Найти

Результаты поиска

• ИНИЦИАЛИЗАЦИЯ РЕШЕНИЙ В ПОПУЛЯЦИОННЫХ АЛГОРИТМАХ НА ОСНОВЕ МЕТОДА МЕТРОПОЛИСА–ГАСТИНГСА

  С.И. Родзин , А.И. Дерменжи

  2025-01-30

  Аннотация ▼

  Наиболее важными задачами принятия оптимальных решений с использованием эвристиче-
  ских алгоритмов считаются повышение точности и предотвращение преждевременной сходимо-
  сти. Большинство исследований в этом направлении сосредоточено на разработке новых опера-
  торов, настройке параметров популяционной метаэвристики и гибридизации нескольких страте-
  гий поиска решений. Гораздо меньше внимания уделяется инициализации – важной операции в по-
  пуляционных алгоритмах, которая связана с созданием исходной популяции решений. Предлагает-
  ся новый подход к инициализации популяции для эвристических алгоритмов. При формировании
  множества начальных решений предлагается использовать метод Метрополиса–Гастингса.
  В соответствии с этим методом исходные решения в популяции принимают значения, близкие к
  глобальному или локальным оптимумам целевой функции. Это позволяет повысить точность
  получаемых решений. Чтобы продемонстрировать возможности предлагаемого подхода к ини-
  циализации, он была встроен в базовый алгоритм дифференциальный эволюции. Для оценки эф-
  фективности стратегии проведена экспериментальная проверка путем сравнения с такими из-
  вестными методами как случайная инициализация, обучение на основе методов оппозиции и хаоса,
  а также метода диагонального равномерного распределения. Сравнение проводилось на репрезен-
  тативном наборе мультимодальных, унимодальных и гибридных функций, включая функцию Рас-
  тригина, Квинга, Розенброка, Швефеля, квинтовую, ступенчатую, сферическую. Анализировались
  скорость сходимости алгоритмов и точность получаемых решений. В качестве показателей
  сравнения использовались среднее значение по лучшим решениям, медианное лучшее решение,
  стандартное отклонение от лучшего решения, количество вызовов функций, коэффициент ус-
  пешности, коэффициент ускорения. Значения показателей усреднялись по результатам 30 от-
  дельных запусков каждого алгоритма. Предлагаемый алгоритм работает быстрее, показывает
  лучшую сходимость и точность. Алгоритм дает лучшие результаты, поскольку стратегия ини-
  циализации позволяет выбирать перспективные решения, близкие к локальным или глобальным
  оптимумам. Статистическая проверка результатов работы алгоритмов по критерию Фридмана
  подтвердила, что предлагаемый подход к инициализации популяции решений обеспечивает лучший
  баланс скорость сходимости/точность решений

• МЕТОД МНОГОКРИТЕРИАЛЬНОГО ГРУППОВОГО ПРИНЯТИЯ РЕШЕНИЙ В ЧРЕЗВЫЧАЙНОЙ СИТУАЦИИ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКИХ КОЛЕБЛЮЩИХСЯ МНОЖЕСТВ

  С.И. Родзин , А. В. Боженюк , Е.В. Нужнов

  2024-08-12

  Аннотация ▼

  При возникновении чрезвычайной ситуации необходимо принять эффективные экстренные
  меры. Известно, что аварийное событие обладает характеристиками ограниченности времени и
  информации, вредоносности и неопределенности, а лица, принимающие решения, часто ограничены в
  рациональности в условиях неопределенности и риска. Психологическое поведение людей следует
  учитывать в реальных процессах принятия решений. Принятие решений в чрезвычайных ситуациях
  является актуальной задачей и предметом исследовательских интересов. В этой статье представлен новый подход к принятию экстренных решений с использованием нечетких колеблющихся мно-
  жеств. Для определения весов критериев строится математическая модель, которая позволяет
  преобразовать значения критериев в совместимую шкалу и исключить влияние различных шкал для
  их измерений. Чтобы отобразить психологическое поведение лиц, принимающих решения, вводится
  функция степени группового удовлетворения и функция ценности воспринимаемой полезности аль-
  тернативы. Вычисляется и ранжируется полезность альтернатив, приводится пример исследова-
  ния чрезвычайной ситуации. По сравнению с существующими методами предлагаемый метод к при-
  нятию решений в условиях чрезвычайной ситуации имеет следующие особенности: расширяются
  возможности для определения весов критериев принятия решений, когда критерии имеют различ-
  ную шкалу; метод учитывает психологию ЛПР, в отличие от известных подходов, предполагающих
  рациональность решений ЛПР; по сравнению с теорией проспектов метод не требует субъективной
  оценки уровня ожиданий, использует меньшее количество параметров, что расширяет область его
  применения. Предложенный метод также имеет некоторые ограничения: требуются определенные
  вычислительные затраты при большом количестве альтернативных решений и характеризующих их
  атрибутов. Однако это ограничение преодолевается при использовании программного обеспечения,
  такого как MATLAB. Интересной представляется возможность в будущем применить предлагае-
  мый метод для задач оценки риска при принятии решений в условиях нечеткой информации, если
  значения атрибутов являются случайными величинами.

