Раздел I. Эволюционное моделирование, генетические и бионические алгоритмы
УДК 321.3
В.М. Курейчик
БИОИНСПИРИРОВАННЫЙ ПОИСК С ИСПОЛЬЗОВАНИЕМ СЦЕНАРНОГО ПОДХОДА*
Рассмотрено комплексное исследование возможностей будущего в области проектирования и принятия решений. За основу взята новая технология биоинформатики и методы, инспирированные природными системами, и подходы построения сценариев. Разработана новая архитектура принятия решений на основе взаимодействия сценарных и био-инспирированных методов. Новый интегрированный метод отображает процесс возможного принятия решений и вырабатывает конкретные практические решения.
Сценарный подход (метод); биоинспирированный поиск; генетический алгоритм; алгоритмы, инспирированные природными системами; “муравьиный” алгоритм; моделирование отжига; алгоритм моделирования “пчелиных” колоний; адаптация.
V.M. Kureychik BIOINSPIRED SEARCH BASED ON SCENARIO METHOD
Complex research of the future possibilities in the field of design and solution making is presented in this paper. New bioinformatics technology, methods inspired by nature systems, and scenario construction approaches have been taken as a base of the research. A new solution making architecture based on scenario and bioinspired methods have been developed. A new integrated method reflects the process of the possible solution making and gives concrete practical solutions.
Scenario approach (method); bioinspired search; genetic algorithm; algorithms inspired by nature systems; “ant” algorithm; annealing simulation; bee's colonies simulation algorithm, adaptation.
Введение. Основные проблемы науки и техники сегодня связаны с представлением о будущем. Это является ориентиром для влияния на процесс принятия решений. Исследование будущего в науке и технике часто рассматривается как часть его проектирования. При этом стираются грани между субъектом - лицом, принимающим решения (ЛПР), и объектом “будущее” (система, ЭВМ, атомная станция, космический корабль и т.д.). В предпроектных исследованиях сначала необходимо определить систему ориентиров и принципов, которые дадут возможность распознать перспективу и преграды в строящемся пространстве будущих возможностей. Основные неопределенные и нечетные факторы при этом следующие:
♦ идентификация будущих правил принятия решений (проектирования);
♦ прогноз будущих решений, когда проектирование происходит по существующим устаревающим правилам, гостам и технологиям и ограничениям;
♦ правильная оценка возможности и путей принятия решений;
♦ нечеткая оценка рисков потенциальных процессных решений и инноваций.
*
Работа выполнена при поддержке: РФФИ (гранты № 09-01-00492, № 10-01-90017-Бел_а), г/б № 2.1.2.1652.
Исследование будущего, особенно в принятии решений, связано со своевременным распознаванием и разработкой потенциально новых путей развития. В результате таких исследований будет описано не одно четкое состояние будущего, а набор (множество) в некотором пространстве нечетких альтернативных решений. Отметим, что природа, экспериментируя миллионы лет, за время эволюции получила некую систему мироздания. Очевидно, что ничего лучше сегодня в плане моделей предложить ученым не удается. В этой связи предлагается системное комплексное исследование возможностей будущего на основе методов, инспирированных природными системами [1-4], и нового подхода построения сценариев [5,6].
Первое направление связано с научными исследованиями в области эволюционных вычислений. В него входят генетические алгоритмы, генетическое программирование, квантовые алгоритмы, моделирование отжига, роевые алгоритмы (алгоритмы “муравья”, пчелиных колоний) и многие другие. Эти методы относятся к междисциплинарному направлению биоинформатики. Основное преимущество таких методов - возможность распараллеливания процесса поиска и получения набора (множества) альтернативных квазиоптимальных решений. Здесь используется такие методы поиска как эволюционный, генетический, биоинспирированный и т.п. Все они имеют много общего и [1-4,7-10] различаются в механизме и деталях поиска.
Новое направление - сценарный подход связано с попыткой “заглянуть в будущее” при принятии эффективных решений [5,6]. Поэтому интеграция двух направлений позволит, по мнению автора, повысить качество принятия решений в неопределенных и нечетких условиях.
1. Краткое описание сценарного подхода. Сценарный метод (СМ) начал эффективно использоваться в экономике с начала 1970 годов. Впервые он был применен компанией Shell, анализирующей сценарий возможных сцен на нефть. Сейчас сценарный метод [4] используется как инструмент статистического планирования. Считается, что такой подход эффективнее, когда не работают количественные методы предвидения. Он становится инструментом принятия решений в условиях высокой неопределенности и нечеткости.
Механизм сценарного подхода позволяет анализировать и сопоставлять последствия разных вариантов решений. СМ позволит отличать нормативные подходы (“что мы хотим?”), от прагматических (“что мы должны?”). Нормативный подход способствует поиску возможных альтернативных решений. Механизм СМ иллюстрируются с помощью сценарной воронки [5] (рис. 1).
