ЭВОЛЮЦИОННЫЕ МЕТОДЫ В СИСТЕМАХ С ОБНАРУЖЕНИЕМ И АДАПТАЦИЕЙ 

Федорова Мария Анатольевна, аспирант Ульяновского государственного университета, инженер ОАО «НПО «Марс».

519.7

В статье рассмотрены вопросы, связанные с применением эволюционных методов к задаче оптимизации сложных взаимосвязанных систем фильтрации и управления в условиях неопределенности. Необходимость поддержания работоспособности системы в условиях априорной неопределенности и резких, непредвиденных изменений привела к развитию большого числа
разнообразных численных методов, сейчас часто называемых «классическими». Но в то же время стандартные численные методы и методы математического программирования иногда не способны гарантировать хорошие результаты: надежное обнаружение изменений и быстродействующую
адаптацию к вновь возникшим условиям при низкой вычислительной стоимости. Эти обстоятельства усиливают интерес к альтернативным решениям, иногда эвристическим; в их числе заимствование механизмов адаптации из природной эволюции. В данной работе рассматривается применение
эволюционных методов, в частности генетических алгоритмов, в качестве альтернативы стандартным численным методам и проводится сравнительное исследование классических методов и генетического подхода на основе экспериментальных данных, полученных с помощью специально разработанного программного продукта, в классе стохастических систем с обнаружением
и адаптацией.

 Скачать статью в формате PDF

1. Zadeh, L. Fuzzy logic, neural network and soft computing / L. Zadeh // Communications of the ACM. – 1994. – V. 37. – № 3. – Р. 65–83.
2. Kristinsson, K. System identification and control using genetic algorithms / K. Kristinsson, G. Dumont // IEEE Transactions on Systems, Man and Cybernetics. – 1992. – V. 22. – № 5. – Р. 1033–1046.
3. Perneel, C. Optimization of fuzzy expert systems using genetic algorithms and neural networks / C. Perneel [et al.] // IEEE Transactions on Fuzzy Systems. – 1995. – V. 3. – № 3. – Р. 332–341.
4. Jin, Y. Evolutionary optimization in uncertain environments / Y. Jin, J. Branke // IEEE transactions on Evolutionary Computation. – 2005. – V. 9. – № 3. – Р. 303–317.
5. Интеллектуальные системы автоматического управления / под ред. И. М. Макарова, В. М. Лохина. – М. : ФИЗМАТЛИТ, 2001. – 576 с.
6. Семушин, И. В. Контроль оптимальности адаптивного фильтра Калмана по реализации скалярного процесса / И. В. Семушин // Известия академии наук СССР. – 1979. – № 6. – С. 195–198. – (Техническая кибернетика).
7. Семушин, И. В. Адаптивные схемы идентификации и контроля при обработке случайных сигналов / И. В. Семушин. – Саратов : Саратовский университет, 1985. – 180 с.
8. Семушин, И. В. Адаптивное управление стохастическим линейным объектом в условиях неопределенности / И. В. Семушин // Нелинейные динамические системы: качественный анализ и управление : сборник научных трудов / Институт системного анализа РАН ; под ред. акад. РАН С. В. Емельянова, чл.-кор. РАН С. К. Коровина. – Вып. 2. – М. : Изд-во МГУ, 1994. – С. 104–110.
9. Ярушкина, Н. Г. Основы теории нечетких и гибридных систем : учеб. пособие / Н. Г. Ярушкина. – М. : Финансы и статистика, 2004. – 320 с. 
10. Beasley, D. An Overview of Genetic Algorithms: Part 1, Fundamentals / D. Beasley, D. Bull, R. Martin. – University Computing, 1993. – V. 15. – № 2. – Р. 56–58.
11. Beasley, D. An Overview of Genetic Algorithms: Part 2, Research Topics / D. Beasley, D. Bull, R. Martin. – University Computing, 1993. – V. 15. – № 4. – Р. 170–181.
12. Растригин, Л. А. Адаптация сложных систем / Л. А. Растригин. – Рига : Зинатне, 1981. – 375 с.
13. Goldberg, D. E. Genetic Algorithms in search, optimization and machine learning / D. E. Goldberg. – Addison–Wesley Publishing Company Inc., 1989. – 412 p.
14. Maybeck, P. S. Stochastic models, estimation and control / P. S. Maybeck. – N. Y. : Academic Press, 1982. – V. 3. – 291 p.
15. Федорова, М. А. Моделирование адаптивной стохастической системы MASSS / М. А. Федорова // М. : ВНТИЦ. Программное и информационное обеспечение поддержки научно исследовательских работ, 2007. – ЕСПД.03254577.01880-01.