Метагенетический алгоритм оптимизации параметров имитационной модели

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Московского Государственного Технического Университета им. Н.Э. Баумана

Калужский Филиал

Метагенетический алгоритм оптимизации параметров имитационной модели

Комарцова Л.Г., д.т.н.

Введение

Во многих случаях решения задач оптимизации с помощью генетических алгоритмов (ГА) предсказать поведение сложных многопараметрических и многоэкстремальных функций практически невозможно, поэтому предварительные исследования лишь в общем позволяют определить тенденцию влияния различных генетических операторов на эффективность ГА [1,3]. При создании алгоритмов обработки информации на основе ГА необходимо в каждом конкретном случае обеспечить автоматический подбор таких параметров алгоритма, которые обеспечивают его наибольшую эффективность. Поставленная задача может быть решена на основе использования внешнего ГА.

генетический алгоритм микропроцессорный розенброк

1. Разработка метагенетического алгоритма

Алгоритм выбора параметров ГА с помощью ГА будем называть метагенетическим алгоритмом. Функционирование такого алгоритма будем рассматривать на примере оптимизации функций с одним локальным экстремумом (F1-функции Розенброка) и с многими экстремумами (F7-функции Растригина) [2]. Алгоритм выбора генетических операторов относится к алгоритму комбинаторной оптимизации и разрабатывается на основе двухэтапного ГА. На первом этапе (внешний ГА) определяются искомые операторы и, возможно, другие параметры, например, размер популяции, процент скрещивания и мутации и т.д.

В качестве генов в хромосоме внешнего ГА будем использовать поля, представленные на рис.1.

Рис. 1 Представление хромосомы для внешнего ГА

На второй ступени (внутренний ГА) определяется наилучшее приближение к экстремуму для каждой хромосомы внешнего ГА.

Хромосома внутреннего ГА задается в соответствии с рис. 2, на котором x₁, x₂, …, x_n - параметры оптимизируемой функции. Критерием останова алгоритма является выполнение заданного пользователем числа итераций внешнего ГА, при этом выбирается лучшая из всех популяций хромосома, определяющая искомые параметры ГА.

Рис. 2 Представление хромосомы для внутреннего ГА

Для каждой итерации внешнего ГА реализуется определенное число итераций (поколений) внутреннего ГА.

Предложенный метегенетический алгоритм записывается следующим образом.

Шаг 1. Генерация потенциальных решений для внешнего алгоритма: задание пользователем вариантов реализации параметров внутреннего ГА: видов оператора кроссинговера, мутации, селекции, отбора, числа популяций и других параметров, которые подлежат перебору. Определение числа итераций внутреннего ГА-k. Задание числа внешних итераций -p, других параметров внешнего ГА

Шаг 2. Начало работы внешнего алгоритма. Число итераций = p. Размер популяции = r.

Шаг 3. Селекция пар хромосом для скрещивания.

Шаг 4. Выполнить оператор кроссинговера.

Шаг 5. Выполнить мутацию.

Шаг 6. Для всех хромосом внешней популяции запустить внутренний ГА с целью определения функции Fitвнеш.

Шаг 7. Начало работы внутреннего ГА. Сгенерировать популяцию (в виде хромосом рис. 2) для внутреннего ГА. Установить число итераций k; размер популяции q.

Шаг 8. Применить генетические операторы (закодированные в хромосоме внешнего ГА) к популяции внутреннего ГА. Вычислить функции Fitвнутр. для всех хромосом внутренней популяции (вычисление значений функций F1 или F7).

Шаг 9. Сохранить лучшую хромосому популяции. k:=k-1.

Шаг 10. Если k<>0, то провести отбор q хромосом в соответствии с Fitвнутр. в новую популяцию; перейти к ш. 8.

Шаг 11. Завершить работу внутреннего ГА с выдачей лучшей хромосомы по всем популяциям внутреннего ГА.

Шаг 12. Сохранить лучшую хромосому внешней популяции. p:=p-1.

Шаг 13. Если p<>0, то провести отбор r хромосом в соответствии с Fitвнеш. в новую популяцию; перейти к ш. 3, иначе перейти к ш. 15.

Шаг 14. Завершить работу внешнего ГА с выдачей лучшей хромосомы по всем популяциям внешнего ГА.

Шаг 15. Останов.

Экспериментальное исследование данного алгоритма проводилось при следующих условиях. Число членов внешней популяции - 30 (максимальное число пар - 10). Число членов внутренней популяции - 50. Число итераций внутреннего алгоритма - от 25 (для функции Розенброка) до 50 (для более сложной функции Растригина), внешнего - 10. К исходной популяции во внешнем алгоритме при выполнении генетических операторов добавлялось по одному потомку от каждой пары.

Типы генетических операторов во внешнем ГА выбирались в соответствии с рекомендациями, полученными в [4]: учитывая сложность комбинаторной задачи в качестве кроссинговера использовался разработанный оператор рекомбинации; оператора мутации - инверсия; оператора отбора - "мягкая схема".

Общее число вычислений функции Fit (внутреннего и внешнего алгоритма) для функции Розенброка составило около 300000, для функции Растригина - 600000-800000. Для уменьшения вычислительной сложности алгоритмов Конструктора ГА целесообразно исследовать комбинированные алгоритмы [4].