настоящее +10 лет +20 лет
Рис. 1. Сценарная воронка
Из анализа рисунка (см. рис. 1) следует, что с увеличением времени (удаления от настоящего) пространство вероятного будущего непрерывно увеличивается. В принципе это может привести к комбинаторному взрыву (“проклятию размерности”), когда за приемлемое время нельзя получить удовлетворительный результат по принятию решения. Каждое сечение воронки (см. рис. 1) - это условная картина возможного будущего в заданный момент времени. При этом можно в определенной степени получить ответ на вопрос - “Что будет, если ... ?”.
Набор сценариев соответствует множеству альтернативных решений в алгоритмах, инспирированных природными системами (ИПА). Поэтому с их помощью можно моделировать и анализировать движущие силы в определенных аттракторах будущего и определять нечеткие отношения между сценариями. Другими словами, это поможет лицу, принимающему решение, представлять альтернативные решения будущего.
2. Взаимосвязь СМ с методами, инспирированными природными системами. Опишем ряд схем междисциплинарного подхода принятия решений с помощью ИПА и СМ. В схеме на рис. 2 препроцессором формируется постановка вопросов будущего принятия решений. Далее определяется временной горизонт, который должен быть исследован. Затем проводится анализ причин и последствий возникновения проблемы.
I 1-І
Рис. 2. Условная схема взаимодействия СМ и ИПА
Выходом работы препроцессора являются нечеткие факторы влияния (дескрипторы), для которых необходимо выявлять альтернативные варианты развития, охватывающие, по возможности, больший диапазон. Определение факторов влияния выполняются совместно с внешней средой, экспертной системой (ЭС), базами данных (БД) и знаний (БЗ).
При построении моделей СМ необходимо свести к минимуму ошибки и низкие вероятности при прогнозировании. Один и тот же фактор в рамках сценария может интерпретироваться по разному. Критерии и оценки могут постоянно меняться в процессе адаптации и взаимодействии с внешней средой. На рисунке (см. рис. 2) ИПА - это блок алгоритмов, инспирированных природными системами. Он является открытым и может постоянно пополняться. В него входят: генетические алгоритмы (ГА), “муравьиные” алгоритмы (МА) алгоритмы “пчелиных” колоний (АПК), алгоритмы моделирования отжига (МО) и др. [1-5,7-10]. В блоке “Шкала ?” по сигналам из блоков “Внешняя среда”, “СМ” и “ЭС” происходит выбор одного из методов поиска.
После определения факторов влияния и будущих нечетких критериев оценивается вероятность их изменения в соответствующих направлениях. Устанавливается взаимосвязь факторов и критериев. Анализируется насколько один критерий влияет на вероятность проявления других и насколько он их может менять. Здесь строится специальная функция принадлежности и в динамическом режиме реального времени проверяются факторы и критерии. На каждом шаге строится и координируется комплексный критерий поддержки принятия решений. На выходе схемы появляется сценарий будущих ситуаций в виде альтернативных решений ИПА. Постпроцессор выявляет связи между сценарием и позволяет в интерактивном режиме составлять у фрагментов новые мозаики решений. Полученные сценарии показывают некие картины будущего и их связь друг с другом. Они также показывают аттрактор возможных путей развития будущего. В заключении возникает более точное понимание перспектив развития методов принятия решений возможностей и границ методов [6,7].
На рис. 3 приведена схема взаимодействия ИПА с СМ на основе интегрированного последовательного метода.
Рис. 3. Последовательный метод взаимодействия СМ и ИПА
При построении архитектур поиска существуют два основных метода (принципа): “снизу-вверх” и ”сверху-вниз”. В первом случае поиск идет по восходящей от этапа микроэволюции до метаэволюции. При этом сначала определяется одно элементарное решение, а затем популяция альтернативных квазиоптимальных решений. Во втором случае, сначала строится популяция возможных альтернативных решений и, спускаясь по иерархическим уровням, переходят к множеству ква-зиоптимальных решений.
На рис. 4 показаны принципы взаимодействия СМ и ИПА на основе принципа снизу-вверх, а на рис. 5 показаны принципы взаимодействия СМ и ИПА на основе принципа сверху-вниз.
На рис. 6 приведена структурная схема параллельного взаимодействия СМ и ИПА на основе миграции альтернативных решений между ИПА. Блок “элитных” решений создается путем получения по одному лучшему решению из ИПА и СМ. В логическом блоке “?” эти решения анализируются и, в случае удовлетворительных решений, процесс заканчивается. В случае получения неудовлетворительных
решений происходит адаптация, взаимосвязь с внешней средой. Затем процесс повторяется, пока не заканчивается заданное число генераций алгоритм, или не будут получены удовлетворительные решения.
