Томск, Томская область, Россия
сотрудник
Томская область, Россия
BISAC TEC008060 Electronics / Digital
В статье рассматривается концепция выбора последовательности управляющих воздействий с целью минимизации возможности перехода состояния системы в неблагоприятное. Для этого разработана бионическая модель, основанная на синтезе информационного подхода, нейронных сетей и генетического алгоритма. Функциональность каждого из элементов модели и их взаимодействие представлены в этой статье. Особое внимание уделяется нейроэволюционному взаимодействию. При этом информация о управляющих воздействиях инкапсулирована в гене, что позволило увеличить функциональность алгоритма за счет многомерного представления данных. В статье описан принцип представления данных в бионических моделях, который отличается от существующих возможностью явного или неявного представления управляющего воздействия в хромосоме. В явном представлении формируется одна нейронная сеть, описывающая эффект любого из управляющих воздействий, задействованных в обучении. Неявное представление создает набор моделей, каждая из которых описывает эффект только одного управляющего воздействия. Приведено краткое описание программного обеспечения, реализованного на языке программирования Python.
информационный подход, нейронные сети, генетический алгоритм, бионическая модель, выбор управляющих воздействий
1. Pyatkova N. I., Massel L. V., Massel A. G. Situation management methods in research of energy security problems / Izvestia akademii nauk. Energetika, 2016. – №4. – pp. 156-163.
2. Shcherbakov M., Kamaev V., Shcherbakova N. Automated electric energy consumption prediction system based on decision tree approach / 7th IFAC Conference on Manufacturing Modelling, Management, and Control, 2013. – V. 46. – Issue 9. – pp. 1027-1032.
3. Yusupov R. M., Ronzhin A.L., From smart devices to intelligent space / Bulletin of the Russian Academy of Sciences, 2010. – 80:1. – pp. 45–51.
4. Massel L.V. Problems of the semiotic type intellectual systems creation for the strategic action control in critical infrastructures / Information and mathematical technologies in science and management. Scientific journal. Irkutsk: MESI SB RAS, 2016 – №1. – pp. 7-27
5. Yurchenko M. A., Kochegurova E. A., Fadeev A. S., Piletskaya A.Y. Calculation of performance indicators for passenger transport based on telemetry information / Engineering Technology, Engineering Education and Engineering Management : proceedings of the International Conference on Engineering Technologies, Engineering Education and Engineering Management, 2015. – pp. 847-851.
6. Gerget O.M. Bionic models for identification of biological systems // Journal of Physics: Conference Series. – 2017. – V. 803. – № 1. – pp. 12- 24.
7. Maksimov I.B., Kolyar V.P., Bogomolov A.V. Applied theory of information support in medical and biological research. - М. Binom. - 2013. – 312 p.
8. Alifirova V.M., Brasovsky K.S., Zhukova I.A., Pecker J.S., Tolmachev I.V., Fokin V.A. Method of quantitative evaluation of results of postural tests/ Bulletin of Experimental Biology and Medicine, 2016. – V. 161. – № 3. – pp. 421-424.
9. Fokin V.A., Pecker Y.S., Berestneva O.G., Gerget O.M. Integrated methods of assessment of the state of complex systems/ Izvestia of Tomsk Polytechnic University, 2012. – V. 321. – № 5. – pp.120-124.
10. Fokin V.A. Statistical data modeling at biological systems state estimation // Izvestia of Tomsk Polytechnic University. Engineering of georesources, 2014. – V. 307. – №5. – pp. 136-138.
11. Devjatykh D.V., Gerget O.M., Mikhalenko I.V. Use of artificial neural networks to predict the development of perinatal damage of the nervous system / Izvestia of Volgograd State Technical University, 2013. – V. 16. – № 8 (111). – pp. 77-80.
12. Wilson, A.J. Entropy modeling methods for Complex Systems. –М.: Science, 1978. – 248p.
13. Gerget O.M., Devjatykh D.V. Bionic Model for Identification of Biological Systems/ Information and Mathematical Technologies in Science and Management. 2017. – № 2 (6). – p. 21-29.
14. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2009. – 745p.
15. Goodfellow I., Bengio Y., Courville A. Deep Learning. Book in preparation for MIT Press.
16. Wang, H. and Song, G. Innovative NARX recurrent neural network model for ultra-thin shape memory alloy wire. Neurocomputin, 2014 – 134. – pp.289-295.
