CC BY
31Математические методы моделирования, управления и анализа данных
INTELLIGENT WATER DROPS ALGORITHM FOR CLASSIFICATION PROBLEMS SOLVING
O. E. Semenkina, E. A. Popov
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected], [email protected]
This article describes a method Ant Miner and introduces a new method based on Intelligent Water Drops algorithm of classification problem solving, that potentially can be used to solve such problems as the processing of satellite images, looking-for the necessary resources when space exploration and forecasting of emergencies.
Keywords: intelligent water drops algorithm, ant colony optimization, classification.
В настоящее время постоянно открываются и исследуются все новые алгоритмы решения задач интеллектуального анализа данных (Data mining), что связано с существенным влиянием даже небольшого улучшения работы алгоритма или его скорости на результат выполнения при использовании больших объемов данных. Задачу классификации можно назвать одной из наиболее важных отраслей интеллектуального анализа данных, так как она является ключом к эффективным методам человеко-машинного взаимодействия и используется в широком круге областей, начиная с медицинской диагностики [1] и заканчивая прогнозированием деградации солнечных батарей [2]. Более того, классификация, как и интеллектуальный анализ данных в целом, может применяться для решения многих задач, возникающих в связи с освоением космоса человеком, например, обработка спутниковых изображений, поиск необходимых ресурсов или прогнозирование аварийных ситуаций.
Зачастую, формализованная постановка современных задач сводится к задачам оптимизации, а из-за обилия в них особенностей, выходящих за рамки условий использования стандартных методов оптимизации, используются стохастические методы [3], например, генетический алгоритм (Genetic algorithm) [4], муравьиный алгоритм (Ant colony optimization, ACO) [5], стайный алгоритм (Particle Swarm Optimization) [6], алгоритм умных капель (Intelligent water drops, IWDs) [7] и многие другие. Эти алгоритмы имеют обширную область применения, например, они могут быть использованы для построения структуры и настройки весовых коэффициентов искусственных нейронных сетей [8], построения базы нечетких правил [9] или для выделения информативных признаков [10].
Ранее в своей работе авторы исследовали ACO, GA и IWDs при решении задач комбинаторной оптимизации применительно к задаче коммивояжера [11], сравнивая их также со стандартным методом решения подобных задач - эвристикой Лина-Кернигана. Данные алгоритмы показали себя как эффективные методы решения задачи оптимизации, а потому целесообразным является дальнейшее исследование подобных алгоритмов для решения других задач.
Алгоритм Ant Miner [12], основанный на базе автокаталитического муравьиного алгоритма комбинаторной оптимизации, позволяет автоматически стро-
ить эффективную базу правил проектируемых классификаторов по аналогии с ACO, учитывая некоторые параметры: а - относительная важность эвристики ив - относительная важность феромона. Одной из особенностей алгоритма Ant Miner является то, что классификатор проектируется в виде базы правил, понятных для человека, которые имеют следующий вид if < conditions > then < class >, где <conditions> состоит из некоторого множества термов и определяет значения атрибутов, т. е. имеет вид: if terml and term2 and ..., а часть < class > определяет принадлежность к тому или иному классу. Каждый терм представляет собой тройку вида < attribute, operator, value >, где attribute - наименование (или номер) некоторого атрибута данных, фиксируемого в этом терме, operator - это способ сравнения двух значений атрибутов (например, знак равенства "="), а value - конкретное фиксируемое значение выбранного атрибута из его множества значений.
На основе принципа построения базы правил алгоритма Ant Miner авторами был модифицирован алгоритм умных капель решения задач комбинаторной оптимизации и разработан IWDs Miner. Этот алгоритм имеет похожую структуру с Ant Miner в методе классификации, однако отличный метод выбора термов для правил. Он получил название IWDs Miner. Разработанный алгоритм IWDs Miner показывает результаты, сопоставимые по надежности с алгоритмом Ant Miner и является новым интересным методом классификации, имеющим хорошие перспективы развития.
Библиографические ссылки
1. Popov E. A., Semenkina M. E. Self-configuring genetic programming algorithm for medical diagnostic problems // Вестник СибГАУ. 2013. № 4 (50). С. 116-123.
2. Semenkin E., Semenkina M. Spacecrafts' control systems effective variants choice with self-configuring genetic algorithm // Proceedings of the 9th Intern. Conf. on Informatics in Control, Automation and Robotics, 2012 (ICINCO'2012). С. 84-93.
3. Об эволюционных алгоритмах решения сложных задач оптимизации / А. В. Гуменникова [и др.] // Вестник СибГАУ. 2003. № 4 (10). С. 14-23.
