moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2023.43.4.013 1463 Правила применения разрушающей способности операторов генетического алгоритма в задаче структурно-параметрического синтеза имитационных моделей бизнес-процессов Application rules for destructive ability of genetic algorithm operators in the problem of structural and parametric synthesis of business process simulation models 0000-0002-8214-052Х Петросов Давид Арегович Petrosov David Aregovich dapetrosov@fa.ru aff-1 0000-0001-7851-4587 Сурова Надежда Юрьевна Surova Nadezhda Yurievna aff-2 Поляков Андрей Вячеславович Polyakov Andrey Vyacheslavovich aff-3 Финансовый университет при Правительстве РФ Financial University under the Government of the Russian Federation Финансовый университет при Правительстве РФ Financial University under the Government of the Russian Federation Финансовый университет при Правительстве РФ Financial University under the Government of the Russian Federation 01 01 2026 1 1 10.26102/2310-6018/2023.43.4.013 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В исследовании предложены правила применения разрушающей способности операторов генетического алгоритма в задаче структурно-параметрического синтеза имитационных моделей бизнес-процессов. Работа направлена на подтверждение выдвинутой гипотезы, согласно которой на процесс работы генетического алгоритма возможно оказывать воздействие путем изменения параметров функционирования его операторов, что позволяет повысить сходимость данной эволюционной процедуры и способствует выходу интеллектуального алгоритма из «узких» мест. Под «узким» местом генетического алгоритма понимаются: затухание алгоритма, нахождение популяции в локальных экстремумах функции приспособленности и т. д. Основываясь на выдвинутой гипотезе, для вмешательства в процесс поиска решений в качестве модели управления предлагается использовать надстройку в виде искусственной нейронной сети. Предполагается выполнить моделирование данного процесса с использованием математического аппарата теории сетей Петри. При реализации такого подхода к решению задачи требуется рассмотреть влияние разрушающей способности операторов на поведение популяции и определить порядок действий, которые требуется выполнить для управления процедурой эволюционного поиска решений в задаче структурно-параметрического синтеза динамических имитационных моделей бизнес-процессов. В работе рассматриваются примеры состояний популяции генетического алгоритма, а также результаты применения предложенных правил внесения корректировок в функционирование операторов. В качестве основных операторов, которые в значительной мере влияют на состояние популяции, рассмотрены оператор селекции, оператор скрещивания, а также оператор мутации; влияние оператора редукции в данном исследовании не учитывалось.

This study proposes the application rules for destructive ability of genetic algorithm operators in the problem of structural and parametric synthesis of business process simulation models. The aim of the research is to confirm the hypothesis that it is possible to influence the performance of a genetic algorithm by changing the operating parameters of its operators, which allows increasing the convergence of this evolutionary procedure and helps the intelligent algorithm overcome “bottlenecks”. The “bottleneck” of a genetic algorithm is understood as attenuation of the algorithm, finding the population at local extrema of the fitness function, etc. Based on this hypothesis, it is proposed to use an add-on in the form of an artificial neural network to intervene in the process of finding solutions as a control model. It is planned to simulate this process using the mathematical apparatus of Petri nets theory. When implementing such an approach to solving the problem, it is necessary to consider the influence of the destructive ability of operators on the behavior of the population and determine the order of actions that need to be performed to control the evolutionary search for solutions in the problem of structural and parametric synthesis of dynamic business process simulation models. The paper discusses examples of population states of a genetic algorithm as well as the results of applying the proposed rules for making adjustments to operator activities. The main operators that significantly influence the state of the population are considered: the selection operator, the crossing operator, and the mutation operator; the influence of the reduction operator was not regarded in this study.

 генетические алгоритм операторы генетического алгоритма искусственная нейронная сеть структурно-параметрический синтез имитационные модели бизнес-процессы genetic algorithm genetic algorithm operators artificial neural network structural and parametric synthesis simulation models business processes Работа выполнена в рамках гранта РНФ №23-31-00127 The study was performed without external funding. References Сапрыкина А.О. Настройка параметров эволюционных операторов генетического алгоритма для повышения эффективности поиска решения задачи. Современные научные исследования и инновации. 2022;141(12):12–19. Чеканин В.А., Куликова М.Ю. Адаптивная настройка параметров генетического алгоритма. Вестник МГТУ «Станкин». 2017;42(3):85–89. Голышин А.Е. Настройка параметров нечеткого контроллера с помощью генетического алгоритма при управлении динамическим объектом. Актуальные проблемы авиации и космонавтики. 2018;14(4):21–23. Шегай М.В., Попова Н.Н. Генетический алгоритм оптимизации путеводных деревьев. Вестник Московского университета. Серия 15: Вычислительная математика и кибернетика. 2023;1:54–61. Софронова Е.А. Вариационный генетический алгоритм и его применение к управлению транспортными потоками в городской среде. International Journal of Open Information Technologies. 2023;11(4):3–13. Дрозин А.Ю. Генетический алгоритм построения маршрутов выполнения этапов работ в конвейерной системе. Системный администратор. 2023;246(5):94–95. Сапрыкина А.О. Эволюционные операторы и принцип работы генетического алгоритма. Современные научные исследования и инновации. 2022;139(11):34–41. Денисов М.А., Сопов Е.А. Генетический алгоритм условной оптимизации для проектирования информативных признаков в задачах классификации. Сибирский аэрокосмический журнал. 2021;22(1):18–31. Шабанов А.С. Прямой генетический алгоритм на основе приоритетов для логистической сети. Интернаука. 2022;244(21-5):39–42. Игнатьев В.В., Соловьев В.В. Оптимизация параметров интеллектуального регулятора с помощью генетического алгоритма для управления неустойчивым нелинейным техническим объектом. Актуальные научные исследования в современном мире. 2021;80(12-11):76–83. Бова В.В., Лещанов Д.В. Модифицированный алгоритм поиска закономерностей в данных большой размерности на основе генетической оптимизации. Информатизация и связь. 2021;3:67–72. Загинайло М.В., Фатхи В.А. Оценка эффективности различных методов обучения искусственных нейронных сетей. Инновации. Наука. Образование. 2021;35:442–447. Макаров В.И. Оптимизация программной реализации генетического алгоритма с применением параллельных вычислений. Программная инженерия. 2023;14(8):401–406. Полухин П.В. Применение генетических алгоритмов для оптимизации решения задач фильтрации и прогнозирования в динамических системах тестирования программ. Вестник Югорского государственного университета. 2022;67(4):120–132. Сергеев А.И., Крылова С.Е., Шамаев С.Ю., Мамуков Т.Р. Алгоритмы параметрического синтеза, применяемые при проектировании гибких производственных систем на основе компьютерного моделирования. Известия Самарского научного центра Российской академии наук. 2021;100(2):106–114. Петросов Д.А. Моделирование искусственных нейронных сетей с использованием математического аппарата теории сетей Петри. Перспективы науки. 2020;135(12):92–95. Петросов Д.А., Зеленина А.Н. Модель искусственной нейронной сети для решения задачи управления генетическим алгоритмом с применением математического аппарата теории сетей Петри. Моделирование, оптимизация и информационные технологии. 2020;8(4). URL: https://moitvivt.ru/ru/journal/pdf?id=877 DOI: 10.26102/2310-6018/2020.31.4.031. Петросов Д.А. Имитационная модель управляемого генетического алгоритма на основе сетей Петри. Интеллектуальные системы в производстве. 2019;17(1):63–70.

The authors declare that there are no conflicts of interest present.