Найти

Результаты поиска

• МЕТАЭВРИСТИКА НА ОСНОВЕ ПОВЕДЕНИЯ КОЛОНИИ БЕЛЫХ КРОТОВ

  Е.В. Данильченко , В. И. Данильченко , В. М. Курейчик

  132-140

  2021-08-12

  Аннотация ▼

  Алгоритмы оптимизации, вдохновленные миром природы, превратились в мощные инструменты для решения сложных задач. Однако у них все же есть некоторые недостатки, требующие исследования новых и более совершенных алгоритмов оптимизации. В связи с этим, при решении NP полных задач появляется необходимость в разработке новых методик решения данного класса задач. Одним из таких методик может стать метаэвристика на основе поведения колонии белых кротов. В этой статье предлагается новый метаэвристический алгоритм, называемый алгоритмом слепых белых кротов. Этот алгоритм был разработан на основе социального поведения слепых кротов в поисках пищи и защиты колонии от вторжений. Предлагаемое решение сможет преодолеть многие недостатки обычных алгоритмов оптимизации, включая попадание в ловушку локальных минимумов или низкую ско-рость сходимости. Цель данной работы заключается в разработке алгоритма оптимизации сложной целевой функции. Научная новизна заключается в разработке генетического алго-ритма на основе поведения колонии белых кротов для решения NP полных задач. Постановка задачи в данной работе заключается в следующем: оптимизировать поиск решения сложных функций путем применения, алгоритма на основе поведения колонии белых кротов. Практическая ценность работы заключается в создании новой архитектуры поиска, позволяющей использовать разработанный алгоритм для эффективного решения NP полных задач, а также проводить сравнительный анализ с существующими аналогами. Принципиальное отличие от известных подходов в применении новой структуры бионспирированного поиска на основе поведения колонии белых кротов, которое позволит исключить попадание в локальный минимум или низкую скорость сходимости. Приведенные результаты вычислительного экс-перимента, показали преимущества предложенного в работе многомерного подхода к решению задач размещения элементов СБИС по сравнению с существующими аналогами. Таким образом, проблема создания методов, алгоритмов и программного обеспечения для решения NP полных задач в настоящее время является актуальной задачей.

• КЛАССИФИКАЦИЯ И АНАЛИЗ ЭВОЛЮЦИОННЫХ МЕТОДОВ КОМПОНОВКИ БЛОКОВ ЭВА

  Е. В. Данильченко, В.И. Данильченко, В.М. Курейчик

  2020-07-20

  Аннотация ▼

  В настоящее время наблюдается большой рост потребности в проектировании и
  разработке радиоэлектронных устройств. Это связано с повышающимися требованиями
  к радиоэлектронным системам, а также появлением новых поколений полупроводниковых
  приборов. В этой связи возникает необходимость в разработке новых средств автомати-
  зированного компоновки блоков ЭВА. Перед компоновкой блоков ЭВА существует ряд про-
  блем, которые усложняют реальное представление знаний в САПР и вероятно разрешимы
  на нынешнем уровне развития когнитивных наук. Проблема стереотипа и проблема огрубления - взаимосвязаны и нуждаются в создании гибридных моделей представления. В ра-
  боте рассмотрена проблема решения задачи компоновки блоков ЭВА при проектировании
  радиоэлектронной аппаратуры. Цель данной работы заключается в нахождении путей
  оптимизации планирования компоновки блоков ЭВА с применением генетического алго-
  ритма. Актуальность работы состоит в том, что генетический алгоритм позволяет
  повысить качество планирования компоновки. Рассматриваемые алгоритмы позволяют
  повысить качество и скорость планирования компоновки. Научная новизна заключается в
  поиске и анализе эффективных методов компоновки блоков ЭВА с помощью генетических
  алгоритмов. Принципиальное отличие от известных сравнений в анализе новых перспек-
  тивных алгоритмов компоновки блоков ЭВА. Результаты работы. В работе указаны не-
  достатки традиционных алгоритмов поиска субоптимального плана ЭВА. Приведены опи-
  сания современных моделей эволюционных и других вычислений. Генетические алгоритмы
  обладают рядом важных преимуществ – это приспособляемость к изменяющейся окру-
  жающей среде, при эволюционном подходе есть возможность анализировать, дополнять и
  изменять базу знаний в зависимости от изменяющихся условий, а также быстрое созда-
  ние оптимальных решений. Если применять генетические алгоритмы и эвристику предва-
  рительной обработки, чтобы обеспечить оптимальные начальные решения, то можно
  достичь более продуктивного использования алгоритмов. Известные генетические алго-
  ритмы быстро сходящиеся, но при этом они теряют разнообразие популяции, что влияет
  на снижение качества решения. Для балансировки данных решение выправляют с помощью
  эффективных операторов или устойчивой мутацией.

