Автоматизированное формирование нечетких классификаторов самонастраивающимися коэволюционными алгоритмами тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Сергиенко, Роман Борисович

  • Сергиенко, Роман Борисович
  • кандидат технических науккандидат технических наук
  • 2010, Красноярск
  • Специальность ВАК РФ05.13.17
  • Количество страниц 192
Сергиенко, Роман Борисович. Автоматизированное формирование нечетких классификаторов самонастраивающимися коэволюционными алгоритмами: дис. кандидат технических наук: 05.13.17 - Теоретические основы информатики. Красноярск. 2010. 192 с.

Оглавление диссертации кандидат технических наук Сергиенко, Роман Борисович

ВВЕДЕНИЕ

ГЛАВА 1. Обзор современных алгоритмов и методов оптимизации, 11 классификации и интеллектуального анализа данных

1.1. Общая постановка задачи и обзор алгоритмов глобальной 11 оптимизации

1.2. Понятие о коэволюционных алгоритмах

1.3. Коэволюционный алгоритм для автоматической настройки 21 параметров генетического алгоритма

1.4. Условная оптимизация в генетических алгоритмах

1.5. Многокритериальная оптимизация в генетических алгоритмах

1.6. Классификация: постановка задачи и обзор алгоритмов

1.7. Интеллектуальный анализ данных (Data Mining)

1.8. Нечеткий классификатор

Выводы

ГЛАВА 2. Самонастраивающийся кооперативно-конкурирующий 57 коэволюционный алгоритм решения сложных задач оптимизации

2.1. Общая схема проведения исследований эффективности коэволюционного алгоритма

2.2. Исследование эффективности коэволюционного алгоритма для 63 решения задач безусловной однокритериальной оптимизации

2.3. Разработка и исследование эффективности коэволюционного 70 алгоритма для решения задач условной однокритериальной оптимизации

2.4. Разработка и исследование эффективности коэволюционного 93 алгоритма для задач многокритериальной оптимизации

Выводы

ГЛАВА 3. Разработка и апробация схемы формирования нечеткого 105 классификатора с использованием самонастраивающегося коэволюционного алгоритма

3.1. Разработка схемы работы нечеткого коэволюционного 105 классификатора с комбинированием Мичиганского и Питтсбургского подходов

3.2. Описание тестовых задач классификации

3.3. Результаты исследования нечеткого коэволюционного И классификатора на тестовых задачах

Выводы

ГЛАВА 4. Практическая реализация разработанных алгоритмов

4.1. Программная система «Коэволюционный алгоритм условной 124 многокритериальной оптимизации»

4.2. Решение задачи составления расписания посадок самолетов

4.3. Программная система «Нечеткий коэволюционный 138 классификатор»

4.4. Решение задачи обработки данных дистанционного 143 зондирования Земли космическими аппаратами

Выводы

Рекомендованный список диссертаций по специальности «Теоретические основы информатики», 05.13.17 шифр ВАК

Введение диссертации (часть автореферата) на тему «Автоматизированное формирование нечетких классификаторов самонастраивающимися коэволюционными алгоритмами»

Актуальность. На сегодняшний день интенсивно развивается направление, связанное с интеллектуализацией методов обработки и анализа данных. Интеллектуальные системы анализа данных (ИСАД) [107] призваны минимизировать усилия лица, принимающего решения (ЛПР), в процессе анализа данных, а также в настройке алгоритмов анализа. Многие ИСАД позволяют не только решать классические задачи принятия решения, но и способны выявлять причинно-следственные связи, скрытые закономерности в системе, подвергаемой анализу.

Одна из наиболее распространенных задач анализа данных -классификация. К задачам классификации сводятся диагностирование заболеваний в медицине, принятие решения о выдаче кредита клиенту банка, распознавание изображений и звука и многие другие задачи. На сегодняшний день создано большое количество разнообразных алгоритмов классификации [76] (в частности, различные алгоритмы автоматической классификации разрабатываются в научной школе Дорофеюка A.A. в Институте проблем управления РАН [95]), разработаны формализованные теории конструирования высокоэффективных композиций из этих алгоритмов (например, метод алгоритмических композиций научной школы академика РАН Журавлёва Ю.И [102]). Однако недостатком большинства из существующих алгоритмов классификации является работа по принципу «чёрного ящика» - невозможность явной интерпретации закономерностей, приводящих к отнесению объекта классификации к тому или иному классу.

