Анализ разрушающей способности операторов генетического алгоритма при решении задачи структурно-параметрического синтеза бизнес-процессов
DOI:
https://doi.org/10.22213/2410-9304-2023-4-109-116Ключевые слова:
сети Петри, COGAN, имитационное моделирование, структурно-параметрический синтез, генетический алгоритм, бизнес-процесс, моделированиеАннотация
В работе проводится анализ разрушающей способности операторов классического генетического алгоритма при решении задачи управления траекторией движения популяции во время поиска решений. В соответствии с выдвинутой гипотезой при решении задачи структурно-параметрического синтеза больших дискретных систем с заданным поведением целесообразно выполнять изменение настройки функционирования операторов генетического алгоритма для обеспечения: лучшей сходимости генетического алгоритма, избегать затухания, сигнализировать о потребности перезапуска процедуры синтеза решений, а также способствовать выводу популяции из локальных экстремумов. В качестве элемента управления (управляющей надстройки) предлагается использовать искусственную нейронную сеть, которая должна реализовывать управление процессом синтеза имитационных моделей бизнес-процессов на основе заданного поведения (способность имитационной модели преобразовывать заданный входной вектор в эталонный выходной), что особенно актуально при работе с большими системами. В соответствии с той же гипотезой увеличение разрушающей способности операторов скрещивания и мутации позволяет рассеять популяцию по пространству решений, что целесообразно при возникновении затухания, нахождения в локальном экстремуме, а уменьшение разрушающей способности способствует более тщательному поиску решений в определенной области пространства решений. В работе приведены примеры работы операторов и поведение популяции при синтезе имитационных моделей бизнес-процессов на основе теории сетей Петри. Для моделирования работы генетического алгоритма и искусственной нейронной сети предложено использование теории сетей Петри, что упрощает процесс управления процедурой синтеза и позволяет использовать средства параллельного программирования с распределенными вычислениями GPGPU на технологии CUDA. В рамках данного исследования проведен анализ поведения популяции при изменении настроек функционирования операторов, который подтвердил выдвинутую гипотезу.Библиографические ссылки
Petrosov D.A., Lomazov V.A., Petrosova N.V. [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. 2021, № 11, pp. 38-99.
Costa-Carrapiço I., Raslan R., González J.N. [A Systematic Review of Genetic Algorithm-Based Multi-Objective Optimisation for Building Retrofitting Strategies towards Energy Efficiency]. Energy Build. 2020, № 210, pp. 109-690.
Petrosov D.A., Lomazov V.A., Petrosova N.V. [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. 2021, № 11, pp. 38-99.
Santiago A., Dorronsoro B., Fraire H.J., Ruiz P. [Micro-Genetic Algorithm Algorithm-Based Multi-Objective Optimisation for Building Retrofitting Strategies towards Energy Efficiency]. Energy Build. 2020, № 210, pp. 109-690.
Петросов Д. А. Имитационная модель управляемого генетического алгоритма на основе сетей Петри // Интеллектуальные системы в производстве. 2019. Т. 17. №1. С. 63-70.
Петросов Д. А., Зеленина А. Н. Модель искусственной нейронной сети для решения задачи управления генетическим алгоритмом с применением математического аппарата теории сетей Петри // Моделирование, оптимизация и информационные технологии. 2020. Т. 8, № 4 (31).
Петросов Д. А. Моделирование искусственных нейронных сетей с использованием математического аппарата теории сетей Петри // Перспективы науки. 2020. № 12 (135). С. 92-95.
Алгоритмы параметрического синтеза, применяемые при проектировании гибких производственных систем на основе компьютерного моделирования / А. И. Сергеев, С. Е. Крылова, С. Ю. Шамаев, Т. Р. Мамуков // Известия Самарского научного центра Российской академии наук. 2021. Т. 23. № 2 (100). С. 106-114.
Макаров В. И. Оптимизация программной реализации генетического алгоритма с применением параллельных вычислений // Программная инженерия. 2023. Т. 14, № 8. С. 401-406.
Бова В. В., Лещанов Д. В. Модифицированный алгоритм поиска закономерностей в данных большой размерности на основе генетической оптимизации // Информатизация и связь. 2021. № 3. С. 67-72.
Сапрыкина А. О. Эволюционные операторы и принцип работы генетического алгоритма // Современные научные исследования и инновации. 2022. № 11 (139). С. 34-41.
Софронова Е. А. Вариационный генетический алгоритм и его применение к управлению транспортными потоками в городской среде // International Journal of Open Information Technologies. 2023. Т. 11, № 4. С. 3-13.
Шегай М. В., Попова Н. Н. Генетический алгоритм оптимизации путеводных деревьев // Вестник Московского университета. Серия 15: Вычислительная математика и кибернетика. 2023. № 1. С. 54-61.
Голышин А. Е. Настройка параметров нечеткого контроллера с помощью генетического алгоритма при управлении динамическим объектом// Актуальные проблемы авиации и космонавтики. 2018. Т. 2, № 4 (14). С. 21-23.
Чеканин В. А., Куликова М. Ю. Адаптивная настройка параметров генетического алгоритма // Вестник МГТУ "Станкин". 2017. № 3 (42). С. 85-89.
Сапрыкина А. О. Настройка параметров эволюционных операторов генетического алгоритма для повышения эффективности поиска решения задачи // Современные научные исследования и инновации. 2022. № 12 (141). С. 12-19.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Давид Арегович Петросов, Надежда Юрьевна Сурова
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.