Оптимизация на основе имитационного моделирования с использованием генетического алгоритма и нейросетевых метамоделей

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.

1. 
   Лоу А., Кельтон В. Имитационное моделирование: Пер. с англ. 3-е изд., СПб.: BHV, 2004.
   
2. 
   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.
   
3. 
   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.