CC BY
16не содержат присоединенных функций Лежандра. Выражения (4) представляют собой явные функции параметров двигателя, что позволяет проводить оптимизацию этих параметров в соответствии с предъявляемыми требованиями.
Библиографические ссылки
1. Свинолобова Л. Б. Электромагнитная ориентация оси вращения сферического ротора // Завалишин-ские чтения : сб. докл. СПб. : ГУАП, 2011. С. 207-210.
2. Гиродвигатели : монография / Ю. В. Арбузов [и др.] ; ред. И. Н. Орлов. М. : Машиностроение, 1983. 176 с.
3. Свинолобова Л. Б. Возбуждающее поле асинхронного двигателя со статором в виде отдельных катушек // Завалишинские чтения : сб. докл. СПб. : ГУАП, 2013. С. 127-130.
References
1. Svinolobova L. B. Elektromagnitnaja orientatcija osi vraschenija sfericheskogo rotora (The spherical runner rotation axis electromagnetic orientation). Zavalishinskie chtenija. Saint-Petersburg, GUAP, 2011, pp. 207-210.
2. Girodvigateli (Gyroscopic motors): monografja / Ju. V. Arbuzov i dr.; red. I. N. Orlov. Moscow, Mashinostroenie, 1983, 176 p.
3. Svinolobova L. B. Vozbuzhdajuschee pole asinhronnogo dvigatelja so statorom v vide otdeljnyh katushek (The driving field of the asynchronous motor with а stator in the appearance of separate coils). Zavalishinskie chtenija. Saint-Petersburg, GUAP, 2013, pp. 127-130.
© Свинолобова Л. Б., Сударикова Е. В., Голубков В. А., 2014
УДК 338.246
АВТОМАТИЗАЦИЯ МОДЕЛИРОВАНИЯ И ОПТИМИЗАЦИИ СЛОЖНЫХ СИСТЕМ САМОНАСТРАИВАЮЩИМИСЯ ТЕХНОЛОГИЯМИ ВЫЧИСЛИТЕЛЬНОГО ИНТЕЛЛЕКТА
Е. С. Семенкин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: saor_semenkin@sibsau.ru
Обсуждаются методы автоматизации проектирования интеллектуальных информационных технологий на основе самонастраивающихся эволюционных алгоритмов. Описываются разработанные подходы и их применение в решении реальных практических задач в различных областях человеческой деятельности. Обсуждаются направления дальнейших исследований.
Ключевые слова: самонастраивающиеся эволюционные алгоритмы, методы вычислительного интеллекта, автоматизация проектирования, решение практических задач, направления дальнейших исследований.
AUTOMATION OF COMPLEX SYSTEMS MODELING AND OPTIMIZATION WITH SELF-ADJUSTED TECHNIQUES OF COMPUTATIONAL INTELLIGENCE
E. S. Semenkin
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: saor_semenkin@sibsau.ru
Methods of intelligent information technologies automated design based on self-adjusted evolutionary algorithms are discussed. Developed approaches and their applications in real world problems from wide area of human activity are described. Directions of further developments are proposed.
Keywords: self-adjusted evolutionary algorithms, computational intelligence techniques, design automation, real world problem solving, further developments directions.
Идеи подходов, зародившиеся в первой половине 90-х годов прошлого века [1], вполне сформировались уже более десяти лет назад [2] и получили существенное развитие в последние годы [3]. Перечислим эти идеи.
1. Гибридизация эволюционных алгоритмов [4; 5] с эффективными алгоритмами локальной псевдобулевой оптимизации ([6]).
2. Конкурентно-кооперативный коэволюционный подход [7; 8].
3. Вероятностные алгоритмы [9; 10], являющиеся обобщением известныхалгоритмов оценки распределений (EDA).
4. Самоконфигурирование эволюционных алгоритмов [11; 12].
5. Кооперативные подходы на базе так называемых бионических алгоритмов [3; 13; 17].
Решетневскуе чтения. 2014
Такими методами решаются задачи оптимизации сложных технических [14; 15] и социально-экономических [16] систем, а также задачи автоматического проектирования сложных систем анализа данных [3; 5; 15; 17].
Библиографические ссылки
1. Семенкин Е. С., Лебедев В. А. Метод обобщенного адаптивного поиска для оптимизации сложных систем // Конверсия в машиностроении. 2002. № 2. С. 36.
2. Гуменникова А. В., Емельянова М. Н., Семенкин Е. С., Сопов Е. А. Об эволюционных алгоритмах решения сложных задач оптимизации // Вестник СибГАУ. 2003. № 4. С. 14.