Такого недостатка лишены методы вербального анализа решений, разработкой которых, в частности, занимаются в Институте системного анализа РАН [111], а также нечеткий классификатор, являющийся разработкой японских специалистов в области нечетких систем во главе с X. Ишибучи [33]. Нечеткий классификатор представляет собой базу нечетких правил. Каждое нечеткое правило — выражение причинно-следственной закономерности отнесения объекта к какому-либо классу в лингвистической форме, доступное для прямого восприятия экспертом. Таким образом, нечеткий классификатор представляет собой одновременно алгоритм классификации и инструмент интеллектуального анализа данных (Data Mining) для обнаружения скрытых знаний и закономерностей.

Формирование нечеткого классификатора сводится к задаче оптимизации - выбору наилучшей базы нечетких правил из множества существующих. Данная задача оптимизации отличается существенной вычислительной и алгоритмической сложностью, обусловленной высокой размерностью решаемой задачи оптимизации, процедурно заданной целевой функцией (вычисление которой, как правило, трудоёмко), наличием дискретных переменных и др. В такой ситуации использование классических методов оптимизации неприемлемо. Для задачи формирования нечеткого классификатора целесообразно использовать эволюционные алгоритмы [47], которые хорошо зарекомендовали себя при решении именно такого рода задач оптимизации.

Однако применение эволюционных алгоритмов оптимизации сопряжено с другой серьезной проблемой — высокой сложностью и трудоемкостью настройки алгоритмов на решаемую задачу в связи с большим числом возможных комбинаций их настроек (селекции, мутации, скрещивания и некоторых других). Эффективность одной и той же настройки на разных задачах и различных настроек на одной и той же задаче может изменяться в очень широком диапазоне. Поэтому выбор настроек наугад является неприемлемым, так как многие комбинации параметров алгоритма оказываются неработоспособными, а тщательная настройка под новую задачу является чрезмерно трудоемкой, особенно для таких вычислительно сложных задач, как формирование нечеткого классификатора. Для решения проблемы предлагается использование так называемого коэволюционного подхода для адаптации стратегии оптимизации [96], позволяющего отказаться от выбора настроек эволюционного алгоритма за счет 5 взаимодействия (конкуренции и кооперации) множества эволюционных алгоритмов с различными настройками.

Таким образом, разработка и исследование самонастраивающихся коэволюционных алгоритмов и дальнейшее их использование в системах формирования нечетких классификаторов для одновременного решения задач классификации и интеллектуального анализа данных с выявлением скрытых знаний, является актуальной научно-технической задачей.

Целью диссертационной работы является повышение эффективности, быстродействия и адаптивности эволюционного метода формирования нечеткого классификатора с использованием самонастраивающихся коэволюционных алгоритмов.

Сформулированная цель предопределила следующую совокупность решаемых задач:

1. Выполнить аналитический обзор существующих методов классификации и оптимизации с целью установления целесообразности использования нечеткого классификатора, эволюционных алгоритмов как метода формирования нечетких систем, коэволюционных алгоритмов как инструмента автоматизации выбора настроек эволюционного алгоритма.

2. Провести комплексные исследования эффективности коэволюционного подхода как инструмента автоматизации выбора настроек эволюционного алгоритма на различных классах задач.

3. Разработать метод формирования нечетких классификаторов с использованием коэволюционных алгоритмов, обладающий преимуществами перед существующими методами.

4. Реализовать разработанные алгоритмы в виде программных систем и апробировать их на реальных практических задачах.

Методы исследования. При выполнении диссертационной работы использовались методы теории оптимизации, теории вероятностей и математической статистики, анализа данных, методы снижения размерности, теории эволюционных алгоритмов, теории нечетких систем; методики 6 разработки и исследования моделей и алгоритмов анализа данных, выявления закономерностей в данных и их извлечения, применения бионических принципов и моделей в информационных технологиях.

Научная новизна результатов диссертационной работы состоит в следующем:

1. Разработан новый самонастраивающийся коэволюционный алгоритм условной оптимизации, отличающийся от известных самонастройкой метода учёта ограничений и пропорционально-групповым способом реализации модифицированного оператора миграции.

2. Разработан новый самонастраивающийся коэволюционный алгоритм многокритериальной оптимизации, отличающийся от известных отсутствием независимой работы индивидуальных алгоритмов в коэволюционной комбинации и способом оценивания эффективности индивидуальных алгоритмов.

