METHODOLOGY OF USING BIOINSPIRED METHODS FOR INTEGRATED PROCESSING OF GREAT DATA ON THE EXAMPLE OF THE TRANSPORT TYPE PROBLEM SOLUTION
Abstract
This paper presents a methodology for using bioinspired methods for integrated processing
of big data using the example of solving the transport type problem. The main place among the
applied problems of the transport type is given to the tasks of building transport facilities, whichmake it possible to minimize vehicle traffic problems or minimize the cost of transportation, minimize
the cost of transport problems. Routing is the most perfect way to organize the flow of goods
from enterprises, which has a significant impact on the acceleration of traffic turnover with rational
and efficient use of it. For this class of combinatorial problems, there are no effective classical
methods and algorithms for solving. These tasks are characterized by a finite, but very large
number of possible solutions. They can be put as tasks of integer programming, but in this case
there are no efficient algorithms. Therefore, the development of methods and algorithms for solving
transport-type problems, which has been carried out for many years, is still an urgent problem.
The methodological analysis of the research problem has been carried out. The analysis
showed that the use of methods and algorithms of sequential and parallel bio-inspired search for
solving the considered class of transport-type problems is an actual scientific problem of practical
interest. The problem statement is given. An integrated search scheme is shown, which allows you
to parallelize the process of finding an acceptable solution for large-scale problems. The structural
scheme of the bio-inspired search for the problem of the extreme path is considered. The results
of computational experiments are presented. The research results allow us to conclude that the
time complexity of the considered bioinspired search algorithms does not exceed the limits of the
polynomial dependence, and can be expressed by the formula: O (N2), where N is the number of
graph vertices (size of the problem to be solved).
References
скими алгоритмами: монография. – Ростов-на-Дону: Изд-во ЮФУ, 2008. – 73 с.
2. Курейчик В.М., Курейчик В.В. Эволюционные, синергетические и гомеостатические
стратегии в искусственном интеллекте: состояние и перспективы // Новости искусст-
венного интеллекта. – 2000. – № 3. – С. 39-67.
3. Kureichik V.V., Kravchenko Y.A. Bioinspired algorithm applied to solve the travelling salesman
problem. // World Applied Sciences Journal. – 2013. – No. 22 (12). – P. 1789-1797.
4. Bova V.V., Kureichik V.V., Leshchanov D.V. The model of semantic similarity estimation for
the problems of big data search and structuring // Application of Information and Communication
Technologies - AICT 2017. – P. 27-32.
5. Kurejchik V.V., Kurejchik V.M. On genetic-based control // Автоматика и телемеханика.
– 2001. – № 10. – С. 174-187.
6. Бова В.В., Курейчик В.В. Интегрированная подсистема гибридного и комбинированного
поиска в задачах проектирования и управления // Известия ЮФУ. Технические науки.
– 2010. – № 12 (113). – С. 37-43.
7. Курейчик В.В., Курейчик Вл.Вл. Архитектура гибридного поиска при проектировании //
Известия ЮФУ. Технические науки. – 2012. – № 7 (132). – С. 22-27.
8. Гладков Л.А., Гладкова Н.В. Новые подходы к построению систем анализа и извлечения
знаний на основе гибридных методов // Известия ЮФУ. Технические науки. – 2010.
– № 7 (108). – С. 146-153.
9. Kureichik V.V., Kureichik V.M., Sorokoletov P.V. Analysis and a survey of evolutionary models
// Journal of Computer and Systems Sciences International. – 2007. – Vol. 46, No. 5.
– P. 779-791.
10. Курейчик В.М., Курейчик В.В., Родзин С.И. Модели параллелизма эволюционных вы-
числений // Вестник Ростовского государственного университета путей сообщения.
– 2011. – № 3. – С. 93-97.
11. Бова В.В., Курейчик В.В., Лежебоков А.А. Многоуровневый алгоритм решения задач
транспортной логистики на основе методов роевого интеллекта // Вестник ростовского
государственного университета путей сообщения. – 2013. – № 3 (51). – C. 113-118.
12. Kureichik V., Safronenkova I. Integrated algorithm of the domain ontology development //
Advances in Intelligent Systems and Computing. – 2017. – Vol. 573. – P. 146-155.
13. Кулиев Э.В., Кравченко Ю.А., Логинов О.А., Запорожец Д.Ю. Метод интеллектуального
принятия эффективных решений на основе биоинспирированного подхода // Известия
Кабардино-Балкарского научного центра РАН. – 2017. – № 62 (80). – С. 162-169.
14. Бова В.В., Кулиев Э.В., Лещанов Д.В. Концептуальные основы автоматизированной об-
работки неструктурированной информации в системах управления проблемно-
ориентированными знаниями // В сб. "IS&IT'17". – 2017. – С. 341-350.
15. Запорожец Д.Ю., Курейчик В.В. Гибридный алгоритм решения задач транспортного
типа // Известия ЮФУ. Технические науки. – 2013. – № 7 (144). – С. 80-85.
16. Курейчик В.В., Курейчик В.М., Родзин С.И. Теория эволюционных вычислений. – М.:
Физматлит, 2012. – 260 c.
17. Gladkov L.A., Sheglov S.N., Gladkova N.V. The application of bioinspired methods for solving
vehicle routing problems // Procedia Computer Science, 120 (2017): 9th International Conference
on Theory and Application of Soft Computing, Computing with Words and Perception,
ICSCCW 2017. – P. 39-46.
18. Кулиев Э.В., Шеглов С.Н., Пантелюк Е.А., Логинов О.А. Адаптивный алгоритм стаи се-
рых волков для решения задач проектирования. // Известия ЮФУ. Технические науки.
– 2017. – № 7 (192). – С. 28-38.
19. Логинов О.А., Лежебоков A.A., Бова В.В., Щеглов С.Н. Интеллектуальный анализ дан-
ных на основе биоинспирированного подхода // Информатизация и связь. – 2018. – № 4.
– С. 66-72.
20. Кравченко Ю.А., Коваленко М.С. Разработка инструментальной среды обработки дан-
ных // Конгресс по интеллектуальным системам и информационным технологиям
IS-IT’17: Тр. Конгресса. – 2017. – Т. 3. – С. 211-218.