Пример результатов работы предложенного Конструктора при выборе генетических операторов для оптимизации функций Розенброка и Растригина представлен на рис.3.

Полученные результаты позволяют сделать следующие выводы: для сложных многоэкстремальных функций (например, для исследуемой функции Растригина) целесообразно использовать генетические операторы: кроссинговер - рекомбинация; мутация - инверсия; селекция - "дальнее родство", а для унимодальных (например, функции Розенброка): кроссинговер - одноточечный или двухточечный; мутация - генная; селекция - "ближнее родство".

Рис.3. Результаты работы внешнего генетического алгоритма ГА

Применение полученных с помощью внешнего алгоритма параметров ГА, используемых для оптимизации функций Розенброка, позволило сократить число итераций при поиске ~ до k=10-15 (по сравнению с k=25 в предыдущих экспериментах), а функции Растригина до k=20-25 (по сравнению с k=50) при той же точности.

2. Экспериментальное исследование метагенетического алгоритма

Проводимое исследование было связано с необходимостью обоснования и уточнения принципов построения распределенной микропроцессорной системы (РМС) для диагностирования бортовых технологических объектов.

Решение базовых задач на разработанной имитационной модели РМС показало, что ускорение вычислений может достигать 25 при изменении числа рабочих станций, объединенных локальной сетью, от 3 до 7. Причиной этого являлась существовавшая в РМС методика обработки результатов экспериментов, характеризовавшаяся необходимостью вмешательства пользователя в ход решения задачи. Дальнейшее повышение производительности РМС шло в направлении создания адаптивных алгоритмов, позволяющих полностью автоматизировать процесс выбора параметров обработки, и перехода на обработку в реальном времени. Поэтому все дальнейшие усовершенствования системы были связаны с анализом загрузки системы и выбором такой структуры РМС, которая обеспечивала бы оперативную обработку поступающих данных.

Разработка и исследование новых алгоритмов обработки информации вызвала необходимость выявления резервов повышения производительности за счет модернизации внутренней структуры комплекса и переходом к клиент-серверной технологии. Задача исследования РМС была поставлена следующим образом: определить значения основных параметров РМС, обеспечивающих ее функционирование в реальном масштабе времени.

Для решения поставленной задачи использовался генетический алгоритм, вид хромосомы представлен на рис.4.

Рис. 4. Вид хромосомы внутреннего ГА

Функция качества Fit интерпретируется критерием tкр., определяющим время обработки одного технологического кадра, и вычисляемым на имитационной модели, при этом должно выполняться условие:

t_кр. <= t_доп. (1)

Каждый из параметров, соответствующий генам хромосомы, варьировался на 5 уровнях. Общее число экспериментов для определения оптимальных значений параметров с помощью имитационного моделирования путем полного перебора равно 3125.

Использованный для оптимизации параметров РМС генетический алгоритм был построен Конструктором [4]: оператор кроссинговера - рекомбинация; оператор мутации - инверсия; оператор селекции - "дальнее родство", оператор отбора - элитный с сохранением лучшей хромосомы в каждой популяции, вероятность скрещивания -0,5, вероятность мутации -0, 01; размер популяции был выбран 25; число поколений -10. Хромосома внешнего генетического алгоритма представлена на рис. 5

Число экспериментов для поиска внутреннего ГА - 250. Были найдены следующие параметры внутреннего ГА: размер популяции -20; число поколений - 20; оператор кроссинговера - двухточечный; оператор мутации - инверсия.

Уменьшение времени поиска оптимального варианта с помощью оценки Fit путем имитационного моделирования достигается на основе разработанной в главе 5 методики: вычисление Fit проводится на нейронной сети, обученной заранее на результатах имитационных экспериментов. Обучение НС проводилось на результатах моделирования, полученных при поиске параметров внутреннего ГА. Таким образом, общее число имитационных экспериментов для поиска параметров РМС, удовлетворяющих условию (1) составило 651 (один эксперимент - для подтверждения полученных результатов). Коэффициент сокращения перебора kсокр ? 5.

В результате проведенного исследования были получены следующие рекомендации: топология связи рабочих станций - звезда; количество рабочих станций - 5; стратегия обработки заданий сервером - многоприоритетна; найдены лучшие значения размера буфера данных и кванта обработки заданий на сервере, при этом для поиска лучшего варианта коэффициент сокращения перебора составил 5.

Проведенный анализ показал, что использование данных рекомендаций позволит сократить объем передаваемой клиентами информации в 2 раза, а производительность увеличить ? в 25 раз. Полученные решения использовались в технических предложениях по созданию многофункциональной распределенной микропроцессорной системы диагностирования бортовых технологических объектов.

Литература

1. Ратнер А.Н. Генетика. Молекулярная кибернетика. - Новосибирск: Наука, 2002.

2. Реклейтис А., Рейвиндран А. и др. Оптимизация в технике. - В 2-х кн. -М.:Мир, 1988.

3. Курейчик В.М., Курейчик В.В. Эволюционные, синергетические и гомеостатические стратегии в искусственном интеллекте: состояние и перспективы // Новости искусственного интеллекта. -№3, 2000. -С.39-65.

4. Komartsova L.G. Research of a Genetic Algorithms Designer // Proc. of IEEE Int. Conf. on Artificial Intelligence Systems. -Los Alamitos, California, 2002. -P.395-397.

Размещено на Allbest.ru