Правила применения разрушающей способности операторов генетического алгоритма в задаче структурно-параметрического синтеза имитационных моделей бизнес-процессов

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.

1. 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.

2. Чеканин В.А., Куликова М.Ю. Адаптивная настройка параметров генетического алгоритма. Вестник МГТУ «Станкин». 2017;42(3):85–89.

3. 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.

4. Шегай М.В., Попова Н.Н. Генетический алгоритм оптимизации путеводных деревьев. Вестник Московского университета. Серия 15: Вычислительная математика и кибернетика. 2023;1:54–61.

5. 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.

6. Дрозин А.Ю. Генетический алгоритм построения маршрутов выполнения этапов работ в конвейерной системе. Системный администратор. 2023;246(5):94–95.

7. Сапрыкина А.О. Эволюционные операторы и принцип работы генетического алгоритма. Современные научные исследования и инновации. 2022;139(11):34–41.

8. 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.

9. Шабанов А.С. Прямой генетический алгоритм на основе приоритетов для логистической сети. Интернаука. 2022;244(21-5):39–42.

10. 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.

11. 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.

12. Загинайло М.В., Фатхи В.А. Оценка эффективности различных методов обучения искусственных нейронных сетей. Инновации. Наука. Образование. 2021;35:442–447.

13. Макаров В.И. Оптимизация программной реализации генетического алгоритма с применением параллельных вычислений. Программная инженерия. 2023;14(8):401–406.

14. 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.

15. 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.

16. Петросов Д.А. Моделирование искусственных нейронных сетей с использованием математического аппарата теории сетей Петри. Перспективы науки. 2020;135(12):92–95.

17. 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.

18. Петросов Д.А. Имитационная модель управляемого генетического алгоритма на основе сетей Петри. Интеллектуальные системы в производстве. 2019;17(1):63–70.