3. Разработан новый метод формирования нечеткого классификатора, отличающийся от известных схемой комбинирования Мичиганского и Питтсбургского подходов, наличием формализованной процедуры отбора стартовых нечетких правил и использованием самонастраивающихся коэволюционных алгоритмов.

Теоретическая значимость результатов диссертационного исследования состоит в том, что разработаны, исследованы и апробированы новые коэволюционные алгоритмы для автоматизации выбора настроек генетических алгоритмов и новый метод формирования нечеткого классификатора самонастраивающимися коэволюционными алгоритмами для решения задач классификации и интеллектуального анализа данных, что является существенным вкладом в теорию и практику исследования методов преобразования информации в данные и знания, методов машинного обучения и обнаружения новых знаний.

Практическая ценность. Разработанные в ходе исследования алгоритмы и методы реализованы в виде двух программных систем: 7

Коэволюционный алгоритм условной многокритериальной оптимизации» и «Нечеткий коэволюционный классификатор». Первая программная система предназначена для решения различных задач оптимизации. Программная система использовалась для решения следующих практических задач: формирование оптимального инвестиционного портфеля предприятия, формирование оптимального кредитного портфеля банка, планирование расписания посадок самолётов.

Вторая программная система предназначена для решения задач классификации с одновременным выявлением лингвистических знаний в соответствующих проблемных областях. Программная система апробировалась при решении практических задач диагностики заболевания печени, выдачи банковского кредита физическим лицам, классификации видов ириса, распознавания спутниковых изображений и некоторых других.

Реализация результатов работы. Программные системы использовались в качестве лабораторных установок студентами Института информатики и телекоммуникаций СибГАУ по направлению «Системный анализ и управление» при выполнении курсовых работ. Результаты решения программной системой «Нечеткий коэволюционный классификатор» задачи распознавания спутниковых изображений использовались в рамках проекта «Студенческий спутник СибГАУ» в сотрудничестве с Центром управления полетами СибГАУ.

Полученные результаты применялись в ходе выполнения работ по созданию систем управления сложными механическими системами (двойной перевернутый маятник) во время стажировки в Высшей технической школе г. Ульм (Hochschule Ulm), ФРГ, 2008 г.

Диссертационная работа поддержана Фондом содействия развитию малых форм предприятий в научно-технической сфере по программе

У.М.Н.И.К.» («Участник молодежного научно-инновационного конкурса») в рамках НИОКР «Разработка коэволюционного вероятностного алгоритма для автоматизированного проектирования интеллектуальных 8 информационных технологий» на 2008-2011 гг. Работа финансировалась из средств госбюджета в рамках НИР Б 1.01.05 «Разработка и исследование бионических методов идентификации и оптимизации сложных систем» ЕЗН СибГАУ, а также в рамках выполнения проекта «Система поддержки принятия решения при проектировании интегрированных систем безопасности», ставшего победителем конкурса инновационных проектов СибГАУ на 2007-2008 гг. Работа поддержана грантом в рамках конкурса научно-технического творчества молодежи города Красноярска «НТТМ-2010». Диссертационное исследование удостоено диплома 1 степени Российской ассоциации искусственного интеллекта.

Диссертационное исследование проводилось также в рамках НИР № 2.1.1./2710 «Математическое моделирование инвестиционного развития региональных экономических систем» АВЦП «Развитие научного потенциала высшей школы (2009-2010 годы)» и НИР НК-136П/3 "Автоматизированная система решения сложных задач глобальной оптимизации многоагентными стохастическими алгоритмами" ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009 -2013 годы.

Основные защищаемые положения:

1. Самонастраивающийся коэволюционный алгоритм безусловной однокритериальной оптимизации обеспечивает эффективность, не уступающую стандартному генетическому алгоритму с настройками, обеспечивающими среднюю эффективность.

2. Эффективность самонастраивающегося коэволюционного алгоритма условной однокритериальной оптимизации с использованием разработанной пропорционально-групповой схемы миграции превосходит эффективность стандартного генетического алгоритма с наилучшими настройками.

3. Разработанный новый метод формирования нечетких классификаторов самонастраивающимися коэволюционными алгоритмами позволяьг получать эффективную базу знаний с небольшим числом правил.

4. Нечеткий классификатор, формируемый разработанным методом, превосходит по точности классификации другие известные подходы.

