Анализ разрушающей способности операторов генетического алгоритма при решении задачи структурно-параметрического синтеза бизнес-процессов

Авторы

  • Д. А. Петросов Финансовый университет при Правительстве РФ
  • Н. Ю. Сурова Финансовый университет при Правительстве РФ

DOI:

https://doi.org/10.22213/2410-9304-2023-4-109-116

Ключевые слова:

сети Петри, COGAN, имитационное моделирование, структурно-параметрический синтез, генетический алгоритм, бизнес-процесс, моделирование

Аннотация

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.

Биографии авторов

Д. А. Петросов, Финансовый университет при Правительстве РФ

кандидат технических наук, доцент

Н. Ю. Сурова, Финансовый университет при Правительстве РФ

кандидат экономических наук, доцент

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

09.01.2024

Как цитировать

Петросов, Д. А., & Сурова, Н. Ю. (2024). Анализ разрушающей способности операторов генетического алгоритма при решении задачи структурно-параметрического синтеза бизнес-процессов. Интеллектуальные системы в производстве, 21(4), 109–116. https://doi.org/10.22213/2410-9304-2023-4-109-116

Выпуск

Раздел

Статьи