CC BY
4013. 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: [email protected], [email protected], [email protected]
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: [email protected], [email protected], [email protected]
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 (Оепейса^оп1Ьт - вА) [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
Решетневскуе чтения. 2014
эмоций [9], семантический анализ и категоризацию текстов [10], медицинскую диагностику [11] и др.
Основной проблемой использования стохастических алгоритмов является большое количество настраиваемых параметров, что затрудняет их использование как для обычных пользователей, так и для специалистов в этой области. Эта проблема в настоящий момент решается созданием адаптивных алгоритмов, которые сами настраивают свои параметры в течение работы [12]. В данной работе был разработан и исследован самоконфигурируемый муравьиный алгоритм для решения задачи коммивояжера, а также самоконфигурируемый алгоритм классификации на базе муравьиного алгоритма AntMiner [13].
Полученные результаты показали, что используемый метод самоконфигурирования [14] достаточно эффективен на обоих типах задач применительно к муравьиному алгоритму. Самоконфигурируемые муравьиные алгоритмы решения задачи коммивояжера и классификации показывают эффективность, превосходящую стандартные версии данных алгоритмов по усредненным настройкам, а зачастую лишь немного уступающие им при лучших настройках алгоритмов на задаче. Кроме того, такой подход позволяет сэкономить вычислительные ресурсы, необходимые для настройки параметров алгоритма, так как заранее они неизвестны. При добавлении других вариантов настроек параметров, выявление лучших настроек значительно усложняется, в то время как для самоконфигурируемого алгоритма это не является проблемой. К тому же при решении реальных практических задач возможна ситуация, в которой нет одних фиксированных лучших настроек алгоритма на этой задаче, а наибольшую эффективность показывает «конкуренция» нескольких вариантов параметров.
Библиографические ссылки
1. Гуменникова А. В., Емельянова М. Н., Семен-кин Е. С., Сопов Е. А. Об эволюционных алгоритмах решения сложных задач оптимизации // Вестник СибГАУ. 2003. № 4. С. 14.
2. Eiben A. E., Smith J. E. Introduction to Evolutionary Computing. Springer, 2003.
3. Dorigo М., Gambardella L. M. Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem // Transactions on Evolutionary Computation, 1997. P. 53-66.
4. Ахмедова Ш. А. Particle Swarm Optimization Algorithms Development and Effectiveness Investigation // Вестник СибГАУ. 2012. № 4 (44). С. 78-79.
5. Shah-Hosseini H. Optimization with the Nature-Inspired Intelligent Water Drops Algorithm // Evolutionary Computation. In Tech, 2009.
6. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // Proceedings of the 11th Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO 2014). 2014. Vol. 1. С. 318-323.
7. Khritonenko D. I., Semenkin E. S. Distributed self-configuring evolutionary algorithms for artificial neural networks design // Вестник СибГАУ. 2013. № 4 (50). С. 112-116.
8. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection // Proceedings of Intern. Conf. on Engineering and Applied Sciences Optimization. Kos Island, Greece, 2014.
9. Sidorov M., Brester C., Minker W., Semenkin E. Speech-Based Emotion Recognition: Feature Selection by Self-Adapted Multi-Criteria Genetic Algorithm // Proceedings of the 9th edition of the Language Resources and Evaluation Conference. Reykjavik, Iceland, 2014.
10. Akhmedova Sh. [et al.] Opinion Mining and Topic Categorization with Novel Term Weighting // Proc. of the 5th Workshop on Computational Approaches to Subjectivity, Sentiment & Social Media Analysis. 2014. P. 84-89.
11. Popov E. A., Semenkina M. E. Self-configuring genetic programming algorithm for medical diagnostic problems // Вестник СибГАУ. 2013. № 4(50). С. 116-123.
12. Semenkin E., Semenkina M. Self-Configuring Genetic Algorithm with Modified Uniform Crossover Operator // Advances in Swarm Intelligence, ICSI 2012 / Y. Tan, Y. Shi, Z. Ji (Eds.). Part 1, LNCS 7331. Springer, Heidelberg, 2012. P. 414-421.
13. Parpinelli R., Lopes H., Freitas A. Data Mining with an Ant Colony Optimization Algorithm // IEEE Transactions on Evolutionary Computation. 2002. № 6(4). P. 321-332.
14. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover // IEEE Congress on Evolutionary Computation (CEC). 2012. С. 62-65.
References
1. Gumennikova A. V., Emelyanova M. N., Semenkin E. S., Sopov E. A. About evolutionary algorithms for solving complex optimization problems. Vestnik SibGAU. 2003, № 4, p. 14.
