Комарцова Л.Г., Лавренков Ю.Н., Антипова О.В. Комплексный подход к исследованию сложных систем

Аннотация: При проектировании и исследовании сложных систем основными методами оценки предлагаемых вариантов решений являются методы имитационного моделирования и методы планирования экспериментов. Достоверность принятия решений может быть повышена путем использования нейронной сети (НС) для обобщения результатов имитационных экспериментов. Прогнозируемые с помощью НС варианты проверяются затем на имитационной модели. Использование генетического алгоритма дает возможность для каждой конкретной задачи имитационного моделирования найти соответствующие генетические операторы, обеспечивающие более быструю сходимость. База планов экспериментов позволяет в зависимости от типа параметров, характеризующих ИМ, выбрать план проведения эксперимента. Одной из основных проблем, которую необходимо решать при реализации данной методики, является выбор подходящего типа нейронной сети, обеспечивающей высокий процент распознавания и небольшие затраты времени на обучение. Наилучшей архитектурой нейронной сети для решения поставленной задачи оказалась трехслойная сеть с прямой связью с комбинированным алгоритмом обучения, основанным на использовании генетического алгоритма и алгоритма имитации отжига.

Ключевые слова:

Abstract: the main techniques for evaluate proposed variants of solutions in design and studying complex systems are simulation methods and methods of experiments scheduling. The accuracy of decision making may be increased with the use of neural network (NN) to summarize the results of simulation experiments. Predicted with such method the solutions are then tested on the simulation model. The use of genetic algorithm makes it possible to find the corresponding genetic operators that provide faster convergence for each specific task of simulation. A database of experiments allows choosing a plan of experiment according to the type of parameters of simulation model. One of the main problems that must be solved in implementation of this technique is the choice of a suitable type of a neural network that will provide high percentage of recognition and low training time. A three-layer feedforward network with a combined learning algorithm based on the use of genetic algorithm and simulated annealing algorithm was proved to be ths best neural network architecture for solving the given.

Keywords: