П.В. АФОНИН
Московский государственный технический университет им. Н.Э. Баумана
ОПТИМИЗАЦИЯ НА ОСНОВЕ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ С ИСПОЛЬЗОВАНИЕМ ГЕНЕТИЧЕСКОГО АЛГОРИТМА И НЕЙРОСЕТЕВЫХ МЕТАМОДЕЛЕЙ
Рассматривается задача оптимизации на основе имитационных моделей сложных систем. Отмечается необходимость использования метамоделей в процессе поиска решения. Основное внимание уделено оптимизации с использованием генетических алгоритмов и метамоделей на основе нейронных сетей.
В настоящее время многие задачи оптимизации сложных систем не могут быть решены с помощью аналитических моделей. Для их решения часто используется метод имитационного моделирования. Задача оптимизации на основе имитационного моделирования формулируется следующим образом: необходимо найти значения входных переменных (факторов), оптимизирующих основной выходной показатель системы (отклик). При этом предполагается, что функция отклика не может быть вычислена аналитически, но может быть рассчитана с помощью имитационного моделирования.
Оптимизация на основе имитационного моделирования заключается в совместном использовании имитационной модели (ИМ) и алгоритма оптимизации. С помощью ИМ рассчитываются значения отклика для различных комбинаций значений факторов, которые предлагает алгоритм оптимизации. Последний, в свою очередь, используя значения отклика, пытается улучшить решение.
На сегодняшний день в большинстве программных пакетов оптимизации имитационного моделирования в качестве процедур поиска решений используются эволюционные стратегии и генетические алгоритмы (ГА) [1], которые зарекомендовали себя как эффективные методы решения сложных оптимизационных задач.
Однако имитационные эксперименты очень дороги в вычислительном плане. Один прогон ИМ для некоторых больших систем на языках имитационного моделирования может достигать нескольких часов [1]. Поэтому реализация серии прогонов ИМ таких систем за разумное время не представляется возможным.
Одним из способов решения данной проблемы является использование метамоделей. Метамоделью принято называть приближенную математическую модель, полученную в результате экспериментов над имитационной моделью с целью замещения последней при оптимизации. Основными методами построения метамоделей являются регрессионные модели и искусственные нейронные сети (НС), к которым в последнее время проявляется большой интерес, благодаря их мощной аппроксимирующей способности. Одной из первых фундаментальных работ по построению нейросетевых метамоделей в имитационном моделировании является работа H. Pierreval [2].
Следуя вышеизложенному, представляется перспективным использование генетических алгоритмов совместно с нейросетевыми метамоделями для оптимизации на основе имитационного моделирования.
В результате ранее проведенной работы был разработан базовый алгоритм оптимизации на основе имитационного моделирования, генетического алгоритма и нейросетевых метамоделей [3]. Основной особенностью данного алгоритма является механизм попеременного использования имитационной модели и нейросетевой метамодели в процессе поиска решения на основе ГА, при котором реализуется переобучение НС.
В настоящее время проводится работа по детализации базового алгоритма и разработке некоторых его модификаций. Планируется исследование данных алгоритмов для следующих сложных систем: многопродуктовой системы управления товарными запасами, системы банка с несколькими кассами, модифицированной транспортной задачи распределения ресурсов. Алгоритмы и имитационные модели сложных систем реализуются в среде MatLab 7.1.
В дальнейшем планируется разработка обобщенного алгоритма и его исследование для широкого круга задач.
Список литературы
-
Лоу А., Кельтон В. Имитационное моделирование: Пер. с англ. 3-е изд., СПб.: BHV, 2004.
-
H. Pierreval. Training a neural network by simulation for dispatching problems, Proceedings of the Third Rensselaer International Conference on Computer Integrated Engineering, New York, 1992. P. 332–336.
-
Афонин П.В., Тарасов В.Б. Гибридная система поиска решений с использованием имитационных моделей сложных систем // Проблемы управления и моделирования в сложных системах. Труды YIII-й Международной конференции. Самара: Самарский научный центр РАН, 2006. С. 100-107.
ISBN 5-7262-0710-6. НАУЧНАЯ СЕССИЯ МИФИ-2007. Том 3
Достарыңызбен бөлісу: |