Тезисы докладов

Математическая кибернетика

Для решения современных проблем проектирования новых объектов и их компьютерного моделирования характерно применение кибернетических принципов. Создаваемые объекта, например, должны обладать определенными адаптивными свойствами, поэтому для их эффективной реализации на основе компьютерного моделирования и решения оптимизационных задач необходимо находить набор эффективных параметров проектируемого объекта, которые комплексно характеризуют его различные состояния а также возможность его структурных изменений в процессе функционирования (адаптивного изменения) и в ряде случаев активного воздействия на внешнюю среду. Таким образом, кроме сложностей решения задачи оптимизации (в частности минимизации целевой функции с большим количеством варьируемых переменных) возникает проблема поиска эффективного изменения самой структуры объекта и его активной реакции в процессе функционирования.

Среди методов, которые позволяли бы в комплексе решать указанного типа проблемы, несомненно, наиболее эффективными является алгоритмы, основанные на биологических принципах отбора, в частности различные модификации генетического алгоритма (МГА), которые основаны на классическом генетическом алгоритме (ГА). Одним из важных свойств генетических алгоритмов, по существу, заключается в том, что проектируемый объект может быть смоделирован не только при изменении настраиваемых параметров функциональной модели, но и в определенной степени смоделирована эволюция развития структуры проектируемого объекта c учетом его взаимодействия с внешней средой.

Применение МГА рассмотрено на примерах решения задач минимизации классических функций Пауэла и Розенброка, а также целевых функций в виде функционалов качества для изменяющихся динамических процессов. Решения задач оптимизации и адаптации проводилось на основе МГА, с новым оператором кроссовер в виде нейронной сети Хопфилда. Это связано с тем, что сеть Хопфилда имеет свойство релаксации к ложному образу, который является устойчивым локальным экстремумом, но не соответствует никакому идеальному образу. В данном случае набор идеальных образов это подмножество выбранных родительских хромосом. Ложный образ (потомок) наследует некоторые из черт идеальных образов, выражая полигамное скрещивание родительских свойств.

Для эффективной настройки нейросетевого кроссовера введен модификатор, который останавливает динамический процесс последовательной смены состояний нейронной сети Хопфилда. Изменяя значение модификатора можно одновременно регулировать процесс мутации в генах потомка и реализовать множественную эволюцию. Оператор кроссовер реализован как объект, наследующий основные свойства и операторы от абстрактного объекта. Произведено сравнение работы МГА и ГА при использовании классических операторов кроссовера. Определенная универсальность построения программных модулей делают МГА достаточно мобильным в использовании при решении различных задач оптимизации и адаптации. К недостаткам разработанного нейросетевого кроссовера и МГА следует отнести его более низкую производительность, по сравнению с классическим ГА.

Примечание. Тезисы докладов публикуются в авторской редакции

Ваши комментарии

[Головная страница] [Конференции] [СО РАН]

© 2001, Сибирское отделение Российской академии наук, Новосибирск
© 2001, Объединенный институт информатики СО РАН, Новосибирск
© 2001, Институт вычислительных технологий СО РАН, Новосибирск
© 2001, Институт систем информатики СО РАН, Новосибирск
© 2001, Институт математики СО РАН, Новосибирск
© 2001, Институт цитологии и генетики СО РАН, Новосибирск
© 2001, Институт вычислительной математики и математической геофизики СО РАН, Новосибирск
© 2001, Новосибирский государственный университет
Дата последней модификации 06-Jul-2012 (11:45:21)