CC BY
32
4. Карелин В.П., Калашников В.А. Применение метода бивалентного программирования для решения некоторых задач технического проектирования //Микроэлектроника. 1979. Вып.5. Т.8.
5. Лебедев Б.К. Разнесение соединений по слоям на основе коллективной адаптации // Известия ТРТУ. Тематический выпуск “Интеллектуальные САПР”. Таганрог: Изд-во ТРТУ, 1999. №3. С.176-186 .
6. Лебедев Б.К Адаптация в САПР: Монография. Таганрог: Изд-во ТРТУ, 1999. 160с.
УДК 681.3.001.63
Ю.В. Чернухин, Ю.Ю. Здоровеющее
СЕТЕВОЙ ЭВОЛЮЦИОННО-ГЕНЕТИЧЕСКИЙ АЛГОРИТМ ПРИНЯТИЯ КОЛЛЕКТИВНЫХ РЕШЕНИЙ В ЧЕЛОВЕКО-МАШИННЫХ СИСТЕМАХ
В настоящее время существует проблема продуктивного взаимодействия больших коллективов людей, работающих над некоторой общей задачей как в ло, . решения этой проблемы является использование эволюционно-генетических методов (ЭГМ) коллективного принятия решений.
В работе [1] обоснована возможность использования ЭГМ для решения задачи коллективного составления фотопортретов. Такая задача возникает в следственной практике в том случае, когда несколько людей видели подозреваемого, запомнили разные черты его лица и пытаются совместно составить его консолидированный фоторобот. Как следует из [1], использование ЭГМ позволяет получать портреты подозреваемых на основании коллективных знаний свидетелей.
Для организации коллективного принятия решений на ЭВМ в данном случае используется простой генетический алгоритм [2], графический образ которого имеет вид, показанный на рис. 1.
Рис.1. Схема классического эволюционно-генетического алгоритма
.1 ,
, .
этом два этапа, а именно выбор свидетелями лучшего образа из нескольких представленных и внесение ими изменений в рассматриваемый образ, осуществляются в темпе, отличном от темпа выполнения генетических операторов на ЭВМ. В результате этого эффективность работы ЭГМ снижается. Более того, данный алгоритм невозможно представить в виде системы клиент - сервер, и, следовательно, его нельзя использовать для работы в локальных и, тем более, в глобальных, ком.
расширением международного сотрудничества в борьбе с терроризмом и преступностью.
В результате экспериментальных исследований было установлено, что при использовании описанного в работе [1] алгоритма, мутационная активность свидетелей существенно влияет на скорость и точность сходимости процесса принятия коллективных решений. Причем, существует оптимальный процент мутаций (примерно 5%), при котором процесс сходится наиболее быстро и точно. При значительных отклонениях мутационной активности свидетелей от оптимальной процесс эволюции становится неустойчивым.
Однако в системах коллективного принятия решений мутационная активность непредсказуема и может колебаться в широких пределах. Принудительное же ограничение мутационной активности свидетелей может приводить к потере ценной для эволюционного процесса информации. Кроме того, было установлено, что отдельный свидетель существенно влияет на процесс принятия коллективных решений в целом. Например, некий свидетель может намеренно или нечаянно удалять из популяции самую удачную особь, что, в свою очередь, может приводить к удлинению или срыву процесса коллективного принятия решений.
С целью устранения отмеченных недостатков в данной работе предлагается
- ( ),
приведен на рис.2.
При синтезе этого алгоритма были использованы два новых подхода, а именно асинхронная генерация и отложенные генетические операторы. Благодаря их использованию удалось разделить общий эволюционный цикл на один внутренний и несколько внешних, выполняемых параллельно и независимо друг от друга. Во внутреннем (машинном) цикле выполняются генетические операторы, а во внешних циклах происходит сбор информации от свидетелей.
Сравнивая рис.1 и рис.2, нетрудно видеть, что при использовании предлагаемого алгоритма работа свидетелей происходит независимо друг от друга и от внутреннего эволюционного цикла. По этой причине, его легко реализовать в виде системы клиент - сервер и использовать для работы как в локальных, так и в глобальных компьютерных сетях.
Предлагаемый алгоритм состоит из двух потоков обработки данных, последовательность действий в которых формулируются следующим образом
Внутренний цикл эволюции:
1. Случайным образом формируется начальная популяция.
2. Из популяции выбирается самая нежизнеспособная особь из тех, значения целевой функции которых находится ниже определенного уровня. Если такая особь имеется, она удаляется из популяции и осуществляется переход к п. 3, иначе - переход к п. 5.
3. В популяции выбираются две родительские особи, имеющие значение целевой функции выше априори заданного уровня.
4. От данных родительских особей при помощи операторов кроссовера и мутации порождается дочерняя особь, которая внедряется в популяцию.
5. Проверяется критерий наличия удовлетворительного решения и, если оно существует, осуществляется переход к п.6, иначе - переход к п.2.
6. . Внешний цикл работы со свидетелями:
1. -пьютерной сети посылаются свободному свидетелю.
2. , -ченная информация регистрируется в ячейках памяти, соответствующих обработанным особям.
3. Переход к п.1.
Принципиальным отличием предлагаемого алгоритма является использование в нем отложенных генетических операторов. Отложенные генетические опера-
- , - , выполняются не сразу после соответствующих указаний свидетелей, а после накопления определенного количества однородной информации. Данный подход вносит инерционность в процесс воздействия свидетелей на популяцию. И хотя это
приводит к некоторому замедлению процесса эволюции, он становится более устойчивым к непредсказуемым действиям свидетелей, в том числе вредителей.