Публикации. По теме диссертации опубликовано двадцать три работы, в том числе четыре в изданиях из перечня ВАК, а также зарегистрированы три программные системы.

Апробация работы.

Результаты диссертационной работы были доложены и обсуждены на Всемирном конгрессе по вычислительному интеллекту (IEEE World Congress on Computational Intelligence (WCCI'2010), Barcelona, Spain, 2010); Национальной конференции по искусственному интеллекту с международным участием КИИ-2010 (Тверь, 2010); Всероссийской научной конференции «Теория и практика системного анализа» (Рыбинск, Институт системного анализа РАН и РГАТА, 2010); Международных научно-технических конференциях «Интеллектуальные системы» AIS'08 и AIS'09 (Дивноморское, 2008, 2009), на Всероссийских научно-практических конференциях с международным участием «Информационные технологии и математическое моделирование» (Томский университет, 2007, 2009), Конференции-конкурсе «Технологии Microsoft в теории и практике программирования» (Томск, ТПУ, 2010), Всероссийских конференциях молодых ученых по математическому моделированию и информационным технологиям (Красноярск, ИВМ СО РАН, 2006, и Новосибирск, ИВТ СО РАН, 2007), на Международных научно-практических конференциях «Решетневские чтения» (Красноярск, СибГАУ, 2006-2009), на научном семинаре в Институте проблем управления РАН (Москва, 2010), а также на ряде молодежных и студенческих конференций.

Структура работы. Диссертация содержит 152 страницы основного текста и состоит из введения, четырёх глав, заключения, списка литературы на 157 источников и 8 приложений, содержащих 23 страницы, основной текст диссертации включает 47 таблиц, 26 рисунков.

Похожие диссертационные работы по специальности «Теоретические основы информатики», 05.13.17 шифр ВАК

Заключение диссертации по теме «Теоретические основы информатики», Сергиенко, Роман Борисович

Выводы

Разработанные в ходе исследования алгоритмы и методы реализованы в виде двух программных систем: «Коэволюционный алгоритм условной многокритериальной оптимизации» и «Нечеткий коэволюционный классификатор».

Первая программная система представляет собой универсальный комплекс для решения задач оптимизации различных классов и различного уровня сложности. Данная программная система использовалась для решения следующих практических задач: формирование оптимального инвестиционного портфеля предприятия, формирование оптимального кредитного портфеля банка, планирование расписания посадок самолётов.

Программная система «Нечеткий коэволюционный классификатор» представляет собой универсальный комплекс для решения любых задач классификации с одновременным извлечением лингвистических знаний в соответствующих проблемных областях. Программная система апробировалась при решении практических задач диагностирования заболевания печени, выдачи банковского кредита физическим лицам, классификации видов ириса, распознавания спутниковых изображений и некоторых других.

Решенные практические задачи подтверждают обоснованность, достоверность и реализуемость предложенных методов и алгоритмов.

ЗАКЛЮЧЕНИЕ

В диссертационной работе получены следующие результаты.

1. На основе анализа состояния проблемы построения систем классификации обоснована целесообразность разработки нечетких классификаторов и автоматизации их проектирования с помощью самонастраивающихся эволюционных алгоритмов глобальной оптимизации.

2. Разработан новый самонастраивающийся коэволюционный алгоритм условной оптимизации, отличающийся от известных самонастройкой метода учёта ограничений и модифицированным оператором миграции (пропорционально-групповая схема) и не уступающий им в эффективности решения задачи.

3. Разработан новый самонастраивающийся коэволюционный алгоритм многокритериальной оптимизации, отличающийся от известных отсутствием независимой работы индивидуальных алгоритмов в коэволюционной комбинации и способом оценивания индивидуальных алгоритмов.

4. Проведены комплексные исследования эффективности коэволюционного алгоритма как инструмента автоматизации выбора настроек генетического алгоритма на различных классах оптимизации. Наибольший эффект от использования коэволюционного подхода демонстрируется на задачах условной однокритериальной оптимизации, где коэволюционный алгоритм эффективнее стандартного генетического алгоритма с наилучшими настройками.

5. Обоснована целесообразность использования коэволюционного подхода в параллельных вычислениях, показано значительное повышение его эффективности при распараллеливании.

6. Разработан новый метод формирования нечеткого классификатора, отличающийся от известных новой схемой комбинирования Мичиганского и Питтсбургского подходов, наличием формализованной процедуры отбора стартовых нечетких правил и использованием самонастраивающихся коэволюционных алгоритмов.

