Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах
Рассматриваются проблемы реализации шаблона для структур входных данных в задачах стохастической оптимизации со смешанными типами переменных примененяемых в имитационном моделировании сложных систем. Представлены результаты исследований, относительно структуры такого шаблона....
Gespeichert in:
| Datum: | 2017 |
|---|---|
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | Russian |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2017
|
| Schriftenreihe: | Компьютерная математика |
| Schlagworte: | |
| Online Zugang: | http://dspace.nbuv.gov.ua/handle/123456789/168435 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах / В.Б. Бигдан, А.А. Криковлюк, В.А. Пепеляев // Компьютерная математика. — 2017. — № 1. — С. 45-54. — Бібліогр.: 16 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-168435 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-1684352020-05-03T01:26:16Z Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах Бигдан, В.Б. Криковлюк, А.А. Пепеляев, В.А. Системный анализ Рассматриваются проблемы реализации шаблона для структур входных данных в задачах стохастической оптимизации со смешанными типами переменных примененяемых в имитационном моделировании сложных систем. Представлены результаты исследований, относительно структуры такого шаблона. Розглядаються проблеми реалізації шаблону для структур вхідних даних у задачах стохастичної оптимізації із змішаними типами змінних застосовуваних в імітаційному моделюванні складних систем. Представлені результати досліджень щодо структури такого шаблону. We consider the problems of implementation of universal templates for input data structures in stochastic optimization problems with mixed types of variables applicable in simulation modeling of complex systems. The results of the investigation on the structure of such a template are presented. 2017 Article Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах / В.Б. Бигдан, А.А. Криковлюк, В.А. Пепеляев // Компьютерная математика. — 2017. — № 1. — С. 45-54. — Бібліогр.: 16 назв. — рос. 2616-938Х http://dspace.nbuv.gov.ua/handle/123456789/168435 681.3.06+519.8 ru Компьютерная математика Інститут кібернетики ім. В.М. Глушкова НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Russian |
| topic |
Системный анализ Системный анализ |
| spellingShingle |
Системный анализ Системный анализ Бигдан, В.Б. Криковлюк, А.А. Пепеляев, В.А. Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах Компьютерная математика |
| description |
Рассматриваются проблемы реализации шаблона для структур входных данных в задачах стохастической оптимизации со смешанными типами переменных примененяемых в имитационном моделировании сложных систем. Представлены результаты исследований, относительно структуры такого шаблона. |
| format |
Article |
| author |
Бигдан, В.Б. Криковлюк, А.А. Пепеляев, В.А. |
| author_facet |
Бигдан, В.Б. Криковлюк, А.А. Пепеляев, В.А. |
| author_sort |
Бигдан, В.Б. |
| title |
Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах |
| title_short |
Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах |
| title_full |
Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах |
| title_fullStr |
Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах |
| title_full_unstemmed |
Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах |
| title_sort |
унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах |
| publisher |
Інститут кібернетики ім. В.М. Глушкова НАН України |
| publishDate |
2017 |
| topic_facet |
Системный анализ |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/168435 |
| citation_txt |
Унификация структур входных данных для оптимизационных алгоритмов в имитационных экспериментах / В.Б. Бигдан, А.А. Криковлюк, В.А. Пепеляев // Компьютерная математика. — 2017. — № 1. — С. 45-54. — Бібліогр.: 16 назв. — рос. |
| series |
Компьютерная математика |
| work_keys_str_mv |
AT bigdanvb unifikaciâstrukturvhodnyhdannyhdlâoptimizacionnyhalgoritmovvimitacionnyhéksperimentah AT krikovlûkaa unifikaciâstrukturvhodnyhdannyhdlâoptimizacionnyhalgoritmovvimitacionnyhéksperimentah AT pepelâevva unifikaciâstrukturvhodnyhdannyhdlâoptimizacionnyhalgoritmovvimitacionnyhéksperimentah |
| first_indexed |
2025-07-15T03:13:09Z |
| last_indexed |
2025-07-15T03:13:09Z |
| _version_ |
1837681019390525440 |
| fulltext |
Компьютерная математика. 2017, № 1 45
Системный анализ
Рассматриваются проблемы реа-
лизации шаблона для структур
входных данных в задачах стоха-
стической оптимизации со сме-
шанными типами переменных при-
мененяемых в имитационном моде-
лировании сложных систем. Пред-
ставлены результаты исследова-
ний, относительно структуры та-
кого шаблона.
