CC BY
24Transactions on Systems, Man, and Cybernetics. 1999. Vol. 29, № 5. P. 601-618.
4. Об одной модификации вероятностного генетического алгоритма для решения сложных задач условной оптимизации / А. Ю. Ворожейкин [и др.] // Вестник СибГАУ. 2009. № 4. С. 79-84.
5. Сергиенко Р. Б. Метод формирования нечеткого классификатора самонастраивающимися коэволюци-онными алгоритмами // Искусственный интеллект и принятие решений. 2010. № 3. С. 98-106.
6. Хаустов И. А., Панфилов И. А. Методы «лечения» в процессе оптимизации генетическими алгоритмами // Решетневские чтения : материалы XVII Междунар. науч. конф., посвящ. памяти генер. конструктора ракет.-космич. систем акад. М. Ф. Решетнева (12-14 нояб. 2013, г. Красноярск). Ч. 2. 2013. С. 82-84.
References
1. Holland J. H., Reitman J. S. Cognitive systems based on adaptive algorithms // Pattern-Directed Inference Systems (Eds D. A. Waterman and F. Hayes-Roth). New York : Academic Press, 1978.
2. Smith, S. F. A learning system based on genetic adaptive algorithms. PhD thesis // Department of
Computer Science, University of Pittsburgh, Pennsylvania, 1980.
3. Ishibuchi H., Nakashima T., Murata T. Performance Evaluation of Fuzzy Classifier Systems for Multidimensional Pattern Classification Problems // IEEE Transactions on Systems, Man, and Cybernetics. Vol. 29, № 5. 1999. p. 601-618.
4. Amodified probabilistic genetic algorithm for the solution of complex constrained optimization problems / A. Yu. Vorozheikin, T. N. Gonchar, I. A. Panfilov, E. A. Sopov, S. A. Sopov // Vestnik SibGAU. 2009. № 4. p. 79-84.
5. Sergienko R. B. Metod formirovania nechetkogo klassifikatora samonastrivayuschimisya geneticheskimi algoritmami // Iskusstvennyi intellekt i prinyantie resheniy. № 3. 2010. p. 98-106.
6. Khaustov I. A., Panfilov I. A. "Correction" methods in the process of genetic optimization // Reshetnevskia chteniya : paper from XVII International Science Conference to the memory of Senior Engineer M. F. Reshetnev (12-14.10.2013, Krasnoyarsk). p. 2. 2013. p. 82-84.
© Хаустов И. А., Панфилов И. А. 2014
УДК 519.87
О ПРИМЕНЕНИИ АДАПТИВНЫХ НЕЙРОСЕТЕВЫХ ПРЕДИКТОРОВ В ЗАДАЧЕ ЭКОЛОГИЧЕСКОГО ПРОГНОЗИРОВАНИЯ ДЛЯ ПРОМЫШЛЕННОГО ЦЕНТРА
Д. И. Хритоненко
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: hdmitry.91@mail.ru
Рассматривается задача прогнозирования уровня заболеваемости населения по физико-химическому составу воздуха. Прогноз производится при помощи коллективов искусственных нейронных сетей, полученных при помощи эволюционных алгоритмов. Описываются модификации используемых алгоритмов. Сравнительный анализ показывает их эффективность.
Ключевые слова: искусственные нейронные сети, коллективы интеллектуальных информационных технологий, эволюционные алгоритмы, самоконфигурирование.
ON AN APPLICATION OF ADAPTIVE ARTIFICIAL NEURAL NETWORKS FOR THE PROBLEM OF ECOLOGICAL PREDICTION FOR THE INDUSTRIAL CENTER
D. I. Khritonenko
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: hdmitry.91@mail.ru
The problem of predicting the sickness rate of the population using the chemical and physical air compound and its solution is considered. The prediction is made using ensembles of neural networks, obtained with evolutionary algorithms. The modifications of considered algorithms are described. The comparative analysis shows their efficiency.
Keywords: artificial neural networks, ensembles of intellectual information technologies, evolutionary algorithms, self-configuring.
Современное экологическое состояние городов диктует необходимость выявления факторов риска и разработку системы управления ими. В настоящее время методика оценки рисков остается все еще не-
достаточно разработанной. Экологические процессы описываются десятками и сотнями различных характеристик. В общем случае их влияние на экологическую ситуацию являются нелинейным, что затрудняет
Решетневскуе чтения. 2014
прогнозирование экологической ситуации. В таком случае для получения предсказаний могут использоваться технологии искусственного интеллекта, в частности, искусственные нейронные сети [1].
