Control of Set of System Parameter Values by the Ant Colony Method

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

The paper considers the modification and application of the ant colony method for the problem of directed enumeration of the values of system parameters when performing calculated multiple calculations. Interaction with the user makes it possible to stop the process of exhaustive enumeration of sets of parameter values, and the application of a modification of the ant colony method will allow us to consider rational sets at early iterations. If the user does not terminate the algorithm, then the proposed modifications allow one to enumerate all solutions using the ant colony method. To modify the ant colony method, a new probabilistic formula and various algorithms of the ant colony method are proposed, allowing for each agent to find a new set of parameter values. The optimal algorithm, according to the research results, is the use of repeated endless cyclic search for a new solution. This modification allows you to consider all solutions, and at the same time, find all the optimal solutions among the first 5% of the considered solutions.

作者简介

I. Sinitsyn

Moscow Aviation Institute (National Research University); Federal Research Center for Computer Science and Control, Russian Academy of Sciences

Email: sinitsin@dol.ru
Moscow, Russia; Moscow, Russia

Yu. Titov

Moscow Aviation Institute (National Research University); Federal Research Center for Computer Science and Control, Russian Academy of Sciences

编辑信件的主要联系方式.
Email: kalengul@mail.ru
Moscow, Russia; Moscow, Russia

参考

  1. Feurer M., Hutter F., Vanschoren J. Hyperparameter Optimization // The Springer Series on Challenges in Machine Learning. Springer, Cham. 2019. https://doi.org/10.1007/978-3-030-05318-5_1
  2. Koehrsen W. A conceptual explanation of bayesian hyperparameter optimization for machine learning. 2018. (Открытый доступ 18.01.2023: https://towardsdatascience.com/a-conceptual-explanation-of-bayesian-modelbased-hyperparameter-optimization-for-machine-learning-b8172278050f)
  3. Colorni A., Dorigo M., Maniezzo V. Distributed Optimization by Ant Colonies // Proc. First Eur. Conf. on Arti c. Life, Paris, France, Elsevier Publishing. 1992. Р. 134-142.
  4. Dorigo M., Stu¨tzle T. Ant Colony Optimization // MIT Press. 2004. P. 321.
  5. Socha K., Dorigo M. Ant colony optimization for continuous domains // Eur. J. Oper. Res., 2008, V. 185. Issue 3. pp. 1155-1173. https://doi.org/10.1016/j.ejor.2006.06.046
  6. Mohamad M., Tokhi M., Omar O.M. Continuous Ant Colony Optimization for Active Vibration Control of Flexible Beam Structures // IEEE International Conf. on Mechatronics (ICM). Apr., 2011. P. 803-808.
  7. Карпенко А.П., Чернобривченко К.А. Эффективность оптимизации методом непрерывно взаимодействующей колонии муравьев (CIAC) // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2011. № 2. https://doi.org/10.7463/0211.0165551
  8. Карпенко А.П., Чернобривченко К.А. Мультимемеевая модификация гибридного муравьиного алгоритма непрерывной оптимизации HCIAC // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2012. № 9. https://doi.org/10.7463/0912.0470529
  9. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой // М.: Изд-во МГТУ им. Баумана. 2-е изд. 2017. 446 с.
  10. Саймон Д. Алгоритмы эволюционной оптимизации: практическое руководство. М.: ДМК Пресс. 2020. 1002 с.
  11. Sudakov V.A., Titov Y.P. Modi ed Method of Ant Colonies Application in Search for Rational Assignment of Employees to Tasks // Proceedings of 4th Computational Methods in Systems and Software 2020. Vol. 2, Vsetin: Springer Nature, 2020. P. 342-348. doi: 10.1007/978-3-030-63319-6_30
  12. Хахулин Г.Ф., Титов Ю.П. Система поддержки решений поставок запасных частей летательных аппаратов военного назначения // Изв. Самарского научн. центра РАН. 2014. Т. 16. № 1-5. С. 1619-1623.
  13. Синицын И.Н., Титов Ю.П. Развитие стохастических алгоритмов муравьиной организации // Бионика - 60 лет. Итоги и перспективы. Сборник статей Первой Междунар. науч.-практ. конф. Под редакцией А.П. Карпенко. 17-19 декабря 2021 г., г. Москва. Под ред. 2022. C. 210-220. https://doi.org/10.53677/9785919160496_210_220
  14. Титов Ю.П. Модификации метода муравьиных колоний для решения задач разработки авиационных маршрутов // АиТ. 2015. № 3. С. 108-124.
  15. Судаков В.А., Батьковский А.М., Титов Ю.П. Алгоритмы ускорения работы модификации метода муравьиных колоний для поиска рационального назначения сотрудников на задачи с нечетким временем выполнения // Современные информационные технологии и ИТ-образование. 2020. Т. 16. № 2. С. 338-350. https://doi.org/10.25559/SITITO.16.202002.338-350
  16. Parpinelli R., Lopes H., Freitas A. Data mining with an ant colony optimization algorithm // IEEE Trans. Evol.Comput. 2002. V. 6. No. 4 P. 321-332.
  17. Junior I.C. Data mining with ant colony algorithms // ICIC. LNCS. 2013. V. 7996. P. 30-38.
  18. Martens D., De Backer M., Haesen R., Vanthienen J. Classi cation with ant colony optimization // IEEE Trans. Evol. Comput. 2007. V. 11. No. 5. P. 651-665.
  19. Pasia J.M., Hartl R.F., Doerner K.F. Solving a Bi-objective Flowshop Scheduling Problem by Pareto-Ant Colony Optimization // ANTS 2006. P. 294-305.
  20. Титов Ю.П. Опыт моделирования планирования поставок с применением модификаций метода муравьиных колоний в системах высокой доступности // Системы высокой доступности. 2018. Т. 14. № 1. С. 27-42.
  21. Синицын И.Н., Титов Ю.П. Оптимизация порядка следования гиперпараметров вычислительного кластера методом муравьиных колоний // Системы высокой доступности. 2022. Т. 18. № 3. С. 23-37. https://doi.org/10.18127/j20729472-202203-02
  22. Mishra Sudhanshu K. Some New Test Functions for Global Optimization and Performance of Repulsive Particle Swarm Method // University Library of Munich, Germany, MPRA Paper. 2006. https://doi.org/10.2139/ssrn.926132
  23. Layeb Abdesslem. New hard benchmark functions for global optimization. 2022. https://doi.org/10.48550/arXiv.2202.04606

补充文件

附件文件
动作
1. JATS XML
下载

版权所有 © The Russian Academy of Sciences, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».