Метод автоматизованого проєктування нейроеволюційних алгоритмів з використанням алгебри алгоритмів Глушкова
Академік В.М. Глушков був зачинателем багатьох напрямків наукових досліджень, зокрема і напрямку автоматизації проєктування алгоритмів, а розроблена ним концепція алгебри алгоритмів стала основою для багатьох розробок інструментальних засобів у цій галузі. Автори пропонують налаштування раніше створ...
Gespeichert in:
| Datum: | 2023 |
|---|---|
| Hauptverfasser: | , , , |
| Format: | Artikel |
| Sprache: | Ukrainian |
| Veröffentlicht: |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine
2023
|
| Schlagworte: | |
| Online Zugang: | https://jais.net.ua/index.php/files/article/view/100 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Problems of Control and Informatics |
Institution
Problems of Control and Informatics| id |
oai:ojs2.jais.net.ua:article-100 |
|---|---|
| record_format |
ojs |
| institution |
Problems of Control and Informatics |
| baseUrl_str |
|
| datestamp_date |
2025-02-25T11:19:58Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
автоматизоване проєктування алгебра алгоритмів генерація програм задача балансування нейроеволюція наростаючих топологій нейронна мережа |
| spellingShingle |
автоматизоване проєктування алгебра алгоритмів генерація програм задача балансування нейроеволюція наростаючих топологій нейронна мережа Sinitsyn, Igor Doroshenko, Anatoliy Mamedov, Tural Yatsenko, Olena Метод автоматизованого проєктування нейроеволюційних алгоритмів з використанням алгебри алгоритмів Глушкова |
| topic_facet |
автоматизированное проектирование алгебра алгоритмов генерация программ задача балансировки нейроэволюция нарастающих топологий нейронная сеть automated design algebra of algorithms program generation pole-balancing problem neuroevolution of augmenting topologies neural network автоматизоване проєктування алгебра алгоритмів генерація програм задача балансування нейроеволюція наростаючих топологій нейронна мережа |
| format |
Article |
| author |
Sinitsyn, Igor Doroshenko, Anatoliy Mamedov, Tural Yatsenko, Olena |
| author_facet |
Sinitsyn, Igor Doroshenko, Anatoliy Mamedov, Tural Yatsenko, Olena |
| author_sort |
Sinitsyn, Igor |
| title |
Метод автоматизованого проєктування нейроеволюційних алгоритмів з використанням алгебри алгоритмів Глушкова |
| title_short |
Метод автоматизованого проєктування нейроеволюційних алгоритмів з використанням алгебри алгоритмів Глушкова |
| title_full |
Метод автоматизованого проєктування нейроеволюційних алгоритмів з використанням алгебри алгоритмів Глушкова |
| title_fullStr |
Метод автоматизованого проєктування нейроеволюційних алгоритмів з використанням алгебри алгоритмів Глушкова |
| title_full_unstemmed |
Метод автоматизованого проєктування нейроеволюційних алгоритмів з використанням алгебри алгоритмів Глушкова |
| title_sort |
метод автоматизованого проєктування нейроеволюційних алгоритмів з використанням алгебри алгоритмів глушкова |
| title_alt |
A method of automated design of neuroevolution algorithms based on Glushkov algebra of algorithms Метод автоматизированного проектирования нейроэволюционных алгоритмов с использованием алгоритмов алгебры Глушкова |
| description |
Академік В.М. Глушков був зачинателем багатьох напрямків наукових досліджень, зокрема і напрямку автоматизації проєктування алгоритмів, а розроблена ним концепція алгебри алгоритмів стала основою для багатьох розробок інструментальних засобів у цій галузі. Автори пропонують налаштування раніше створеного алгебро-алгоритмічного інструментарію на автоматизоване проєктування та синтез програм, що використовують нейроеволюційні алгоритми. Нейроеволюція є сукупністю методів машинного навчання, що застосовують еволюційні алгоритми для полегшення вирішення складних завдань, що імітують процес природного відбору. Метод нейроеволюції наростаючих топологій (NEAT) призначений для зменшення розмірності простору пошуку параметрів нейромережі у вигляді поступового розвитку її структури у процесі еволюції. Процес починається з популяції дрібних, найпростіших геномів і поступово збільшує їхню складність з кожним новим поколінням. Кінцевим результатом нейроеволюції є оптимальна топологія мережі, яка робить модель більш енергоефективною та зручною для аналізу. Розроблений інструментарій проєктування програм забезпечує автоматизацію побудови високорівневих специфікацій алгоритмів, поданих у системах алгоритмічних алгебр Глушкова, та синтез відповідних програм на основі шаблонів реалізацій цільовою мовою програмування. Налаштування інструментарію на проєктування нейроеволюційних алгоритмів полягає у внесенні в базу даних системи описів відповідних елементарних операторів і предикатів та їх програмних реалізацій. Використання інструментарію проілюстроване на прикладі проєктування та генерації програми для задачі балансування зі зворотним маятником, яка застосовує нейроеволюційний алгоритм бібліотеки NEAT-Python. Задача полягає в тому, щоб керувати модельованим візком, який може рухатися лише в двох напрямках за допомогою жердини, прикріпленої шарніром до його верхньої частини. Наведено результати експерименту з виконання програми, згенерованої за допомогою алгебро-алгоритмічного інструментарію. |
