Науковий вісник НГУ

Алгоритм моделювання штучної імунної системи з селективним оператором саатіта одновимірним локальним пошуком

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Інформаційні технології, системний аналіз та керування

Останнє оновлення: 19 листопада 2016

Опубліковано: 18 листопада 2016

Перегляди: 3825

Authors:

Т.А.Желдак, канд. техн. наук, доц., Державний ВНЗ „Національний гірничий університет“, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В.В.Слєсарєв, д-р техн. наук, проф., Державний ВНЗ „Національний гірничий університет“, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

І.Г.Гуліна, PhD, Державний ВНЗ „Національний гірничий університет“, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.">Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Abstract:

Мета. Розробка алгоритму, що реалізує метод моделювання штучної імунної системи для вирішення задачі багатовимірної умовної оптимізації багатомодальних безперервних функцій та забезпечує підвищення показників ефективності.

Методика. Запропоновано гібридний адаптивний імунний алгоритм, що використовує оператор клональної селекції на основі оцінки пристосованості рішень з використанням методу ієрархії Сааті, парний адаптивний кросовер, адаптивну мутацію на основі нормального й поліноміального законів розподілу, а також обмежений покоординатний локальний пошук методом золотого перетину.

Наукова новизна. Уперше запропоноване використання в алгоритмі багатовимірної умовної оптимізації, що імітує поведінку штучної імунної системи, в якості оператора селекції математично обґрунтований оператор на основі методу аналізу ієрархій Сааті, який, на відміну від відомих реалізацій з евристичними операторами, забезпечує вищу точність рішень і швидкість сходження на аналогічних класах задач.

Результати. Результати дослідження показують високу ефективність запропонованого алгоритму для оптимізації стандартних цільових функцій, що використовуються в якості тестових на розмірності простору до 100 вимірів. Також алгоритм показує стабільну збіжність та вищу швидкість роботи при вирішенні завдань навчання нейронних мереж прямого поширення.

Практична значимість. Основні переваги запропонованого алгоритму полягають у тому, що він залишається ефективним при зростанні розмірності задачі, знаходить не одне рішення, а їх множину (альтернативи) та використовує значно менше часу (на порядок) для порівняного розв’язання задачі. Ці властивості дозволяють застосовувати запропонований алгоритм для розв’язання багатокритеріальних багатофакторних задач оптимізації прийняття рішень у процесах керування складними системами.

References/Список літератури

1. Lucinska, M., Wierzchon, S. T., 2009. Hybrid Immune Algorithm for Multimodal Function Optimization. Recent Advances in Intelligent Information Systems, Vol. 30, pp. 301–313.

2. Yildiz, A. R., 2009. A novel hybrid immune algorithm for global optimization in design and manufacturing. Robotics and Computer-Integrated Manufacturing, Vol. 25, pp. 261–270.

3. Brownlee, J., 2007. Clonal Selection Algorithms Technical Report 070209A. Complex Intelligent Systems Laboratory (CIS), Centre for Information Technology Research (CITR), Faculty of Information and Communication Technologies (ICT), Swinburne University of Technology.

4. Kelsey, J. and Timmis, J., 2003. Immune Inspired Somatic Contiguous Hypermutation for Function Optimisation. [online]. Available at: http://www.cs.york.ac.uk/rts/docs/GECCO_2003/papers/ 2723/27230207.pdf.

5. Chen, J., Lin, Q. and Ji, Z., 2010. A hybrid immune multiobjective optimization algorithm. European Journal of Operational Research, Vol. 204, pp. 294–302.

6. Karpenko, A. P. and Shurov, D. L., 2012. Hybrid global optimization method based on artificial immune system. Inzhenernoe obrazovanie, Vol. 8, рр. 339–378.

Карпенко А. П. Гибридный метод глобальной оптимизации на основе искусственной иммунной системы / А. П. Карпенко, Д. Л. Шуров // Инженерное образование. – 2012. – № 8. – С. 339–378.

7. F. O. de França, F. J. V. Zuben and L. N. de Castro, 2005. An artificial immune network for multimodal function optimization on dynamic environments. In: Proc. Of GECCO, ACM Press, New York, pp. 289–296.

8. Maoguo Gong, Licheng Jiao, Haifeng Du and Liefeng Bo, 2008. Multiobjective immune algorithm with nondominated neighbor-based selection. Evolutionary Computation, Vol. 16(2), pp. 225–255.

9. Snytyuk, V. Y., 2012. Aimed optimization features and evolutionary generation of potential solutions. In: VI Mizhnarodna shkola-seminar Uzhgorod 1–6 October 2012, Uzhgorod: Invizor.

Снитюк В. Є. Спрямована оптимізація і особливості еволюційної генерації потенційних розв’язків: VI міжнародна школа-семінар „Теорія прийняття рішень“ (Ужгород 1–6 жовтня 2012 р.) / В. Є. Снитюк. – Ужгород: „Інвізор“, 2012. – C. 182–183.

10. Zheldak, T. A., 2013. Method of simulation of artificial immune system in multimodal function optimization problems. Computational intelligence (results, problems and prospects). In: Proceedings of the 2nd International scientific and technical conference. Cherkassy, 14–17 May 2013.

Желдак Т. А. Метод моделювання штучної імунної системи в задачах оптимізації мультимодальних функцій: матеріали 2-ї міжнар. наук.-техн. конф. „Обчислювальний інтелект (результати, проблеми, перспективи)“ (Черкаси 14–17 травня 2013 р.) / Т. А. Желдак. – 2013. – С. 33–36.

05_2016_Zheldak
2016-11-15  589.43 KB  940

• < Попередня