© В.Б. Бигдан, А.А. Криковлюк,
В.А. Пепеляев, 2017
УДК 681.3.06+519.8
В.Б. БИГДАН, А.А. КРИКОВЛЮК, В.А. ПЕПЕЛЯЕВ
УНИФИКАЦИЯ СТРУКТУР ВХОДНЫХ
ДАННЫХ ДЛЯ ОПТИМИЗАЦИОННЫХ
АЛГОРИТМОВ В ИМИТАЦИОННЫХ
ЭКСПЕРИМЕНТАХ
Введение. Наличие в современных системах
имитационного моделирования средств для
поиска оптимальных решений на множестве
допустимых альтернатив является практиче-
ски стандартом [1]. Проблемы глобальной
оптимизации, возникающие в настоящее
время в рамках различного рода междуна-
родных и национальных программах, в том
числе в бизнес-процессах, интеграционные
тенденции в области экономики, сфере про-
изводства и науки выдвинули на передний
план новые требования к эффективности
и качеству методов имитационного модели-
рования. Основное здесь получение выгод
от использования методов имитационного
моделирования, т. е. получения оптимальных
решений в условиях значительного сокраще-
ния временных и финансовых ресурсов.
При этом современные коммерческие
программные продукты имитационного мо-
делирования должны обеспечивать стиль
разработки имитационных приложений, ба-
зирующихся на общепринятых методолого-
технологических стандартах [2].
Учитывая эти требования в Институте
кибернетики имени В.М. Глушкова НАН
Украины разработана архитектура поддержки
системы моделирования NEDISOPT_D, со-
ставляющие части ее – это универсальная сис-
тема имитационного моделирования НЕДИС
и модуль оптимизации ОПТИМИЗАТОР [3, 4].
На сегодня продолжаются работы по раз-
витию системы, а именно ОПТИМИЗАТОРа.
В.Б. БИГДАН, А.А. КРИКОВЛЮК, В.А. ПЕПЕЛЯЕВ
46 Компьютерная математика. 2017, № 1
Система моделирования используется для моделирования сложных стохастиче-
ских систем различной природы, поэтому входные данные для имитационной
модели могут быть совершенно разными. Во-первых, в количественном отно-
шении, во-вторых, сами переменные имеют совершенно различный характер –
числовой: дискретный, непрерывный, смешанный тип переменных (mixed-value
variables) или категориальный.
Типовая схема Балчи [5] процесса поэтапной разработки и реализации ими-
тационных приложений, для обозначения которой принят акроним M&S
(Modeling and Simulation) предусматривает процедуру оценки достоверности
имитационной модели VV&T (Varification, Validation and Testing), со-
провождающая весь процесс разработки моделей и соответствующих имитаци-
онных приложений, т. е. разрабатываемая модель проходит многоэтапный ите-
рационный процесс и при этом тестируется, верифицируется, валидируется на
каждом этапе [5, 6]. В случае, неудачного выбора принятия решения осуществ-
ляется возврат к предыдущему этапу, на котором вносятся изменения или уточ-
няется модель и процесс продолжается. Поэтому структура входных данных
должна быть гибкой и обеспечивать отражение этих постоянных возвратов.
Предоставление инструмента возможных возвратов отражает специфику имита-
ционных экспериментов.
Для обеспечения этой гибкости исследования сложных систем в рамках ар-
хитектуры NEDISOPT_D базируются на специально разработанной унифициро-
ванной схеме реализации оптимизационно-имитационных экспериментов [4].
Структурная организация указанной схемы и присущие ей информационно-
обменные процессы показаны на рис. 1.
