Математические методы моделирования, управления и анализа данных
mathematical software multi-axis winding machines]. Sistemy upravlenija tehnologicheskimi processami : Sb. st. Novocherkassk: Izd. NPI, 1976. Vyp. 3 (In Russ.)
4. Marinin V. I., Knyazev D. N. [Calculation of the coordinate movement of working bodies of the winding machines with CNC]. Trudy 15-y mezhd. nauchnoy konf. "Matematicheskie metody v tekhnike i tekhnologiyakh" [Proc. of the 15th Int. Conf. "Mathematical Methods in Engineering and Technology"], Tambov, 2002 Tom 8 (In Russ.)
5. Marinin V. I., Knjazev D. N., Shvarc A. B. [Mathematical and software of winding machines with CNC]. Jubilejnyj sb. nauch. tr. Fakul'teta informacionnyh tehnologij i upravlenija "Informacionnye tehnologii i upravlenie". Novocherkassk: Izv. vuzov. Jelektromehanika, 2001. (In Russ.)
© Субботина Е. А., 2016
УДК 519.856
СРАВНИТЕЛЬНАЯ ОЦЕНКА ЭФФЕКТИВНОСТИ АЛГОРИТМОВ АДАПТАЦИИ ПРИ НАСТРОЙКЕ ПАРАМЕТРОВ ГЕНЕТИЧЕСКОГО АЛГОРИТМА
Н. М. Трофимова
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: trofim.nm@gmail.com
Рассматривается управление операторами мутации, селекции и скрещивания в генетическом алгоритме с помощью различных алгоритмов адаптации.
Ключевые слова: генетический алгоритм, задачи оптимизации, байесовские сети доверия.
COMPARATIVE EVALUATION OF GENETIC ALGORITHM TUNED WITH ADAPTATION ALGORITHMS
N. M. Trofimova
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: trofim.nm@gmail.com
The paper considers the management of operators of a mutation, selection and crossover in genetic algorithm using different adaptation algorithms.
Keywords: genetic algorithm, optimization problem, Bayesian belief networks.
Настройка параметров генетического алгоритма. Для решения задачи управления сложными объектами, которая на сегодняшний день является одной из наиболее актуальных, необходимо построение модели. Для того чтобы модель с необходимой точностью отражала характеристики объекта исследования, необходимо правильно выбрать значения ее параметров. В случае, когда модель сложная, такая задача решается при помощи методов оптимизации, в том числе и при помощи генетического алгоритма [1].
Эффективность работы генетического алгоритма, в свою очередь, тоже зависит от настройки его параметров. Разработка эффективных процедур автоматизации выбора настроек является актуальной научной задачей.
Адаптивная процедура управления процессом эволюционного поиска позволит снизить зависимость поиска от эффективности выбора настроек и, как следствие, от опыта и знаний пользователя. Пользователю не нужно будет искать эффективную комбинацию настроек, многократно запуская алгоритм. Алго-
ритм запускается один раз, и контроллер автоматически подбирает необходимые настройки [2].
Схема работы генетического алгоритма, настраиваемого адаптивно, представлена на рисунке.
Алгоритмы адаптации. В первую очередь необходимо выбрать параметры генетического алгоритма, которые будут подвергаться настройке. В качестве таких параметров были выбраны операторы мутации, скрещивания и рекомбинации. У каждого из параметров есть три варианта значения настроек.
Для решения задачи адаптивной настройки параметров были выбраны следующие алгоритмы адаптации:
1. Байесовские сети доверия. В основе этого алгоритма лежит формула Байеса. Принцип работы заключается в том, что каждое значение настроек параметров может быть выбрано с определенной вероятностью, определяемой исходя из степени доверия к утверждению о том, что эта настройка может привести к выводу алгоритма из состояния стагнации [3; 4].
<Тешетневс^ие чтения. 2016
Схема генетического алгоритма с адаптивной настройкой
2. PDP (метод динамических вероятностей). Принцип работы алгоритма состоит в том, что вероятность выбора каждой настройки параметра тем больше, чем чаще выбор этой настройки приводил к улучшению работы алгоритма.
Вероятность выбора настройки параметра вычисляется по следующей формуле [5]:
Р, _ Pall +1 /
100 - n • pall scale
_ 20
pall _ ,
n
где n - общее число настроек всех параметров;
„2
/ _-'
s
u;
5 - количество случаев, когда выбор настройки привел к улучшению работы алгоритма; и - общее количество выборов настройки;
scale _ 'r
у=1
Результаты экспериментов. В таблице представлены для сравнения алгоритмов адаптации полученные практические результаты. Надежность работы алгоритма рассчитывалась по 100 запускам. Количество поколений и индивидов варьировалось в зависимости от задачи.
Надежность работы алгоритмов адаптации
Функция Надежность работы алгоритма, %
БСД PDP Индивидов Поколений
Экли 68 75 2000 75
Растригина 62 68 2000 75
Сумма квадратов 80 69 500 75
Леви № 13 89 77 500 25
Как видно из результатов экспериментов, генетический алгоритм, настраиваемый при помощи байесовских сетей доверия, эффективнее при решении некоторых задач, а при решении других хорошо себя проявил PDP. Однако, хотелось бы отметить, что у байесовских сетей доверия имеются перспективы дальнейшего развития: включение таких команд, как «перезапуск», ввод в популяцию новых индивидов и пр. Таким образом, можно утверждать, что возможности управления генетическим алгоритмом у байесовских сетей доверия шире.
