Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков

Решена задача отбора информативных признаков. Предложены мультиагентные методы отбора информативных признаков с непрямой связью между агентами на основе представления пунктов назначения признаками и в виде информативности. Проведены эксперименты по решению задачи отбора ин...

Full description

Saved in:

Bibliographic Details
Date:	2009
Main Authors:	Олейник, А.А., Субботин, С.А.
Format:	Article
Language:	Russian
Published:	Інститут проблем штучного інтелекту МОН України та НАН України 2009
Subjects:	Интеллектуальный анализ данных
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/8155
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:	Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков / А.А. Олейник, С.А. Субботин // Штучний інтелект. — 2009. — № 4. — С. 75-82. — Бібліогр.: 12 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859990942110449664
author	Олейник, А.А. Субботин, С.А.
author_facet	Олейник, А.А. Субботин, С.А.
citation_txt	Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков / А.А. Олейник, С.А. Субботин // Штучний інтелект. — 2009. — № 4. — С. 75-82. — Бібліогр.: 12 назв. — рос.
collection	DSpace DC
description	Решена задача отбора информативных признаков. Предложены мультиагентные методы отбора информативных признаков с непрямой связью между агентами на основе представления пунктов назначения признаками и в виде информативности. Проведены эксперименты по решению задачи отбора информативных признаков для моделирования коэффициента упрочнения деталей газотурбинных авиадвигателей после алмазного выглаживания. Вирішено задачу відбору інформативних ознак. Запропоновано мультиагентні методи відбору інформативних ознак з непрямим зв’язком між агентами на основі представлення пунктів призначення ознаками та у вигляді інформативності. Проведено експерименти з вирішення задачі відбору інформативних ознак для моделювання коефіцієнту зміцнення деталей газотурбінних авіадвигунів після алмазного вигладжування. The feature selection problem is solved. Multiagent methods for feature selection with indirect connection between agents are proposed. The experiments to solving of problem of model synthesis of airengine details hardening coefficient are carried out.
first_indexed	2025-12-07T16:31:23Z
format	Article
fulltext	«Штучний інтелект» 4’2009 75 2-О УДК 519.6:004.93 А.А. Олейник, С.А. Субботин Запорожский национальный технический университет, Украина subbotin@zntu.edu.ua Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков Решена задача отбора информативных признаков. Предложены мультиагентные методы отбора информативных признаков с непрямой связью между агентами на основе представления пунктов назначения признаками и в виде информативности. Проведены эксперименты по решению задачи отбора информативных признаков для моделирования коэффициента упрочнения деталей газотурбинных авиадвигателей после алмазного выглаживания. Введение Главной целью отбора информативных признаков является выделение минималь- ного подмножества признаков из проблемной области, которое обеспечивало бы тре- буемую точность описания экземпляров относительно набора первоначально заданных признаков [1]. При решении прикладных задач отбор информативных признаков не- обходим для исключения нерелевантных, малоинформативных признаков, а также признаков, являющихся следствием шумов. За счёт удаления таких признаков работа методов обработки данных, которые используются при моделировании сложных объек- тов и систем, может выполняться значительно быстрее. Постановка задачи Пусть задано множество признаков },...,,{ 21 nxxxX  размерности n. Тогда задача отбора информативных признаков [2] заключается в поиске такого набора признаков X* из всего возможного множества 2n наборов-кандидатов, критерий оптимальности для которого находился бы в допустимых пределах: пX  )( , где  (X) – значение критерия оптимальности для набора признаков X*; п – порого- вое значение критерия оптимальности. Обычно методы отбора информативных признаков используют либо технику эв- ристического поиска [1], [2], либо технику случайного поиска [1], [2] для снижения вычислительной сложности. Однако при таком подходе часто уменьшается уровень оптимальности отобранного набора информативных признаков. В связи с этим в дан- ной работе предлагается применять мультиагентный метод с непрямой связью между агентами [3], [4], поскольку он позволяет решать различные задачи дискретной опти- мизации, к которым может быть отнесена и задача отбора информативных призна- ков. При этом оптимизационный процесс характеризуется меньшей вычислительной сложностью, чем у методов полного или сокращённого перебора, а также мультиагентный метод с непрямой связью между агентами обеспечивает требуемую точность резуль- тирующего решения [3-9]. Олейник А.