CC BY
12Математические методы моделирования, управления и анализа данных
УДК 519.87
О МОДИФИКАЦИИ КОЛЛЕКТИВНОГО МЕТОДА ВЕЩЕСТВЕННОЙ БЕЗУСЛОВНОЙ
ОПТИМИЗАЦИИ НА ОСНОВЕ БИОНИЧЕСКИХ АЛГОРИТМОВ И ЕГО ПРИМЕНЕНИИ ПРИ ОБУЧЕНИИ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ*
А. В. Скороход
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: SkorokhodAV@yandex.ru
Автономная медицинская диагностика с использованием нейросетевых технологий важна при анализе состояния здоровья экипажей орбитальных космических станций. В работе обосновывается новый метод обучения нейросетевых диагностических систем.
Ключевые слова: диагностические системы, нейросетевые классификаторы, кооперативные бионические алгоритмы.
ARTIFICIAL NEURAL NETWORK TRAINED BY MODIFIED COOPERATION OF BIOLOGY RELATED ALGORITHMS
A. V. Skorokhod
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: SkorokhodAV@yandex.ru
Autonomous medical diagnosis with neural networks is important to analyse crews of space stations health. The paper says about a new artificial neural networks learning mechanism.
Keywords: diagnosis systems, artificial neural networks, Co-Operation of Biology Related Algorithms.
Введение. Искусственные нейронные сети (ИНС) -универсальный математический аппарат, способный решать большой круг разнообразных задач моделирования, классификации, прогнозирования. Например, системы поддержки принятия решений (СППР), основанные на различных методах интеллектуального анализа данных, в число которых входит ИНС, могут автономно решать задачи медицинской диагностики, что полезно при анализе состояния здоровья экипажей орбитальных станций при длительных экспедициях.
Настройка искусственной нейронной сети бионическими алгоритмами. При синтезе ИНС возникает сложная задача поиска оптимальной структуры и настройки весовых коэффициентов. Данную проблему можно формализовать, а поиск лучшего решения интерпретировать как поиск экстремума, т. е. задачу глобальной оптимизации. Задачу можно успешно решать нестандартными численными методами, в число которых входят алгоритмы стайного типа.
Благодаря эффективности данного типа алгоритмов направление получило большую популярность. Было создано множество разнообразных алгоритмов, заимствующих поведение той или иной группы животных. Однако из-за большого разнообразия бионических алгоритмов сложно заранее определить вид
алгоритма, который необходимо применить для решения той или иной задачи оптимизации для различных реальных проблем (и даже для различных размерностей одной и той же задачи).
Решением стало использование коллективного метода вещественной безусловной оптимизации на основе бионических алгоритмов (Co-Operation of Biology Related Algorithms, COBRA) [1], который генерирует пять популяций (по одной для каждого используемого алгоритма), коллективно решающих задачу оптимизации на основе конкуренции и кооперации.
В «изначальном» варианте [2] алгоритма COBRA использовались классические варианты стайных алгоритмов. Для улучшения производительности метода, а так же для расширения круга решаемых задач в данной работе для реализации были выбраны новейшие модификации: биомимикрия паразитического поведения в коэволюционном роевом (стайном) алгоритме глобальной оптимизации [3], алгоритм поиска стаей волков [4], алгоритм светлячков со случайным выбором, поиском по окрестности и динамическим механизмом настройки параметров [5], новый гибридный метод глобальной оптимизации на основе алгоритмов стада криля и поиска кукушек [6], алгоритм направленной летучей мыши [7].
* Работа выполняется в рамках НИР 2.1680.2017/ПЧ проектного задания Министерства образования и науки РФ Сибирскому государственному университету науки и технологий имени М. Ф. Решетнева.
Решетневские чтения. 2017
В данной работе ИНС, обученная алгоритмом COBRA, решала задачу классификации. Для данного теста была взята база данных, содержащая численные показатели анализа крови, а также количество употребляемого алкоголя в день, для определения отклонений в работе печени пациента [8]. Данная база содержит 345 экземпляров. Каждый экземпляр - строка, содержащая семь численных параметров, шесть из которых являются входными и один выходной - класс «болен» либо «здоров».
Разделим данную базу на тестовую и обучающую части в соотношении 6:4. Для настройки ИНС алгоритмом COBRA было выделено сто поколений. ИНС в работе с задачей классификации на базе данных болезни печени показала следующие результаты (см. таблицу).
Производительность ИНС, обученной с помощью алгоритма COBRA
Доля мажорируемого класса в тестовой выборке составила 56,77419 %.