4. Eiben A. E., Smith J. E. Introduction to Evolutionary Computing // Springer, 2003. 300 p. ISBN: 3540401849.
Решетнеескцие чтения. 2015
5. Dorigo М., Gambardella L. M. Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem // Transactions on Evolutionary Computation. 1997. P. 53-66.
6. Ахмедова Ш. А. Particle Swarm Optimization Algorithms Development and Effectiveness Investigation // Вестник СибГАУ. 2012. Вып. 4 (44). С. 78-79.
7. Shah-Hosseini H. Problem solving by intelligent water drops // Proc. of IEEE Congresson Evolutionary Computation, Swissotel The Stamford, Singapore, 2007. P. 3226-3231.
8. Khritonenko D. I., Semenkin E. S. Distributed self-configuring evolutionary algorithms for artificial neural networks design // Вестник СибГАУ. 2013. Вып. 4 (50). С. 112-116.
9. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics ICINCO. 2014. Vol. 1. С. 318-323.
10. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection // Proceedings of Intern. Conf. on Engineering and Applied Sciences Optimization (4-6 June 2014, Kos Island, Greece). 2014. P. 1838-1845.
11. Семенкина О. Е., Семенкина О. Э. Исследование эффективности бионических алгоритмов комбинаторной оптимизации // Программные продукты и системы. 2013. № 3 (103). С. 129-133.
12. Parpinelli R., Lopes H., Freitas A. Data Mining with an Ant Colony Optimization Algorithm // IEEE Transactions on Evolutionary Computation. 2002. № 6(4). P. 321-332.
References
1. Popov E. A., Semenkina M. E. Self-configuring genetic programming algorithm for medical diagnostic problems. Vestnik SibGAU. 2013. No. 4 (50), рp. 116-123.
2. Semenkin E., Semenkina M. Spacecrafts' control systems effective variants choice with self-configuring genetic algorithm // Proceedings of the 9th International Conference on Informatics in Control, Automation and Robotics (ICINCO'2012). 2012. Pр. 84-93.
3. Gumennikova A. V., Emel'yanova M. N., Semenkin E. S., Sopov E. A. [About evolutionary algorithms for solving hard optimization problems]. Vestnik SibGAU. 2003. No. 4, рр. 14-23 (In Russ.).
4. Eiben A. E., Smith J. E. Introduction to Evolutionary Computing. Springer, 2003. ISBN 3540401849.
5. Dorigo М., Gambardella L. M. Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem. Transactions on Evolutionary Computation. 1997. Pр. 53-66.
6. Akhmedova Sh. A. Particle Swarm Optimization Algorithms Development and Effectiveness Investigation. Vestnik SibGAU. 2012. No. 4 (44), pp. 78-79.
7. Shah-Hosseini H. Problem solving by intelligent water drops // Proc. of IEEE Congresson Evolutionary Computation, Swissotel The Stamford, Singapore, 2007. Pp. 3226-3231.
8. Khritonenko D. I., Semenkin E. S. Distributed self-configuring evolutionary algorithms for artificial neural networks design. Vestnik SibGAU. 2013. No. 4 (50), pp. 112-116.
9. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm. Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics ICINCO 2014. Vol. 1, рp. 318-323.
10. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection. Proceedings of International Conference on Engineering and Applied Sciences Optimization (4-6 June 2014, Kos Island, Greece). 2014. Рp. 1838-1845.
11. Semenkina O. E., Semenkina O. E. Issledovanie effektivnosti bionicheskih algoritmov kombinatornoy optimizacii [Efficiency investigation of bionical algorithms for combinatorial optimization problems]. Programmnye produkty i sistemy [Software products and systems]. 2013. No. 3(103), рp. 129-133 (In Russ.).
12. Parpinelli R., Lopes H., Freitas A. Data Mining with an Ant Colony Optimization Algorithm. IEEE Transactions on Evolutionary Computation. 2002. No. 6(4), pp. 321-332.
© Семенкина О. Е., Попов Е. А., 2015
УДК 519.6
САМОКОНФИГУРИРУЕМОЕ ГЕНЕТИЧЕСКОЕ ПРОГРАММИРОВАНИЕ И АЛГОРИТМ ЛОКАЛЬНОГО СПУСКА*
М. Е. Семенкина
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-таП: [email protected]
Рассматриваются и тестируются самоконфигурируемый алгоритм генетического программирования для автоматического генерирования различных интеллектуальных информационных технологий и локальный спуск по деревьям.
Ключевые слова: генетическое программирование, локальный спуск, интеллектуальный анализ данных.
* Работа выполнена в рамках проекта RFMEFI57414X0037.