• ВЫЧИСЛИТЕЛЬНАЯ МОДЕЛЬ КОЛЛЕКТИВНОГО ПОВЕДЕНИЯ ГРУППЫ ЖИВОТНЫХ: ЭФФЕКТИВНАЯ БИОЭВРИСТИКА ДЛЯ РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ ГЛОБАЛЬНОЙ ОПТИМИЗАЦИИ

  С.И. Родзин

  2024-05-28

  Аннотация ▼

  Перспективным решением задач глобальной оптимизации являются метаэвристики, инспириро-
  ванные природой, представляющие собой недетерминированные алгоритмы, исследующие простран-
  ство поиска, решений, обучающиеся в процессе поиска, не привязанные к конкретной задаче, хотя и не
  гарантирующие точное решений. Целью данного исследования является разработка эффективного
  алгоритма для решения прикладных проблем глобальной оптимизации многомерных одномодальных и
  мультимодальных функций, встречающихся в задачах инженерного проектирования, обработки изо-
  бражений и компьютерного зрения, энергетики и энергоменеджмента, анализа данных и машинного
  обучения, робототехники. Для достижения этой цели в статье предлагается вычислительная модель
  коллективного поведения группы животных и эффективный алгоритм дифференциально-векторного
  движения. Модель включает разнообразные паттерны поведения в группе животных: удерживать
  текущую позицию; двигаться в направлении к ближайшим соседям или, наоборот, от ближайших со-
  седей; двигаться случайным образом; конкурировать за позицию. В коллективной памяти хранится
  информация о местоположении доминирующих особей группы и направлении движения группы, лучшие
  позиции агентов с учетом механизмов конкуренции и доминирования в группе. Алгоритм был экспери-
  ментально протестирован на семи известных многомерных одномодальных и мультимодальных функ-
  циях. Результаты были сопоставлены с генетическим алгоритмом, алгоритмом роя частиц, гравита-
  ционного поиска дифференциальной эволюции. Предлагаемый алгоритм показал лучшие результаты,
  нежели конкурирующие алгоритмы, на всех тестовых функциях. Это объясняется лучшим балансом
  нового алгоритма между скоростью сходимости и диверсификацией пространства поиска решений.
  Проверка полученных результатов с использованием Т-критерия суммы рангов Уилкоксона для незави-
  симых выборок показала, что результаты по алгоритму являются статистически значимыми. Также
  проводилось сравнение с одним из наиболее эффективных алгоритмов непрерывной оптимизации BFGS
  - квазиньютоновским итерационным алгоритмом численной оптимизации, предназначенным для на-
  хождения локального экстремума одномодальных функций. Результаты оказались сопоставимы для
  многомерных функций. Алгоритм также сравнивался с методом мультистарта в задаче глобальной
  оптимизации мультиэкстремальных функций и доказал свое преимущество по времени и точности
  найденных решений.