, -ния непредсказуемого потока мутаций, вносимых свидетелями (экспертами), с внутренним машинным ритмом эволюции популяции.
Для примера на рис.3 приведены сравнительные оценки устойчивости исходного и предлагаемого алгоритмов к колебаниям мутационной активности свидетелей. Здесь кривые 1 и 2 показывают зависимость скорости сходимости популяции в функции от мутационной активности свидетелей. Причем кривая 1 относится к алгоритму, использованному в работе [1], а кривая 2 - к СЭГА. Сравнивая кривые 1 2, ,
зависит от мутационной активности свидетелей, в то время как исходный алгоритм существенно от нее зависит. Более того, при значениях мутационной активности более 50%, он вообще перестает сходиться.
Рис. 3. Зависимость устойчивости исходного и предлагаемого алгоритмов в функции от матуционной активности
На рис.4 приведены сравнительные оценки устойчивости двух рассматриваемых алгоритмов к колебаниям качества работы экспертов. Под качеством работы эксперта (свидетеля) понимается отношение количества получаемой от него полезной информации об истинном образе подозреваемого, к ее общему количеству,
включая ложные и случайные показания. количество
1500
Рис.4. Зависимость устойчивости исходного и предлагаемого алгоритмов от качества работы экспертов
На данном рисунке кривая 1 относится к исходному алгоритму, а кривая 2 - к СЭГА. Нетрудно видеть, что кривая 2 имеет меньшую кривизну по сравнению с
1, -честву работы свидетелей.
, , -дителей, т.е. тех свидетелей, которые намеренно дают ложные показания.
В предлагаемом алгоритме каждый генетический оператор соответствует определенному способу выражения свидетелем своего мнения. Для каждого оператора в программной модели особи зарезервирована ячейка памяти, в которой накап-, , выполнении соответствующего генетического оператора.
Так, оператор репродукции основан на использовании интуитивно- селективной деятельности человека, т.е. его способности к интуитивному выбору лучшего из нескольких вариантов. Для его реализации введен количественный рейтинг осо, . дальнейшем количественный рейтинг используется при поиске самой слабой особи с целью ее уничтожения, а также при выборе родительских особей для создания .
Оператор мутации основан на использовании творчески- художественной деятельности человека, т.е. его возможности непосредственно изображать фрагменты синтезируемого образа. Информация о потенциальных мутациях накапливается и в дальнейшем используется в моменты порождения новых особей. При этом мутации происходят лишь в дочерних особях и не распространяются на родитель, .
Оператор кроссовера использует оценочную деятельность человека, т.е. его способность выделять определенные места в образе и придавать им либо негатив, . , не способен четко вспомнить деталь образа, но может отметить ее четкое соответ-, , . данного оператора введен количественный рейтинг отдельных элементов особи, который модифицируется при выделении свидетелями участков особи, а затем используется в процессе формирования дочерней особи.
Несмотря на то, что в данной работе использованы только три генетических оператора (репродукция, кроссовер, мутация), в общем случае их состав может .
способов выражения своего мнения, которые ему больше нравятся или более у . , -, .
Механизм отложенных генетических операторов позволяет решить проблему чрезмерной активности свидетелей, и, кроме того, предотвращает сходимость к ложному образу при их низкой активности. Действительно, в последнем случае начнут возникать случайные мутации и эволюционный цикл искусственно удли-
.
,
эволюционно-генетический алгоритм, ориентированный на использование в сис-
темах коллективного принятия решений. Свойства этого алгоритма могут быть сформулированы следующим образом:
1. Алгоритм имеет слабую зависимость скорости сходимости эволюционного процесса от мутационной активности экспертов (см. рис. 3) и от качества их работы (см. рис. 4).
2. Если среднее качество работы экспертов ниже 50%, то процесс все равно сходится, хотя и медленнее (см. рис. 4). Это говорит о том, что знания экспертов не усредняются, как в обычных системах голосования, а достаточно
.
3.
,
( ). , -, .
4. , ,
медленнее. Если доля вредителей в коллективе экспертов не превышает 30%, то процесс коллективного принятия решения сходится достаточно быстро и .
, , -терных системах принятия коллективных решений предлагаемый алгоритм более эффективен по сравнению с описанным в [1] эволюционно-генетическим алгоритмом классического типа. В частности, он более эффективен при использовании в , -
.
ЛИТЕРАТУРА
1. Чернухин ЮМ., Протасов В.К, Д.С. Панфипов. Метод восстановления субъективного портрета на основе генетического алгоритма. Известия ТРТУ. Тематический выпуск: Интеллектуальные САПР. Таганрог: Изд-во ТРТУ. 2000. №2 (16). С.89-92.
2. Курейчик В.М. Генетические алгоритмы. Таганрог, 1998.
УДК 658.512:519.7:007.52
С.И. Родзин
ФОРМЫ РЕАЛИЗАЦИИ И ГРАНИЦЫ ПРИМЕНЕНИЯ ЭВОЛЮЦИОННЫХ
АЛГОРИТМОВ
В настоящее время значение теории эволюции и самоорганизации не ограничивается только биологией. Идеи эволюции и самоорганизации привлекают внимание философов и психологов, специалистов в области организационного управления и финансового менеджмента, математиков и инженеров[1,2].Принято различать четыре главных направления в моделировании эволюции: генеттеские алго-( ), ( ),
(ЭС) и эволюционное программирование (ЭП), - которые объединяют одним общим термином - эволюционные алгоритмы (Evolutionary computation) (ЭА).