А., Субботин С.А. «Искусственный интеллект» 4’2009 76 2-О Применение метода муравьиных колоний к решению задачи отбора информативных признаков Метод муравьиных колоний является эвристическим, итеративным методом случайного поиска, основанным на моделировании поведения агентов (муравьёв) в процессе решения ими оптимизационных задач [3], [4]. Данный метод основан на мультиагентном подходе с непрямой связью между агентами, которая достигается за счёт моделирования меры приоритетности граней в графе поиска. Метод широко при- меняется для решения различных задач дискретной оптимизации, например, задачи коммивояжёра, задачи календарного планирования и т.п. [5-8]. Однако в общем слу- чае метод муравьиных колоний может быть применен к любой комбинаторной задаче, которая согласуется со следующими требованиями: – соответствующее представление задачи – задача должна быть описана в виде гра- фа с набором узлов и граней между узлами; – эвристическая пригодность граней – возможность применения эвристической меры адекватности путей от одного узла к каждому соседнему узлу в графе; – составление альтернативных решений, посредством чего можно рационально опре- делять допустимые решения; – правило обновления феромонов – правило, которое определяет вероятность переме- щения агента из одного узла графа к другому. Задача отбора информативных признаков может быть представлена в виде, соот- ветствующем методу муравьиных колоний. Модификации метода муравьиных колоний для решения задачи отбора информативных признаков заключаются в том, что задача представляется в виде графа, узлы которого характеризуют признаки, а грани между ними – выбор следующего признака. Для решения задачи отбора информативных признаков предлагается использо- вать два метода, основанные на мультиагентном подходе с непрямой связью между агентами: мультиагентный метод на основе представления пунктов назначения призна- ками и метод на основе представления пунктов назначения в виде информативности признаков. Мультиагентный метод отбора информативных признаков с непрямой связью между агентами на основе представления пунктов назначения признаками Основная идея данного метода в аспекте решения задачи отбора признаков заклю- чается в следующем: предполагается, что агент должен совершить путь по заданному количеству пунктов назначения n, при этом каждому пункту ставится в соответствие признак xi, i = n,1 ; тогда путь, пройденный агентом, составляет набор признаков H, который предлагается использовать для построения модели. При этом данные хранятся не в битовом виде, а в виде номеров отобранных признаков j = n,1 . При получении ито- гового результата это позволяет получать оценку степени влияния каждого признака. Шаг 1. Задать параметры метода: initPh – начальное количество феромона; ρ – коэффициент количества феромона, которое агент оставляет на пути, где (1 – ρ) по- казывает коэффициент испарения феромона на пути после его завершения; Q – кон- станту, относящуюся к количеству феромона, которое было оставлено на пути; inCF – количество признаков в исходном наборе; outCF – количество признаков, которое следует оставить в сокращённом наборе. Мультиагентный метод с непрямой связью между агентами... «Штучний інтелект» 4’2009 77 2-О Шаг 2. Инициализация. Создание популяции агентов. После создания популя- ция агентов поровну распределяется по пунктам назначения. Шаг 3. Движение агентов. Если агент еще не закончил путь, то есть не посетил пункты в количестве, равном outCf, для определения следующего пункта в пути агента используется вероятность: , )()( )( 1     jn i k j i k k tt tP   где Рk – вероятность того, что j-й агент, который ещё не посетил nj пунктов, для про- должения пути выберет пункт k; τi(t) – количество феромона в i-ом пункте в момент времени t. Агент перемещается только в пункты, которые еще не были посещены (как ука- зано списком табу tList). Поэтому вероятность Pk рассчитывается только для пунктов, которые ещё