Сравнение эффективности алгоритма «случайный лес» и искусственной нейронной сети класса RNN в задаче управления процессом структурно-параметрического синтеза моделей бизнес-процессов на основе генетического алгоритма

Представленные в данном исследовании результаты являются актуальными для решения задачи повышения эффективности работы генетического алгоритма в задачах, связанных с использованием больших данных. В рамках большинства существующих подходов к применению эволюционной процедуры используются методы повышения эффективности, которые базируются на классических подходах, направленных на предварительную настройку параметров функционирования операторов генетического алгоритма в конкретной предметной области. При этом в работе с большими данными возникает потребность в остановке и перезапуске работы генетического алгоритма для получения наилучших решений, так как популяция эволюционного алгоритма может находиться в локальных экстремумах и / или эффективность приращения качества особей не позволяет найти требуемое решение в заданный временной интервал. В этом случае становится актуальным разработка новых методов, позволяющих управлять процессом поиска. Одним из подходов для решения данной задачи является использование математического аппарата искусственных нейронных сетей класса RNN, которые показали свою эффективность при решении задачи классификации и могут быть использованы для идентификации состояния популяции генетического алгоритма. Кроме подхода, базирующегося на использовании искусственных нейронных сетей, актуальным является оценка возможности применения алгоритма «случайный лес» для решения задачи распознавания состояния популяции и принятия решений по изменению параметров функционирования операторов генетического алгоритма непосредственно в процессе работы, что позволит влиять на траекторию движения популяции в пространстве решений. В рамках данной статьи будут рассмотрены результаты вычислительных экспериментов по решению задачи классификации состояния популяции генетического алгоритма двумя современными методами: алгоритмом «случайный лес» и искусственной нейронной сетью RNN, моделирование которых выполнено с применением графового подхода на основе теории сетей Петри, что позволит выполнить объединение разработанных моделей с моделью генетического алгоритма, адаптированного к решению задачи структурно-параметрического синтеза с применением вложенных сетей Петри.

1. 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. https://doi.org/10.34219/2078-8320-2021-12-3-67-72

2. Полухин П.В. Применение генетических алгоритмов для оптимизации решения задач фильтрации и прогнозирования в динамических системах тестирования программ. Вестник Югорского государственного университета. 2022;(4):120–132. https://doi.org/10.18822/byusu202204120-132

3. Уткин Л.В., Константинов А.В. Случайный лес выживаемости и регрессия Надарая-Уотсона. Информатика и автоматизация. 2022;21(5):851–880. (На англ.). https://doi.org/10.15622/ia.21.5.1

4. Уифтер Т.Т., Разумный Ю.Н., Орловский А.В., Лобанов В.К. Мониторинг распространения борщевика Сосновского с использованием алгоритма машинного обучения «случайный лес» в Google Earth Engine. Компьютерные исследования и моделирование. 2022;14(6):1357–1370. (На англ.). https://doi.org/10.20537/2076-7633-2022-14-6-1357-1370

5. Ломакин Н.И., Марамыгин М.С., Положенцев А.А., Шабанов Н.Т., Наумова С.А., Старовойтов М.К. Модель глубокого обучения RF «Случайный лес» для прогнозирования прибыли организации в условиях цифровой экономики. Международная экономика. 2023;(11):824–839. https://doi.org/10.33920/vne-04-2311-06

6. Харахинов В.А., Сосинская С.С. Использование сетей Петри при проектировании архитектуры программного продукта для анализа данных с помощью нейронных сетей. Научный вестник Новосибирского государственного технического университета. 2018;(4):91–100. https://doi.org/10.17212/1814-1196-2018-4-91-100

7. Тронин В.Г., Стецко А.А. Моделирование сервера и рабочей станции вычислительной сети с помощью раскрашенных сетей Петри. Программные продукты и системы. 2008;(3):95–97.

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

9. Петросов Д.А., Коротеев М.В., Андриянов Н.А., Косарев В.Е. Интеллектуальный структурно-параметрический синтез имитационных моделей и бизнес-процессов. Москва: ООО «Русайнс»; 2024. 100 с.

10. Макаров В.И. Оптимизация программной реализации генетического алгоритма с применением параллельных вычислений. Программная инженерия. 2023;14(8):401–406. https://doi.org/10.17587/prin.14.401-406