• ПОПУЛЯЦИОННЫЙ АЛГОРИТМ ПОСТРОЕНИЯ ДЕРЕВА РЕШЕНИЙ МЕТОДОМ КРИСТАЛЛИЗАЦИИ РОССЫПИ АЛЬТЕРНАТИВ

  Б. K. Лебедев , О. Б. Лебедев , В.Б. Лебедев

  2020-11-22

  Аннотация ▼

  В ряде случаев возникает необходимость установления соответствия между заяв-
  ленным и фактическим значением категориальной переменной на основе совокупности
  признаков объекта. В этом случае возникает потребность в классификаторе с оптималь-
  ной последовательностью рассматриваемых атрибутов с заданным значением целевой
  функции. Значением целевой переменной может быть: да, нет, номер сорта, номер класса
  и т.д. В работе решается задача построения классификационной модели в виде оптималь-
  ной последовательность рассматриваемых атрибутов и их значений, входящих в состав
  маршрута от корневой вершины к концевой вершине с заданным значением целевой пере-
  менной. Если требуется классификатор, включающий возможность альтернативных от-
  ветов, то вначале строятся независимо друг от друга оптимальные маршруты для каж-
  дого значения целевой переменной, а затем эти маршруты объединяются («склеиваются»)
  в единое бинарное дерево решений. В алгоритме построения классификатора на основе
  метода кристаллизации россыпи альтернатив, каждое решение Qk интерпретируется в
  виде в ориентированного маршрута Mk на бинарном дереве решений. Назовем порядковый
  номер элемента в ориентированном маршруте Mk позицией siS={si|i=1,2,…,nA}. Элемен-
  том маршрута Mk является пара (xi,ui-), где xi соответствует Ai. ui- в маршруте Mk явля-
  ется ребром, выходящим из xi и соответствует выбранному вместе с Ai значению Ai. Вто-
  рой индекс элемента ui- определится после выбора Ai, помещенного в соседнюю с sj позицию
  sj+1. Работа алгоритма построения дерева решений базируется на использовании коллек-
  тивной эволюционной памяти, под которой подразумевается информация, отражающая
  историю поиска решения. Алгоритм учитывает тенденции к использованию альтернатив
  из наилучших найденных решений. Особенностями являются наличие непрямого обмена
  информацией – стигмержи. Совокупность данных об альтернативах и их оценках состав-
  ляет россыпь альтернатив. Рассмотрены ключевые моменты анализа альтернатив в про-
  цессе эволюционной коллективной адаптации. Экспериментальные исследования показали,
  что разработанный алгоритм находит решения, не уступающие по качеству, а иногда и
  превосходящие своих аналогов в среднем на 3–4 %. Временная сложность алгоритма, полу-
  ченная экспериментальным путем, лежит в пределах О(n2)-О(n3).