Расширенная унифицированная схема реализации оптимизационно-
имитационных экспериментов. На рис. 1 показана унифицированная схема,
определяющая методологию планирования и технологию реализации многоэта-
пных оптимизационно-имитационных экспериментов в рамках системы
NEDISOPT_D. В общем случае каждое исследование с имитационной моделью
должно включать три этапа, которые реализуются последовательно:
- задачи первого этапа (modeling) регламентируются спецификой выбранной
метаевристической стратегии оптимизации. На данном этапе исследуется зна-
чимость тех факторов (входных данных модели), которые изначально введены
в рассмотрение. Обычно рассматривается большое количество факторов, с по-
мощью которых наиболее полно описывается моделируемая система. На этапе
modeling можно упростить модель, исключив те факторы, которые не являются
значимыми;
- цель второго этапа (simulation) определяется задачами тактического пла-
нирования имитационных экспериментов;
- третий этап (replication) ориентирован на оценку достоверности исходных
результатов экспериментов.
Развитие сценариев имитационных экспериментов для первого этапа опре-
деляется алгоритмами стратегического планирования, существенно зависящими
от принятой стратегии поиска оптимальных решений.
УНИФИКАЦИЯ СТРУКТУР ВХОДНЫХ ДАННЫХ ДЛЯ ОПТИМИЗАЦИОННЫХ…
Компьютерная математика. 2017, № 1 47
Для метаевристических стратегий оптимизации основными вопросами
являются:
- определение оцениваемых альтернатив, характеристики которых форми-
руют состав и структуру решений;
- формирования начальной популяции или определение количества особей
с учетом границ и уровней квантования факторов, определенных на первой фазе,
показанной на рис. 1, эксперимента;
- определение управляющих параметров для процесса поиска оптимальных
решений в зависимости от используемой оптимизационной стратегии;
- определение откликов и значений функций цели, характеризующих оцени-
ваемые и оптимальные альтернативы.
РИС. 1. Унифицированная схема реализации оптимизационно-имитационных экспериментов
– номер фазы оптимизации; – обмен информацией между схемой опти-
мизации и имитатором; – обмен информацией между фазами эксперимента;
– локальная точка взаимодействия исследователя (пользователя) с програм-
мной средой NEDISOPT_D
В.Б. БИГДАН, А.А. КРИКОВЛЮК, В.А. ПЕПЕЛЯЕВ
48 Компьютерная математика. 2017, № 1
Проведение исследований на втором этапе требует решения следующих задач:
- классификация откликов-выходов имитационной модели и формирование
основного и дополнительного множества откликов. В состав основного множе-
ства, как правило, включаются показатели эффективности функционирования
исследуемых систем. Именно эти показатели используются в стратегиях поиска
оптимальных решений. Дополнительное множество включает отклики, содер-
жащие разного рода детализирующую информацию, необходимую для более
корректного понимания специфики функционирования исследуемой системы;
- идентификация (выделение) существенных (доминантных) факторов,
имеющих наибольшее влияние на основные отклики имитационной модели;
- определение начальных условий экспериментов;
- определение состава управляющей и входной информации для чисто ими-
тационных прогонов;
- верификация и валидация имитационной модели. Заметим, что независимо
от используемой стратегии оптимизации поиск оптимальных решений может
осуществляться только на базе модели, для которой выполнены процедуры
верификации и валидации [5 – 7];
- анализ чувствительности имитационной модели и определение ограниче-
ний, задание допустимых интервалов изменения откликов и факторов;
- определение доверительного интервала моделирования, интервала разгона
модели и шага с которым будет осуществляться процесс моделирования;
- определение формул для вычисления функций цели на основании откли-
ков соответствующих прогонов имитационной модели, факторов, разного рода
стоимостных и штрафных характеристик.
Третий этап этап репликационных прогонов, связан с решением вопросов
валидации результатов моделирования и предназначен для подтверждения дос-
товерности и устойчивости полученных результатов.
На основе схемы Балчи, предусматривающей момент возврата в предыду-
щую точку исследования системы, унифицированная схема рассматривает раз-
ные этапы, которые исследователь (лицо принимающее решение) может исклю-
чать, позже возвращаться к ним и опять их рассматривать, например, с другими
входными данными или другими решениями, осуществляя грубую дискре-
тизацию делать предположения и впоследствии уточнять параметры модели
с выбранной точностью.
Стратегии Оптимизатора. В первом варианте ОПТИМИЗАТОРа применя-
лись метаэвристические стратегии, которые базировались на классическом гене-
тическом алгоритме [3, 8, 9] каждое поколение популяции хромосом-решений
характеризуется собственным вектором fitness-значений, вычисляющихся на ос-
новании выражения для функции цели сформулированной оптимизационной за-
дачи с учетом откликов соответствующей имитационной модели.
