Применение метода муравьиных колоний для решения параметрических задач аэрокосмической отрасли


Авторы

Титов Ю. П.1*, Судаков В. А.2**

1. Московский авиационный институт (национальный исследовательский университет), 125993, г. Москва, Волоколамское шоссе, д. 4
2. Институт прикладной математики имени М.В. Келдыша РАН, Москва, Россия

*e-mail: kalengul@mail.ru
**e-mail: sudakov@ws-dss.com

Аннотация

Предложено разделение представления работы метода муравьиных колоний на слои с последующей сверткой значений в различных слоях в общее значение и нормализацией для определения вероятностного перехода. Предложены модификации метода муравьиных колоний для решения различных задач на транспортных графах для аэрокосмической отрасли. Предложена новая вероятностная формула для работы метода муравьиных колоний при решении параметрических задач. С помощью модификаций метода муравьиных колоний проведена кластеризация пассажирских авиационных маршрутов между городами. Решены параметрические задачи о назначении сотрудников на работы, вычисления значений гиперпараметров модели. Модификации показали свою эффективную работу в том числе для многокритериальной оптимизации и возможности работы на SIMD процессорах.

Ключевые слова:

метод муравьиных колоний, метаэвристическая оптимизация, параметрическая задача, вычислительный кластер, задача сбора ресурсов, задача о назначении

