Год издания: 2024
Ключевые слова: глобальная поисковая оптимизация, гиперэвристика, эволюционные алгоритмы, генетического программирование, эволюция грамматик, распределение вероятностей, сложные задачи оптимизации
Аннотация: Решение сложных задач оптимизации является неотъемлемой частью разработки новых и применения на практике существующих методов машинного обучения, искусственного интеллекта, интеллектуального анализа данных и других. С ростом производительности вычислительной техники к задачам оптимизации стали сводить практически любые задачи, в коПоказать полностьюторых возможен или необходим выбор подходящего или лучшего варианта из множества альтернатив. Сегодня большую популярность приобрели стохастические популяционные алгоритмы поисковой оптимизации, базирующиеся на моделировании принципов и закономерностей, заимствованных из биологии, физики, химии и других областей. Такие подходы как эволюционные (ЭА) и генетические алгоритмы (ГА) доказали свою эффективность при решении сложных задач оптимизации, в которых традиционные методы математического программирования либо крайне неэффективны, либо неприменимы. В последние годы многие международные конкурсы по решению сложных задач оптимизации проводятся именно в рамках научных мероприятий, объединяющих мировое научное сообщество, занимающееся проблемами развития эволюционных и других бионических методов оптимизации. В области построения методов и моделей вычислительного интеллекта и машинного обучения все чаще используется концепция «машинное обучение на базе генетических алгоритмов» (GBML — genetic-based machine learning). Стохастические популяционные алгоритмы поисковой оптимизации, такие как ЭА, являются универсальными методами решения некоторого класса задач оптимизации Как следствие такой универсальности, появляется недостаток, связанный с проблемой выбора оптимального (или эффективного) алгоритма и способа его применения. В последние годы появилась идея и попытки автоматизировать данный процесс выбора и настройки алгоритма, сегодня эта проблема решается путем перебора или комбинации известных эвристик (задача самоконфигурирования, применение мета- и геперэвристик) и путем адаптации параметров (самоадаптация). В стохастических алгоритмах, существенное влияние на эффективность решения задачи оптимизации оказывают законы распределения вероятностей, на основе которых формируются новые решения. Вопрос выбора оптимального с точки зрения эффективности решения задачи оптимизации распределения изучен недостаточно, и чаще всего исследователи ограничиваются либо исторические применяемыми эвристиками (например, типы селекции в ЭА), либо настраивают некоторые параметры известного закона (например, варьирование стандартного отклонения или адаптация матрицы ковариаций для нормального закона распределения в методе эволюционных стратегий). В рамках данного проекта будет разработан новый метод синтеза законов распределения для выбранного стохастического популяционного алгоритма, оптимальных с точки зрения эффективности решения конкретной задачи глобальной параметрической оптимизации. В отличии от известных подходов, данный метод будет одновременно осуществлять и структурный синтез закона распределения, и параметрический. Последнее будет достигаться путем автоматизированного построения вычислительной процедуры, в том числе и аналитического выражения (формулы), представляющей некоторой закон распределения вероятностей. Таким образом предлагаемый метод будет мета-алгоритмом для формирования другой мета-эвристики, такие подходы принято относить к классу гиперэвристик. Решение задач проекта позволит повысить эффективность решения сложных задач глобальной параметрической оптимизации, а также сформирует новые знания о свойствах используемых в проекте методов вычислительного интеллекта и способах их применения. Предложенный метод синтеза законов распределения вероятностей также предложит новый инструмент автоматизированного формирования алгоритмического обеспечения для решения сложных задач оптимизации.