Гибридный генетический нейросетевой алгоритм идентификации параметров ресурсоемких моделей

• Автор: Гагарин, Александр Владимирович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Уфа
• Количество страниц: 211 с. : ил.

Содержание
Введение
ГЛАВА 1. Анализ эволюционных алгоритмов, нейронных сетей и алгоритмов кластеризации
1Л. Задача параметрического оценивания
1.2. Особенности параметрического оценивания ресурсоемких моделей
1.3. Генетические алгоритмы в задачах оптимизации
1.4. Нейронные сети в задачах аппроксимации
1.5. Алгоритмы кластеризации
1.6. Гибридные ГА, использующие нейронную сеть
1.7. Основные результаты и выводы по первой главе
ГЛАВА 2. Интеллектуальные алгоритмы идентификации параметров ресурсоемких моделей
2.1. Гибридная схема использования нейронной сети в составе ГА
2.2. Выбор архитектуры НС для использования в составе ГА+НС
2.3. Алгоритм обучения РБНС в нейросетевом контуре ГА+НС
2.4. Алгоритмы кластеризации входных данных на первом этапе
обучения РБНС
2.5. Дополнительное обучение РБНС
2.6. Генетический алгоритм с вертикальными субпопуляциями
2.7. Основные результаты и выводы по второй главе
ГЛАВА 3. Исследование разработанных алгоритмов с помощью вычислительных экспериментов
3.1. Краткие сведения о разработанном комплексе программ
3.2. Тестирование алгоритмов кластеризации КМ+СА и ОА+СА

3.3. Тестирование ГА+НС на задаче минимизации функций Растри-
гина и Розенброка
3.4. Тестирование ГА+ВСП на задаче минимизации функций
3.5. Основные результаты и выводы по третьей главе
ГЛАВА 4. Применение разработанных алгоритмов для идентификации параметров гидродинамических моделей нефтяных месторождений
4.1. Прямая задача теории гидродинамического моделирования
4.2. Обратная задача теории гидродинамического моделирования
адаптация модели нефтяного месторождения
4.3. Подбор множителей пористости околоскважинного пространства с использованием ГА+НС
4.4. Определение относительных фазовых проницаемостей модели
резервуара с помощью ГА+НС и ГА+ВСП
4.5. Основные результаты и выводы по четвертой главе
Заключение
Список использованных источников
Приложение А. Описание некоторых алгоритмов искусственного интеллекта
А.1. Генетические алгоритмы
А.2. Нейронные сети
Приложение Б. Описание разработанного комплекса программ
Б.1. Общие сведения
Б.2. Модуль ка_иШя
Б.З. Модуль
Б.4. Краткое описание применения комплекса программ

Введение
Актуальность темы
Одним из важнейших инструментов прогнозирования поведения сложных объектов исследования (ОИ) является математическое моделирование с использованием полномасштабных цифровых моделей этих объектов. Оно дает возможность заменить натурный эксперимент математическим (численным) и исследовать проявление того или иного воздействия на ОИ с помощью изучения влияния параметров на математическую модель. Такой эксперимент, дополняя натурный, позволяет глубже исследовать явление или процесс и принимать наиболее обоснованные решения, сокращающие возможность ошибки.
Теория идентификации систем появилась почти одновременно с теорией автоматического управления, о чем свидетельствуют работы H. Nyquist (1932) и H. Bode (1945), в которых, по существу, описываются методы идентификации. В дальнейшем данным вопросом занималось множество известных ученых, таких как R. Lee (1964), G. Box, G. Jenkins (1970), A. Sage (1971), J. Mendel (1973), P. Eykhoff (1974) и др. Современное состояние данной теории представлено в монографиях таких авторов, как D. Grop (1979), JI. А. Растригин (1981), L. Ljung (1991), Я. 3. Цыпкин (1995) и др. Идентификация ОИ с выходными сигналами у (к) = (yi(k),y2(k)

Ф, х) = у (к) - у (к | х),

приближения {х}
ЭВОЛЮЦИОННЫЙ I У
ПОИСК
/ / : 1 Генетический Расчет целевой функции
% алгоритм {/(*)}

; оптимальное решение)
Рисунок 1.1— Классическая схема использования ГА в задачах оптимизации
спективной гибридной схемой является комбинация ГА с аппроксиматором ЦФ на основе нейронной сети. В частности, с помощью такого алгоритма можно решать задачу идентификации параметров сложного ОИ в условиях неповторимого эксперимента. Он характеризуется наличием априорно заданного множества приближений Ь = {(х, /(х))}, т. е. наборов параметров х с соответствующими значениями ЦФ /(х). Неповторимость эксперимента означает невозможность моделирования ОИ в процессе оптимизации, т. е. невозможность вычислять значения ЦФ для новых хромосом, генерируемых ГА в процессе оптимизации.
Примеры таких алгоритмов, описывающих способ использования многослойного персептрона совместно с ГА, описаны в работах [75-79]. Известное множество приближений Ь (обычно получаемое из данных наблюдения за ОИ) используется в качестве обучающей выборки для НС. Перед началом оптимизации проводится однократное обучение НС. На ее вход подается вектор искомых параметров х, а с выхода снимается аппроксимированное значение ЦФ /(х). Далее запускается ГА, для которого значения ЦФ вычисляются уже нейронной сетью. Найденное решение представляет собой прогноз оптимального решениях* (рисунок 1.2).
Проблемой метода является необходимость в проверке качества найденного решения, т. к. нейросетевая аппроксимация может неадекватно описывать целевую функцию, соприкасаясь с ней только в точках из обучающей выбор-