■ Вход
Выход
Рис. 4. Схема взаимодействия СМ и ИПА на основе принципа снизу-вверх
і Вход
Выход
Рис. 5. Схема взаимодействия СМ и ИПА на основе принципа сверху-вниз
Рис. 6. Параллельная структура взаимодействия СМ и ИПА
Заключение. Отметим, что интеграции сценарного метода и алгоритмов, инспирированных природными системами, формирует их эффективную информационную базу для принятия решений. Согласно [6,7] реализация интегрированного метода позволяет: мыслить категориями альтернативного будущего, отображает синергетическое развитие процесса, дает возможность учитывать невероятные направления будущих сценариев, попавших в аттарактор, выработать конкретные эффективные практические решения.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Курейчик В.В., Курейчик В.М., Гладков Л.А., Сороколетов П.В. Бионспирированные методы в оптимизации. - М.: Физмалит, 2009.
2. Редько В.Г. Эволюция, нейронные сети, интеллект: модели и концепции эволюционной кибернетики. - М.: Комкнига, 2005.
3. Курейчик В.В., Сороколетов П.В. Концептуальная модель представления решений в генетических алгоритмах // Известия ЮФУ. Технические науки. - 2008. - № 9 (86).
- С. 7-12.
4. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В., Базы данных. Интеллектуальная обработка информации. - М.: Изд-во «Нолидж», 2000. - 352 с.
5. Минкс Э., Бельке Э. Мыслить категориями многовариантного будущего // Форсайт.
- 2008. - № 4 (8). - С. 6-8.
6. Maull H.W. Nationale Interessen! Aber was sind sie? Auf der Suche nach Orientierungsgrun-dlagen fur die deusche Aubenpolitic / Internationale Politic, Oktober 2006. - Р. 62-76.
7. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. - М.: Физматлит, 2003.
8. Курейчик В.В., Курейчик В.М., Сороколетов П.В. Анализ и обзор моделей эволюцию // Известия РАН. Теория и системы управления. - 2007. - № 5. - С. 114-126.
9. Курейчик В.М., Кажаров А.А. О некоторых модификациях муравьиного алгоритма // Известия ЮФУ. Технические науки. - 2008. - № 4 (81). - С. 7-12.
10. Курейчик В.В., Курейчик В.М., Родзин С.И. Концепция эволюционных вычислений, инспирированных природными системами // Известия ЮФУ. Технические науки. - 2009.
- № 4 (93). - С. 16-24.
Курейчик Виктор Михайлович
Технологический институт федерального государственного автономного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге.
E-mail: kur@tsure.ru.
347928, г. Таганрог, пер. Некрасовский, 44.
Тел.: 88б343932б0.
Kureychik Viktor Mihailovich
Taganrog Institute of Technology - Federal State-Owned Educational Establishment of Higher Vocational Education “Southern Federal University”.
E-mail: kur@tsure.ru.
44, Nekrasovskiy, Taganrog, 347928, Russia.
Phone: +78б343932б0.
УДК 519.7:004.8 + 004.8.023; 004.81.85
В.В. Курейчик, С.И. Родзин
О ПРАВИЛАХ ПРЕДСТАВЛЕНИЯ РЕШЕНИЙ В ЭВОЛЮЦИОННЫХ
АЛГОРИТМАХ*
Рассматривается на основе общей теории эволюционных вычислений конфигурация основных элементов эволюционных алгоритмов. Анализируются известные шаблоны для проектирования генотипа и способы кодирования решений. Предлагаются дополнительные правила проектирования генотипа и обобщаются свойства кодирования. Формулируются основные проблемы представления решений в эволюционных алгоритмах.
Генотип; фенотип; эволюционный алгоритм; теория эволюционных вычислений.
V.V. Kureichik, S.I. Rodzin
ON THE RULES FOR THE SUBMISSION DECISIONS IN EVOLUTIONARY
ALGORITHM
On the basis of the general theory of evolutionary computation of the configuration key elements of evolutionary algorithms. Analyzed the known patterns for the design of the genotype and ways of coding decisions. We offer additional design rules genotype and summarizes the properties of coding. Formulated the basic problem of representation of solutions in evolutionary algorithms.
Genotype, phenotype, evolutionary algorithm, evolutionary computation theory.
Введение. Процесс эволюции биологических организмов шел миллиарды лет. Если учесть скорость, с которой размножаются простейшие организмы, и подсчитать количество комбинаций, опробованных природой в процессе эволюции, то становится ясно, что современные вычислительные мощности просто несопоставимы с требуемыми. Поэтому многие исследователи эволюционных алгоритмов заняты сейчас проблемами оптимизации процесса эволюции. Это и создание представлений решений, которые могли бы сохранить и повторно использовать возникающие в процессе моделирования эволюции «строительные блоки», и совершенствование механизмов селекции и скрещивания, порождающих относительно большее количество хороших, не вырожденных решений. Создание таких механизмов позволит моделировать эффективную эволюцию с приемлемой скоростью.
*
Работа выполнена при поддержке: РФФИ (гранты № 09-01-00492, № 10-01-00115), г/б № 2.1.2.1652.