Материалы в свободном доступе

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).