Россия
Рассмотрены направления использования компьютерной симуляции эволюционных процессов, часто называемых генетическими алгоритмами, для снижения рисков возникновения чрезвычайных ситуаций. Приведены описания генетических алгоритмов оптимизации функций путем комбинаторного перебора вариантов методами эволюции живых организмов, что позволяет существенно сократить время поиска оптимального решения. Рассмотрены особенности настройки нейронных сетей с помощью генетического алгоритма при решении задач, в которых использование градиентных методов для корректировки весовых коэффициентов нейронной сети, таких как метод обратного распространения ошибки, невозможно либо эффективность которых сравнительно невелика. Приведен пример использования генетического алгоритма составления расписаний занятий путем минимизации штрафных показателей целевой функции. Рассмотрены особенности компоновки оборудования с помощью генетического алгоритма при решении задачи оптимального расположения множества предметов прямоугольной формы на ограниченной площади. Рассмотрен генетический алгоритм фрактального сжатия графической информации с целью повышения эффективности и обеспечения защиты передачи графической информации по каналам связи.
генетический алгоритм, аппроксимация, оптимизация, настройка, составление расписаний, компоновка, сжатие информации
1. Gelatt C.D. Optimization by simulated annealing // Journal of the ACM. 2015. № 5.
2. Davis L. Handbook of Genetic Algorithms. NY.: Van Nostrand Reinhold, 2019.
3. Baum E., Smith W. On genetic algorithms. NY.: ACM Press, 2015.
4. Michalewitch Z. Genetic Algorithms. Springer-Verlag, 2017.
5. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2018.
6. Baluja S. Genetic algorithms and search statistics. MA.: MIT Press, 2014.
7. Щербаков О.В., Лабинский А.Ю. Особенности использования компьютерной симуляции эволюционных процессов // Проблемы управления рисками в техносфере. 2017. № 4. С. 82-89.
8. Лабинский А.Ю. Многопараметрическая оптимизация с помощью генетического алгоритма // Природные и техногенные риски. 2020. № 2 (34). С. 4-11.
9. Лабинский А.Ю. Использование генетического алгоритма для многокритериальной оптимизации // Природные и техногенные риски. 2018. № 4 (28). С. 5-8.
10. Денисенко В.А. ПИД-регуляторы: принципы построения и модификации // Современные технологии автоматизации. 2007. № 1. С. 78-88.
11. Паклин Н.В. Обучение нейронной сети генетическим алгоритмом. Томск: ТПУ, 2018.
12. Астахова И.Ф., Фирас А.М. Составление расписаний учебных занятий на основе генетического алгоритма // Вестник Воронежского гос. ун-та. Сер.: Системный анализ и информационные технологии. 2013. № 2. С. 93-99.
13. Лабинский А.Ю. Особенности фрактального сжатия изображений // Природные и техногенные риски. 2018. № 2 (26). С. 5-12.
14. Перегуда С. Алгоритмы фрактального сжатия изображений. М.: LAMBERT, 2017.