3. Akhmedova Sh., Semenkin E. Data Mining Tools Design with Co-operation of Biology Related Algorithms // Advances in Swarm Intelligence. - Y. Tan et al. (Eds.): ICSI 2014, Part 1, LNCS 8794, 2014. P. 499-506.
4. Бежитский С. С., Семенкин Е. С., Семенкина О. Э. Гибридный эволюционный алгоритм для задач выбора эффективных вариантов систем управления // Автоматизация и современные технологии. 2005. № 11. С. 24.
5. Semenkina M., Semenkin E. Hybrid Self-configuring Evolutionary Algorithm for Automated Design of Fuzzy Classifier // Advances in Swarm Intelligence / Y. Tan [et al.] (Eds.). ICSI 2014. Part 1, LNCS 8794, 2014. P. 310-317.
6. Antamoshkin A. N., Saraev V. N., Semenkin E. S. Optimization of unimodal monotone pseudoboolean functions // Kybernetika. 1990. Т. 26, № 5. С. 432.
7. Емельянова М. Н., Семенкин Е. С. Исследование эффективности коэволюционного алгоритма // Вестник СибГАУ. 2004. № 6. С. 28.
8. Sergienko R. B., Semenkin E. S. Competitive cooperation for strategy adaptation in coevolutionary genetic algorithm for constrained optimization // 2010 IEEE Congress on Evolutionary Computation, CEC 2010. Barcelona, 2010. С. 55-62.
9. Семёнкин Е. С., Сопов Е. А. Вероятностные эволюционные алгоритмы оптимизации сложных систем // Труды Междунар. науч.-прак. конф. AIS'2005, 2005, Т. 5. С. 77-78.
10. Сопов Е. А., Семенкин, Е. С. Исследование эффективности модифицированного вероятностного генетического алгоритма на десептивных функциях «ловушках» // Системы управления и информационные технологии. 2011. № 3 (45). С. 90-95.
11. Semenkin E., Semenkina M. Self-Configuring Genetic Algorithm with Modified Uniform Crossover Operator. Advances in Swarm Intelligence, ICSI 2012. Part 1, LNCS 7331. Springer, Heidelberg, 2012. P. 414-421.
12. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover // 2012 IEEE Congress on Evolutionary Computation, CEC 2012. 2012. С. 62-65.
13. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms // Proceedings of the IEEE Congress on Evolutionary Computation. 2013. P. 2207-2214.
14. Semenkin E., Semenkina M. Stochastic Models and Optimization Algorithms for Decision Support in Spacecraft Control Systems Preliminary Design // Informatics in Control, Automation and Robotics, Lecture Notes in Electrical Engineering 283. 2014. P. 51-65.
15. Semenkin E., Semenkina M., Panfilov I. Neural network ensembles design with self-configuring genetic programming algorithm for solving computer security problems // Advances in Intelligent Systems and Computing. 2013. Vol. 189 AISC. P. 25-32.
16. Медведев А. В., Победаш П. Н., Семенкин Е. С. Математическая модель глобального социально-экономического развития // Вестник СибГАУ. 2010. № 5. С. 137-142.
17. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms Meta-Heuristic in ANN-Based Classifiers Design // Proceedings of the World Congress on Computational Intelligence (WCCI'14). 2014, p. 867-873.
References
1. Semenkin E. S., Lebedev V. A. Konversiya v mashinostroyenii. 2002. № 2. P. 36.
2. Gumennikova A. V., Emelianova M. N., Semenkin E. S., Sopov E. A. VestnikSibGAU. 2003. № 4. С. 14.
3. Akhmedova Sh., Semenkin E. Data Mining Tools Design with Co-operation of Biology Related Algorithms // Advances in Swarm Intelligence. Y. Tan et al. (Eds.): ICSI 2014, Part 1, LNCS 8794, 2014. P. 499-506.
4. Bezhitskiy S. S., Semenkin E. S., Semenkina O. E. // Avtomatizatsiya I sovremennye tekhnologii. 2005. № 11. С. 24.
5. Semenkina M., Semenkin E. Hybrid Self-configuring Evolutionary Algorithm for Automated Design of Fuzzy Classifier // Advances in Swarm Intelligence. Y. Tan et al. (Eds.): ICSI 2014, Part 1, LNCS 8794, 2014. P. 310-317.
6. Antamoshkin A. N., Saraev V. N., Semenkin E. S. Optimization of unimodal monotone pseudoboolean functions // Kybernetika. 1990. Т. 26. № 5. С. 432.
7. Emelianova M. N., Semenkiin E. S. Vestnik SibGAU. 2004. № 6. С. 28.
8. Sergienko R. B., Semenkin E. S. Competitive cooperation for strategy adaptation in coevolutionary genetic algorithm for constrained optimization // 2010 IEEE Congress on Evolutionary Computation, CEC 2010. Barcelona, 2010. С. 55-62.