Заключение. Доля правильных ответов алгоритма превышает долю мажорируемого класса, следовательно, мы можем сделать вывод о работоспособности и предсказательной способности данного симбиоза и о возможности его применения при нейросетевом моделировании сложных систем [9].
Библиографические ссылки
1. Akhmedova S., Semenkin E. Data mining tools design with co-operation of biology related algorithms // Lecture Notes in Computer Science. 2014. Vol. 8794. Р. 499-506.
2. Akhmedova S., Semenkin E. Co-operation of biology related algorithms // 2013 IEEE Congress on Evolutionary Computation, CEC 2013. 2013. Р. 2207-2214.
3. Qin Q., Cheng S., Zhang Q., Li L., Shi Y. Biomim-icry of parasitic behavior in a coevolutionary particle swarm optimization algorithm for global optimization // Applied soft computing. 2015. Vol. 32. Р. 224-240.
4. Tang R., Fong, S., Yang, X. S., Deb. S. Wolf search algorithm with ephemeral memory // Digital Information Management (ICDIM), 2012 Seventh International Conference on. IEEE, 2012. Р. 165-172.
5. Wang H., Cui, Z., Sun, H., Rahnamayan, S., Yang, X. S. Randomly attracted firefly algorithm with
neighborhood search and dynamic parameter adjustment mechanism // Soft Computing. 2016. Р. 1-15.
6. A new hybrid method based on krill herd and cuckoo search for global optimisation tasks / G. G. Wang, A. H. Gandomi, X. S. Yang et al. // International J. of Bio-Inspired Computation. 2016. Vol. 8, №. 5. Р. 286-299.
7. New directional bat algorithm for continuous optimization problems / A. Chakri, R. Khelif, M. Benouaret et al. // Expert Systems with Applications. 2017. Vol. 69. Р. 159-175.
8. UCI Machine Learning Repository. URL: http:// archive.ics.uci.edu/ml/datasets.html (дата обращения: 31.08.2017).
9. Решение задачи прогнозирования экологического состояния города нейроэволюционными алгоритмами / Д. И. Хритоненко [и др.] // Вестник СибГАУ. 2015. Т. 16, № 1. С. 137-142.
References
1. Akhmedova S., Semenkin E. Data mining tools design with co-operation of biology related algorithms // Lecture Notes in Computer Science. 2014. Vol. 8794. Р. 499-506.
2. Akhmedova S., Semenkin E. Co-operation of biology related algorithms // 2013 IEEE Congress on Evolutionary Computation, CEC 2013. 2013. Р. 2207-2214.
3. Qin Q., Cheng S., Zhang Q., Li L., Shi Y. Biomim-icry of parasitic behavior in a coevolutionary particle swarm optimization algorithm for global optimization // Applied soft computing. 2015. Vol. 32. Р. 224-240.
4. Tang R., Fong, S., Yang, X. S., Deb. S. Wolf search algorithm with ephemeral memory // Digital Information Management (ICDIM), 2012 Seventh International Conference on. IEEE, 2012. Р. 165-172.
5. Wang H., Cui, Z., Sun, H., Rahnamayan, S., Yang, X. S. Randomly attracted firefly algorithm with neighborhood search and dynamic parameter adjustment mechanism // Soft Computing. 2016. Р. 1-15.
6. Wang G. G., Gandomi, A. H., Yang, X. S., Alavi A. H. A new hybrid method based on krill herd and cuckoo search for global optimisation tasks // International J. of Bio-Inspired Computation. 2016. Vol. 8, №. 5. Р. 286-299.
7. Chakri A., Khelif, R., Benouaret, M., Yang X. S. New directional bat algorithm for continuous optimization problems // Expert Systems with Applications. 2017. Vol. 69. Р. 159-175.
8. UCI Machine Learning Repository. Available at: http://archive.ics.uci.edu/ml/datasets.html (accessed: 31.08.2017).
9. Pesheniye zadachi prognozirovaniya ekologi-cheskogo sostoyaniya goroda neyroevolyutsionnymi algoritmami / D. I. Khritonenko [et al.] // Vestnik SibSAU. 2015. Vol. 16, № 1. P. 137-142.
© Скороход А. В., 2017
Доля правильных ответов алгоритма, % 72,90323
Класс 0 Класс 1 Точность, %
Предполагаемый класс 0 76 30 71,69811
Предполагаемый класс 1 12 37 75,5102
Полнота, % 86,36364 55,22388