не были посещены агентом. Шаг 3 повторяется до тех пор, пока каждый агент не закончит свой путь. Путь счи- тается пройденным до конца, когда агент посетит пункты в количестве, равном outCF. Шаг 4. На основе пунктов, посещённых агентом, строится модель )( отобр.XF и для неё определяется ошибка εj. Шаг 4.1. Последовательность номеров узлов, посещённых агентом, переводится в битовую строку Hj по формуле:        ,если1 ;если0 j j i Li, Li, a где ai – i-й бит в битовой строке; i – номер узла; Lj – путь j-го агента. Шаг 4.2. На основе полученной битовой строки Hj и экспериментальных данных строится модель (например, на основе регрессии или нейросети). Шаг 4.3. Рассчитывается ошибка εj для полученной модели: εj =    N i расчii yy 1 2( ) 2 1 , где yi – исходные значения выходной переменной; yi расч – расчётное значение вы- ходной переменной по построенной модели; N – количество экспериментов. Шаг 5. Определяется количество феромона, которое было оставлено в каждом пункте пути для j-го агента: j j е Qtф  )( , где ∆τj(t) – количество феромонов, которое надо добавить каждому пункту, входящему в путь j-го агента в момент времени t; Q – параметр, понижающий степень влияния ошибки модели εj, построенной на основании признаков, входящих в путь j-го агента. Затем ∆τj(t) используется для расчёта того, насколько требуется увеличить ко- личество феромона для каждого пункта, в котором побывал агент:    N j j iii ttt 1 )()1()(  , где N – количество агентов, выбравших i-й признак. Данная формула применяется ко всему пути, при этом каждый пункт помечается феромоном пропорционально ошибке полученной модели. Поэтому следует дождаться, пока агент закончит путешествие, и только потом обновить уровни феромона, в про- тивном случае истинная длина пути останется неизвестной. Олейник А.А., Субботин С.А. «Искусственный интеллект» 4’2009 78 2-О В начале пути у каждого пункта есть шанс быть выбранным. Чтобы постепенно удалить пункты, которые входят в худшие комбинации, ко всем путям применяется процедура испарения феромона: )1()()(   tt ii . Шаг 6. Проверка на достижение оптимального результата. Результат считается оптимальным, если: – достигнуто максимальное количество итераций: maxtt  ; – полученный результат находится в допустимом пределе: thresholdcur   ; – на протяжении repeat tcnt итераций не было отмечено изменений в выборе наилучшего решения. Если проверка дала положительный результат, то происходит окончание работы метода (переход к шагу 7), в противном случае – переход к шагу 6. Шаг 7. Повторный запуск. После того, как путь агента завершен, грани обнов- лены в соответствии с длиной пути и произошло испарение феромона на всех гранях, метод выполняется повторно. Список табу очищается, и длина пути обнуляется. Аген- там разрешается перемещаться по сети. Переход к шагу 3. Шаг 8. Останов. Определяется лучший путь, который является решением. Лучший путь выбирается путём сравнения ошибок моделей, которые рассчитываются по прин- ципу, описанному на шаге 4. Шаг 9. После останова и выбора наилучшего пути строится финальная модель, что позволяет обеспечить требуемую точность при меньшем количестве признаков, чем в исходном наборе. Таким образом, предложенный метод на основе представления пунктов назначе- ния признаками позволяет решать задачу отбора информативных признаков за счёт приведения задачи отбора информативных признаков в вид, соответствующий концеп- ции работы мультиагентного подхода с непрямой связью между агентами. При этом основной особенностью предложенного метода является то, что пункт назначения в графе поиска представляет собой признак, который предлагается принять как инфор- мативный. Поскольку в процессе работы мера приоритетности каждого узла изменя- ется, то за счёт такого подхода можно выделить не только наиболее информативные признаки, а также и выяснить относительную важность каждого из них. Мультиагентный метод отбора информативных признаков на основе представления пунктов назначения в виде информативности признаков Особенностью данного метода является то, что пунктам назначения ),1( n , где n – количество входных признаков inCF, ставится в соответствие двоичный набор B = {bi \| bi = <0;1>, i = n,1 }, формируемый случайно, и при этом количество единичных элементов должно быть равным количеству признаков outCF, которые необходимо оставить. Каждый агент должен совершить путь по всем пунктам назначения, после