moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2019.27.4.016 675 ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ УПРАВЛЕНИЯ ГЕНЕТИЧЕСКИМ АЛГОРИТМОМ APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN THE PROBLEMS OF MANAGING A GENETIC ALGORITHM Петросов Давид Арегович Petrosov David Aregovich scorpionss2002@mail.ru aff-1 Ващенко Роман Александрович Vashchenko Roman Aleksandrovich madrid.59@mail.ru aff-2 Степовой Алексей Александрович Stepovoi Alexei Alexandrovich madrid.59@mail.ru aff-3 Петросова Наталья Владимировна Petrosova Natalya Vladimirovna petrosova.nat@mail.ru aff-4 Зеленина Анна Николаевна Zelenina Anna Nikolaevna snakeans@gmail.com aff-5 Финансовый университет при Правительстве Российской Федерации Financial University under the Government of the Russian Federation – Federal state budgetary institution of higher education Белгородский государственный технологический университет им. В.Г. Шухова Belgorod State Technological University named after V.G. Shukhov – Federal state budgetary institution of higher education Белгородский государственный технологический университет имени В.Г. Шухова – Федеральное государственное бюджетное учреждение высшего образования Belgorod State Technological University named after V.G. Shukhov – Federal state budgetary institution of higher education Белгородский государственный аграрный университет имени В.Я. Горина – Федеральное государственное бюджетное учреждение высшего образования Belgorod State Agrarian University named after V.Ya. Gorina – Federal state budgetary institution of higher education Воронежский институт высоких технологий – автономная некоммерческая образовательная организация высшего образования Voronezh Institute of High Technologies 01 01 2026 1 1 10.26102/2310-6018/2019.27.4.016 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В современных интеллектуальных системах поддержки принятия решений попрежнему сохраняется проблема, связанная с повышения быстродействия в задачах структурнопараметрического синтеза больших дискретных систем с заданным поведением на основе генетических алгоритмов. В настоящее время существует два основных направления исследований, которые рассчитаны на математическое или аппаратное повышение быстродействия. Одним из способов аппаратного повышение быстродействия является применение параллельных вычислений, к которым относится технология GPGPU (Generalpurpose computing on graphics processing units). В данной работе рассматривается возможность повышения быстродействия интеллектуальных систем с использованием математического инструмента искусственных нейронных сетей за счет введения модуля управления генетическим алгоритмом непосредственно при выполнении синтеза решений. Управление процессом структурно-параметрического синтеза достигается путем прогноза и оценки состояния генетического алгоритма (сходимости, затухания, нахождения популяции в локальных экстремумах) с применением искусственных нейронных сетей. Это позволяет изменять параметры работы операторов непосредственно в процессе синтеза решений, изменяя их разрушающую способность относительно бинарной строки, что приводит к изменению траектории движения популяции в пространстве решений, и как следствие, должно способствовать повышению быстродействия интеллектуальных систем поддержки принятия решений.

In modern intelligent decision support systems, there is still a problem associated with improving performance in structural and parametric synthesis of large discrete systems with specified behavior based on genetic algorithms. Currently, there are two main areas of research that are designed for mathematical or hardware-based performance improvements. One of the ways to increase hardware performance is to use parallel computing, which includes GPGPU (General-purpose computing on graphics processing units) technology. In this paper, we consider the possibility of increasing the speed of intelligent systems using a mathematical tool of artificial neural networks by introducing a control module for the genetic algorithm directly when performing decision synthesis. The process of structuralparametric synthesis is controlled by predicting and assessing the state of the genetic algorithm (convergence, attenuation, finding the population at local extremes) using artificial neural networks. This allows you to change the parameters of the operators directly in the process of decision synthesis, changing their destructive ability relative to the binary string, which leads to a change in the trajectory of the population in the decision space, and as a result, should increase the speed of intelligent decision support systems.

 генетический алгоритм интеллектуальные информационные системы искусственные нейронные сети системный анализ genetic algorithm intelligent information systems artificial neural networks system analysis Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Орлов А.Н., Курейчик В.В., Глущенко А.Е. Комбинированный генетический алгоритм решения задачи раскроя. Известия ЮФУ. Технические науки. 2016;6(179):5-13. Петросов Д.А. Математическая модель формирования конфигурации вычислительной техники на основе триггеров. Вестник Ижевского государственного технического университета. 2009;3:139-143. Манжула В.Г., Федяшов Д.С. Нейронные сети Кохонена и нечеткие нейронные сети в интеллектуальном анализе данных. Фундаментальные исследования. 2011; 4: 108- 114. Хайкин С. Нейронные сети полный курс, 2-е издание: Пер. с англ. М.: Издательский дом «Вильямс». 2006: 1104. Степовой А.А., Рубанов В.Г. Повышение живучести мобильного робота с использованием аппарата нейронных сетей. Математические методы в технике и технологиях: сб. тр. междунар. науч. конф. в 12 т.; под общ. ред. А.А. Большакова. СПб.: Изд-во Политехн. ун-та. 2019;3:26-29. Петросов Д.А., Игнатенко В.А. Применение информационных сетей Петри для моделирования нейронной сети в задаче управления адаптированным генетическим алгоритмом при решении задач структурно-параметрического синтеза дискретных систем. Успехи современной науки и образования. 2016;5(12):138-141.

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