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.
The results presented in this study are relevant for solving the problem of increasing the efficiency of the genetic algorithm in problems related to the use of big data. In the framework of most existing approaches to the application of the evolutionary procedure, efficiency improvement methods are used that are based on classical approaches aimed at pre-setting the operating parameters of the genetic algorithm operators in a specific subject area. At the same time, when working with big data, there is a need to stop and restart the genetic algorithm to obtain the best solutions, since the population of the evolutionary algorithm can be in local extremes and / or the efficiency of the increase in the quality of individuals does not allow finding the required solution in a given time interval. In this case, it becomes relevant to develop new methods that allow you to manage the search process. One of the approaches to solving this problem is the use of the mathematical apparatus of artificial neural networks of the RNN class, which have proven their effectiveness in solving the classification problem and can be used to identify the state of the population of the genetic algorithm. In addition to the approach based on the use of artificial neural networks, it is relevant to assess the possibility of using the "random forest" algorithm to solve the problem of recognizing the state of a population and making decisions on changing the operating parameters of the genetic algorithm operators directly in the process of work, which will allow influencing the trajectory of the population in the solution space. Within the framework of this article, the results of computational experiments on solving the problem of classifying the state of a population of a genetic algorithm by two modern methods will be considered: the "random forest" algorithm and the artificial neural network RNN, the modeling of which is performed using a graph approach based on the theory of Petri nets, which will allow combining the developed models with the model of a genetic algorithm adapted to solving the problem of structural-parametric synthesis using nested Petri nets.
The authors declare that there are no conflicts of interest present.