| publisher |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine |
| publishDate |
2023 |
| url |
https://jais.net.ua/index.php/files/article/view/100 |
| work_keys_str_mv |
AT sinitsynigor metodavtomatizovanogoproêktuvannânejroevolûcíjnihalgoritmívzvikoristannâmalgebrialgoritmívgluškova AT doroshenkoanatoliy metodavtomatizovanogoproêktuvannânejroevolûcíjnihalgoritmívzvikoristannâmalgebrialgoritmívgluškova AT mamedovtural metodavtomatizovanogoproêktuvannânejroevolûcíjnihalgoritmívzvikoristannâmalgebrialgoritmívgluškova AT yatsenkoolena metodavtomatizovanogoproêktuvannânejroevolûcíjnihalgoritmívzvikoristannâmalgebrialgoritmívgluškova AT sinitsynigor amethodofautomateddesignofneuroevolutionalgorithmsbasedonglushkovalgebraofalgorithms AT doroshenkoanatoliy amethodofautomateddesignofneuroevolutionalgorithmsbasedonglushkovalgebraofalgorithms AT mamedovtural amethodofautomateddesignofneuroevolutionalgorithmsbasedonglushkovalgebraofalgorithms AT yatsenkoolena amethodofautomateddesignofneuroevolutionalgorithmsbasedonglushkovalgebraofalgorithms AT sinitsynigor metodavtomatizirovannogoproektirovaniânejroévolûcionnyhalgoritmovsispolʹzovaniemalgoritmovalgebrygluškova AT doroshenkoanatoliy metodavtomatizirovannogoproektirovaniânejroévolûcionnyhalgoritmovsispolʹzovaniemalgoritmovalgebrygluškova AT mamedovtural metodavtomatizirovannogoproektirovaniânejroévolûcionnyhalgoritmovsispolʹzovaniemalgoritmovalgebrygluškova AT yatsenkoolena metodavtomatizirovannogoproektirovaniânejroévolûcionnyhalgoritmovsispolʹzovaniemalgoritmovalgebrygluškova |
| first_indexed |
2025-10-30T02:48:28Z |
| last_indexed |
2025-10-30T02:48:28Z |
| _version_ |
1847373341263921152 |
| spelling |
oai:ojs2.jais.net.ua:article-1002025-02-25T11:19:58Z Метод автоматизованого проєктування нейроеволюційних алгоритмів з використанням алгебри алгоритмів Глушкова A method of automated design of neuroevolution algorithms based on Glushkov algebra of algorithms Метод автоматизированного проектирования нейроэволюционных алгоритмов с использованием алгоритмов алгебры Глушкова Sinitsyn, Igor Doroshenko, Anatoliy Mamedov, Tural Yatsenko, Olena автоматизированное проектирование алгебра алгоритмов генерация программ задача балансировки нейроэволюция нарастающих топологий нейронная сеть automated design algebra of algorithms program generation pole-balancing problem neuroevolution of augmenting topologies neural network автоматизоване проєктування алгебра алгоритмів генерація програм задача балансування нейроеволюція наростаючих топологій нейронна мережа Академік В.М. Глушков був зачинателем багатьох напрямків наукових досліджень, зокрема і напрямку автоматизації проєктування алгоритмів, а розроблена ним концепція алгебри алгоритмів стала основою для багатьох розробок інструментальних засобів у цій галузі. Автори пропонують налаштування раніше створеного алгебро-алгоритмічного інструментарію на автоматизоване проєктування та синтез програм, що використовують нейроеволюційні алгоритми. Нейроеволюція є сукупністю методів машинного навчання, що застосовують еволюційні алгоритми для полегшення вирішення складних завдань, що імітують процес природного відбору. Метод нейроеволюції наростаючих топологій (NEAT) призначений для зменшення розмірності простору пошуку параметрів нейромережі у вигляді поступового розвитку її структури у процесі еволюції. Процес починається з популяції дрібних, найпростіших геномів і поступово збільшує їхню складність з кожним новим поколінням. Кінцевим результатом нейроеволюції є оптимальна топологія мережі, яка робить модель більш енергоефективною та зручною для аналізу. Розроблений інструментарій проєктування програм забезпечує автоматизацію побудови високорівневих специфікацій алгоритмів, поданих у системах алгоритмічних алгебр Глушкова, та синтез відповідних програм на основі шаблонів реалізацій цільовою мовою програмування. Налаштування інструментарію на проєктування нейроеволюційних алгоритмів полягає у внесенні в базу даних системи описів відповідних елементарних операторів і предикатів та їх програмних реалізацій. Використання інструментарію проілюстроване на прикладі проєктування та генерації програми для задачі балансування зі зворотним маятником, яка застосовує нейроеволюційний алгоритм бібліотеки NEAT-Python. Задача полягає в тому, щоб керувати модельованим візком, який може рухатися лише в двох напрямках за допомогою жердини, прикріпленої шарніром до його верхньої частини. Наведено результати експерименту з виконання програми, згенерованої за допомогою алгебро-алгоритмічного інструментарію. Academician V.M. Glushkov was the initiator of many directions of scientific research in his time, in particular, the direction of algorithm design automation, and the concept of