МЕТАЭВРИСТИКА НА ОСНОВЕ ПОВЕДЕНИЯ КОЛОНИИ БЕЛЫХ КРОТОВ
Аннотация
Алгоритмы оптимизации, вдохновленные миром природы, превратились в мощные ин-
струменты 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 метаэвристиче-
ский алгоритм, называемый алгоритмом слепых белых кротов. Этот алгоритм был разра-
ботан на основе социального поведения слепых кротов в поисках пищи и защиты колонии от вторжений. Предлагаемое решение сможет преодолеть многие недостатки обычных алго-
ритмов 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. Практи-
ческая 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 от-
личие 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 реше-
нию 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.
Литература
psikhologiya, informatika [From multi-agent systems to intellectual organizations: philosophy,
psychology, computer science]. Moscow: Editorial URSS, 2002, 352 p.
2. Yang X-S. A New Metaheuristic Bat-Inspired Algorithm. Nature Inspired Cooperative Strategies
for Optimization, Stud. Comput. Intell., 2010, Vol. 284, pp. 65-74.
3. Danil'chenko V.I., Kureychik V.M. Geneticheskiy algoritm planirovaniya razmeshcheniya
SBIS [Genetic algorithm of VLSI placement planning], Izvestie YuFU. Tekhnicheskie nauki
[Izvestiya SFedU. Engineering Sciences], 2019, No. 2, pp. 75-79.
4. Danil'chenko V.I., Kureychik V.M. Klassifikatsiya i analiz metodov resheniya zadachi
razmeshcheniya SBIS [Classification and analysis of methods for solving the VLSI placement
problem], Informatika, vychislitel'naya tekhnika i inzhenernoe obrazovanie [Computer science,
computer engineering and engineering education], 2018, Issue 1.
5. Danilchenko V.I., Danilchenko Y.V., Kureichik V.M. Bio-inspired Approach to Microwave Circuit
Design, IEEE EAST-WEST DESIGN & TEST SYMPOSIUM. EWDTS 2020, pp. 362-366.
DIO: 10.1109/EWDTS 50664.2020.9224737.
6. Kalent'ev A.A., Garays D.V., Dobush I.M., Babak L.I. Strukturno-parametricheskiy sintez
SVCh tranzistornykh usiliteley na osnove geneticheskogo algoritma s ispol'zovaniem modeley
monolitnykh elementov [Structural-parametric synthesis of microwave transistor amplifiers
based on a genetic algorithm using models of monolithic elements], Doklady TUSURa [Reports
of TUSUR], December 2012, No. 2 (26), Part 2, pp. 104-112.
7. Tang Maolin and Yao Xin. A memetic algorithm for VLSI floorplanning, IEEE Transactions
on Systems, Man, And Cybernetics–Part B: Cybernetics, 2007, No. 37 (1).
8. Goryainov A.E., Dobush I.M., Babak L.I. Postroenie parametricheskikh modeley passivnykh
komponentov SVCh monolitnykh integral'nykh skhem s ispol'zovaniem programmy Extraction-
P [Construction of parametric models of passive components of microwave monolithic integrated
circuits using the Extraction-P program].
9. Kokolov A.A., Salnikov A.S., Sheyerman F.I. and Babak L.I. Broadband Double-Balanced SiGe
BiCMOS Mixer With Integrated Asymmetric MBaluns, Int. Conf. “Dynamics of Systems,
Mechanisms and Machines” (Dynamics-2017), Omsk, Russia, 2017 (accepted for publication).
10. Akay B., Karaboga D. A modified Artificial Bee Colony algorithm for real-parameter optimization,
Inf. Sci., 2010, Vol. 192, pp. 20-142.
11. Taherdangkoo M., Shirzadi M.H., Bagheri M.H. A novel meta-heuristic algorithm for numerical
function optimization: blind, naked mole-rats (BNMR) algorithm, Scientific Research and
Essays, 2012, No. 7 (41), pp. 3566-3583.
12. Bocklemann D.E. and Eisenstadt W.R. Combined Diff erential and Common-Mode Scattering
Parameters: Theory and Simulation, IEEE Trans. on Microwave Theory and Techniques, July
1995, Vol. MTT-43, No. 7, pp. 520–523,.
13. Yang Y., Kamel M.S. An aggregated clustering approach using multi-ant colonies algorithms,
Pattern Recognition, 2006, Vol. 39 (7), pp. 1278-1289.
14. Zhabin D.A., Garays D.V., Kalentyev A.A., Dobush I.M. and Babak L.I. Automated Synthesis
of Low Noise Amplifi ers Using S-parameter Sets of Passive Elements, Asia-Pacifi c Microwave
Conference (APMC 2017), Kuala Lumpur, Malaysia, 2017 (accepted for publication).
15. Kalentyev A.A., Garays D.V. and Babak L.I. Genetic-Algorithm-Based Synthesis of Low-
Noise Amplifi ers with Automatic Selection of Active Elements and DC Biases, European Microwave
Week 2014, Rome, Italy, October 2014, pp. 520-523.
16. Babak L.I., Kokolov A.A. and Kalentyev A.A. A New Genetic-Algorithm-Based Technique for
Low Noise Amplifier Synthesis, European Microwave Week 2012, Amsterdam, The Netherlands,
November 2012, pp. 520-523.
17. Mann G.K.I., Gosine R.G. Three-dimensional min–max-gravity based fuzzy PID inference
analysis and tuning, Fuzzy Sets and Systems, 2005, Vol. 156, pp. 300-323.
18. Golitsyn G.A. Petrov V.M. Informatsiya i biologicheskie printsipy optimal'nosti: Garmoniya i
algebra zhivogo [Information and biological principles of optimality: Harmony and algebra
of the living]. Moscow: KomKniga 2005.
19. Kolesov Yu.B., Senichenkov Yu.B. Modelirovanie sistem. Dinamicheskie i gibridnye sistemy:
ucheb.-metod. Posobie [Modeling of systems. Dynamic and hybrid systems: an educational
and methodological guide]. Saint Petersburg: BKhV-Peterburg, 2006.
20. Abraham A., Grosan G., Ramos V. Swarm Intelligence in Data Mining. Berlin. Heidelberg:
SpringerVerlag, 2007, 267 p.