• МЕТОДЫ НЕЧЕТКОГО МНОГОКРИТЕРИАЛЬНОГО ГРУППОВОГО ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ЗАДАЧ ЭВАКУАЦИИ ПРИ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЯХ

  С. И. Родзин , А.В. Боженюк , Ю.А. Кравченко , О.Н. Родзина

  2023-06-07

  Аннотация ▼

  Целями данной статьи является анализ современного состояния исследований в области
  нечетких методов многокритериальной оптимизации, а также разработка операторов агре-
  гации и алгоритмов, использующих нечеткое многокритериальное групповое принятие решений
  с применением интуиционистского отношения лингвистических предпочтений. Представлены
  наиболее известные нечеткие методы многокритериальной оптимизации: ELECTRE,
  PROMETHEE, VIKOR, TOPSIS, AHP, ANP, MACBETH, DEMATEL, интеграл Шоке и DEA, рас-
  смотрены их особенности, области применения и наиболее цитируемые статьи. Большинство
  реальных задач оптимизации могут иметь противоречивые цели. Также представлены метод
  нечеткого принятия многоцелевых решений FMODM для ситуаций, когда существуют неточ-
  ности и неопределенность в некоторых целях и переменных, от которых они зависят; методы
  нечеткого многоцелевого линейного программирования FMOLP, нечеткого многопредметного
  целевого программирования FMOGP и нечеткие эвристические методы принятия решений.
  Рассмотрена проблема нечеткого многокритериального группового принятия решений при
  эвакуации с интуитивным отношением лингвистических предпочтений. Отмечено, что мето-
  ды нечеткой логики особенно подходят для принятия решений об эвакуации, когда данных мало,
  знание причинно-следственных связей неточно, а наблюдения и критерии могут быть выраже-
  ны в лингвистических качественных терминах. Представлены основные этапы группового при-
  нятия наилучшего решения среди альтернатив в нечеткой среде: объединение оценок экспер-
  тов; получение итоговой оценки для каждой альтернативы, представленной лингвистической
  переменной; ранжирование альтернатив; групповое принятие наиболее предпочтительногорешения. Предлагается подход к групповому принятию решений с интуитивным отношением
  предпочтений на основе процедур агрегирования. Рассматривается групповая модель принятия
  решений и концепция нечеткого группового решения и лингвистические переменные, используе-
  мые при прогнозировании чрезвычайной ситуации и планировании эвакуации. Отмечается, что
  известные операторы упорядоченного взвешенного усреднения OWA, LOWA не учитывают веса
  экспертов. Определяется оператор Low, позволяющий учесть весовые значения экспертов, а
  также подход к определению нечеткого группового решения aFCS в качестве множества
  типа 2. Представлены алгоритмы для определения нечеткого группового многокритериаль-
  ного решения на основе aFCS

• СОВРЕМЕННОЕ СОСТОЯНИЕ БИОЭВРИСТИК: КЛАССИФИКАЦИЯ, БЕНЧМАРКИНГ, ОБЛАСТИ ПРИМЕНЕНИЯ

  С. И. Родзин

  2023-06-07

  Аннотация ▼

  Целями данной статьи является анализ современного состояния исследований в
  области разработки алгоритмов, инспирированных природой, включая категоризацию,
  классификацию, тестирование, цитируемость и области применения. Представлена
  новая многоуровневая система классификации на основе следующих признаков: критерий
  соответствие природной метафоре, структурный, поведенческий, поисковый, комп о-
  нентный и оценочный критерии. Классификация биоэвристик предполагает системати-
  ческое отнесение каждой биоэвристики к одному и только одному классу в рамках си с-
  темы взаимоисключающих и неперекрывающихся классов. Категоризация позволяет об ъ-
  ективно подходить к выбору биоэвристик. Для каждой биоэвристики имеются конкрет-
  ные задачи, с которыми она хорошо справляется. Знать эти взаимосвязи важно для ц е-
  ленаправленного применения биоэвристики. Рассмотрен пример классификации. Отм е-
  чено, что наиболее информативным критерием классификации является поведенческий
  критерий, наиболее цитируемым классом биоэвристик являются алгоритмы роевого
  интеллекта, а наиболее цитируемой биоэвристикой  алгоритм роя частиц PSO. Пред-
  ставлены современные подходы к бенчмаркингу биоэвристик: задачи дискретной и не-
  прерывной оптимизации, а также оптимизационные инженерные задачи. Отмечена
  тенденция проводить сравнение производительности биоэвристик, используя стати-
  стическую проверку гипотез на бенчмарках. Систематизированы задачи, успешно р е-
  шаемые биоэвристиками в таких областях, как инженерное проектирование, обработка
  изображений и компьютерное зрение, компьютерные сети и коммуникации, энергетика
  и энергоменеджмент, анализ данных и машинное обучение, робототехника, медицинская
  диагностика. Наметилась тенденция к гибридизации биоэвристик в одном оптимизато-
  ре. Однако требуются убедительные доказательства, что результаты компенсируют
  увеличение сложности по сравнению с отдельными алгоритмами. Отмечены задачи о п-
  тимизации, требующие дальнейших исследований: задачи динамической и стохастиче-
  ской оптимизации; задачи многокритериальной оптимизации; задачи мультимодальной
  оптимизации; задачи многомерной оптимизации; задачи меметической оптимизации, в
  которых комбинируется множество поисковых алгоритмов; задачи оптимизации и
  адаптации настроек параметров биоэвристик для достижения баланса между скор о-
  стью сходимости и диверсификацией пространства поиска решений

