Эволюционные алгоритмы моделирования и оптимизации сложных систем

• Автор: Сопов, Евгений Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Красноярск
• Количество страниц: 129 с. : ил.

Введение
Глава 1. Разработка и исследование вероятностного генетического алгоритма для оптимизации сложных систем
1.1 Основные свойства задач оптимизации сложных систем и возможные подходы к их решению
1.2 Стандартный генетический алгоритм и исследование его работоспособности на тестовых задачах
1.3 Метод изменяющихся вероятностей МИВЕР и исследование его работоспособности на тестовых задачах 1.4 Обоснование вероятностного генетического алгоритма и исследование его работоспособности на тестовых функциях 1.5 Метод прогноза сходимости стохастических поисковых алгоритмов решения задач оптимизации с булевыми переменными Выводы
Глава 2. Разработка и исследование гибридного алгоритма генетического программирования для моделирования сложных систем

2.1 Методы решения задач аппроксимации в моделировании сложных систем

2.2 Обычный метод генетического программирования для решения задачи символьной регрессии и его исследование 2.3 Обоснование гибридного алгоритма генетического программирования и его исследование 2.4 Комплексная процедура моделирования и оптимизации сложных систем
Выводы

Глава 3. Практическая реализация разработанных алгоритмов

3.1 Программная реализация обыкновенного и вероятностного

генетических алгоритмов
3.2 Программная реализация обыкновенного и гибридного алгоритмов генетического программирования 3.3 Программная реализация алгоритма прогноза сходимости генетических алгоритмов
3.4 Постановка задачи оптимизации работы электростанции на топливных элементах в стационарном режиме 3.5 Решение задачи оптимизации работы электростанции на топливных элементах в стационарном режиме с помощью вероятностного генетического алгоритма
3.6 Построение символьной модели вычисления эффективности работы электростанции на топливных элементах в стационарном режиме с помощью гибридного алгоритма генетического программирования Выводы Заключение
Список использованных источников


Вероятностный генетический алгоритм является эффективной процедурой оптимизации сложных систем, содержит меньше настраиваемых параметров и превосходит стандартный генетический алгоритм по быстродействию и по надежности. Гибридный алгоритм генетического программирования позволяет строить адекватные аналитические модели сложных систем по результатам наблюдений и превосходит стандартный алгоритм генетического программирования по быстродействию. Метод прогноза сходимости алгоритмов позволяет повысить их надежность и снизить трудоемкость. Интегрированная процедура эволюционного моделирования и оптимизации позволяет в рамках единого подхода осуществлять автоматизированное построение моделей и оптимизацию сложных систем. Апробация работы. Самара, Всероссийская научная конференция Решетневские чтения, Красноярск, X Юбилейная Международная научнопрактическая конференция молодых ученых Современные техника и технологии, Томск, г Международная научнопрактическая конференция Актуальные проблемы информатики и информационных технологий, Тамбов, . Кроме того, отдельные результаты работы и диссертация в целом обсуждались на научнотехническом семинаре института автоматизации управления при Высшей технической школе г. Ульм Германия, научных семинарах экспериментальной лаборатории интеллектуальных технологий и адаптации СибГАУ и научных семинарах кафедры механики и процессов управления Красноярского государственного университета и кафедры системного анализа и исследования операций СибГАУ. Публикации. По результатам диссертационной работы опубликовано пятнадцать печатных научных работ, среди которых 7 статей в сборниках трудов. Список публикаций приведен в конце диссертации. М Структура и объем работы. Глава 1. Рассмотрим наиболее часто встречающиеся определения оптимизации. Оптимизация от лат. Оптимизация минимизация или максимизация определенным образом заданного критерия, который характеризует качество или эффективность принимаемого решения . Оптимизация итеративный процесс улучшения решения задачи, сформулированный в постановке поиска экстремума целевой функции . Данные определения отражают наиболее широко распространенные представления об этом понятии. Иногда после слов функции добавляют или функционала переменной величины, заданной на множестве функций, что несколько расширяет определение, не меняя по существу его смысла. Идея оптимальности является центральной идеей кибернетики. Понятие
оптимальности получило строгое и точное представление в математических теориях, прочно вошло в практику проектирования и эксплуатации технических систем, сыграло важную роль в формировании современных системных представлений, широко используется в административной и общественной практике, стало понятием, известным почти каждому человеку. Стремление к повышению эффективности любой целенаправленной деятельности нашло свое выражение, ясную и понятную форму в идее оптимальности . В ситуации, когда мы имеем дело с достаточно простыми системами, которые поддаются адекватной математической формализации, для решения задач оптимизации предложено множество формальных регулярных оптимизационных и поисковых методов 1,4, , , . Исходя из характера и особенностей представления целевого критерия, выбирается соответствующий алго ритм решения задачи оптимизации. Для случаев, когда существует математическое выражение целевой функции, и ограничения отсутствуют эго методы спуска градиентный метод, обобщенный метод Ньютона, методы сопряженных направлений и т. Если имеются ограничения, возникает задача нахождения условного экстремума. Задача условной оптимизации решается как методами, непосредственно обобщающими методы нахождения безусловного экстремума, так и специальными методами методы математического программирования. В последние годы усилился интерес у построению оптимизационных моделей различных сложных процессов и систем, формализовать которые полностью не удается. При переходе от чисто технических или технологических проблем к проблемам, включающим организационные и социальные вопросы, задача существенно усложняется. Будем называть систему сложной, если для ее моделирования или управления ею не хватает информации .