Авторы

Направления модификации алгоритма искусственной пчелиной колонии для оптимизации параметров управления сложными социально-экономическими системами

В последние годы особой популярностью у исследователей, занимающихся вопросами многомерной и многокритериальной оптимизации, пользуются биоинспирированные алгоритмы, основанные на использовании популяционного подхода и вероятностной стратегии поиска. Такие алгоритмы базируются на принципах кооперативного поведения децентрализованной самоорганизующейся колонии живых организмов (пчел, муравьев, птиц и т. п.) для достижения определенных целей (например, для удовлетворения пищевых потребностей). Однако их практическое применение встречается с рядом трудностей, приводящих к снижению сходимости. В данной статье рассматриваются возможности модификации алгоритма искусственной пчелиной колонии путем использования стратегии гибридизации с различными методами интеллектуального анализа данных. Одной из таких проблем является отсутствие обоснованного подхода к определению исходных позиций поиска. В качестве решения предлагается разбиение популяции на кластеры, центры которых будут выступать в качестве исходных позиций. Необходимость взаимодействия особей обуславливает целесообразность использования нечеткой кластеризации, которая позволяет формировать пересекающиеся кластеры. Другая проблема связана с выбором «свободных» параметров, для которых авторами не были разработаны рекомендации по выбору их оптимальных значений. Для ее решения предложено воспользоваться идеей коэволюции, заключающейся в параллельном запуске нескольких взаимодействующих субпопуляций, для каждой из которых применяются различные «настройки». Предлагаемый алгоритм применим для задач многомерной оптимизации, в рамках которых требуется найти такое сочетания разнотипных элементов, принадлежащих некоторой «большой» совокупности, которое обеспечит достижение максимального эффекта при заданных ограничениях. Примерами таких задач является определение видового и количественного состава растений для формирования наземной экосистемы карбоновой фермы или массовый рекрутинг (подбор большого количества персонала на одинаковые должности). Читать дальше...

Направления гибридизации алгоритмов роевого интеллекта и нечеткой логики для решения оптимизационных задач в социально-экономических системах

Эффективное функционирование сложных социально-экономических систем в условиях неопределенности невозможно без решения многих задач поддержки принятия управленческих решений. В число таковых входят повышение качества выпускаемой продукции, снижение производственных затрат, обеспечение энерго- и ресурсосбережения, сокращение транспортных расходов, увеличение надежности цепи поставок, формирование сбалансированного портфеля проектов и другие. Их математическая постановка в типичном случае требует поиска глобального экстремума целевой функции, в случае многокритериальной постановки – проведения свертки критериев, что должно выполняться с учетом различных ограничений. При этом поиск оптимального решения обычно необязателен, и результат, близкий к таковому, считается приемлемым. К одним из наиболее востребованных методов решения задач в этой облегченной постановке принадлежат стохастические методы, позволяющие получить решение за время в ١٠2 – 103 раз меньшее времени выполнения алгоритмов на основе полного перебора. Особый интерес в последнее время проявляется к метаэвристическим методам, которые вдохновлены кооперативным поведением децентрализованной самоорганизующейся колонии живых организмов (пчел, муравьев, бактерий, кукушек, волков и т. п.) для достижения определенных целей – как правило, для удовлетворения пищевых потребностей. Согласно относительно недавно доказанной теореме «об отсутствии бесплатных обедов», универсального алгоритма, способного давать лучшие результаты независимо от решаемой проблемы, не существует, по причине чего направление усилий разработчиков смещается в сторону создания и совершенствования специализированных алгоритмов. Настоящая работа преследует цель установления подходов к конструированию методов, базирующихся на алгоритмах роевого интеллекта и нечеткой логики. На основе их классификации и анализа предложены возможные направления развития алгоритмов роевого интеллекта на различных шагах их выполнения (инициации популяции, миграции особей, оценки качества и отсева неперспективных решений) путем введения элементов нечеткости для повышения их эффективности при решении задач многомерной оптимизации параметров сложных социально-экономических систем. Читать дальше...

Нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия

Предложена нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия. Модель реализует двухэтапную процедуру описания и управления инновационной деятельностью промышленного предприятия: на первом этапе выполняется классификация ресурсов взаимодействия на основе дополненного ­VRIO-анализа профиля взаимодействия, на втором проводится выбор стратегии инновационной деятельности. В основе нейро-нечеткой модели ресурсного обеспечения лежит стекинг частных моделей машинного обучения, таких как метод k-ближайших соседей, «случайный лес», многослойный персептрон. Результаты классификации частных моделей объединяются с помощью обучаемого дерева систем нечеткого вывода, выполняющего итоговую классификацию, что обеспечивает повышение ее точности по сравнению с отдельно взятыми частными моделями. Отличительной чертой модели является применение системы нечеткого логического вывода для оценки вероятности наличия ресурса, используемой при планировании потребности в нем, что позволяет учитывать экспертные суждения как входные данные. Апробирование нейро-нечеткой модели, проведенное в программной системе MatLab на примере решения задачи оценки ресурсного обеспечения инновационного процесса при взаимодействии приборостроительного предприятия региона с одним из контрагентов, показало работоспособность модели и высокую точность классификации ресурсов инновационного взаимодействия. Читать дальше...

Использование алгоритмов роевого интеллекта для определения состава мультипроекта

Одним из перспективных способов снижения зависимости отечественной промышленности от поставок критически важных товаров, комплектующих и сырья, необходимых для построения и эффективного функционирования многостадийных производственно-технологических цепочек, является активизация процессов по их импортозамещению, в том числе с помощью различных мер государственной поддержки. Однако критическая потребность в обширнейшем перечне продукции приводит к необходимости проведения отбора наиболее «перспективных» проектов для включения в программно-целевые документы с использованием набора критериев (порой даже нефинансового характера). В результате возникает актуальная научно-практическая задача разработки подходов к формированию мультипроектов (совокупности проектов), которые могут претендовать на государственную поддержку в рамках различных программ снижения импортозависимости и преодоления технологического отставания российской промышленности, на основе применения современных экономико-математических методов. В приложении к поставленной задаче мультипроект можно представить в виде «набора» (множество несвязанных проектов), «цепи» (жесткая последовательность проектов) или «сети» (проекты со сложными логико-временными взаимосвязями). Специфика каждого из указанных видов определяет условия и накладывает ограничения на процесс отбора компонентов для включения в их составы, который заключается в поиске наилучшей комбинации проектов и/или программ, т. е. сводится к задаче условной многомерной оптимизации. В условиях отсутствия требования нахождения «строго оптимального» состава можно воспользоваться метаэвристическими методами, которые способны находить близкие к таковым решения за «приемлемое» время. Среди них наиболее масштабным и известным классом представляются алгоритмы роевого интеллекта, базирующиеся на принципах коллективного поведения популяции живых организмов. В данной статье предлагается для формирования состава мультипроектов воспользоваться алгоритмами, вдохновленными коллективным поведением стаи волков (Grey Wolf Optimizer) и косяка рыб (Fish School Search) для удовлетворения своих пищевых потребностей. Для повышения эффективности их использования при решении задачи поиска наилучшего состава «набора» и «сети» проектов была предложена их гибридизация с методами нечеткой логики (в частности, нечеткой кластеризацией и нечетко-логическим выводом). Читать дальше...