Использование эволюционных алгоритмов (ЭА) -один из распространенных методов автоматического генерирования искусственных нейронных сетей [2; 3]. ЭА позволяют выращивать относительно простые по структуре нейронные сети с высокой точностью предсказания [4]. Существует ряд модификаций ЭА, позволяющий повышать точность найденных алгоритмом решений [5]. Модификация генетических операторов [6], самоконфигурирование [7], использование коллективов [8] - некоторые из этих модификаций.
Выборка данных для задачи прогнозирования уровня заболеваемости населения по физико-химическому составу воздуха получена из отчетов организации «Красстат». Атрибуты показывают содержание различных вредных веществ в воздухе: медь, цинк, железо, хлор и т. д. Прогнозируемые измерения показывают различные возникшие заболевания и смертность от них. В прогнозе учитываются также предыдущие значения величин прогнозируемых величин. Таким образом, имеется задача прогнозирования временных рядов [9; 10].
При помощи указанных выше алгоритмов были спроектированы искусственные нейронные сети и их коллективы. Многократное тестирование и сравнение по непараметрическому критерию Вилкоксона подтвердило высокую эффективность подхода, а также его модификаций с точки зрения среднеабсолютной ошибки предсказания. В среднем она уменьшилась в 2,5 раза, что является важным результатом.
Библиографические ссылки
1. Потылицына Е. Н., Липинский Л. В., Сугак Е. В. Использование искусственных нейронных сетей для решения прикладных экологических задач // Современные проблемы науки и образования. 2013. № 4. С. 51.
2. Khritonenko D. I., Semenkin E. S. Distributed self-configuring evolutionary algorithms for artificial neural networks design // Вестник СибГАУ. 2013. № 4 (50). C. 112-116.
3. Brester Ch. Yu., Semenkin E. S. Development of adaptive genetic algorithms for neural network models multicriteria design // Вестник СибГАУ. 2013. № 4 (50). С. 99-103.
4. Bukhtoyarov V. V., Semenkina O. E. Comprehensive evolutionary approach for neural network ensemble automatic design // IEEE World Congress on Computational Intelligence, WCCI 2010 - 2010 IEEE Congress on Evolutionary Computation, CEC 2010. Barcelona, 2010.
5. Попов Е. А., Семенкина М. Е., Липинский Л. В. Принятие решений коллективом интеллектуальных информационных технологий // Вестник СибГАУ. 2012. № 5 (45). С. 95-99.
6. Семенкин Е. С., Семенкина M. E. Применение генетического алгоритма с модифицированным оператором равномерной рекомбинации при автоматизированном формировании интеллектуальных инфор-
мационных технологий // Вестник СибГАУ. 2007. № 3. С. 27-33.
7. Семенкина М. Е. Cамоадаптивные эволюционные алгоритмы проектирования информационных технологий интеллектуального анализа данных // Искусственный интеллект и принятие решений. 2013. № 1. С. 13-23.
8. Семенкин Е. С., Шабалов А. А., Ефимов С. Н. Автоматизированное проектирование коллективов интеллектуальных информационных технологий методом генетического программирования // Вестник СибГАУ. 2011. № 3. С. 77-81.
9. Sidorov M. Yu., Zablotskiy S. G., Semenkin E. S., Minker W. Evolutionary design of neural networks for forecasting of financial time series // Вестник СибГАУ.
2012. № 4. С. 106-110.
10. Semenkin E. S., Shabalov А. А. Intelligent information technologies in time series forecasting // Вестник СибГАУ. 2013. № 4 (50). С. 128-134.
References
1. Potilicina E. N., Lipinckij L. V., Sugak E. V. Application of artificial neural networks for applied ecological tasks solving // Actual problems of science and education. 2013. № 4. P. 51.
2. Khritonenko D. I., Semenkin E. S. Distributed self-configuring evolutionary algorithms for artificial neural networks design // Bulletin SibSAU. 2013. № 4 (50). P. 112-116.
3. Brester Ch. Yu., Semenkin E. S. Development of adaptive genetic algorithms for neural network models multicriteria design // Bulletin SibSAU. 2013. № 4 (50). P. 99-103.
