Методика визначення структури моделі оптимальної складності

МЕТОДИКА ВИЗНАЧЕННЯ СТРУКТУРИ МОДЕЛІ ОПТИМАЛЬНОЇ СКЛАДНОСТІ

METHOD OF DETERMINING THE STRUCTURE OF THE MODEL OF OPTIMAL COMPLEXITY

Сторінки: 7-13. Номер: №2, 2022 (307) 
 Автори:
БОЙКО Н. І.
Національний університет “Львівська політехніка”
ORCID ID: 0000-0002-6962-9363
e-mail: Nataliya.i.boyko@lpnu.ua
БЛАЖЕВСЬКИЙ С. Г.
Чернівецький національний університет імені Юрія Федьковича
ORCID ID: 0000-0003-3396-7253
e-mail: s.blazhevskyy@chnu.edu.ua
BOYKO N.I.
Lviv Polytechnic National University
BLAZHEVSRYY S.G.
Yuriy Fedkovych Chernivtsi National University
 DOI: https://www.doi.org/10.31891/2307-5732-2022-307-2-7-13

Анотація мовою оригіналу

 Генетичні алгоритми відноситься до класу евристичних алгоритмів. Вони забезпечують глобальне вирішення проблем оптимізації та являються перспективним напрямом в області оптимізації та моделювання. Вдосконалення розвитку генетичних алгоритмів відтворюється у більш складних еволюційних методах, що використовують реальні цифри та статистику. Одним з таких методів є Груповий метод врахування алгоритмів. В роботі аналізуються принципи роботи генетичних алгоритмів, його логіки та порівняти їх роботу з Груповим методом врахування аргументів і дослідити задачу побудови мостів. Наведено огляд публікацій по даній проблематиці, які стали поштовхом для розвитку наведеної тематики. Генетичні алгоритми та груповий метод врахування аргументів є інструментами для застосування у багатьох областях, але слід пам’ятати що вони мають обмеження: дають лише оціночні відповіді та вимагають мало часу для обрахування, також потрібні очищені вхідні дані. Отож, для покращення підходу для реалізації реальних програм потрібно проводити їх постійні дослідження та порівняння. Розглянуто генетичний алгоритм та метод групового використання аргументів. Описано принцип роботи та побудови генетичних алгоритмів. Наведено принцип роботи методу групового використання аргументів, його спектр алгоритмів. Використано структурно параметричну ідентифікацію та прогнозування методу групового врахування аргументів. Розглянуто самоорганізації моделей, які спрямовані на визначення структури моделі оптимальної складності. Розглянуто генетичний алгоритм та груповий метод врахування аргументів на предмет їхньої схожості та відмінностей. Виявлено переваги та недоліки методів дослідження. Виконання задачі побудови моста саме генетичним алгоритмом, що зумовлене аналізом його з Груповим методом врахування аргументів та доведенням, що для цього завдання генетичний алгоритм являється кращим рішенням.
Ключові слова: генетичний алгоритм; метод групового використання аргументів; інтелектуальний аналіз даних; нейронні мережі; алгоритм; популяція; фітнес; кросинговер; мутація.

Розширена анотація англійською  мовою

Genetic algorithms belong to the class of heuristic algorithms. They provide a global solution to optimization problems and are a promising area in optimization and modelling. Genetic algorithm development is reproduced in more sophisticated evolutionary methods that use real numbers and statistics. One such method is the Group method of accounting for algorithms. The paper analyzes the principles of genetic algorithms their logic, compares their work with the Group method of argumentation, and explores building bridges. An overview of publications on this issue, which became the impetus for the development of this topic. Genetic algorithms and group argumentation are tools for many applications, but keep in mind that they have limitations: they give only evaluative answers and require little computational time, and you need refined input. Therefore, to improve the approach to implementing existing programs, it is necessary to conduct constant research and comparison. The genetic algorithm and the method of group use of arguments are considered. The principle of operation and construction of genetic algorithms is described. The focus of the process of group use of discussions and its range of algorithms is given. Structurally parametric identification and prediction of the method of group consideration of arguments are used. Self-organizations of models are considered to determine the structure of the model of optimal complexity. The genetic algorithm and group method of viewing statements for similarities and differences are considered. The advantages and disadvantages of research methods are revealed. The task of building a bridge is performed by a genetic algorithm, which is due to its analysis with the Group method of taking into account arguments and proving that the genetic algorithm is the best solution for this task.
Keywords: genetic algorithm; method of group use of arguments; data mining; neural networks; algorithm; population; fitness; crossover; mutation.