Как показано на рис. 1 вторая фаза оптимизации в процессе исследования
реализованная в ОПТИМИЗАТОРе NEDISOPT_D эволюционная стратегия до-
полнена новыми стратегиями: эволюционные алгоритмы расширены островной
УНИФИКАЦИЯ СТРУКТУР ВХОДНЫХ ДАННЫХ ДЛЯ ОПТИМИЗАЦИОННЫХ…
Компьютерная математика. 2017, № 1 49
моделью генетического алгоритма [10, 11]. Также добавлены мультиагентные
стратегии в основу которых положены алгоритм муравьиных колоний, алгоритм
роя частиц и алгоритм пчелиных колоний [12]. Итерационнный процесс в эво-
люционных алгоритмах построен на изменении популяции хромосом путем
применения операторов скрещивания и мутации [13]. Функцией скрещивания
является сохранение генетического материала хромосом, накопленных в попу-
ляции, размер которой ограничен, а оператор мутации позволяет вести поиск
новых хромосом на всем пространстве допустимых значений. В основу остров-
ной модели генетического алгоритма положены многопопуляционные модели.
Каждая из указанных оптимизационных стратегий имеет свою специфику
структуры входных данных.
Постановка задачи и цель исследования. Повышение эффективности
процессов исследования и проектирования сложных стохастических систем на
основе технологии оптимизационно-имитационной интеграции за счет приведе-
ния исходных данных имитационной модели к унифицированному виду с по-
мощью разработанных шаблонов. Такой шаблон позволяет сократить время по-
следующей оптимизации и обеспечивает возможности переиспользования
большого количества данных за счет заложеной в него возможности простого
пересмотра структуры данных, предоставляет удобный пользовательский ин-
терфейс для работы с входными данными. Данный подход базируется на конце-
пциях оптимизационно-имитационной интеграции и метаэвристических страте-
гиях оптимизации, а программная среда его поддержки представлена ОПТИ-
МИЗАТОРом архитектуры NEDISOPT_D.
Методы исследования – системный анализ, оптимизационно-имитацион-
ная интеграция, эволюционные и мультиагентные методы оптимизации, плани-
рование экспериментов.
Методы оптимизации в имитационных экспериментах. При выборе
средств оптимизации следует учитывать, что имитационная модель исследуемой
системы представляет собой «черный ящик», на вход которого подается вектор
значений ограниченного множества параметров (входных факторов), а на выхо-
де можно наблюдать вектор значений множества выходных параметров (откли-
ков) модели [14, 15]. На основе анализа откликов модели исследователь делает
выводы о том, какие из входных векторов обеспечили системе более «оптималь-
ное» функционирование согласно определенному им критерию или множеству
критериев [16].
Тестирование и оценивание работы реализованных алгоритмов оптимизацион-
ных стратегий осуществляется с помощью (на основе) нескольких специально
созданных тестовых функций с разным количеством переменных и несколькими
локальными и глобальными минимумами.
В имитационном моделировании входные данные имеют разный тип: чи-
словые (непрерывные или дискретные) и категориальные (логические, различ-
ные категории устройств и оборудования с разными параметрами и свойствами).
В.Б. БИГДАН, А.А. КРИКОВЛЮК, В.А. ПЕПЕЛЯЕВ
50 Компьютерная математика. 2017, № 1
Допустимые значения для факторов (переменных) конкретной модели могут
быть заданы следующими способами:
- конечным множеством задаваемых пользователем значений,
- минимальным и максимальным значением числового интервала, из кото-
рого допустимыми являются все значения или значения с некоторым шагом
дискретизации.
В разработанной архитектуре системы NEDISOPT_D в оптимизационных
экспериментах с моделями используются эвристические стохастические алго-
ритмы, работающие со стандартными для системы встроенными структурами
данных.
В ОПТИМИЗАТОРе системы принято, что все данные, использующиеся
в алгоритмах оптимизации являются входными для этих процессов и рассматри-
ваются как вещественные. Поскольку реальные дискретные данные мы не мо-
жем привести к непрерывным, а непрерывные к дискретным можем, то перед
началом оптимизации происходит процесс дискретизации непрерывных данных.
