In Alwyn M. Barry, editor. // GECCO 2003. Genetic and Evolutionary Computation Conference: Workshop Program. Chicago. 2003. P. 170–173.
    [12].    Афонин П.В. Метод контроля эволюции для эволюционных стратегий на основе нейросетевых метамоделей // Труды V-ой Международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте». (28-30 мая 2009 г., Коломна). М.: Физматлит. 2009. Т.2. С.563-574.


Тематические рубрики:
Поделиться:
 
ПОИСК
 
elibrary crossref neicon rusycon
 
ЮБИЛЕИ
ФОТОРЕПОРТАЖИ
 
СОБЫТИЯ
 
НОВОСТНАЯ ЛЕНТА



Авторы
Пресс-релизы
Библиотека
Конференции
Выставки
О проекте
Rambler's Top100
Телефон: +7 (499) 263-69-71
  RSS
© 2003-2017 «Инженерный вестник» Тел.: +7 (499) 263-69-71