• ПОИСКОВЫЙ ПОПУЛЯЦИОННЫЙ АЛГОРИТМ РАЗМЕЩЕНИЯ ЭЛЕМЕНТОВ СБИС

  Б. К. Лебедев , О.Б. Лебедев , В. Б. Лебедев

  2020-11-22

  Аннотация ▼

  В работе рассматривается поисковый популяционный алгоритм размещения компо-
  нентов СБИС. По аналогии с процессом возникновения и формирования кристаллов из ве-
  щества, процесс порождения решения путем последовательного проявления и конкретиза-
  ции решения на базе интегральной россыпи альтернатив назван методом кристаллизации
  россыпи альтернатив. Решение Qk задачи размещения представляется в виде биективного
  отображения Fk=A→P, каждому элементу множества A соответствует один единст-
  венный элемент множества P и наоборот. Лежащая в основе алгоритма метаэвристика
  кристаллизации россыпи альтернатив выполняет поиск решений с учетом коллективной
  эволюционной памяти, под которой подразумевается информация, отражающая историю
  поиска решения и памяти поисковой процедуры. Отличительной особенностью используе-
  мой метаэвристики является учет тенденции к использованию альтернатив из наилучших
  найденных решений. Предложены компактные структуры данных для хранения интерпре-
  таций решений и памяти. Алгоритм, связанный с эволюционной памятью, стремится к
  запоминанию и многократному использованию способов достижения лучших результатов.
  Разработанный алгоритм относится к классу популяционных алгоритмов. Итерационный
  процесс поиска решений включает три этапа. На первом этапе каждой итерации конст-
  руктивным алгоритмом формируется nq решений Qk. Работа конструктивного алгоритма
  базируется на базе показателей основной интегральной россыпи альтернатив – матрицы
  R, в которой хранятся интегральные показатели решений, полученных на предыдущих
  итерациях. Процесс назначения элемента в позицию включает две стадии. На первой ста-
  дии выбирается элемент, а на второй стадии – позиция pj. При этом должно выполняться
  ограничение: каждому элементу соответствует одна позиция pj. Рассчитывается оценка
  ξk решения Qk и оценка полезности δk множества позиций Pk выбранных агентами. В рабо-
  те используется циклический метод формирования решений. В этом случае наращивание
  оценок интегральной полезности δk в основной интегральной россыпи альтернатив B вы-
  полняется после полного формирования множества решений Q. На втором этапе итера-
  ции производится наращивание оценок интегральной полезности δk в основной интеграль-
  ной россыпи альтернатив – матрице R. На третьем этапе итерации осуществляетсяснижение оценок полезности δk интегральной россыпи альтернатив R на априори заданную величину δ*. Работа алгоритма завершается после выполнения заданного числа итера-
  ций. Сравнительный анализ с другими алгоритмами решения производился на стандартных
  тестовых примерах (бенчмарках) корпорации IBМ, при этом решения, синтезируемые ал-
  горитмом CAF, превосходят по эффективности решения известных методов в среднем на
  6%. Временная сложность алгоритма – О(n2)-О(n3).

• РАЗРАБОТКА МОДИФИЦИРАВАННЫХ МЕТОДОВ И МОДЕЛЕЙ ПОИСКОВОЙ АДАПТАЦИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ПЛАНИРОВАНИЯ СБИС