Что касается количественного значения данных, то здесь приходится определять
некие предельные значения.
Унификация структур входных данных. На сегодня не существует едино-
го формата представления входных данных, описывающих функционирование
моделируемых сложных систем. Как уже упоминалось, для разработанного по-
дхода к планированию и реализации имитационных экспериментов,
ориентированных на направленный поиск оптимальных проектных решений
для исследуемых систем, данные разных типов необходимо привести к некото-
рому универсальному типу для эффективного использования алгоритмов опти-
мизации [14].
Для работы алгоритмов различных стратегий оптимизации необходимо за-
дать набор значений входных параметров, которые можно разделить на две
группы. Первая группа входных параметров предоставляет информацию о фак-
торах задачи, исследуется: их количество, максимальное количество уровней
квантования любого фактора, тип каждого фактора (целый или вещественный),
тип допустимых значений (непрерывный, дискретный или ограниченное множе-
ство значений), границы допустимого интервала значений, шаг дискретизации
(для непрерывных) или множество значений.
Вторая группа входных данных задает значения управляющих параметров
для каждого алгоритма. Общие параметры для всех алгоритмов – это размер
популяции (или количество особей для мультиаентых стратегий) и ограничение
на количество уровней дискретизации.
Количество уровней квантования и шаг дискретизации задаются исследова-
телем модели. Отдельно задаются входные данные одинаковые для всех страте-
гий – это всегда вещественные числа (преобразование в действительный тип
происходит автоматически) и отдельно задаются параметры для выбранной
стратегии.
УНИФИКАЦИЯ СТРУКТУР ВХОДНЫХ ДАННЫХ ДЛЯ ОПТИМИЗАЦИОННЫХ…
Компьютерная математика. 2017, № 1 51
Для ввода входных данных, предполагающих использовать в качестве пере-
менных в оптимизационно-имитационных экспериментах, создан промежуточ-
ный шаблон для представления входных данных. Этот шаблон предусматривает:
- автоматическое задание номера фактора (начиная с 0);
- с помощью соответствующих переключателей выбирается тип данных
и способ его задания. Сначала задается тип данных – целое или вещественное
число. Если было выбрано значение «Целое», все вещественные значения
округляются до ближайшего целого. После выбора типа данных определяется
способ задания допустимых значений входных данных:
- множеством значений;
- непрерывным интервалом;
- интервалом с шагом дискретизации;
- множеством интервалов (для продвинутых пользователей).
В зависимости от выбранного способа появляется возможность задания зна-
чения соответствующего поля – значений входного фактора.
При необходимости выбора «множеством значений» предоставляется воз-
можность поочередного ввода всего множества значений для каждого фактора
с отображением порядкового номера фактора начиная с нулевого, самих значе-
ний для данного фактора и их общего количества.
При выборе «непрерывным интервалом», в соответствующие поля вводятся
минимальное и максимальное значения для каждого фактора с отображением
порядкового номера фактора, для которого задаются значения.
В случае выбора «интервалом с шагом дискретизации», в соответствующие
поля вводятся минимальное и максимальное значения соответствующего факто-
ра (входного данного), а также значение шага дискретизации для этого фактора
с отображением порядкового номера фактора, для которого задаются значения.
При необходимости выбора «множеством интервалов», автоматически зада-
ется не только номер фактора, но и номер интервала, начиная с нуля. Для каждо-
го интервала очередного фактора в соответствующие поля заносятся минималь-
ное и максимальное значения, шаг дискретизации для задаваемого интервала.
Если шаг был задан нулевым (нулевое значение также вводится и по умолча-
нию), то все значения из интервала считаются допустимыми для данного типа
(целого или вещественного) переменной. Также предусмотрено разбиение на
интервалы по умолчанию.