чего по полученному пути строится модель в соответствии с двоичным набором B. Основные шаги данной модификации приведены ниже. Шаг 1. Задать параметры метода: α – коэффициент, определяющий относитель- ную значимость пути (количество феромона на пути); initPh – начальное количество феромона; ρ – коэффициент количества феромона, которое агент оставляет на пути, где (1– ρ) показывает коэффициент испарения феромона на пути после его заверше- Мультиагентный метод с непрямой связью между агентами... «Штучний інтелект» 4’2009 79 2-О ния; Q – константу, относящуюся к количеству феромона, которое было оставлено на пути; inCF – количество признаков в исходном наборе; outCF – количество признаков, которое следует оставить в сокращённом наборе, maxTime – максимальное время мо- делирования. Установить время моделирования curTime в 0. Шаг 2. Инициализация. Создание двоичного набора B и популяции агентов. Дво- ичный набор B следует создавать случайным образом. Предлагается получить outCF целых случайных чисел rNumj (j = ,outCF1 ) в интервале [1; inCF] и каждому jrNumb присвоить 1, остальные элементы bk принять равными 0. Количество агентов в популя- ции agentCnt предлагается выбирать не меньшим количества признаков inCF. После создания популяция агентов поровну распределяется по пунктам назначения. Шаг 3. Изменение количества времени моделирования: curTime = curTime + 1. Шаг 4. Движение агентов. Каждый агент, пока не закончит весь путь, выбирает следующий пункт назначения. При этом при выборе следующего пункта учитывает- ся количество феромона, уже оставленного в этом пункте, и количество феромона, оставленного в других пунктах, ещё не посещённых агентом. Добавление пункта k в путь j-го агента происходит с вероятностью: , )()( )()( 1     jn i k j i kj k tt ttP   где j i (t) – количество феромона в i-м пункте j-го агента, который ещё не посетил nj пунктов. Шаг 5. Если каждый агент посетил все пункты, то происходит обновление пу- тей (шаг 6) и перезапуск агентов (шаг 7). В противном случае – переход к шагу 3. Шаг 6. Обновление путей. Данный этап необходим для того, чтобы понизить ве- роятность в дальнейшем выбора таких пунктов назначения, включение которых даёт повышение ошибки построенной модели относительно других моделей, построенных без этого пункта. Шаг 6.1. Для каждого агента строится модель на основе пунктов, посещённых им. При этом происходит декодирование из последовательности номеров пунктов в двоичный код для определения тех признаков, которые следует оставить для построе- ния модели. Декодирование происходит исходя из двоичного набора B. Каждому пункту xj i (i = ,outCF1 ) j-го агента ставится в соответствие число ai по следующему принципу:         .b, b, a j ix j ix i 0если0 ;1если1 Шаг 6.2. На основе полученной битовой строки Hj = {ai, i = outCF,1 } и экспери- ментальных данных строится модель (например, на основе регрессии или нейросети). Шаг 6.3. Рассчитывается ошибка εj: εj=    N i i pacчi yy 1 2)( 2 1 , где yi – исходные значения выходной переменной; yi расч – расчётное значение выход- ной переменной по построенной модели; N – количество экспериментов. Шаг 6.4. В соответствии с рассчитанной ошибкой количество феромонов каж- дого пункта, который посетил j-й агент, увеличивается на (j): )( )()()(  tфtфtф j i jj i , где τj i(t) – количество феромона в i-м пункте j-го агента; Олейник А.А., Субботин С.А. «Искусственный интеллект» 4’2009 80 2-О При этом j(t) определяется исходя из рассуждений, что больше феромона должно добавляться тем пунктам, использование которых даёт меньшую ошибку, при этом следует влияние значения самой ошибки на количество добавляемого феромона сделать не слишком существенным, поскольку может возникнуть зацикливание на одном пути: j Q)(    tj , где Q – параметр, понижающий степень влияния ошибки модели εj, построенной на основании признаков, входящих в путь j-го агента. Шаг 6.5. В начале пути у каждого пункта есть шанс быть выбранным. Чтобы постепенно удалить пункты, которые входят в худшие комбинации, ко всем путям применяется процедура испарения феромона: )1()()(  tt ii  . Шаг 7. Перезапуск агентов. На данном шаге производятся действия, аналогич- ные шагу 2. Однако в данном случае уже имеющаяся популяция распределяется по начальным пунктам, обнуляется список табу tList. Также на этом шаге выбирается луч- ший из путей, которые были получены при данном запуске агентов, и