Библиографический список

  1. Colorni A., Dorigo M., Maniezzo V. Distributed Optimization by Ant Colonies // Proceedings of ECAL91—European Conference on Artificial Life. Paris, France, Elsevier Publishing. 1992. P. 134-142.
  2. Dorigo M., Stützle T. Ant Colony Optimization. MIT Press, Cambridge, MA, 2004. P. 321.
  3. Дэн Саймон. Алгоритмы эволюционной оптимизации. - М.: ДМК Пресс, 2020. – 1002 с.
  4. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. - М.: Изд-во МГТУ им. Баумана, 2017. - 446 с.
  5. Пантелеев А.В., Дмитраков А.В. Применение метода дифференциальной эволюции для оптимизации параметров аэрокосмических систем // Труды МАИ. 2010. № 37. URL: https://trudymai.ru/published.php?ID=13428
  6. Пантелеев А.В., Летова Т.А., Помазуева Е.А. Применение методов глобальной оптимизации для параметрического синтеза обобщенного пропорционально-интегрально-дифференциального регулятора в задаче управления полетом // Труды МАИ. 2015. № 79. URL: https://trudymai.ru/published.php?ID=55635
  7. Пантелеев А.В., Каранэ М.С. Применение гибридного мультиагентного метода интерполяционного поиска в задаче о стабилизации спутника // Труды МАИ. 2021. № 117. URL: https://trudymai.ru/published.php?ID=156249. DOI: 10.34759/trd-2021-117-10 
  8. Пантелеев А.В., Алешина Е.А. Применение метода частиц в стае к задаче поиска оптимального управления дискретными детерминированными системами // Труды МАИ. 2010. № 37. URL: https://trudymai.ru/published.php?ID=13427
  9. Титов Ю.П. Модификации метода муравьиных колоний для решения задач разработки авиационных маршрутов // Автоматика и телемеханика. 2015. № 3. С. 108–124.
  10. Bergstra J.S., Bardenet R., Bengio Y., Kégl B. Algorithms for Hyper-parameter Optimization // Advances in Neural Information Processing Systems. 2011. V. 24, P. 2546-2554.
  11. Akiba T., Shotaro S., Toshihiko Y., Takeru O., Masanori K. Optuna: A Next-generation Hyperparameter Optimization Framework // 25th ACM SIGKDD Intern. Conf. on Knowledge Discovery & Data Mining. N.Y., USA, 2019. P. 2623-2631. DOI: 10.48550/arXiv.1907.10902
  12. Koehrsen W. A Conceptual Explanation of Bayesian Hyperparameter Optimization for Machine Learning. 2018. URL: https://arxiv.org/pdf/1905.05786
  13. Dewancker I., McCourt M., Scott C. Bayesian Optimization Primer. 2016. URL: https://arxiv.org/pdf/1612.04858
  14. IBM Bayesian Optimization Accelerator 1.1 Helps Identify Optimal Product Designs Faster with Breakthrough Performance for Scientific Discovery and High-performance Computing Simulation. 2020. URL: https://www.ibm.com/blog/ibm-bayesian-optimization-accelerator-designed-to-build-better-products-fas...
  15. Юхименко Б.И., Титов Н.А., Ушаков В.О. Разработка и исследование алгоритмов муравьиной колонии для решения некоторых задач комбинаторной оптимизации // Актуальные научные исследования в современном мире. 2020. № 11-2 (67). С. 101-115. 
  16. Семенкина О.Е., Семенкин Е.С. О сравнении эффективности муравьиного и генетического алгоритмов при решении задач комбинаторной оптимизации // Актуальные проблемы авиации и космонавтики. 2011. Т. 1, № 7. С. 338-339.
  17. Semenkina O.E., Popov E. Adaptive Ant Colony Optimization Algorithm for Hierarchical Scheduling Problem // Conference: 2019 International Conference on Information Technologies (InfoTech). Varna, Bulgaria. 2019. P. 8860897. DOI: 10.1109/InfoTech.2019.8860897 
  18. Martens D., De Backer M., Haesen R., Vanthienen J., Snoeck M., Baesens B. Classification with Ant Colony Optimization // IEEE Transactions on Evolutionary Computation. 2007. V. 11, No. 5. P. 651–665. 
  19. Krzysztof S. Christian B. An Ant Colony Optimization Algorithm for Continuous Optimization: Application to Feed-Forward Neural Network Training // Neural Computing and Applications. 2007. V. 3, No. 16. P. 235–247. DOI: 10.1007/s00521-007-0084-z
  20. Пантелеев А.В., Пановский В.Н. Применение гибридного меметического алгоритма в задачах оптимального управления нелинейными стохастическими системами с неполной обратной связью // Научный вестник МГТУ ГА. 2018. № 21 (2). С. 59-70. DOI: 10.26467/2079-0619-2018-21-2-59-70
  21. Socha K., Dorigo M. Ant Colony Optimization for Continuous Domains // European Journaj of Operational Research. 2008. V. 185, Iss. 3. P. 1155-1173. DOI: 10.1016/j.ejor.2006.06.046
  22. Mohamad M., Tokhi M., Omar O.M. Continuous Ant Colony Optimization for Active Vibration Control of Flexible Beam Structures // IEEE Intern. Conf. on Mechatronics (ICM). Istanbul, Turkey. 2011. P. 803-808.
  23. Карпенко А.П., Чернобривченко К.А. Эффективность оптимизации методом непрерывно взаимодействующей колонии муравьев (CIAC) // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2011. № 2. DOI: 10.7463/0211.0165551
  24. Abdelbar A.M., Salama K.M., Falcón-Cardona J.G., Coello C.A.C. An Adaptive Recombination-Based Extension of the iMOACOR Algorithm // IEEE Sympos. Series on Computational Intelligence (SSCI). Bangalore, India. 2018. P. 735-742. DOI: 10.1109/SSCI.2018.8628657
  25. Abdelbar A.M., Humphries T., Falcón-Cardona J.G., Coello C.A. An Extension of the iMOACO Algorithm Based on Layer-Set Selection // Swarm Intelligence. ANTS 2022. Lecture Notes in Computer Science. 2022. V. 13491. Springer, Cham. DOI: 10.1007/978-3-031-20176-9_22
  26. Карпенко А.П., Чернобривченко К.А. Мультимемеевая модификация гибридного муравьиного алгоритма непрерывной оптимизации HCIAC // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2012. № 9. DOI: 10.7463/0912.0470529
  27. Судаков В.А., Кильмишкин Н.В., Титов Ю.П. Применение модификации метода муравьиных колоний для классификации авиатранспортных маршрутов // Современные наукоемкие технологии. 2024. № 6. С. 63-70. DOI: 10.17513/snt.40065
  28. Kao Y., Cheng K. An ACO-Based Clustering Algorithm // Conference: Ant Colony Optimization and Swarm Intelligence, 5th International Workshop, ANTS 2006, Brussels, Belgium, September 4-7, 2006. P. 340–347. DOI: 10.1007/11839088_31
  29. Menendez H.D., Otero F.E.B., Camacho D. MACOC: A Medoid-Based ACO Clustering Algorithm // Conference: 9th International Conference on Swarm Intelligence (ANTS 2014). 2014. P. 122–133. DOI: 10.1007/978-3-319-09952-1_11
  30. Синицын И.Н., Титов Ю.П. Управление наборами значений параметров системы методом муравьиных колоний // Автоматика и телемеханика. 2023. № 8. С. 153-168. DOI: 10.31857/S000523102308010X
  31. Titov Yu.P., Sudakov V.A. The Ant Colony Method to Support Decision-Making on the Appointment of Employees // Proceedings of the 8th Scientific Conference on Information Technologies for Intelligent Decision Making Support (ITIDS 2020). 2020. P. 375-380. DOI: 10.2991/aisr.k.201029.070
  32. Titov Yu.P., Sudakov V.A. Calculation of time to complete a task by a group of employees using fuzzy sets for the sustainable development of the enterprise // Entrepreneurship and Sustainability. 2020. V. 8, No. 1. P. 1001-1011. DOI: 10.9770/jesi.2020.8.1(67)
  33. Titov Yu.P., Sudakov V.A., Esther L.C., Hanlie S. Application of the ant colony method for orderly tracking of hyperparameters in models of pandemic disease development // International Journal of Professional Science. 2022. No. 9. P. 35-50. DOI: 10.54092/25421085_2022_9
  34. Титов Ю.П. Опыт моделирования планирования поставок с применением модификаций метода муравьиных колоний в системах высокой доступности // Системы высокой доступности. 2018. Т. 14, № 1. С. 27-42.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2025

 Вход