• МЕТОДЫ И АЛГОРИТМЫ КЛАСТЕРИЗАЦИИ ТЕКСТОВЫХ ДАННЫХ (ОБЗОР)

  В.В. Бова , Ю.А. Кравченко , С.И. Родзин

  2022-11-01

  Аннотация ▼

  Рассматривается одна из важных задач искусственного интеллекта – машинная об-
  работка естественного языка. Решение данной задачи на основе кластерного анализа по-
  зволяет выявлять, формализовывать и интегрировать большие объемы лингвистической
  экспертной информации в условиях информационной неопределенности и слабой структу-
  рированности исходных текстовых ресурсов, полученных из различных предметных облас-
  тей. Кластерный анализ является мощным средством разведочного анализа текстовых
  данных, позволяющий провести объективную классификацию любых объектов, которые
  охарактеризованы рядом признаков и имеют скрытые закономерности. Проведен обзор и
  анализ современных модифицированных алгоритмов агломеративной кластеризации CURE,
  ROCK, CHAMELEON, неиерархической кластеризации PAM, CLARA и алгоритма аффинно-
  го преобразования, используемых на различных этапах кластеризации текстовых данных,
  эффективность которых проверяется экспериментальными исследованиями. В работе
  обоснованы требования к выбору наиболее эффективного метода кластеризации для ре-
  шения задачи повышения эффективности интеллектуальной обработки лингвистической
  экспертной информации. Также в работе рассмотрены способы визуализации результатов
  кластеризации для интерпретации кластерной структуры и зависимостей на множестве
  элементов текстовых данных и графические средства их представления в виде дендо-
  грамм, диаграмм рассеивания, диаграмм сходства VOS и карт интенсивности. Для сравне-
  ния качества работы алгоритмов использовались внутренние и внешние метрики эффек-
  тивности: «V-мера», «Adjusted Rand index», «Силуэт». На основании проведенных экспери-
  ментов выявлено, что необходимо использовать гибридный подход, в котором для перво-
  начального выбора числа кластеров и распределения их центров использовать иерархиче-
  ский подход, основанный на последовательном объединении и максимизации близости дан-
  ных ограниченной выборки, когда нет возможности выдвинуть гипотезу о начальном ко-
  личестве кластеров. Далее подключать алгоритмы итерационной кластеризации, обеспе-
  чивающие высокую устойчивость по отношению к шумовым признакам и наличию выбро-
  сов. За счет гибридизации повышается эффективность работы алгоритмов кластериза-
  ции. Результаты исследований показали, что для повышения вычислительной эффективно-
  сти и преодоления чувствительности при инициализации параметров алгоритмов класте-
  ризации для оптимизации параметров модели обучения и поиска глобального оптимального
  решения необходимо использовать метаэвристические подходы.