References

1. Hopfield J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities // Proceedings of the National Academy of Sciences. – 1982. – 2554-2558. DOI: 10.1073/pnas.79.8.2554
2. Bartz-Beielstein T. SPOT: An R package for automatic and interactive tuning of optimization algorithms by sequential parameter optimization. Technical Report arXiv:1006.4645. CIOP Technical Report 05–10, Cologne University of Applied Sciences. –
3. Bartz-Beielstein T., Lasarczyk C., and Preuss M. The sequential parameter optimization toolbox. In Bartz-Beielstein et al., editors, Experimental Methods for the Analysis of Optimization Algorithms, Springer, Berlin, Heidelberg, New York. – P. 337–360. DOI: 10.1109/CEC.2005.1554761
4. Bischl B. The mlr package: Machine learning in R. http://mlr.r-forge.r-project.org, accessed 14.04.2011.
5. Hansen N. The CMA evolution strategy: a comparing review. In J. Lozano, P. Larranaga, I. Inza, and E. Bengoetxea, editors, Towards a new evolutionary computation. Advances on estimation of distribution algorithms. – 2006. – P. 75–102. DOI: 10.1007/3-540-32494-1_4
6. Jurecka F. Automated metamodeling for efficient multi-disciplinary optimization of complex automotive structures. In 7th European LS-DYNA Conference, Salzburg, Austria. – – P. 205-218
7. Konen W., Bartz-beielstein T., Koch P., Friese M., Flasch O., Naujoks B. Tuned data mining: A benchmark study on different tuners // Proceedings of the 13th Annual Conference on Genetic and Evolutionary Computation (GECCO ’11). – ACM New York, NY, USA. – 2011. – P. 1995-2002.
8. Farzi S. A New Approach to Polynomial Neural Networks based on Genetic Algorithm // International Journal of Computer Systems Science and Engineering. – 2008. – P.180-187.
9. Nariman-zadeh N., Jamali A. Pareto Genetic Design of GMDH-type Neural Networks for Nonlinear Systems // In Proceedings of International Workshop on Inductive Modeling. – 2007. – P.96-103.
10. Koshulko O.A., Koshulko A.I. Adaptive parallel implementation of the Combinatorial GMDH algorithm // In Proceedings of International Workshop on Inductive Modelling (IWIM-2007), Prague, 2007 – P.71-77.
11. Taušer J., Buryan P. Exchange Rate Predictions in International Financial Management by Enhanced GMDH Algorithm // Prague Economic Papers No.3, University of Economics, Prague. – 2011. – P. 232-249.
12. Kondo T., Pandya A. GMDH-type Neural Networks with a Feedback Loop and their Application to the Identification of Large-spatial Air Pollution Patterns // In proceedings of the 39th SICE Annual Conference International Session Papers, 112A-4, Iizuka, Japan. – 2000. – P.1-6.
13. Clinton Sh. Genetic Algorithms with Python // Paperback – 2016. – P. 452.
14. Andrakhanov, A. Tyryshkin. Robot Control on basis of Inductive Method of Selforganization of Models // International Journal of Advanced Robotic Systems. – 2014. – P. 131-150.
15. Atashkari K., Nariman-zadeh N., Darvizeh A., Yao X., Jamali A., Pilechi A. Genetic Design of GMDH-type Neural Networks for Modelling of Thermodynamically Pareto Optimized Turbojet Engines // WSEAS Transactions on COMPUTERS, Issue 3, Volume 3. – 2004. – 1109- 2750