Найти

Результаты поиска

• МНОГОСТАДИЙНЫЙ МУРАВЬИНЫЙ АЛГОРИТМ ОДНОМЕРНОЙ УПАКОВКИ НА БАЗЕ ЭФФЕКТИВНЫХ МЕТОДОВ КОДИРОВАНИЯ РЕШЕНИЙ, И ДВУХУРОВНЕВОЙ ЭВОЛЮЦИОННОЙ ПАМЯТИ

  М.А. Ганжур , Б.К. Лебедев , О.Б. Лебедев

  21-37

  2025-10-01

  Аннотация ▼

  Целью работы является разработка и исследование методов биоинспирированного поиска для решения задач одномерной упаковки в одинаковые контейнеры на базе эффективных алгоритмов кодирования и декодирования решений, композитного критерия и двухуровневой структуры эволюционной памяти. В работе предложена структура упорядоченного кода упаковки одномерных элементов в одинаковые контейнеры главное достоинство которого заключается в том, что одному решению упаковки соответствует один код и наоборот. Поисковая процедура базируется на модифицированной метаэвристике муравьиного алгоритма. На каждой итерации алгоритм одномерной упаковки имеет многостадийную структуру. Стадии выполняются последовательно одна за другой, начиная с первой. Каждая стадия С_k включает процедуры, выполняемые агентом z_k. Число стадий равно числу агентов в популяции плюс заключительная стадия итерации. Основная задача, решаемая конструктивным алгоритмом на стадии С_k, заключается в построении кода R_k упаковки множества элементов X в одинаковые контейнеры. Стадия делится на периоды по числу формируемых агентом z_k  списков X_jк. Период делится на этапы. На каждом периоде последовательно по этапам решаются следующие задачи: агент z_k конструктивным алгоритмом формирует набор R_k упорядоченных списков X_jк одномерной упаковки в одинаковые контейнеры; рассчитываются оценки f_jk упаковки каждого контейнера O_j элементами списка <X_jк>; рассчитывается количество λ_jk феромона, пропорциональное оценке f_jk; рассчитывается оценка W_k=∑_i(f_jk) одномерной упаковки множества элементов X в H одинаковых контейнеров; производится отложение феромона на ребрах графа G, соответствующих списку X_jк в ячейки накопительной матрицы памяти E второго уровня. После формирования всеми агентами z_k популяции Z упорядоченных списков R_k, накопленный феромон добавляется в основную матрицу памяти Φ первого уровня. Для каждого R_k рассчитывается общий показатель F_k качества упаковки множества элементов X. Заключительная операция на итерации ‒ испарение феромона на ребрах графа G и фиксация z_k c лучшим F_k. Проведены экспериментальные исследования заключающиеся в выяснении качества работы метода на тестовых наборах большой размерности. Для сравнения разработанного алгоритма с известными методами и с приближенными алгоритмами авторами было выбрано несколько групп бенчмарок из различных источников

• РЕШЕНИЕ ЗАДАЧИ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ НА ОСНОВЕ БИОИНСПИРИРОВАННОГО АЛГОРИТМА

  Э.В. Кулиев , Д. Ю. Запорожец, Ю.А. Кравченко , М.М. Семенова

  2022-01-31

  Аннотация ▼

  Рассматривается биоинспирированный алгоритм для решения задач интеллектуаль-
  ного анализа. Интеграция биоинспирированных алгоритмов для решения задач интеллек-
  туального анализа данных является перспективным направлением исследований. В качест-
  ве биоинспирированного алгоритма, рассмотрен алгоритм, основанный на адаптивном
  поведении муравьиной колонии. Алгоритм муравьиной колонии позволяет производить ка-
  чественный поиск перспективных решений для получения оптимальных и квазиоптималь-
  ных решений. Алгоритм обладает способностью выполнять поиск подходящей логических
  условий. Алгоритм муравьиной колонии основан на примере поведения живых муравьев в
  природе. Муравьи способны находить кратчайшее решение адаптируясь к изменениям
  окружающей среды. Авторами предложен модифицированный алгоритм муравьиной коло-
  нии для решения задачи интеллектуального анализа данных. В качестве задачи интеллек-
  туального анализа данных выбрана задача кластеризации. Кластеризация – объединение в
  группы схожих объектов – является одной из фундаментальных задач в области анализа
  данных и Data Mining. Список прикладных областей, где она применяется, широк: сегмен-
  тация изображений, маркетинг, борьба с мошенничеством, прогнозирование, анализ тек-
  стов и многие другие. Решение данной задачи приобретает особую актуальность в услови-
  ях постоянно растущего объема генерируемых, передаваемых и обрабатываемых данных.
  Классические методы кластеризации оптимизированы путем объединения с предложен-
  ным алгоритмом биоинспирированной оптимизации – муравьиным алгоритмом. Предло-
  женный метод представляет собой модель, в которой муравьи представлены в виде аген-
  тов, которые случайным образом перемещаются в пространстве решений с некоторыми
  ограничений (например, препятствия на их пути). Для определения эффективности разра-
  ботанного модифицированного муравьиного алгоритма (АСО) с алгоритмом кластериза-
  ции, авторами была проведена серия вычислительных экспериментов. Для сравнения были
  взять генетический алгоритм, алгоритм обезьян и алгоритм волков. Результаты модели-
  рования доказывают, что муравьиный алгоритм на основе кластеризации дает лучшие
  результаты, чем другие предлагаемые алгоритмы.