Статья

Название статьи КОМБИНИРОВАННЫЙ ПОДХОД АДАПТАЦИИ И САМООРГАНИЗАЦИИ К ОБРАБОТКЕ ПРОБЛЕМНО-ОРИЕНТИРОВАННЫХ ЗНАНИЙ
Автор Э.В. Кулиев, Д.Ю. Запорожец, Вл.Вл. Курейчик
Рубрика РАЗДЕЛ V. НОВЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
Месяц, год 06, 2015
Индекс УДК 004.82
DOI
Аннотация Рассмотрена проблема комбинированного подхода адаптации и самоорганизации к обработке проблемно-ориентированных знаний. Суть комбинированного подхода заключается в последовательной работе бионического и генетического алгоритмов. Бионический алгоритм основан на применении модели поведения колонии пчел в живой природе. Данный механизм позволяет эффективно решать проблему предварительной сходимости алгоритма за счет разбиения пространства поиска на динамически изменяющиеся области. Поиск производится параллельно в каждой области, что увеличивает скорость работы алгоритма. Решение поставленной проблемы продемонстрировано на примере исследования окрестностей комбинированными методами поиска решений. Представлена постановка задачи проблемно-ориентированных знаний поиска оптимальных решений. Предложен обобщенный подход к построению критерия оптимальности для решения задачи обработки проблемно-ориентированных знаний. Разработана модифицированная архитектура комбинированного подхода для решения задачи обработки проблемно-ориентированных знаний, основанная на симбиозе биоинспирированных алгоритмов. Данная архитектура включает в себя основные компоненты бионического поиска, основанного на эвристике поведения роя пчел в живой природе, блока эволюционной адаптации, необходимого для динамической настройки управляющих параметров и блока внешней среды, представляющего собой лицо, принимающее решения. Проведены экспериментальные исследования, в ходе которых эмпирически были подтверждены теоретические оценки временной сложности разработанного алгоритма. Было выявлено, что при использовании разработанной комбинированной архитектуры, уменьшается доля случайности и увеличивается фактор направленности алгоритма. Серии тестов показали, что временная сложность не выходит за рамки полиномиальной зависимости. В лучшем случае временная сложность алгоритмов O(nlogn), в худшем случае – O(n2).

Скачать в PDF

Ключевые слова Генетический алгоритм; эволюционный алгоритм; комбинированный подход; адаптация; окрестность; популяция; самоорганизация; проблемно-ориентированные знания
Библиографический список 1. Норенков И.П., Арутюнян Н.М. Эволюционные методы в задачах выбора проектных решений // Электронное научно-техническое издание. – 2007. – № 9.
2. Holland J.H. Adaptation in Natural&Artificial Systems. Ann Arbor: Uni of Michigan Press, 1975.
3. Курейчик В.В., Курейчик Вл.Вл. Бионический поиск при проектировании и управлении // Известия ЮФУ. Технические науки. – 2012. – № 11 (136). – С. 178-183.
4. Курейчик В.В., Курейчик В.М., Родзин С.И. Теория эволюционных вычислений. – М.: Физматлит, 2012. – 260 c.
5. Bastos-Filho C.J.A., Lima-Neto F.B., Lins A., Nascimento, A., Lima, M. Fish School Search. Nature-inspired Algorithms for Optimization (NISCO’2010). – Springer, Heidelberg, 2009. – Vol. 193. – P. 261-277.
6. Курейчик В.В., Курейчик Вл.Вл. Архитектура гибридного поиска при проектировании // Известия ЮФУ. Технические науки. – 2012. – № 7 (132). – С. 22-27.
7. Курейчик В.М., Лебедев Б.К., Лебедев О.Б. Поисковая адаптация: теория и практика. – М.: Физматлит, 2006. – 272 c.
8. Курейчик В.В., Сороколетов П.В. Концептуальная модель представления решений в генетических алгоритмах // Известия ЮФУ. Технические науки. – 2008. – № 9 (86). – С. 7-12.
9. Кулиев Э.В., Лежебоков А.А. Исследование характеристик гибридного алгоритма размещения // Известия ЮФУ. Технические науки. – 2013. – № 3 (140). – С. 255- 261.
10. Bova V.V., Lezhebokov A.A., Gladkov L.A. Problem-oriented algorithms of solutions search based on the methods of swarm intelligence // World Applied Sciences Journal. – 2013. – Vol 7, No. 9. – С. 1201-1205.
11. 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. 37-42.
12. Курейчик В.В., Курейчик В.М., Родзин С.И. Концепция эволюционных вычислений, инспирированных природными системами // Известия ЮФУ. Технические науки. – 2009. – № 4 (93). – С. 16-24.
13. Kurejchik V.M. Genetic algorithms: state of the art, problems, and perspectives // Известия Российской академии наук. Теория и системы управления. – 1999. – Т. 38, № 1. – С. 144-161.
14. Кравченко Ю.А., Бова В.В., Гладков Л.А., Курейчик В.В.,Курейчик В.М., Кулиев Э.В., Лежебоков А.А., Лебедев Б.К., Лебедев О.Б., Нужнов Е.В., Родзин С.И. Принятие решений, поиск и обработка проблемно-ориентированных знаний в интеллектуальных информационных системах. – Ростов-на-Дону: Изд-во ЮФУ, 2014. – 136 с.
15. Курейчик, В.М. Совместные методы квантового и бионического поиска // Интеллектуальные системы (IEE AIS'04). Интеллектуальные САПР (CAD-2004): Тр. Междунар. науч.-техн. конф. – М.: Физматлит, 2004. – C. 12-19.
16. Цой Ю.Р., Спицын В.Г. К выбору размера популяции // Интеллектуальные системы (IEE AIS'04). Интеллектуальные САПР (CAD-2004): Тр. Междунар. науч.-техн. конф. – М.: Физматлит, 2004. – С. 90-96.
17. Qing He, Xiu-Rong Zhao, Ping Luo, Zhong-Zhi Shi. Combination methodologies of multiagent hyper surface classifiers: design and implementation issues // Second international work-shop, AIS-ADM 2007, Proceedings. – Springer Berlin Heidelberg, 2007. – Р. 100-113.
18. Бова В.В., Гладков Л.А., Кравченко Ю.А., Курейчик В.В., Курейчик В.М., Щеглов С.Н. Технологии интеллектуального анализа и извлечения данных на основе принципов эволюционного моделирования. – Таганрог: Изд-во ТТИ ЮФУ, 2009. – 124 с.
19. Rodzin S.I., Rodzina L.S. Theory of Bioinspired Search for Optimal Solutions and its Application for the Processing of Problem-Oriented Knowledge // Proc. of the 8th IEEE Int. Conf.
Application of Information and Communication Technologies (AICT'2014), Astana, Kazakhstan. – P. 142-146.

Comments are closed.