4. Bukhtoyarov V. V., Semenkina O. E. Comprehensive evolutionary approach for neural network ensemble automatic design // The collection: 2010 IEEE World Congress on Computational Intelligence, WCCI 2010 - 2010 IEEE Congress on Evolutionary Computation, CEC 2010 2010 6th IEEE World Congress on Computational Intelligence, WCCI 2010 IEEE Congress on Evolutionary Computation, CEC 2010. Barcelona, 2010.
5. Popov E. A., Semenkina M. E., Lipinskij L. V. Decision making by using intelligent information technologies // Bulletin SibSAU. 2012. № 5 (45). P. 95-99.
6. Semenkin E. S., Semenkina M. E. Application of genetic algorithm with modified uniform recombination operator for automated implementation of intelligent information technologies // Bulletin SibSAU. 2007. № 3. P. 27-33.
7. Semenkina M. E. Self-adaptive evolutionary algorithms for designing information technology of data mining // Artificial intelligence and decision-making.
2013. № 1. P. 13-23.
8. Semenkin E. S., Shabalov A. A., Efimov S. N. Automated design of intelligent information technology kollektives by means of genetic programming techniqie // Bulletin SibSAU. 2011. № 3. P. 77-81.
9. Sidorov M. Yu., Zablotskiy S. G., Semenkin E. S., Minker W. Evolutionary design of neural networks for forecasting of financial time series // Bulletin SibSAU. 2012. № 4. P. 106-110.
10. Semenkin E. S., Shabalov A. A. Intelligent information technologies in time series forecasting // Bulletin SibSAU. 2013. № 4 (50). P. 128-134.
© XpHTOHeHKO A. H., 2014
УДК 51.72
ИССЛЕДОВАНИЕ РЕЗОНАНСНЫХ ЯВЛЕНИЙ В БЛОЧНОЙ СРЕДЕ НА ОСНОВЕ ДИСКРЕТНОЙ МОДЕЛИ*
Е. П. Ченцов, В. М. Садовский
Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50 E-mail: chencov.evg@gmail.com; sadov@icm.krasn.ru
На основе дискретной математической модели колебания блоков, разделенных податливыми упругими прослойками, проведены расчеты резонансов, вызванных продольными и вращательными колебаниями. Модель планируется применить к описанию процессов разрушения ледяных торосов резонансным методом.
Ключевые слова: колебательная система, резонанс, дискретная модель.
RESEARCH OF RESONANCE PHENOMENA IN BLOCK MEDIUM BASED ON DISCRETE MODEL
E. P. Chentsov, V. M. Sadovskii
Institute of Computational Modeling SB RAS 50, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: chencov.evg@gmail.com; sadov@icm.krasn.ru
Based on the discrete mathematical model of block oscillations divided by flexible elastic layers, a computation of resonances, caused by longitudinal and rotational oscillations, is carried out. Mentioned model will be used for simulation of ice hummocks destruction by resonance method.
Keywords: oscillatory system, resonance, discrete model.
Явление резонанса представляет большой практический интерес для многих научных и производственных областей [1]. Проводимое исследование ориентировано на разработку эффективных методов анализа резонансных явлений в структурно-неоднородных материалах.
Пусть имеется цепочка элементов, связанных между собой пружинками одинаковой жесткости. На элементы с определенной частотой ю действует возмущающая сила F. Система уравнений, описывающая динамику цепочки, имеет вид
^ + ^ = F, dt2
где U - вектор смещений; t - время; А - матрица, отвечающая за характер смещения. Решение системы ищется в виде
U = Ue'mt, F = Fem.
Тогда
U = (A - ю2E)-1 F = -Я(ю2)я
где R(X) = (IE-A)-1 - резольвентная матрица. Смещения стремятся к бесконечности в случае, когда опре-
*Работа поддержана грантом РФФИ 14-01-00130.
делитель матрицы А - ю2Е стремится к нулю. Из условия равенства нулю определителя находятся частоты, приводящие к резонансу.
Характер возмущения может быть различным. Рассмотрим задачи о продольных и вращательных колебаниях блоков.
В случае продольных колебаний была поставлена следующая задача (рис. 1). Пусть цепочка состоит из п + 1 блоков массы т, соединенных пружинками жесткости к. Расстояние между центрами масс блоков равно h, а общая длина цепочки I = (п + 1)А. К первому блоку прикладывается возмущающая сила за счет которой происходит его смещение на и0.
Динамика цепочки описывается уравнениями Ла-гранжа
- <
dt дй ■ дUj 1
где
дЬ = дР ; ди1 ди1
здесь Ь - функция Лагранжа, <1 - обобщенные силы.
