И.Н. Синицын1, А.П. Карпенко2, М.К. Сахаров3

1,3 ФИЦ «Информатика и управление» РАН (Москва, Россия)

2,3 МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Для оптимизации сложных систем высокой доступности (СВД) и большой размерности необходимо методическое, алгоритмическое и инструментальное программное обеспечение. В настоящее время для решения задач глобальной оптимизации СВД актуальной становится задача применения интеллектуального подхода к оптимизации таких систем на основе новой мульти-меметической модификации алгоритма эволюции разума (MEC − Mind Evolutionary Computation) со встроенной процедурой ландшафтного анализа (LA − Landscape Analysis), которая основана на концепции интеграла Лебега. Эта процедура позволяет разделить целевые функции на три категории, каждая из которых предполагает использование определенной гиперэвристики для адаптивного выбора мемов.

Цель. Представить методическое и инструментальное программное обеспечение (ИПО) новой мульти-меметической модификации алгоритма MEC со встроенной процедурой LA для решения задач глобальной оптимизации СВД.

Результат. Представлено методическое обеспечение и ИПО на основе новой мульти-меметической модификации алгоритма MEC со встроенной процедурой LA для решения задач глобальной оптимизации. Показано, что разработанный алгоритм может адаптироваться к различным целевым функциям СВД с использованием как статической, так и динамической адаптации. Программная реализация предложенного алгоритма подтвердила его эффективность при решении реальной вычислительнозатратной глобальной задачи оптимизации: определение оптимального графика вакцинации против эпидемии кори в закрытом сообществе.

Практическая значимость. Разработанное методическое ИПО решает вопросы глобальной интеллектуальной оптимизации для СВД высокой размерности. Дальнейшие исследования будут посвящены изучению других гиперэвристик, а также схемы распараллеливания для M3MEC/LA.

Синицын И.Н., Карпенко А.П., Сахаров М.К. Инструментальное программное обеспечение анализа и синтеза стохастических систем высокой доступности (XIV) // Системы высокой доступности. 2021. Т. 17. № 3. С. 59–68. DOI: https://doi.org/10.18127/j20729472-202103-05

1. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. М.: Изд-во МГТУ им. Н.Э. Баумана. 2014. 446 с.
2. Карпенко А.П. Методы оптимизации (базовый курс), База и Генератор Образовательных Ресурсов. [В Интернете, 2019] МГТУ им. Н. Э. Баумана. http://bigor.bmstu.ru/. 
3. Neri F., Cotta C., Moscato P. Handbook of Memetic Algorithms. Springer Berlin Heidelberg. 2011. 368 p. DOI: 10.1007/978-3642-23247-3. 
4. Карпенко А.П., Сахаров М.К. Мультимемеевая глобальная оптимизация на основе алгоритма эволюции разума // Информационные технологии. 2014. № 7. С. 23−30. 
5. Sakharov M., Karpenko A. A New Way of Decomposing Search Domain in a Global Optimization Problem // Proceedings of the Second International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’17). Springer. 2018. P. 398– 407. DOI:10.1007/978-3-319-68321-8_41. 
6. Sakharov M., Karpenko A. Performance Investigation of Mind Evolutionary Computation Algorithm and Some of Its Modifications // Proceedings of the First International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’16). Springer. 2016. P. 475–486. DOI: 10.1007/978-3-319-33609-1_43. 
7. Sakharov M.K., Karpenko A.P. Adaptive Load Balancing in the Modified Mind Evolutionary Computation Algorithm // Supercomputing Frontiers and Innovations. 2018. V. 5. № 4. Р. 5–14. DOI: 10.14529/jsfi180401 (Date accessed 08.01.19).
8. Соколов И.А. Будзко В.И., Синицын И.Н. Построение информационно-телекоммуникационных систем высокой доступности // Системы высокой доступности. 2005 Т. 1. № 1. С. 6–14.
9. Будзко В.И. Системы высокой доступности. От редактора // Системы высокой доступности. 2005 Т. 1. № 1. С. 4–5.
10. Vassilev V., Fogarty T., Miller J. “Smoothness, ruggedness and neutrality of fitness landscapes: from theory to application,” in Advances in evolutionary computing. New York, NY. USA: Springer. 2003. Р. 3–44.
11. Muñoz M.A., Kirley M., Halgamuge S.K. Exploratory landscape analysis of continuous space optimization problems using information content // IEEE Transactions on Evolutionary Computation. 2015. V. 19(1). P. 74–87. DOI: 10.1109/TEVC.2014.2302006.
12. Сахаров М.К. Исследование модели контроля заболеваемости с использованием импульсной вакцинации // Наукоемкие технологии и интеллектуальные системы 2018. М.: МГТУ им. Н.Э. Баумана. 2018. С. 116–120.