сохраняется в bestPath. Шаг 8. Проверка на останов. Осуществляется либо на основе времени моделиро- вания curTime (останов происходит при достижении предела maxTime), либо на осно- вании ошибки лучшей из полученных моделей ( )bestPath  . Если проверка на останов дала положительный результат – переход к шагу 9, в противном случае – переход к шагу 3. Шаг 9. Останов. Определяется лучший путь, который является решением. Лучший путь выбирается на основе ошибок моделей, которые рассчитываются по принципу, описанному на шаге 4. Шаг 10. После останова и выбора наилучшего пути строится финальная модель, что позволяет обеспечить требуемую точность при меньшем количестве признаков, чем в исходном наборе. Таким образом, предложенный мультиагентный метод с непрямой связью меж- ду агентами на основе представления пунктов назначения в виде информативности отличается от предыдущего метода тем, что в данном методе узлами являются инфор- мативности, за счёт чего обеспечивается более детальное изучение пространства поиска, поскольку при таком подходе обеспечивается рассмотрение большего количества раз- личных комбинаций признаков. Эксперименты и результаты Предложенные методы были программно реализованы на языке программиро- вания среды Matlab. С помощью разработанного программного обеспечения решалась задача прогнозирования коэффициента упрочнения деталей авиадвигателей после алмазного выглаживания [10], [11]. Также для сравнения работы предложенных ме- тодов с другими методами данная задача решалась с помощью канонического метода эволюционного поиска [12]. В качестве факторов, наиболее полно отражающих процесс алмазного выгла- живания деталей, в [10], [11] предлагается использовать: x1 – твердость материала, HB, МПа; x2 – среднее контактное давление в зоне деформирования, qmax, МПа; x3 – полуось эллипса касания в зоне упругого контакта, а, мм; x4 – подача при выглажи- вании, s, мм/об, x5 – предел прочности, B , МПа; x6 – предел текучести материала, 0.2σ , МПа; x7 – показатель деформационного упрочнения, n; x8 – теоретический коэффи- Мультиагентный метод с непрямой связью между агентами... «Штучний інтелект» 4’2009 81 2-О циент концентрации напряжений от следов обработки, техн σα ; x9 – параметр исходной шероховатости детали, a1R , мкм; x10 – сила выглаживания, Py, Н; x11 – радиус сферы алмазного инструмента, Rсф, мм; x12 – параметр шероховатости после выглаживания детали, Ra2, мкм; x13 – теоретический коэффициент концентрации напряжений натур- ной детали (образца),  ; x14 – диаметр образца в опасном сечении, d, мм; x15 – радиус скругления галтели или надреза, r, мм; x16 – относительный градиент первого главного напряжения, G , мм-1. В [11] были построены статистические модели коэффициента упрочнения, по- лученные на основе теории подобия. Ошибка таких моделей составила порядка 10% при расчёте коэффициента упрочнения [11]. С помощью разработанного программного обеспечения было получено несколько комбинаций наиболее информативных признаков, среди которых были отобраны две лучшие комбинации: (x3, x5, x7, x8, x11, x14, x16) и (x1, x7, x8, x10, x11, x12, x16), полученные с помощью мультиагентного метода на основе представления пунктов назначения уз- лами и на основе представления пунктов назначения в виде информативности соот- ветственно. Среднее значение ошибки моделей, построенных на основе отобранных признаков, составило 5,18% и 5,05% соответственно, что значительно лучше по срав- нению с ошибкой полученных ранее моделей [11]. Сравнение работы предложенных мультиагентных методов с непрямой связью между агентами для отбора информативных признаков с работой канонического ме- тода эволюционного поиска представлено на рис. 1. Рисунок 1 – Сходимость к оптимальному решению как функция ошибки прогнозирования модели  от количества построений модели (количество запусков: 20, количество информативных признаков: 9) Как можно видеть из рисунка, предложенные методы, основанные на мульти- агентном подходе, сходятся к оптимальному решению значительно быстрее, чем кано- нический метод эволюционного поиска, что свидетельствует об эффективности пред- ложенных мультиагентных методов с непрямой связью между агентами для отбора информативных признаков. Заключение В работе решена актуальная задача отбора информативных признаков на осно- ве мультиагентного подхода с непрямой связью между агентами. Научная новизна работы заключается в том, что впервые предложен мультиагент- ный подход с непрямой связью между агентами для отбора информативных признаков, Олейник А.