Применение методов коллаборативной фильтрации в задаче предсказания эффективности работы популяционных алгоритмов оптимизации
(Стр. 11-25)

Подробнее об авторах
Ершов Николай Михайлович кандидат физико-математических наук; старший научный сотрудник факультета вычислительной математики и кибернетики (ВМК)
Московский государственный университет имени М.В. Ломоносова (МГУ) Никитина Ольга Петровна факультет Вычислительной математики и кибернетики (ВМК)
Московский государственный университет имени М.В. Ломоносова (МГУ)
Чтобы читать текст статьи, пожалуйста, зарегистрируйтесь или войдите в систему
Аннотация:
В настоящей работе предлагается подход к решению проблемы выбора наиболее эффективного алгоритма для решения заданной задачи непрерывной оптимизации, основанный на применении методов коллаборативной фильтрации. Описывается прототип программной системы, построенный на базе семейства наиболее популярных популяционных алгоритмов оптимизации и системы тестовых целевых функций для задач непрерывной оптимизации. Рассматривается реализация нескольких методов предсказания эффективности работы заданного алгоритма. Приводятся результаты вычислительных экспериментов и сравнения рассматриваемых методов.
Образец цитирования:
Ершов Н.М., Никитина О.П., (2021), ПРИМЕНЕНИЕ МЕТОДОВ КОЛЛАБОРАТИВНОЙ ФИЛЬТРАЦИИ В ЗАДАЧЕ ПРЕДСКАЗАНИЯ ЭФФЕКТИВНОСТИ РАБОТЫ ПОПУЛЯЦИОННЫХ АЛГОРИТМОВ ОПТИМИЗАЦИИ. Computational nanotechnology, 1: 11-25. DOI: 10.33693/2313-223X-2021-8-1-11-25
Список литературы:
Полуян С.В., Ершов Н.М. Применение параллельных эволюционных алгоритмов оптимизации в задачах структурной биоинформатики // Вестник УГАТУ. 2017. Т. 21. № 4. С. 143-152.
Карпенко А.П. Современные алгоритмы поисковой оптимизации. М.: Изд-во МГТУ им. Н.Э. Баумана, 2014.
Melville P., Mooney R., Nagarajan R. Content-boosted collaborative filtering for improved recommendations. University of Texas, USA: AAAI-02, Austin, TX, USA, 2002. Рp. 187-192.
Xiaoyuan Su, Taghi M. Khoshgoftaar, a survey of collaborative filtering techniques. Advances in Artificial Intelligence, 2009. Article ID: 421425. Рp. 1-19.
Falk K. Practical recommender systems. Manning Publications, 2019.
Guohua Wu, Mallipeddi R., Suganthan P. Problem definitions and evaluation criteria for the CEC 2017 competition on constrained real-parameter optimization. 2016.
Kirkpatrick S., Gelatt C., Vecchi M. Optimization by simulated annealing // Science. 1983, May 13. No. 220 (4598). Pp. 671-680.
Whitley D. A genetic algorithm tutorial // Statistics and Computing. 1994. No. 4 (2). Pp. 65-85.
Kennedy J., Eberhart R. Particle swarm optimization // Proceedings of IEEE International Conference on Neural Networks. 1995. Pp. 1942-1948.
Passino K. Biomimicry of bacterial foraging for distributed optimization and control // IEEE Control Systems Magazine. 2002. No. 22. Pp. 52-67.
Pham D., Ghanbarzadeh A., Koc E. et al. The bees algorithm - a novel tool for complex optimization problems // Proceedings of IPROMS 2006 Conference. Pp. 454-461.
Storn R., Price K. Differential evolution - a simple and efficient heuristic for global optimization over continuous spaces // Journal of Global Optimization. 1997. No. 11 (4). Pp. 341-359.
MacQueen J.B. Some methods for classification and analysis of multivariate observations // Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. 1967. Pp. 281-297.
Kohonen T. Self-organized formation of topologically correct feature maps // Biological Cybernetics. 1982. No. 43 (1). Pp. 59-69.
Cover T., Hart P. Nearest neighbor pattern classification // IEEE Transactions on Information Theory. 1967. Vol. 13. No. 1. Pp. 21-27.
Ключевые слова:
рекомендательные системы, оптимизация, эволюционные алгоритмы, методы роевого интеллекта.