Статья

Название статьи БИОИНСПИРИРОВАННЫЙ ПОИСК РЕШЕНИЙ: ТЕОРИЯ И ПРИЛОЖЕНИЯ ДЛЯ ОБРАБОТКИ ПРОБЛЕМНО- ОРИЕНТИРОВАННЫХ ЗНАНИЙ В ГЕОИНФОРМАТИКЕ
Автор С.И. Родзин, Л.С. Родзина
Рубрика РАЗДЕЛ IV. ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАТИКА
Месяц, год 04, 2015
Индекс УДК 004.89
DOI
Аннотация Многие задачи в геоинформатике сводятся к задачам поиска оптимальных решений. Для эффективного их решения разрабатываются биоинспирированные алгоритмы. Их разновидностями, наряду с генетическими алгоритмами, являются алгоритмы генетического программирования, эволюционных стратегий, эволюционного программирования, обучающие классификаторы, алгоритмы Монте-Карло, роевого интеллекта, меметики, гармоничного поиска и др. Одной из основных проблем, с которой сталкиваются их разработчики, является проблема обеспечения баланса между скоростью сходимости алгоритма и диверсификацией поиска. Это – фундаментальная проблема, ввиду ее теоретической и практической важности. Для целенаправленного синтеза биоинспирированных алгоритмов с развитыми механизмами решения проблемы баланса, адаптации и самоадаптации, необходима общая теория биоинспирированного поиска оптимальных решений. Обсуждаются основные элементы теории биоинспирированного поиска оптимальных решений. Представлены оригинальные меметические алгоритмы, сочетающие локальный поиск, кооперацию и соревнование. Эксперименты для NP-сложных задач оптимизации показали, что с помощью разработанной теории эти задачи решаются быстро, надежно и точно. Биоинспирированные алгоритмы - активно развивающаяся область методов оптимизации и принятия решений. На данный момент наиболее перспективным следует считать создание адаптивных версий биоинспирированных алгоритмов поиска, учитывающих предысторию поиска, а также проблемно-ориентированную информацию об области поиска оптимальных решений. Основным инструментом конструирования новых высокоэффективных биоинспирированных алгоритмов является гибридизация. Особенностью биоинспирированных алгоритмов является наличие значительного числа свободных параметров. От них может сильно зависеть эффективность алгоритмов. Имеются лишь экспериментальные рекомендации по выбору значений этих параметров. Необходимы дальнейшие исследования по адаптации и самоадаптации этих параметров.

Скачать в PDF

Ключевые слова Геоинформатика; биоинспирированный поиск; меметический алгоритм; обработка проблемно-ориентированных знаний.
Библиографический список 1. Holland J.H. Adaptation in Natural&Artificial Systems. Ann Arbor: Uni of Michigan Press, 1975.
2. Kureichik V.M. and Rodzin S. I. Evolutionary algorithms: Genetic programming. // J. Computer System Science Int. – 2002. – Vol. 41, No. 1. – P. 123-132.
3. Rodzin S.I.: Schemes of Evolution Strategies // Proc. of IEEE Int. Conf. on Art. Intel. Systems (ICAIS’2002). – 2002. – P. 375-380.
4. Fogel D. B. Evolutionary Computation. The Fossil Record. Piscataway. NJ: IEEE Press, 1998.
5. Dorigo M., Maniezzo V., Colorni A. The Ant System: Optimization by a colony of cooperating objects // IEEE Trans. on Systems, Man, and Cybernetics. – 1996. – Part B, No. 26(1). – P. 29-41.
6. Pham D.T., Ghanbarzadeh A., Koc E., Otri S., Rahim S., and Zaidi M. The Bees Algorithm. Tech. Note, Manufacturing Eng. Centre, Cardiff University, UK, 2005.
7. 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.
8. Reynolds C. Flocks, Herds, and Schools: A Distributed Behavioral Model // Computer Graphics. – 1987. – No. 4 (21). – P. 25-34.
9. Das S., Biswas A., Dasgupta S., Abraham A. Bacterial foraging optimization algorithm: theoretical foundations, analysis, and applications // Foundations of Computational Intelligence. Publisher: Springer, 2009. – Vol. 203. – P. 23-55.
10. Yang X.-S., Deb S. Cuckoo search via l’evy flights // Proc. of the World Congress on Nature & Biologically Inspired Computing (NaBIC’09, India). IEEE Publ., USA, 2009. – P. 210-214.
11. Yang Xin-She. Firelly algorithm, stochastic test functions and design optimization // Int. Jour. of Bioinspired Computation. – 2002. – Vol. 2, No. 2. – P. 78-84.
12. Mehrabiana A.R., Lucase C. A novel numerical optimization algorithm inspired from weed colonization // Ecological informatics. – 2006. – No. 1. – P. 355-366.
13. Mucherino A., Seref O. Monkey search: a novel meta-heuristic search for global optimization // Proc. of AIP Conf. «Data mining, system analysis and optimization in biomedicine». – 2007. – P. 162-173.
14. Abidin Z.Z., Arshad M.R., Ngah U.K. A simulation based fly optimization algorithm for swarms of mini autonomous surface vehicles application // Indian Jour. of Geo-marine Sciences. – 2011. – Vol. 40 (2). – P. 250-266.
15. Eusuff M.M., Lansey K., Pasha F. Shuffled flog leaping algorithm: a memetic meta-heuristic for discrete optimization // Engineering Optimization. – 2006. – Vol. 38, No 2. – P. 129-154.
16. Yang X.-S. A new metaheuristic sat-inspired algorithm // Nature Inspired Cooperative Strategies for Optimization (NISCO’2010), Berlin: Springer. – 2010. – Vol. 284. – P. 65-74.
17. Wolpert D.H., Macready, W.G. The no Free Lunch Theorems for Optimization // IEEE Trans. Evol. Comp. – 1997. – Vol. 1, No. 1. – P. 67-82.
18. Cormen T.H., Leiserson, C.E., Rivest, R.L., Stein, C. Introduction to Algorithms. MIT Press, 2009.
19. Rodzin S.I. Smart Dispatching and Metaheuristic Swarm Flow Algorithm // J. of Comp. and Syst. Sc. Inter. – 2014. – Vol. 53, No. 1. – P. 109-115.
20. Conway R.W., Maxwell W.L., Miller L.W. Theory of Scheduling. Courier Dover Publ., 2003.
21. Moscato P. Memetic algorithms. Handbook of Applied Optimization. Oxford: Uni Press, 2002.
22. Rodzina L., Kristofferson S. Context-dependent car Navigation as kind of human-machine collaborative interaction // Proc. of the 2013 Int. Conf. on Collaboration Technologies & Systems (CTS’2013, San Diego, California, USA.). Publ. of the IEEE. – P. 253-259.
23. Курейчик В.В., Курейчик, В.М., Родзин, С.И. Теория эволюционных вычислений. – М.: Физматлит, 2012. – 260 c.
24. 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.