• ПРИМЕНЕНИЕ НЕЧЕТКОЙ ЛОГИКИ ДЛЯ ПРИНЯТИЯ РЕШЕНИЙ ОБ ЭВАКУАЦИИ ПРИ НАВОДНЕНИИ

  Е.М. Герасименко , В.В. Курейчик , С.И. Родзин , А.П. Кухаренко

  2022-11-01

  Аннотация ▼

  Речь идет о стихийных бедствиях, таких как наводнение, которые можно спрогнозиро-
  вать за несколько часов до того, как они произойдут, чтобы можно было организовать эвакуа-
  цию населения. Эвакуация означает, что люди в районах бедствия должны покинуть эти рай-
  оны и добраться до укрытий или убежищ. Представлен анализ процесса принятия решения об
  эвакуации, основные критерии, определяющие решение и основные этапы применения нечеткой
  логики для принятия решения об эвакуации на основе качественных и количественных значений
  критериев принятия решения. Эти этапы включают выбор критериев, определение качествен-
  ных входных и выходных переменных, фаззификацию переменных, определение базы нечетких
  правил, построение нечеткого вывода, визуализацию результатов и анализ чувствительности.
  При моделировании учитывались следующие критерии: прогнозируемый уровень наводнения,
  уровень опасности, уязвимость района предполагаемого наводнения и возможность безопасной
  эвакуации. Прогнозируемый уровень наводнения основывался на параметрах максимального
  уровня и скорости подъема воды. Уровень опасности отражал физические характеристики
  наводнения и его потенциальное воздействие на безопасность людей в районе наводнения. Уяз-
  вимость района предполагаемого наводнения определялась как неспособность на местном
  уровне предотвратить непосредственный контакт людей с паводковыми водами во время со-
  бытия. Возможность безопасной эвакуации определялась как множество ограничений и по-
  тенциальных негативных аспектов, которые могут задержать или помешать успешному про-
  ведению эвакуации. Представлено описание качественных переменных критериев принятия
  решения о необходимости эвакуации, примеры определения базы нечетких правил. Нечеткая
  модель реализована с помощью Matlab Fuzzy Logic Toolbox. Описана процедура нечеткого выво-
  да и интерпретации решения и модель нескольких сценариев и ситуаций наводнения. Рассмот-
  рен способ, с помощью которого нечеткая модель принятия решения об эвакуации может
  быть применена в сочетании с геоинформационной системой. Представлены действия, связан-
  ные с необходимостью эвакуации для различных сценариев и обстоятельств.

• МЕТОДЫ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ОБРАБОТКИ ТЕКСТОВ НА ЕСТЕСТВЕННОМ ЯЗЫКЕ

  В. В. Курейчик , С. И. Родзин , В.В. Бова

  2022-05-26

  Аннотация ▼

  Представлен анализ подходов, основанных на глубоком обучении (DL), к задачам об-
  работки естественного языка (NLP). Исследование охватывает различные задачи NLP,
  реализованные с помощью искусственных нейронных сетей (ANNs), сверточных нейронных
  сетей (CNNs) и рекуррентных нейронных сетей (RNNs). Эти архитектуры позволяют ре-
  шать широкий спектр задач обработки естественного языка, ранее не поддававшихся
  эффективному решению: моделирование предложений, маркировка семантической роли,
  распознавание именованных сущностей, ответы на вопросы, категоризация текста, ма-
  шинный перевод. Наряду с преимуществами использования CNN для решения задач NLP
  имеются проблемы, связанные с большим числом варьируемых параметров сети и выбором
  ее архитектуры. Мы предлагаем для оптимизации архитектур сверточных нейронных
  сетей эволюционный алгоритм. Алгоритм инициализирует случайную популяцию из малого
  числа агентов (не более 5) и с помощью фитнесс функции получает оценки каждого агента
  в популяции. Затем проводится турнирная селекция между всеми агентами и применяется
  оператор кроссинговера между выбранными агентами. Алгоритм обладает таким пре-
  имуществом как малый размер популяции сетей, он использует несколько типов слоев
  CNN: сверточный слой, максимальный слой пулинга (субдискретизации), средний слой пу-
  линга и полносвязный слой. Алгоритм тестировался на локальном компьютере с графиче-
  ским процессором ASUS Cerberus GeForce ® GTX 1050 Ti OC Edition 4 ГБ GDDR5, 8 ГБ
  оперативной памяти и процессором Intel(R) Core(TM) i5-4670. Результаты экспериментов
  показали, что предлагаемый нейроэволюционный подход способен достаточно быстро
  найти оптимизированную архитектуру CNN для заданного набора данных с приемлемым
  значением точности. Для завершения выполнения алгоритма потребовалось около 1 часа.
  Для создания и обучения CNN был использован популярный фреймворк TensorFlow.
  Для оценки алгоритма использовались общедоступные наборы данных: MNIST и MNIST-RB.
  Наборы содержали черно-белые изображения рукописных букв и цифр с 50000 обучающими
  образцами и 10000 тестовыми образцами.