2. Eiben A. E., Smith J. E. Introduction to Evolutionary Computing. Springer, 2003.
3. Dorigo М., Gambardella L. M. Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem. Transactions on Evolutionary Computation, 1997, p. 53-66.
4. Akhmedova Sh. A. Particle Swarm Optimization Algorithms Development and Effectiveness Investigation. Vestnik SibGAU. 2012. № 4 (44), p.78-79.
5. Shah-Hosseini H. Optimization with the Nature-Inspired Intelligent Water Drops Algorithm. Evolutionary Computation, InTech, 2009. ISBN: 978-953-307-008-7.
6. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm. Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics ICINCO 2014, vol. 1, р. 318-323.
7. Khritonenko D. I., Semenkin E. S. Distributed self-configuring evolutionary algorithms for artificial neural networks design.Vestnik SibGAU. 2013. № 4 (50), p. 112-116.
8. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection. Proceedings of International Conference on Engineering and Applied Sciences Optimization, Kos Island, Greece, 2014.
9. Sidorov M., Brester C., Minker W., Semenkin E. Speech-Based Emotion Recognition: Feature Selection by Self-Adapted Multi-Criteria Genetic Algorithm. Proceedings of the 9th edition of the Language Resources and Evaluation Conference, Reykjavik, Iceland, 2014.
10. Akhmedova Sh. |et al.]. Opinion Mining and Topic Categorization with Novel Term Weighting. Proc. of the 5th Workshop on Computational Approaches to Subjectivity, Sentiment & Social Media Analysis. 2014. p. 84-89.
11. Popov E. A., Semenkina M. E. Self-configuring genetic programming algorithm for medical diagnostic problems. Vestnik SibGAU. 2013. № 4 (50). p. 116-123.
12. Semenkin, E., Semenkina, M. Self-Configuring GeneticAlgorithm with Modified Uniform Crossover
Operator. Advances in Swarm Intelligence (Eds.: Tan, Y., Shi, Y., Ji, Z.), ICSI 2012, Part 1, LNCS 7331, Springer, Heidelberg. 2012, p. 414-421.
13. Parpinelli R., Lopes H., Freitas A. Data Mining with an Ant Colony Optimization Algorithm. IEEE Transactions on Evolutionary Computation 6(4). 2002, p. 321-332.
14. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover. IEEE Congress on Evolutionary Computation (CEC). 2012. С. 62-65.
© Семенкина О. Е., Попов Е. А., Семенкина О. Э., 2014
УДК 338.246
ОСОБЕННОСТИ ПОСТАНОВКИ ЗАДАЧИ ДИАГНОСТИКИ ПАРАМЕТРОВ
ЭЛЕКТРОРАДИОИЗДЕЛИЙ
Д. В. Скворцов
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: [email protected]
Основой надёжности современных космических аппаратов является использование для их комплектации электрорадиоизделий (ЭРИ) с высокими показателями качества и надежности. Рассматриваются особенности постановки задачи диагностики параметров ЭРИ. Таким образом, может иметь место трёхальтерна-тивная задача диагностики, выделяющая из числа рассматриваемых ЭРИ три класса, один из которых является пересечением двух других. Метод диагностики не использует указания учителя и обратную связь, а также не известно количество классов.
Ключевые слова: трёхальтернативная задача, учитель, обратная связь, класс.
FEATURES OF STATEMENT OF THE PROBLEM OF ERC DIAGNOSTICS
D. V. Skvortsov
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: [email protected]
Basis of reliability of modern space vehicles is used for their complete set electric radiocomponents (ERC) with high parameters of quality and reliability [3]. The features of statement of a problem of ERC parameter diagnostics are considered. Therefore, the three-alternative task of diagnostics allocating from among considered ERC three classes takes place, one of which is crossing two others. A method of diagnostics does not use teacher's instructions a feedback. The final quantity of classes is not known[1].
Keywords: a three-alternative task, the teacher, a feedback, a class.
При испытаниях различных электрорадиоизделий может быть сформирована выборка диагностических параметров вида
{«, «2и1}' =15 ,
где 5 - объем выборки; к - количество параметров. В общем виде выборка наблюдений может быть представлена в виде таблицы, где столбцы представляют собой переменные (одна строка - одно изделие),
а строки - измерения соответствующих параметров ЭРИ.
Выборка диагностических измерений
uj u2 u\
uj2 u2 uk
u{ u2 uk