А., Субботин С.А. «Искусственный интеллект» 4’2009 82 2-О который за счёт представления пунктов назначения либо признаками, либо информа- тивностями, а также за счёт назначения меры приоритетности узлам, а не граням, позволяет обеспечить невысокую вычислительную сложность оптимизационного про- цесса, достигая при этом детального исследования пространства поиска, и как следст- вие, достигая необходимой точности прогнозирования моделей, полученных на основе отобранных наборов информативных признаков. Практическая ценность результатов работы состоит в том, что разработано прог- раммное обеспечение, реализующее предложенные методы отбора информативных признаков на основе мультиагентного подхода с непрямой связью между агентами, на основе которого решена задача моделирования коэффициента упрочнения деталей газотурбинных авиадвигателей после алмазного выглаживания. Литература 1. Интеллектуальные средства диагностики и прогнозирования надежности авиадвигателей: монография / В.И. Дубровин, С.А. Субботин, А.В. Богуслаев, В.К. Яценко. – Запорожье : ОАО «Мотор-Сич», 2003. – 279 с. 2. John G.H. Irrelevant Features and the Subset Selection Problem / G.H. John, R. Kohavi, K. Pfleger // Proceedings of the Eleventh International Conference on Machine Learning. – San Francisco : Morgan Kaufmann Publishers, 1994. – P. 121-129. 3. Dorigo M. Optimization, Learning and Natural Algorithms / Dorigo M. – Milano : Politecnico di Milano, 1992. – 140 p. 4. Субботін С.О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейро- мережних моделей: монографія / С.О. Субботін, А.О. Олійник, О.О. Олійник ; [під заг. ред. С.О. Суб- ботіна]. – Запоріжжя : ЗНТУ, 2009. – 375 с. 5. Dorigo M. The Ant System: Optimization by a colony of cooperating agents / M. Dorigo, V. Maniezzo, A. Colorni // IEEE Transactions on Systems, Man, and Cybernetics. – 1996. – Part B, № 26 (1). – P. 29-41. 6. Gambardella L.M. Solving symmetric and asymmetric TSPs by ant colonies / L.M. Gambardella, M. Do- rigo // Proceedings of the 1996 IEEE International Conference on Evolutionary Computation (ICEC’96). – NJ : IEEE Press, 1996. – P. 622-627. 7. Dorigo M. Ant Colony System: A cooperative learning approach to the traveling salesman problem / M. Do- rigo, L.M. Gambardella // IEEE Transactions on Evolutionary Computation. – 1997. – № 1 (1). – P. 53-66. 8. Ant system for job-shop scheduling / A. Colorni, M. Dorigo, V. Maniezzo, M. Trubian // Belgian Journal of Operations Research, Statistics and Computer Science (JORBEL). – 1994. – № 34. – P. 39-53. 9. Stützle T. The MAX–MIN Ant System and local search for the traveling salesman problem / T. Stützle, H.H. Hoos // Proceedings of the 1997 IEEE International Conference on Evolutionary Computation (ICEC’97) / Eds. : T. Back, Z. Michalewicz, and X. Yao. – NJ : IEEE Press, 1997. – P. 309-314. 10. Яценко В.К. Повышение несущей способности деталей машин алмазным выглаживанием / В.К. Яцен- ко, Г.З. Зайцев, В.Ф. Притченко. – М. : Машиностроение, 1985. – 232 с. 11. Богуслаев В. А. Технологическое обеспечение и прогнозирование несущей способности деталей ГТД / В.А. Богуслаев, В.К. Яценко, В.Ф. Притченко. – К. : Манускрипт, 1993. – 333 с. 12. Siedlecki W.A note on genetic algorithms for large-scale feature selection / W. Siedlecki, J. Sklansy // Pattern Recognition Letters. – 1989. – Vol. 10. – P. 335-347. О.О. Олійник, С.О. Субботін Мультиагентний метод з непрямим зв’язком між агентами для відбору інформативних ознак Вирішено задачу відбору інформативних ознак. Запропоновано мультиагентні методи відбору інформативних ознак з непрямим зв’язком між агентами на основі представлення пунктів призначення ознаками та у вигляді інформативності. Проведено експерименти з вирішення задачі відбору інформативних ознак для моделювання коефіцієнту зміцнення деталей газотурбінних авіадвигунів після алмазного вигладжування. A.А. Oleynik, S.А. Subbotin Multiagent Method with Indirect Connection between Agents for Feature Selection The feature selection problem is solved. Multiagent methods for feature selection with indirect connection between agents are proposed. The experiments to solving of problem of model synthesis of airengine details hardening coefficient are carried out. Статья поступила в редакцию 03.06.2009.