Библиографические ссылки
1. Goldberg D. E. Genetic Algorithms in Search, Optimization, and Machine LearniAng. Reading, Massachusetts : Addison-Wesley, 1989.
2. Holland J. H. Adaptation in Natural and Artificial Systems. Ann Arbor : University of Michigan Press, 1975.
3. Тулупьев А. Л., Николенко С. И., Сироткин А. В. Байесовские сети: логико-вероятностный подход. СПб. : Наука, 2006. 607 с.
4. Сироткин А. В. Байесовские сети доверия: дерево сочленений и его вероятностная семантика // Труды СПИИРАН. Вып. 3, т. 1. СПб. : Наука, 2006.
5. Niehaus J., Banzhaf W. Adaption of operator probabilities in genetic programming // Genetic Programming Proc. 4th European Conference (EuroGP 2001). Como, Italy, 2001.
References
1. Goldberg D. E. Genetic Algorithms in Search, Optimization, and Machine LearniAng. Reading, Massachusetts : Addison-Wesley, 1989.
2. Holland J. H. Adaptation in Natural and Artificial Systems. Ann Arbor : University of Michigan Press, 1975.
Математические методы моделирования, управления и анализа данных.
3. Tulup'ev A. L., Nikolenko S. I., Sirotkin A. V. Bayesovstkie seti: logiko-veroyatnostnyy podkhod. SPb. : Nauka, 2006. 607 s.
4. Sirotkin A. V. Bayesovskie seti doveriya: derevo sochleneniy i ego veroyatnostnaya semantika // Trudy SPIIRAN. Vyp. 3, t. 1. SPb. : Nauka, 2006.
5. Niehaus J., Banzhaf W. Adaption of operator probabilities in genetic programming. In: Genetic Programming. Proc. 4th European Conference (EuroGP 2001), Como, Italy (2001).
© Трофимова Н. М., 2016
УДК 004.93
О ПРИМЕНЕНИИ МНОГОАГЕНТНЫХ КООПЕРАТИВНЫХ АЛГОРИТМОВ ГЛОБАЛЬНОЙ ОПТИМИЗАЦИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ ЭМОЦИЙ
Д. В. Федотов1, М. Ю. Сидоров2
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
2Ульмский университет Германия, 89081, г. Ульм, аллея Альберта Эйнштейна, 43 E-mail: fedotov.dm.v@gmail.com
Рассматривается задача распознавания эмоций с использованием мулътимодалъных данных. Распознавание эмоций может существенно повысить качество систем человеко-машинного взаимодействия, которые могут найти применение при контроле эмоционального состояния людей, чья работа связана с длительным стрессом, например, космонавтов на космических станциях.
Ключевые слова: распознавание эмоций, многоагентные алгоритмы, эволюционные алгоритмы.
ON USING MULTI-AGENT COOPERATIVE ALGORITHMS OF GLOBAL OPTIMIZATION FOR EMOTION RECOGNITION PROBLEM
D. V. Fedotov1, M. Yu. Sidorov2
!Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation
2Ulm University 43, Albert Einstein Alee, Ulm, 89081, Germany E-mail: fedotov.dm.v@gmail.com
Emotion recognition problem based on multimodal data is considered. Emotion recognition can significantly increase the quality of human-computer interaction systems, that can be used to control emotional condition of people working under continuous stress, e.g. at the space stations.
Keywords: emotion recognition, multi-agent algorithms, evolutionary algorithms.
В настоящее время высокую популярность набирают исследования, связанные с системами человеко-машинного взаимодействия. При контакте систем с человеком для обработки поступает два вида информации: смысловая нагрузка фраз, сказанных человеком, и их эмоциональная составляющая. Качество систем человеко-машинного взаимодействия может быть повышено с помощью применения алгоритмов распознавания эмоций.
В качестве классификатора для решения задач распознавания образов широко применяются нейронные сети, для настройки параметров которых могут использоваться различные алгоритмы глобальной оптимизации. В данной работе предлагается применение следующих эволюционных алгоритмов: генетический (genetic algorithm), метод роя частиц (particle
swarm optimization), поиска кукушки (cuckoo search), дифференциальной эволюции (differential evolution), а также их комбинаций [1-4].
Для повышения качества работы оптимизационных алгоритмов возможно применение кооперативных схем [5]. В данной работе для комбинирования перечисленных выше алгоритмов используется 2 схемы кооперации: островная модель и коэволюция [6; 7]. Островная модель предполагает независимое решение оптимизационной задачи с помощью различных методов (эволюционные алгоритмы, острова) с периодическим обменом лучшими найденными решениями. В коэволюции используется схожая модель, однако, помимо обмена лучшими решениями, происходит также перераспределение ресурсов.
Результаты будут представлены в докладе.