А.Ф. Уласень1, И.Л. Жбанов2, А.В. Клюев3, Е.Г. Андрианова4, С.Г. Даева5, Н.С. Николаева6

1–3 Военная академия войсковой противовоздушной обороны Вооруженных Сил Российской Федерации
 им. Маршала Советского Союза А.М. Василевского (г. Смоленск, Россия)
4, 5 МИРЭА – Российский технологический университет (Москва, Россия)
 6 МГТУ им. Н.Э. Баумана (Москва, Россия)
 

Постановка проблемы. Развитие стохастических алгоритмов случайного поиска глобального экстремума получило широкое применение в виде генетически управляемых процессов, направленных на оптимизацию различного рода функционалов. Однако эффективность их применения должна быть обоснована на практике в виде статистических закономерностей, но достаточные обоснования для выбора стохастических методов оптимизации при решении экстремальных задач сегодня отсутствуют.

Цель. Предложить методику, позволяющую повысить эффективность автоматизированного принятия решений при реализации процессов глобальной оптимизации путем выбора стохастического метода на основе генетического алгоритма или неуправляемого случайного поиска в условиях априорно неизвестной информации о исследуемом функционале, а также повысить эффективность систем поддержки принятия решения по взаимному размещению объектов.

Результаты. Исследованы закономерности, отражающие эффективность автоматизированного принятия решений при реализации процессов глобальной оптимизации на основе генетического алгоритма и неуправляемого случайного поиска в условиях априорно неизвестной информации об исследуемом функционале. Выработаны методика оценивания эффективности стохастических алгоритмов поиска глобального экстремума и рекомендации по выбору метода оптимизации в зависимости от особенностей условий моделирования и формы исследуемых функционалов.

Практическая значимость. Предложенная методика позволяет повысить эффективность автоматизированного размещения группы объектов на местности путем обоснованного выбора стохастического метода оптимизации, адаптированного как под форму исследуемого функционала, так и под имеющиеся временные ограничения.

Уласень А.Ф., Жбанов И.Л., Клюев А.В., Андрианова Е.Г., Даева С.Г., Николаева Н.С. Методика оценивания эффективности стохастических алгоритмов поиска глобального экстремума // Наукоемкие технологии. 2022. Т. 23. № 4. С. 46−55. DOI: https:// doi.org/10.18127/j19998465-202204-06

1. Бакало М.А., Курейчик В.В. Модифицированный алгоритм размещения методом парных перестановок // Изв. ТРТУ. Тематический выпуск «Интеллектуальные САПР». 2007. С. 77–84.
2. Соболь И.М., Статников Р.Б. Выбор оптимальных параметров в задачах со многими критериями. М.: Дрофа, 2006.
3. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. М.: Изд-во МГТУ им. Н.Э. Баумана. 2014. 446 с.
4. Dorigo M., Socha K. Ant colony optimization for continuous domains // European Journal of Operational Research. 2008. V. 185.
   P. 1155–1173.
5. Батищев Д.И. Генетические алгоритмы решения экстремальных задач. Воронеж. 1995. 65 с.
6. Курейчик В.В., Сороколетов П.В. Концептуальная модель представления решений в генетических алгоритмах // Изв. ЮФУ. Технические науки. 2008. № 9 (86). С. 7–12.
7. Гольдштейн А.Л. Многокритериальный генетический алгоритм // Вестник ПНИПУ. Электротехника, информационные технологии, системы управления. 2013. № 8. С. 14–22.
8. Пантелеев А.В., Дмитраков И.Ф. Анализ сравнительной эффективности метода имитации отжига для поиска глобального экстремума функций многих переменных // Научный вестник МГТУ ГА. 2009. Вып. 145(8). C. 26–31.
9. Сахаров М.К., Карпенко А.П., Иваньков И.Ф. Исследование эффективности алгоритма эволюции разума в задаче глобальной оптимизации // Интернет-журнал «НАУКОВЕДЕНИЕ» 2016. Т. 8. № 5.
10. Бусленко М.П., Голенко Д.И., Соболь И.М. Срагович В.Г. Метод статистических испытаний / Под ред. Ю.А. Шрейдера.. М.: Гос. изд-во физ.-мат. лит-ры. 1962. С. 332.