Информатика, вычислительная техника и управление. Рубрика в журнале - Сибирский аэрокосмический журнал
Статья научная
Современные и перспективные динамические системы комплексов авиационного вооружения Воздушно-космических сил (далее - системы) характеризуются усложнением структуры и повышением требований к надежности и эффективности функционирования. Более того, системы поколения 4++ и 5 достаточно уникальны и (или) малосерийны, а составляющие их элементы в своей основе миниатюрны и дороги, поэтому необходимым условием при выполнении требований контролепригодности к системам и составляющим элементам является максимально возможное сохранение качества исходного базиса при неизбежной новой трактовке дополнительной информации. Дальнейшее внедрение в практику решения задач технической диагностики (ТД) технологий искусственного интеллекта позволяет получать адекватные результаты практически с любой точностью. Достоверность результатов будет определяться исключительно пунктуальностью задания данных и полнотой математического описания систем, процессов и событий рассматриваемой предметной области. Поэтому следует ожидать, что дальнейшее развитие теории и практики ТД будет идти по пути более глубокого изучения физических процессов, происходящих в системах, и более точного математического задания процедур поиска места отказа систем. Целью работы установлена разработка взаимосвязанной совокупности математических и логических блок-схем получения и применения диагностических знаний в программно-математическом обеспечении современных и перспективных бортовых средств контроля технического состояния (ТС) систем. Приоритетным направлением в подобных исследованиях является дифференцированная селекция апробированных методов ТД с выбором соответствующего математического и алгоритмического аппарата прямого вероятностного моделирования систем. Представлена блоксхема и рассмотрен вариант практического приложения разработанного алгоритма последовательного распознавания отказов систем (далее - алгоритм, если из контекста изложения материала ясно, что речь идет именно о разработанном алгоритме). С применением алгоритма отсутствует необходимость в декомпозиции систем, а потенциал многократных повторений результатов случайного процесса смены ТС систем предопределяет возможность получения больших выборок с высокой точностью программной компиляции.
Бесплатно
Эволюции эвристик для синтеза селекции в генетическом алгоритме
Статья научная
Предлагается метод автоматического проектирования операторов селекции для генетического алгоритма, основанный на подходе Evolution of Heuristics (EoH), который объединяет возможности больших языковых моделей (LLM) и эволюционного поиска. Проектирование селекции проводилось на трех задачах псевдобулевой оптимизации, а тестирование на 17 функциях из набора IOHprofiler. Проводились два эксперимента с явным знанием о типе решаемой задачи и без него. В качестве языковой модели использовалась DeepSeek-Coder-V2, которая была локально развернута с помощью фреймворка Ollama. Качество спроектированных эвристик определялось на основании сравнения с результатами стандартной ранговой селекции. Проведено сравнение качества полученных решений с классическими схемами селекции (турнирной, пропорциональной, ранговой), а также с методом FunSearch, ранее применявшимся для генерации новых реализаций ранговой селекции. Сравнение различных эвристик проводилось по множеству запусков на каждой из 17 задач с помощью непараметрического статистического теста Манна – Уитни. Было показано, что автоматически спроектированные эвристики обладают уникальными свойствами, причем отсутствие информации о типе и структуре решаемой задачи привело к большему разнообразию сгенерированных решений. А именно в одном из запусков спроектированный код без информации о типе задачи выбирает особей, чья приспособленность отличается от максимальной менее чем на половину расстояния от максимальной приспособленности до медианной. Иными словами, это вариант турнирной селекции с адаптивным размером турнира, основанным на распределении качества. Наличие информации о типе решаемой задачи приводило к тому, что языковая модель генерировала типовые известные решения, в частности варианты простой турнирной селекции. Предложенный подход может быть применен и для других задач автоматического проектирования алгоритмов целиком или в виде компонентов алгоритмов.
Бесплатно
Эволюционный алгоритм с механизмом снижения размерности на основе автоэнкодеров
Статья научная
Многие современные прикладные задачи оптимизации формулируются как модели «чёрного ящика», для которых характерно отсутствие аналитической информации о целевой функции и её свойствах. Эволюционные алгоритмы стали популярным инструментом для решения подобных задач, однако их эффективность существенно снижается в задачах высокой размерности со сложной топологией пространства поиска. Вместе с тем, для эффективной работы такие алгоритмы требуют генерацию большого числа пробных решений, что может быть недостижимо в приложениях с дорогостоящей оценкой целевой функции. Для преодоления этих ограничений в работе представлен новый подход к эволюционной оптимизации. Его ядром является адаптивная процедура снижения размерности на основе автоэнкодера, который динамически обучается на основе данных популяций, полученных в ходе оптимизации. Стратегия основана на параллельной работе двух алгоритмов оптимизации: один исследует исходное пространство, а другой – латентное пространство, строящееся автоэнкодером как компактное нелинейное отображение текущей популяции. Такой подход позволяет алгоритму гибко подстраиваться под структуру конкретной задачи. Проведён анализ эффективности предложенного метода на наборе эталонных задач, исследованы сходимость алгоритма на разных стадиях эволюционного процесса и зависимость от выбора размерности сжатого пространства. Полученные результаты обработаны с помощью статистического критерия Манна – Уитни – Уилкоксона. В качестве метода оптимизации субпопуляций использован алгоритм L-SRTDE. В результате численных экспериментов было установлено, что предложенный алгоритм стимулирует более эффективное исследование пространства поиска на начальных этапах оптимизации, но в среднем незначительно уступает в эффективности базовому алгоритму.
Бесплатно