7. Проведены исследования предложенного метода формирования нечетко1 о классификатора на множестве практических задач классификации. По результатам исследований установлено, что данный метод позволяет получать эффективную базу правил при использовании небольшого числа стартовых правил и в итоге формировать компактные базы нечетких правил, обладает статистической устойчивостью и позволяет получать нечеткие классификаторы, превосходящие по эффективности многие современные алгоритмы классификации.

8. Разработанные в ходе исследования алгоритмы и методы реализованы в виде двух программных систем, успешно использованных затем при решении реальных практических задач.

Таким образом, в диссертации разработаны, исследованы и апробированы новые коэволюционные алгоритмы для автоматизации выбора настроек генетических алгоритмов и новый метод формирования нечеткого классификатора самонастраивающимися коэволюционными алгоритмами для решения задач классификации и интеллектуального анализа данных, что является существенным вкладом в теорию и практику исследования методов преобразования информации в данные и знания, методов работы со знаниями, методов машинного обучения и обнаружения новых знаний.

Список литературы диссертационного исследования кандидат технических наук Сергиенко, Роман Борисович, 2010 год

1. Aarts, E.H.L. Simulated Annealing: Theory and Applications / E.H.L. Aarts, P.J.M. van Laarhoven. London: Kluwer, 1987.

2. Alba, P. Adaptive mutation in genetic algorithms / S. Marsili Libelli, P. Alba // Soft Computing. №4. - 2000. - pp. 76-80.

3. Beasley, J. E. Scheduling aircraft landings the static case / J. E. Beasley, M. Krishnamoorthy, Y. M. Sharaiha, D. Abramson // Transportation Science. -2000.-Vol. 34.-pp. 180-197.

4. Breiman, L. Arcing classifiers / L. Breiman // The Annals of Statistics. -vol. 26. Mar, 1998. - pp. 801-849.

5. Carr, G. C. Airline arrival prioritization in sequencing and scheduling / G. C. Carr , H. Erzberger, F. Neuman // Air Traffic Management R&D Seminar. -Orlando. 1998. - http://www.ctas.arc.nasa.gov/publications.

6. Cassilas, J. A. Cooperative Coevolutionary Algorithm for Jointly Learning Fuzzy Rules Base and Membership Functions / J. Cassilas, O. Cordon, F. Herrero. Granada, Spain, 2005.

7. Clerc, M. Particle Swarm Optimization / M. Clerc. London: Wiley-ISTE, 2006. - 243 pp.

8. Coit, D. Adaptive Penalty Methods for Genetic Optimization of Constrained Combinatorial Problems / David W. Coit, Alice E. Smith and David M. Tate // INFORMS Journal on Computing, 8(2): 173-182, Spring 1996.

9. Colorni, A. Distributed Optimization by Ant Colonies / A. Colorni, M. Dorigo et V. Maniezzo // Actes de la première conférence européenne sur la vie artificielle. Paris, France: Elsevier Publishing, 1991. - pp. 134-142.

10. Corcoran, A. An Overview of Parallelism in Genetic Algorithms. Technical Report / A. Corcoran. Tulsa: The University of Tulsa, 1993.

11. Corne, D.W. The Pareto Envelope-Based Selection Algorithm for Multiobjactive Optimization / D.W. Corne, J.D. Knowles, M.J. Oates // Parallel

12. Problem Solving form Nature. PPSN VI. - Berlin: Springier, 2000. - pp. 839848.

13. Deb, K. A fast and elitist multiobjective genetic algorithm: NSGA-II / K. Deb, A. Pratap, S. Agarwal, T. Meyarivan // IEEE Transactions on Evolutionary Computation. №6(2). - 2002. - pp. 182-197.

14. Deb, K. Controlled elitist non-dominated sorting genetic algorithms for better convergence / K. Deb, T. Goel // Proceedings of the First International Conference on Evolutionary Multi-Criterion Optimization. — Zurich, Switzerland, 2001.-pp. 67-81.

15. Diener, I. Trajectory Methods in Global Optimization / I. Diener, R. Horst, P.M. Pardalos (eds) // Handbook of Global Optimization. Dordrecht: Kluwer, 1995. - pp. 649-668.

16. Eiben, A. Parameter Control in Evolutionary Algorithms / A. Eiben, R. Hinterding, Z. Michalewicz // IEEE Transactions on Evolutionary Algorithms. -Vol. 3, №2. 1999. - pp. 124-141.