  О.Б. Лебедев , А.А. Жиглатый , Е.О. Лебедева

  2021-12-24

  Аннотация ▼

  В работе для решения задачи планирования СБИС разработан поисковый алгоритм
  на основе модифицированного метода муравьиной колонии. Задача формирования плана
  СБИС сводится к задаче формирования соответствующего польского выражения. Разра-
  ботанный метод синтеза польского выражения включает построение дерева разрезов,
  выбор типов разрезов (H или V), идентификацию и ориентацию модулей. Эволюционирую-
  щая популяция разбита на пары агентов. Каждый член популяции – пара агентов, рабо-
  тающих совместно. При этом конструктивные алгоритмы A1 и A2, используемые аген-
  тами пары различаются. Задача, решаемая алгоритмом А1, формулируется как задача
  поиска взаимно однозначного отображения Fk=M*→P множества модулей M c выбранны-
  ми ориентациями, |M*|=|M| в множество P позиций шаблона Sh. Фактически решение за-
  ключается в выборе на графе G1 подмножества ребер E*1E1, входящих в соответствующее отображение Fk. В алгоритме A2 в качестве модели пространства поиска реше-
  ний для выбора типа, последовательности и места расположения разрезов в шаблоне Sh
  разработан граф G2=(X, E2). X={(x1i,x2i)|i=1,2,…,n} множество вершин графа G2, соот-
  ветствует множеству P потенциальных позиций шаблона Sh для возможного размещения
  в них имен символов разрезов. Каждая потенциальная позиция piP шаблона Sh моделиру-
  ется двумя альтернативными вершинами (x1i,x2i). Выбор при размещении разрезов верши-
  ны x1i указывает на то, что в позицию pi помещен разрез типа V, выбор вершины x2i – ука-
  зывает на то, что в позицию pi помещен разрез типа H. Каждая итерация l общего алго-
  ритма включает начальный и три основных этапа. Начальный этап заключается в сле-
  дующем. Обнуляются матрицы ко-эволюционной памяти КЭП*1 и КЭП*2. На первом этапе
  каждая пара агентов dk=(a1k, a2k): – конструктивными алгоритмами A1 и A2 синтезирует
  свое решение Wk=(E1k
  *,Sk); – формируется польское выражение Shk, соответствующее
  решению Wk; – на базе Shk формируется дерево разрезов Tk; – на базе Tk формируется план
  Rk и рассчитывается оценка решения Fk; – агенты откладывают (добавляют) феромон в
  ячейки матриц коллективной эволюционной памяти КЭП*1 и КЭП*2, соответствующие
  ребрам решения Wk=(E1k
  *,Sk) в графах поиска решений G1 и G2 в количестве пропорциональном оценке решения Fk. На втором этапе феромон, накопленный в КЭП*1 и КЭП*2
  агентами популяции на итерации l, добавляется в КЭП1 и КЭП2. На третьем этапе осу-
  ществляется испарение феромона на ребрах графов G1 и G2. Тестовые испытания под-
  твердили эффективность предложенного метода. Временная сложность алгоритма, по-
  лученная экспериментальным путем, совпадает с теоретическими исследованиями и для
  рассмотренных тестовых задач составляет О(n2).

• ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ ПАРАМЕТРИЧЕСКОГО ПРОГНОЗИРОВАНИЯ И ОПТИМИЗАЦИИ ТРАЕКТОРИИ ДВИЖЕНИЯ БАС

  В.И. Данильченко , В.В. Бова

  263-276

  2025-12-30

  Аннотация ▼

  Рассматривается задача интеллектуального параметрического прогнозирования и оптимизации траектории движения беспилотной авиационной системы (БАС) с применением эволюционных алгоритмов и методов машинного обучения. Актуальность исследования обусловлена многокритериальностью и высокой сложностью процессов формирования траектории движения БАС, а также необходимостью точной и своевременной оценки её полётных параметров. Это особенно важно для обеспечения надёжности, безопасности и эффективного выполнения полётных задач в условиях эксплуатации БАС, включая сценарии, связанные с функционированием критически значимых объектов инфраструктуры. Цель исследования заключается в повышении точности диагностики траекторных параметров и надёжности параметрического прогнозирования траекторий движения БАС в условиях неопределённости и многокритериальности рассматриваемой задачи. В работе предлагается гибридный подход, включающий генетический алгоритм (ГA), алгоритм роя частиц (PSO) с моделью машинного обучения XGBoost, обеспечивающей адаптивную оценку качества формируемых решений. Реализован вычислительный программный комплекс, включающий механизмы селекции, рекомбинации, мутации и элитного наследования, а также модуль машинного обучения для валидации траектории маршрута и связанных параметров. Проведён вычислительный эксперимент, в рамках которого выполнен сравнительный анализ эффективности GA и PSO при различных сценариях их работы. Тестирование выполнялось на отраслевых наборах данных при различном количестве итераций. В ходе вычислительного эксперимента выявлено преимущество генетического алгоритма, а именно повышение качества проектных решений на 14–17%. Результаты исследования демонстрируют высокую адаптивность и практическую применимость в задачах моделирования, параметрического прогнозирования и маршрутизации, а также указывают на потенциал интеграции с интеллектуальными системами навигации и мониторинга БАС. Материалы статьи представляют практический интерес для специалистов в области разработки и эксплуатации БАС, а также для исследователей, занимающихся задачами многокритериального планирования маршрутов, параметрического прогнозирования и повышения надёжности функционирования БАС.