После ввода данных для всех факторов оптимизационного эксперимента
формируется внутренняя структура данных единого формата для всех оптими-
зационных стратегий, которая будет использоваться в качестве входных данных
ОПТИМИЗАТОРом для выбранной стратегии. В этой структуре присутствуют
номер фактора, количество уровней его квантования, параметры уровня кванто-
вания фактора (максимальное, минимальное значения, шаг):
В.Б. БИГДАН, А.А. КРИКОВЛЮК, В.А. ПЕПЕЛЯЕВ
52 Компьютерная математика. 2017, № 1
factor 0
n_0 – количество уровней квантования фактора 0
0 min_0 max_0 step_0 параметры уровня квантования 0 фактора 0
1 min_1 max_1 step_1 параметры уровня квантования 1 фактора 0
i min_i max_i step_i параметры уровня квантования i фактора 0
factor k
n_k – количество уровней квантования фактора k
0 min_0 max_0 step_0 параметры уровня квантования 0 фактора k
1 min_1 max_1 step_1 параметры уровня квантования 1 фактора k
i min_i max_i step_i параметры уровня квантования i фактора k
Выводы. При проведении имитационных экспериментов, выделяют
следующие задачи:
- определение значимости факторов, выделение тех факторов, что оказыва-
ют существенное влияние на результат эксперимента, исключение несуществен-
ных факторов из процесса оптимизации:
- определение комбинаций значений факторов (параметров), оптимизирующих
заданный критерий;
- объяснение соотношений между откликами (переменными) системы и
управляющими параметрами системы.
В имитационных экспериментах число возможных комбинаций факторов
очень велико даже при не очень большом количестве факторов, поскольку кван-
тования непрерывных факторов можно осуществлять с произвольной точно-
стью. Учитывая это возникает проблема большой размерности для оптимизаци-
онных задач. Поэтому важнейшая цель имитационного эксперимента – это вы-
деление существенных факторов, которые необходимо по возможности быстро
и точно выявить из множества возможных, что позволяет значительно умень-
шить размерность оптимизационных задач.
Эффективность процесса оптимизации повышается за счет разделения
входных данных на:
– данные непосредственно для алгоритмов оптимизации, которые одинаковы
для всех оптимизационных стратегий и приводятся к унифицированному виду;
– данные (параметры) использующиеся в конкретной стратегии.
Рассмотренный подход к расширению функциональных возможностей ОП-
ТИМИЗАТОРа NEDISOPT_D, а именно, приведение входных данных к унифи-
цированному виду на основе предложенного шаблона для входных данных
и обеспечение возможностей композиции различных методов и подходов значи-
тельно повышает эффективность проведения этапа оптимизации.
Выполненные исследования способствовали развитию методологии Da-
ta Farming, в основе которой лежит интеграция возможностей методов имитаци-
онного моделирования, методов оптимизации (в первую очередь методов на ос-
УНИФИКАЦИЯ СТРУКТУР ВХОДНЫХ ДАННЫХ ДЛЯ ОПТИМИЗАЦИОННЫХ…
Компьютерная математика. 2017, № 1 53
нове эволюционных вычислений), методов и технологий распределенных
вычислений, реализуемых на высокопроизводительных платформах вычисли-
тельной техники (кластерных архитектурах) [2, 11 – 14]. Процесс исследования
моделей сложных систем предполагает осуществление большого количества
имитационных экспериментов. Выходные данные каждого эксперимента накап-
ливаются для дальнейшего анализа. Процессы исследования и проектирования
сложных систем на базе методологии Data Farming сопровождаются генерацией
и накоплением больших объемов разнородной информации, составляющей ос-
нову практического опыта моделирования в соответствующей прикладной об-
ласти. Дальнейший анализ накопленных данных требует использования методов
интеллектуального анализа для поиска полезных закономерностей и построения
возможных прогнозов.
В.Б. Бігдан, О.О. Криковлюк, В.А. Пепеляєв
УНІФІКАЦІЯ СТРУКТУР ВХІДНИХ ДАНИХ ДЛЯ ОПТИМІЗАЦІЙНИХ АЛГОРИТМІВ
В ІМІТАЦІЙНИХ ЕКСПЕРИМЕНТАХ
Розглядаються проблеми реалізаціі шаблону для структур вхідних даних у задачах стохасти-
чної оптимізації із змішаними типами змінних застосовуваних в імітаційному моделюванні
складних систем. Представлені результати досліджень щодо структури такого шаблону.
