Использование экспертной компоненты в генетическом алгоритме Текст научной статьи по специальности «Компьютерные и информационные науки»

Материалы Международной конференции

“Интеллектуальные САПР”

Представляется возможным использование методов эволюционной оптимизации, в частности генетических алгоритмов [2], для оперативной настройки и оптимизации БП. Подход к оптимизации БП на основе генетических алгоритмов, в принципе, позволит делать минимальные предположения относительно области решений. С другой стороны размерность структур БП и диапазоны изменения параметров их элементов невелики и регулируемы, что обеспечивает приемлемые объёмы пространства поиска Для генетических алгоритмов отмечается [3] достаточно высокий уровень устойчивости по сравнению с другими оптимизационными алгоритмами в случае нечёткого определения областей допустимых значений параметров описываемых объектов.

Однако уже сейчас ясно, что прямое отображение объектов БП в оптимизируемые стандартными генетическими алгоритмами структуры может столкнуться с рядом проблем. Простой генетический алгоритм (Goldberg, 1989) определён на фиксированном пространстве представления (даоичные строки) и вся проблемная специфика задачи обычно соотносится с целевой функцией. Соответственно для задач, в которых переменные, описывающие объекты, не ортогональны, т.е. имеют взаимозависимые значения, данное представление порождает множество бессмысленных решений, которые устраняются .

, ,

области приводит к невозможности его использования для оптимизации БП из другой

,

таких алгоритмов. Однако, в настоящее время, разрабатываются подходы [4] к построению универсальных генетических алгоритмов для случаев не ортогональных переменных, что позволяет рассчитывать на их успешное применение для оптимизации бизнес.

ЛИТЕРАТУРА

1. Davenport Т.Н. Business Innovation, Reengineering Work through Information Technology. -Boston, M.A., Harvard Business School Press, 1993. [ Цит. по книге Ойхман Е.Г., Попов Э.В. Реинжиниринг бизнеса: реинжиниринг организаций и информационные технологии. - М.: Финансы и статистика, 1997.]

2. Курейчик В.М. Методы генетического поиска: Учебное.пособие, ч.1. -Таганрог: изд-во ТРТУ,

1998.

3. Harding T.J., Radcliffe N.J. Optimisation of Production Strategies using Stochastic Search Methods // European 3-D Reservoir Modelling Conference, Norvay, 1996.

4. Surry P.D., Radcliff N.J. Formal Algorithms+Fonnal Representation=Search Strategies // Parallel Problem Solving from Nature IV, Springer-Verlag, LNCS, 1996. - C. 336-375

УДК 681. 51

М.Д. Сеченов, CH. Щеглов

ИСПОЛЬЗОВАНИЕ ЭКСПЕРТНОЙ КОМПОНЕНТЫ В ГЕНЕТИЧЕСКОМ

АЛГОРИТМЕ

Генетические алгоритмы - одно из перспективных направлений, позволяющих моделировать эволюционные процессы в различных сферах деятельности. Экспертные системы (компоненты) позволяют обобщать накопленный опыт и выдавать соответствующие рекомендации в различных ситуациях. Весьма перспек-

Известия ТРТУ

Тематический выпуск

тивным представляется совместное использование вышеназванных подходов, а именно, использование экспертной компоненты в работе генетического алгоритма в целях ускорения процесса получения результата и самообучения. Такой подход позволяет эффективно находить выходы из локальных оптимумов и принимать решения в спорных ситуациях. При этом необходимо обеспечить устойчивое функционирование алгоритма и системы в целом на основе совершенствования процесса и технологических средств формирования, получения, накопления и ис.

представления процесса накопления знаний в технологии при учёте эволюционного (динамического) единства её с макросистемой, что приводит к концептуальному принципу “вложенности” всех компонент макросистемы.

В работе предлагается генетический алгоритм, решающий задачи двумерного размещения и двумерной упаковки, использующий предшествующий опыт и самообучающийся (улучшающий качество своих решений) на этой основе. После загрузки исходных данных экспертная компонента (ЭК) выбирает тип используемой модели. Для каждой модели существуют свои настройки генетических операторов, находящиеся в базе знаний. Эти настройки получены эмпирическим путём, основываясь на опыте решения поставленных задач. Это начальные экспертные знания . - . ручном режиме экспертная компонента выдаёт рекомендации, оставляя за пользователем право принимать решения. После создания нового поколения происходит выбор хромосом для оценки. Хромосомы выбираются в пяти точках. Далее, сравнивая выбранные хромосомы, ЭК проводит анализ вырождаемости популяции. По результатам анализа и сравнения выдаются соответствующие рекомендации. В автоматическом режиме экспертная компонента может самостоятельно вносить изменения в базу знаний, если найдено более эффективное решение.

, , искать такой набор генетических операторов, при котором на следующей итерации будет достигнут наилучший результат. Причём критерием здесь является как улучшение значения целевой функции, так и степень приближённости к локально. , ,

, -ций понадобится для нахождения устраивающего пользователя решения.

УДК 519.6

АЛ. Слепцов, Т. А. Тыщук

СИНТЕЗ ОБОБЩЕННОГО МЕТОДА НЕЧЕТКОГО КРИТИЧЕСКОГО

ПУТИ

Принципы нечеткого сетевого планирования проектов, провозглашенные в работах Чанаса и Прада и развитые в работах Чанаса, Дюбуа и Прада, Камбуров-, , , , , , метода критического пути (МКП) на случай представления длительностей работ .