• ЭВОЛЮЦИОННЫЙ ПОПУЛЯЦИОННЫЙ МЕТОД РЕШЕНИЯ ТРАНСПОРТНОЙ ЗАДАЧИ

  Б.К. Лебедев , О.Б. Лебедев , Е.О. Лебедева

  2022-11-01

  Аннотация ▼

  Рассматривается эволюционный популяционный метод решения транспортной за-
  дачи на основе метаэвристики кристаллизации россыпи альтернатив. Исследуется за-
  крытая (или сбалансированная) модель транспортной задачи: сумма груза у поставщиков
  равно общей сумме потребностей в пунктах назначения. Цель оптимизации – минимизация
  стоимости (достижение минимума затрат на перевозку) или расстояний и критерий вре-
  мени (затрачивается минимум времени на перевозку). В основу метаэвристики кристалли-
  зации россыпи альтернатив положена стратегия, основанная на запоминании и повторе-
  нии прошлых успехов. Стратегия делает упор на «коллективную память», под которой
  подразумевается любой вид информации, которая отражает прошлую историю развития
  и хранится независимо от индивидуумов. В качестве кода решения транспортной задачи
  рассматривается упорядоченная последовательность Dk маршрутов. Объектами являют-
  ся маршруты, альтернативами – множество позиций P в списке, где np – число позиций в
  списке Dк. Множество объектов Dк соответствует множеству всех маршрутов. Множе-
  ство альтернативных состояний P объекта соответствует множеству альтернативных
  вариантов размещения объекта списке Dк. Работа популяционного эволюционного алго-
  ритма кристаллизации россыпи альтернатив опирается на коллективную эволюционную
  память, называемую россыпью альтернатив. Под россыпью альтернатив решения в рабо-
  те называется структура данных, используемая в качестве коллективной эволюционной
  памяти, несущая информацию о решении, включающую сведения о реализованных альтер-
  нативах агентов в данном решении и о полезности решения. Разработан конструктивный
  алгоритм формирования опорного плана путем декодирования списка Dк. На каждом шаге
  t решается задача выбора очередного в последовательности Dк маршрута и определения
  количества груза, перевозимого из пункта отправления Ai в пункт назначения Bj по этому
  маршруту. Разработанный алгоритм является популяционным, реализующим стратегию
  случайного направленного поиска. Каждый агент является кодом некоторого решения
  транспортной задачи. На первом этапе каждой итерации l конструктивным алгоритмом
  на базе интегральной россыпи альтернатив формируется nk кодов решений
  Dk.Формирование каждого кода решения Dk выполняется последовательно по шагам путем
  последовательного выбора объекта и позиции. Для построенного кода решения Dk рассчи-
  тывается оценка решения ξk и оценка полезности δk. Формируется индивидуальная рос-
  сыпь альтернатив Rk и переход к построению следующего кода решения.
  На втором этапе итерации производится суммирования интегральной россыпи альтерна-
  тив, сформированной на предыдущих итерациях от l до (l-1), cо всеми индивидуальными
  россыпями альтернатив, сформированных на итерации l. На третьем этапе итерации l
  производится снижение всех интегральных оценок полезности r*αβ интегральной россыпи
  альтернатив R*(l) на величину δ*. Алгоритм решения транспортной задачи был реализован
  на языке С++ в среде Windows. Сравнение значений критерия, на тестовых примерах, сизвестным оптимумом показало, что у 90% примеров полученное решение было оптималь-
  ным, у 2% примеров решения были на 5% хуже, а у 8% примеров решения отличались ме-
  нее, чем на 2%. Временная сложность алгоритма, полученная экспериментальным путем,
  лежит в пределах О(n2).