V.B. Bigdan, O.O. Krykovliuk, V.А. Pepeliaev
INPUT DATA STRUCTURE UNIFICATION FOR OPTIMIZATION ALGORITHMS
IN SIMULATION EXPERIMENTS
We consider the problems of implementation of universal templates for input data structures in sto-
chastic optimization problems with mixed types of variables applicable in simulation modeling of
complex systems. The results of the investigation on the structure of such a template are presented.
1. Пепеляев В.А. К вопросу об интеграции методов оптимизации и имитационного модели-
рования. Теорія оптимальних рішень. 2003. № 2. С. 51 – 60.
2. Бігдан В.Б. Модели управления потоками данных в процессах распределенного поиска
оптимальных решений. Теорія оптимальних рішень. 2009. № 8. С. 105 – 112.
3. Пепеляев В.А., Сахнюк М.А., Черный Ю.М., Шваб Н.Д. К вопросу о реализации мета-
эвристических стратегий оптимизации моделирования. Компьютерная математика.
2005. № 2. С. 26 – 33.
4. Бігдан В.Б., Пепеляєв В.А., Чорний Ю.М Уніфікована схема реалізації оптимізаційно-
імітаційних експериментів. Проблеми программування. Київ. 2006. № 2-3. С. 728 – 733.
5. Balci O. Verification, validation and sertification of modeling and simulation applications.
Proceedings of the 2003 Winter Simulation Conference. 2003. P. 150 – 158.
6. Sargent R.G. Validation and verification of simulation models. Proceedings of the 2004 Winter
Simulation Conference. 2004. P. 17 – 28.
В.Б. БИГДАН, А.А. КРИКОВЛЮК, В.А. ПЕПЕЛЯЕВ
54 Компьютерная математика. 2017, № 1
7. Law A.M., McComas M.G. How to build valid and credible simulation models. Proceedings of
the 2001 Winter Simulation Conference. 2001. P. 22 – 29.
8. Пепеляев В.А. Об оценке эффективности оптимизационных метаэвристических страте-
гий. Теорія оптимальних рішень. 2006. № 5. С. 16 – 22.
9. Криковлюк О.О. Застосування острівної моделі генетичного алгоритму при реалізації
схем розпаралелювання процессів направленого пошуку на кластерних архітектурах.
XXІІІ International conference "Problems of decision making under uncertainties
(PDMU-2014), Abstracts", Mukachevo, Ukraine, May 12 – 16, 2014. C. 120.
10. Бігдан В.Б., Криковлюк О.О., Чорний Ю.М. Застосування острівної моделі генетичного
алгоритму оптимізації в імітаційних експериментах. Праці школи-семінару VIII
Міжнародна школа-семінар «Теорія прийняття рішень». 2016. С. 44 – 45.
11. Бігдан В.Б., Пепеляєв В.А., Чорний Ю.М. Особливості застосування генетичного алго-
ритму оптимізації в імітаційних експериментах. Праці школи-семінару VIII Міжнародна
школа-семінар «Теорія прийняття рішень». 2016. С. 46 – 47.
12. Бігдан В.Б, Криковлюк О.О., Пепеляєв В.А., Чорний Ю.М. Управління еволюційними
алгоритмами оптимізації в імітаційних експериментах. Компьютерная математика.
2016. № 6. С. 102 – 113.
13. Субботін С.О., Олійник А.О., Олійник О.О. Неітеративні, еволюційні та мультиагентні
методи синтезу нечіткологічних і нейромережних моделей. Монографія / Під заг. ред.
С. О. Субботіна. Запоріжжя: ЗНТУ, 2009. 375 с.
14. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1978. 400 с.
15. Кузьмин И.В. Основы моделирования сложных систем. Киев: Вища школа, 1981. 358 с.
16. Шеннон Р. Имитационное моделирование систем – искусство и наука. М.: Мир,
1978. 418 с.
Получено 22.03.2017
Об авторах:
Бигдан Вера Борисовна,
научный сотрудник
Института кибернетики имени В.М. Глушкова НАН Украины,
Криковлюк Елена Александровна,
младший научный сотрудник
Института кибернетики имени В.М. Глушкова НАН Украины,
Пепеляев Владимир Анатольевич,
доктор физико-математических наук, заведующий отделом
Института кибернетики имени В.М. Глушкова НАН Украины.
|