9. Semenkin E. S., Soppov E. A. Probabilistic evolutionary algorithms of complex systems optimization // Trudy Mezhdunarodnoy nauchno-prakticheskoy konferentsii AIS'2005, 2005, Vol. 5. P. 77-78.
10. Sopov E. A., Semenkin E. S. // Sistemy upravleniya i informatsionnye tekhnologii, № 3 (45), 2011. P. 90-95.
11. Semenkin E., Semenkina M. Self-Configuring Genetic Algorithm with Modified Uniform Crossover Operator. Advances in Swarm Intelligence, ICSI 2012, Part 1, LNCS 7331, Springer, Heidelberg. 2012. P. 414-421.
12. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover // 2012 IEEE Congress on Evolutionary Computation, CEC 2012 2012. С. 62-65.
13. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms // Proceedings of the IEEE Congress on Evolutionary Computation 2013. P. 2207-2214.
14. Semenkin E., Semenkina M. Stochastic Models and Optimization Algorithms for Decision Support in Spacecraft Control Systems Preliminary Design // Informatics in Control, Automation and Robotics, Lecture Notes in Electrical Engineering 283, 2014. P. 51-65.
15. Semenkin E., Semenkina M., Panfilov I. Neural network ensembles design with self-configuring genetic
programming algorithm for solving computer security problems // Advances in Intelligent Systems and Computing. Volume 189 AISC, 2013. P. 25-32.
16. Medvedev A. V., Pobedash P. N., Semenkin E. S. // VestnikSibGAU. 2010. № 5. Q 137-142.
17. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms Meta-Heuristic in ANN-Based Classifiers Design. Proceedings of the World Congress on Computational Intelligence (WCCI'14). 2014, p. 867-873.
© Семенкнн Е. C, 2014
УДК 519.68
САМОКОНФИГУРИРУЕМЫЙ АЛГОРИТМ МУРАВЬИНЫХ КОЛОНИЙ
О. Е. Семенкина, Е. А. Попов, О. Э. Семенкина
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: oleese@mail.ru, epopov@bmail.ru, semenkina.olga@mail.ru
Рассматривается метод самоконфигурирования, показавший свою эффективность на ряде задач применительно к алгоритмам, основанным на заимствовании поведения и организации муравьиных колоний. Исследуются самоконфигурируемый автокаталитический алгоритм комбинаторной оптимизации, отличающийся от известных автоматической настройкой параметров в ходе решения задачи и позволяющий значительно снизить вычислительные затраты на определение эффективного варианта алгоритма, и самоконфигурируемый метод классификации на базе автокаталитического алгоритма комбинаторной оптимизации, позволяющий автоматически строить эффективную базу правил проектируемых классификаторов. Показана эффективность применения идеи самоконфигурирования к алгоритмам муравьиных колоний.
Ключевые слова: самоконфигурирование, муравьиный алгоритм, классификация, задача коммивояжера.
SELF-CONFIGURING ANT COLONY METHOD O. E. Semenkina, E. A. Popov, O. E. Semenkina
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: oleese@mail.ru, epopov@bmail.ru, semenkina.olga@mail.ru
Self-configuring method that demonstrates good effectiveness on a range of problems, as applied to the algorithms based on the behavior and the organization of ant colonies in nature, is considered. Self-configuring autocatalytic algorithm for solving combinatorial optimization problems, unlike to the known fact that parameters tuning automatically in the course of solving the problem making computational cost of determining best algorithm variant considerably less, is investigated. Self-configuring classification method is based on autocatalytic combinatorial optimization algorithm that automatically builds an effective rule base of the designed classifiers, is also investigated. The efficiency of application of self-configuring idea to the ant colonies algorithms is demonstrated.
Keywords: self-configuring, ant colony optimization, classification, travelling salesman problem.
Современные темпы развития науки постоянно ставят новые интересные задачи, формализованная постановка которых зачастую сводится к задачам оптимизации и интеллектуального анализа данных. Однако стандартные широкоизвестные методы решения подобных проблем накладывают существенные ограничения на ряд решаемых задач, поэтому в настоящее время для решения сложных задач используют стохастические методы [1]. К ним можно отнести генетический алгоритм (Geneticalgorithm - вЛ) [2], муравьи-
ный алгоритм (Ant colony optimization - ACO) [3], стайный алгоритм (Particle Swarm Optimization - PSO) [4], алгоритм умных капель (Intelligent water drops -IWDs) [5] и многие другие. На данный момент стохастические алгоритмы имеют множество областей применения, например, они успешно используются для построения базы нечетких правил [6], искусственных нейронных сетей [7], выделения информативных признаков [8]. Области практического применения таких методов включают в себя распознавание
