Модель искусственной нейронной сети для распознавания состояния популяции в генетическом алгоритме в процессе работы
(Стр. 89-97)

В рамках данного исследования предлагается модель искусственной нейронной сети, используемой в качестве специализированной надстройки над генетическим алгоритмом, позволяющем влиять на процесс поиска решений непосредственно в ходе синтеза решений. Такая комбинация методов позволит управлять траекторией движения популяции в пространстве решений, что особенно важно при работе с технологией обработки больших данных, когда остановка процесса поиска решений в виду затухания эволюционной процедуры или нахождение популяции в локальном экстремуме требует остановки работы генетического алгоритма, выполнения дополнительной настройки операторов и перезапуска, применение такого подхода неэффективно, особенно при работе с большими данными и трудоемких вычисления. В данной статье предложена модель искусственной нейронной сети, которая позволяет распознавать состояние популяции генетического алгоритма и принимать решение об изменении параметров функционирования операторов генетического алгоритма. Предложенная модель позволяет распознать процессы затухания эволюционной процедуры при решении задачи структурно-параметрического синтеза больших дискретных систем и на определить меры влияния на параметры функционирования генетического алгоритма. Данная модель распознает состояние популяции с точностью 95%, что позволяет существенно сократить время на поиск решений в задачах применения генетического алгоритма для работы с большими данными.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Петросов Д.А. Модель искусственной нейронной сети для распознавания состояния популяции в генетическом алгоритме в процессе работы // Computational Nanotechnology. 2024. Т. 11. № 3. С. 89-97. DOI: 10.33693/2313-223X-2024-11-3-89-97. EDN: QONIXQ

Буевич А.Г., Сергеев А.П., Шичкин А.В. и др. Модель для прогнозирования поверхностной концентрации метана в арктическом регионе, основанная на искусственной нейронной сети с длинной цепью элементов краткосрочной памяти и вейвлет-преобразованием исходных данных // Арктика: экология и экономика. 2023. Т. 13. № 3 (51). С. 428–436.
Буханов Д.Г., Поляков В.М. Система обнаружения вторжений в IP-сети с использованием искусственных нейронных сетей адаптивно-резонансной теории с иерархической структурой памяти // Информация и безопасность. 2019. Т. 22. № 1. С. 44–67.
Пучков Е.В., Лила В.Б. Методология обучения рекуррентной искусственной нейронной сети с динамической стековой памятью // Программные продукты и системы. 2014. № 4. С. 132–135.
Перепелкин В.Ю. Использование рекуррентных нейросетей сетей для прогнозирования временных рядов // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2023. № 7-2. С. 80–82.
Антошкин В.А., Зацепин Д.К. Методика развертывания нейросети анализа временных рядов с использованием сервера ИСАВР // Информатика и прикладная математика. 2023. № 29. С. 5–10.
Ефанов В.Н., Муфаззалов Д.Ф. Генетический алгоритм стабилизации сложных систем управления // Информационно-измерительные и управляющие системы. 2024. Т. 22. № 2. С. 31–43.
Галактионова Е.С., Корытова Т.В., Авадэни Ю.И., Граматчикова В.Е. Управление автотранспортными предприятиями с применением теории расписания и генетических алгоритмов // Азимут научных исследований: экономика и управление. 2021. Т. 10. № 2 (35). С. 145–148.
Марков А.Д., Федосеев Д.А., Дробышева В.О. Выбор оператора скрещивания генетического алгоритма для решения задачи управления активами // Научный электронный журнал «Меридиан». 2020. № 9 (43). С. 48–50.
Софронова Е.А. Генетический алгоритм с недоминируемой сортировкой для решения задачи управления транспортными потоками// Вопросы теории безопасности и устойчивости систем. 2022. № 24. С. 110–121.
Петросов Д.А., Петросова Н.В. Искусственные нейронные сети в задачах управления генетическим алгоритмом в процессе структурно-параметрического синтеза больших дискретных систем с заданным поведением // Перспективы науки. 2018. № 11 (110). С. 125–130.
Петросов Д.А., Игнатенко В.А. Применение информационных сетей Петри для моделирования нейронной сети в задаче управления адаптированным генетическим алгоритмом при решении задач структурно-параметрического синтеза дискретных систем // Успехи современной науки и образования. 2016. Т. 5. № 12. С. 138–141.
Корольков А.П., Попов В.В., Козлов А.А. Использование генетических алгоритмов для построения адаптивных систем поддержки принятия решений в специальном программном обеспечении единой дежурно-диспетчерской службы на базе моделей ситуационного управления // Природные и техногенные риски (физико-математические и прикладные аспекты). 2013. № 4 (8). С. 66–74.
Петросов Д.А., Петросова Н.В., Феклин В.Г. Модели операторов генетического алгоритма на основе математического аппарата теории сетей Петри // Наука и бизнес: пути развития. 2019. № 7 (97). С. 65–68.
Петросов Д.А., Петросова Н.В., Феклин В.Г. Разработка имитационной модели генетического алгоритма на основе математического аппарата теории сетей Петри // Перспективы науки. 2019. № 7 (118). С. 25–28.
Рыков А.Д., Давыдов В.М. Формирование технологических процессов на основе сетей Петри // Ученые заметки ТОГУ. 2019. Т. 10. № 2. С. 147–152.
Бабкин А.Н., Акчурина Л.В., Алексеенко С.П. Моделирование угроз информационных атак в сети Internet на основе сетей Петри // Вестник Воронежского института МВД России. 2023. № 2. С. 101–106.
Петросов Д.А. Моделирование искусственных нейронных сетей с использованием математического аппарата теории сетей Петри // Перспективы науки. 2020. № 12 (135). С. 92–95.
Bashkin V.A. On the approximation of the resource equivalences in Petri nets with the invisible transitions // Modeling and Analysis of Information Systems. 2020. Vol. 27. No. 2. Pp. 234–253.
Nesterov R.A., Savelyev S.Yu. Generation of Petri nets using structural property-preserving transformations // Proceedings of the Institute for System Programming of the RAS. 2021. Vol. 33. No. 3. Pp. 155–170.
Петросов Д.А., Зеленина А.Н. Модель искусственной нейронной сети для решения задачи управления генетическим алгоритмом с применением математического аппарата теории сетей Петри // Моделирование, оптимизация и информационные технологии. 2020. №. 4 (31). С. 1–12.

структурно-параметрический синтез, интеллектуальные модели, эволюционные процедуры, математическое моделирование, генетические алгоритма, искусственные нейронные сети, COGAN подход.