algebra of algorithms proposed by him became the basis for many tools developed in this field. In this paper, authors propose the adjustment of the previously developed algebra-algorithmic toolkit towards the automated design and synthesis of programs using neuroevolutionary algorithms. Neuroevolution is a set of machine learning techniques that apply evolutionary algorithms to facilitate the solving of complex tasks that imitate the process of natural selection. The method of neuroevolution of augmenting topologies (NEAT) is intended to reduce the dimensionality of the space for searching for neural network parameters in the form of gradual development of the neural network structure in the process of evolution. The evolutionary process begins with a population of small, the simplest genomes and gradually increases their complexity with each new generation. The final result of neuroevolution is the optimal topology of the network, which makes the model more energy efficient and convenient for analysis. The developed program design toolkit provides automated construction of high-level algorithm specifications represented in Glushkov’s system of algorithmic algebra and synthesis of corresponding programs based on implementation templates in a target programming language. The adjustment of the toolkit for designing neuroevolutionary algorithms consists in entering the descriptions and software implementations of the relevant elementary operators and predicates into a database of the toolkit. The use of the toolkit is illustrated by an example of designing and generating a program for the single pole balancing problem, which uses the neuroevolutionary algorithm of the NEAT-Python library. The challenge is to control a simulated cart that can only move in two directions using a pole hinged to its top. The results of the experiment on the execution of the program generated using the algebraic-algorithmic toolkit are presented. Академик В.М. Глушков был зачинателем многих направлений научных исследований, в том числе и направления автоматизации проектирования алгоритмов, а разработанная им алгебраическая концепция алгоритмов стала основой для многих разработок инструментальных средств в этой области. Авторы предлагают настройки ранее созданного алгебро-алгоритмического инструментария на автоматизированное проектирование и синтез программ, использующих нейроэволюционные алгоритмы. Нейроэволюция представляет собой совокупность методов машинного обучения, применяющих эволюционные алгоритмы для облегчения решения сложных задач, имитирующих процесс естественного отбора. Метод нейроэволюции нарастающих топологий (NEAT) предназначен для уменьшения размерности пространства поиска параметров нейросети посредством постепенного развития ее структуры в процессе эволюции. Процесс начинается с популяции маленьких, обычных геномов и равномерно наращивает их сложность с каждым новым поколением. Конечным результатом нейроэволюции является оптимальная топология сети, которая делает модель более энергоэффективной и удобной для анализа. Разработанный инструментарий проектирования программ обеспечивает автоматизацию построения высокоуровневых спецификаций алгоритмов, представленных в системах алгоритмических алгебр Глушкова, и синтез соответствующих программ на основе шаблонов реализаций на целевых языках программирования. Настройка инструментария для проектирования нейроэволюционных алгоритмов заключается в внесении в базу данных системы описаний соответствующих элементарных операторов и предикатов и их программных реализаций. Использование инструментария проиллюстрировано на примере проектирования и генерации программы для задачи балансировки с обратным маятником, применяющей нейроэволюционный алгоритм библиотеки NEAT-Python. Задача состоит в том, чтобы управлять моделированной тележкой, которая может двигаться только в двух направлениях с помощью шеста, прикрепленной шарниром к его верхней части. Представлены результаты эксперимента по выполнению программы, сгенерированной с помощью алгебро-алгоритмического инструментария. V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2023-05-25 Article Article application/pdf https://jais.net.ua/index.php/files/article/view/100 10.34229/1028-0979-2023-3-8 Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; Том 68 № 3 (2023): Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; 74-85 International Scientific Technical Journal "Problems of Control and Informatics; Том 68 № 3 (2023): International Scientific Technical Journal "PROBLEMS OF CONTROL AND INFORMATICS"; 74-85 International Scientific Technical Journal "Problems of Control and Informatics"; Vol. 68 No. 3 (2023): International Scientific Technical Journal "PROBLEMS OF CONTROL AND INFORMATICS"; 74-85 2786-6505 2786-6491 uk https://jais.net.ua/index.php/files/article/view/100/193 Copyright (c) 2023 Igor Sinitsyn, Anatoliy Doroshenko, Tural Mamedov, Olena Yatsenko https://creativecommons.org/licenses/by-nc-nd/4.0 |