САМОКОНФИГУРИРУЕМЫЙ ГИБРИДНЫЙ ЭВОЛЮЦИОННЫЙ АЛГОРИТМ РЕШЕНИЯ ЗАДАЧИ КЛАССИФИКАЦИИ Текст научной статьи по специальности «Компьютерные и информационные науки»

Рассмотрим конкретный пример (рис. 2). Предположим, на кривой прибыли предприятие находится в точке 1 (ассортимент У0 , прибыль Иг). Начинаем изменять объем номенклатуры в сторону увеличения У0 + AV, перемещаемся в точку 2, где

получаем некоторое значение прибыли И 2 , причем П2 меньше И\. Делаем выводы о том, что

предприятие находится в стадии насыщения. Меняя знак ЛV, т.е. начиная двигаться в сторону уменьшения ассортимента, достигаем зоны оптимальности 3, в которой П3 больше И\, и Из= тах.

С большой долей условности и на основании данных, приведенных в п.4.1, книжные магазины можно разделить на четыре группы по величине ассортимента: 5-20 тыс., 20-50 тыс., 50-80 тыс., 80110 тыс. наименований. В зависимости от вели-

чины предприятия вводится параметр - шаг дискретизации изменения емкости ЛV - его целесообразно варьировать в пределах 10-20% для первой и второй группы предприятий, 5-10% для третьей и четвертой группы.

Предложенная методика позволяет управлять объемом номенклатуры с целью повышения эффективности деятельности книжного предприятия.

На мой взгляд, данная методика может быть распространена и на другие виды ритейла, имеющие схожие с книжным бизнесом характеристики.

Литература:

1. Яшин С.Н., Туккель И.Л., Кошелев Е.В. Экономика и финансовое обеспечение инновационной деятельности. Том 1. Экономика - СПб.: БХВ-Петербург, 2014 - 688 с.

2. Книжный рынок России. Состояние, тенденции и перспективы развития. Отраслевой доклад / Под общ. ред. В.В.Григорьева. - М.: Федеральное агентство по печати и массовым коммуникациям, 2016..- 107 с.

САМОКОНФИГУРИРУЕМЫИ ГИБРИДНЫМ ЭВОЛЮЦИОННЫМ _АЛГОРИТМ РЕШЕНИЯ ЗАДАЧИ КЛАССИФИКАЦИИ_

SELF-CONFIGURING HYBRID EVOLUTIONARY ALGORITHM FOR CLASSIFICATION

PROBLEM

О. Е. Семенкина

Младший научный сотрудник

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева

г. Красноярск O. E. Semenkina Junior Researcher

Siberian State Aerospace University named after academician M. F. Reshetnev

Krasnoyarsk

АННОТАЦИЯ

Разработан, реализован и исследован гибридный эволюционный алгоритм, настраивающий структуру нейронной сети для решения задачи классификации самоконфигурируемым генетическим алгоритмом, а также весовые коэффициенты стайным алгоритмом оптимизации. Проведено исследование эффективности применения метода самоконфигурации к стохастическим алгоритмам при решении задач классификации.

ABSTRACT

Hybrid evolutionary algorithm, that uses self-configuring genetic algorithm for neural network structure design and particle swarm optimization for neural network weights tuning, was developed, realized and investigated. The investigation of efficiency of self-configuring methods application to stochastic algorithms for solving classification problems have done.

Ключевые слова: самоконфигурирование, генетический алгоритм, классификация, стайный алгоритм, нейронные сети.

Keywords: self-configuring, genetic algorithm, classification, particle swarm optimization, neural networks.

В настоящее время одной из наиболее активно развивающихся областей науки является разработка интеллектуальных информационных технологий, главной задачей которых является разрешение сложных проблем, что на данный момент доступно только человеческому интеллекту. Проектирование искусственных нейронных [1] сетей является одним из наиболее часто используемых методов решения задач интеллектуального анализа данных. Существует большое число методов настройки весовых коэффициентов связей между нейронами, но особенный интерес представляет выбор подходящей структуры нейронной сети,

которая может проектироваться с использованием различных методов, таких как генетические алгоритмы [2], нечеткие правила [3], кооперативный бионический алгоритм [4] и другие.

Современные алгоритмы решения задач интеллектуального анализа данных очень "капризны" и требуют настройки параметров, которые серьезно влияют на эффективность, под каждую конкретную задачу. Обычно для этого требуются экспертные знания, однако использование механизмов самоадаптации позволяет решить проблему настройки параметров.

В разработанном методе для настройки структуры нейронной сети используется самоконфигурируемый генетический алгоритм, в котором индивид представляет собой бинарную строку, составляемую определенным образом. Так как речь идет о ГА для построения структуры нейронной сети, то эта бинарная строка состоит из нескольких участков, каждый из которых соответствует одному из нейронов, ассоциированных с активационными функциями. В данной работе были взяты 15 стандартных функций активации, а значит участок генотипа представляет собой число от 0 до 15, представленное в двоичной системе исчисления. При этом вещественный 0, или соответствующий бинарный участок строки из нулей, означает отсутствие в этом месте нейрона как такового.

Таким образом, алгоритму необходимо задать максимальное количество слоев нейронной сети и максимальное количество нейронов на каждом слое, а так же вероятность существования нейрона при инициализации начальной популяции структур. Однако для оценки пригодности каждого такого индивида требуется в начале определить весовые коэффициенты связей между нейронами, для чего в данной работе используется стайный алгоритм оптимизации (Particle Swarm Optimization) [5].

Сравнение эффективности предложенного алгоритма с алгоритмом, использующим стандартный генетический алгоритм (ГА), проводилось на нескольких задачах из международного репозито-рия задач машинного обучения. Самоконфигуриру-

емый алгоритм показывает надежность, сопоставимую с надежностью стандартного ГА для выбора структуры нейронной сети при лучших его настройках, выявленных на этапе тестирования на задачах вещественной оптимизации. В то же время он устраняет необходимость выбора подходящих под задачу настроек алгоритма, а значит освободившиеся таким образом вычислительные ресурсы можно использовать для дальнейшего уточнения решения.

Библиографические ссылки

1. Bukhtoyarov V.V., Semenkin E.S. A comprehensive evolutionary approach for neural network ensembles automatic design. Вестник СибГАУ. 2010. № 7. С. 14-19.

2. Khritonenko D.I., Semenkin E.S. Distributed self-configuring evolutionary algorithms for artificial neural networks design. Вестник СибГАУ. 2013. № 4 (50). С. 112-116.

3. Stanovov V., Semenkin E. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems. Вестник СибГАУ. 2013. №4 (50). С. 148-152.

4. Akhmedova Sh.A., Semenkin E.S. Data Mining Tools Design with Co-Operation of Biology Related Algorithms. Fifth International Conference on Swarm Intelligence (ICSI'2014) - 2014.

5. Kennedy J., Eberhart D. C. Particle swarm optimization // Proc. IEEE Int. Conf on Neural Networks, IV Piscataway, NJ: IEEE Service Center, 1995, P. 1942-1948.