id	nasplib_isofts_kiev_ua-123456789-8155
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Russian
last_indexed	2025-12-07T16:31:23Z
publishDate	2009
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Олейник, А.А. Субботин, С.А. 2010-05-13T10:43:29Z 2010-05-13T10:43:29Z 2009 Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков / А.А. Олейник, С.А. Субботин // Штучний інтелект. — 2009. — № 4. — С. 75-82. — Бібліогр.: 12 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/8155 519.6:004.93 Решена задача отбора информативных признаков. Предложены мультиагентные методы отбора информативных признаков с непрямой связью между агентами на основе представления пунктов назначения признаками и в виде информативности. Проведены эксперименты по решению задачи отбора информативных признаков для моделирования коэффициента упрочнения деталей газотурбинных авиадвигателей после алмазного выглаживания. Вирішено задачу відбору інформативних ознак. Запропоновано мультиагентні методи відбору інформативних ознак з непрямим зв’язком між агентами на основі представлення пунктів призначення ознаками та у вигляді інформативності. Проведено експерименти з вирішення задачі відбору інформативних ознак для моделювання коефіцієнту зміцнення деталей газотурбінних авіадвигунів після алмазного вигладжування. The feature selection problem is solved. Multiagent methods for feature selection with indirect connection between agents are proposed. The experiments to solving of problem of model synthesis of airengine details hardening coefficient are carried out. ru Інститут проблем штучного інтелекту МОН України та НАН України Интеллектуальный анализ данных Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков Мультиагентний метод з непрямим зв’язком між агентами для відбору інформативних ознак Multiagent Method with Indirect Connection between Agents for Feature Selection Article published earlier
spellingShingle	Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков Олейник, А.А. Субботин, С.А. Интеллектуальный анализ данных
title	Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков
title_alt	Мультиагентний метод з непрямим зв’язком між агентами для відбору інформативних ознак Multiagent Method with Indirect Connection between Agents for Feature Selection
title_full	Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков
title_fullStr	Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков
title_full_unstemmed	Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков
title_short	Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков
title_sort	мультиагентный метод с непрямой связью между агентами для выделения информативных признаков
topic	Интеллектуальный анализ данных
topic_facet	Интеллектуальный анализ данных
url	https://nasplib.isofts.kiev.ua/handle/123456789/8155
work_keys_str_mv	AT oleinikaa mulʹtiagentnyimetodsneprâmoisvâzʹûmežduagentamidlâvydeleniâinformativnyhpriznakov AT subbotinsa mulʹtiagentnyimetodsneprâmoisvâzʹûmežduagentamidlâvydeleniâinformativnyhpriznakov AT oleinikaa mulʹtiagentniimetodzneprâmimzvâzkommížagentamidlâvídboruínformativnihoznak AT subbotinsa mulʹtiagentniimetodzneprâmimzvâzkommížagentamidlâvídboruínformativnihoznak AT oleinikaa multiagentmethodwithindirectconnectionbetweenagentsforfeatureselection AT subbotinsa multiagentmethodwithindirectconnectionbetweenagentsforfeatureselection

Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков

Institution

Similar Items