17. Ficici, S.G. Solution Concepts in Coevolutionary Algorithms. A Doctor of Philosophy Dissertation / S.G. Ficici. Brandeis University, 2004. - 276 pp.

18. Fogel, D.B. Evolutionary Computation / D.B. Fogel. IEEE Press, 1995.

19. Funes, P. Dynamic Properties of Minimal Algorithms for Coevolution / P. Funes, E. Pujals. Cambridge, MA: Icosystem Corporation, 2004. - 13 pp.

20. Goldberg, D.E. Genetic algorithms in search, optimization and machine learning / D.E. Goldberg. Reading, MA: Addison-Wesley, 1989.

21. Gomez, S. The Tunneling Method Applied to Global Optimization / S. Gomez, A.V. Levy // SIAM, Numerical Optimization (Boggs, P.T., ed.), 1985. -pp. 213-244.

22. Goodman, E. Evolutionary computation and its applications / E. Goodman et al (Eds) // Proc. of the Int. Conference. Moscow: IHPCS of RAS, 1996. - 350 pp.

23. Guo, Y. Revolutionary Optimization Algorithm with Dynamic Subpopulation Size / Y. Guo, X. Cao, H. Yin // International Journal of Innovative Computing, Information and Control. Vol.3, №2. - 2007. - pp. 435-448.

24. Hansen, E.R. Global Optimization Using Interval Analysis / E.R. Hansen. -New York: Marcel Dekker, 1992.

25. Herrero, F. Genetic Fuzzy Systems: A Tutorial / F. Herrero, L. Magdalena. Granada: University of Granada, 1999. 20 pp.

26. Ho, T. K. The random subspace method for constructing decision forests / T.K. Ho // IEEE Trans, on Pattern Analysis and Machine Intelligence. vol. 20. — Aug, 1998.-pp. 832-844.

27. Holland, J. H. Cognitive systems based on adaptive algorithms / J.H. Holland, J.S. Reitman. // Pattern-Directed Inference Systems (Eds D. A. Waterman and F. Hayes-Roth). New York: Academic Press, 1978.

28. Holland, J. H. Adaptation in Natural and Artificial Systems / J. H. Holland. Cambridge, MA: MIT Press, 1992 (2nd edition).

29. Homaifar, A. Constrained Optimization via Genetic Algorithms / A. Homaifar, S. H.-Y. Lai, X. Qi // Simulation. Vol.62, №4. - 1994. - pp. 242-254.

30. Horn, J. Multiobjective optimization using the niched Pareto genetic algorithm / J. Horn, N. Nafpliotis. IlliGAL Report No. 93005, Illinois Genetic Algorithms Laboratory, University of Illinois at Urbana-Champaign, Urbana-Champaign, IL, 1993.

31. Iorio, A. Parameter Control within a Cooperative Coevolutionary Genetic Algorithm / A. Iorio, X. Li // Parallel Problem Solving from Nature PPSN VII. -Springer Berlin, 2002. - pp. 247-256.

32. Iorio, A. A Cooperative Coevolutionary Multiobjective Algorithm Using Non-dominated Sorting / A. Iorio, X. Li. Australia, 2004. - 12 pp.

33. Ishibuchi, H. Performance Evaluation of Fuzzy Classifier Systems for Multidimensional Pattern Classification Problems / H. Ishibuchi, T. Nakashima, T. Murata // IEEE Transactions on Systems, Man, and Cybernetics. — Vol.29, №5. — 1999.-pp. 601-618.

34. Ishibuchi, H. A Hybrid Fuzzy GBML Algorithm for Designing Compact Fuzzy Rule-Based Classification System / H. Ishibuchi, T. Nakashima, T. Kuroda // Proc. of 9th IEEE International Conference on Fuzzy Systems. 2000. - pp. 706711.

35. Ishibuchi, H. Multiobjective Optimization in Linguistic Rule Extraction from Numerical Data / H. Ishibuchi, T. Nakashima, T. Murata // Evolutionary Multi-Criterion Optimization. Springier-Verlag Berlin Heidelberg, 2001. - pp. 588-602.

36. Jiao, L. An Organizational Coevolutionary Algorithm for Classification / L. Jiao, J. Liu, W. Zhong. Xidian University, China, 2006. - 39 pp.

37. Joines, J.A. On the Use of Non-Stationary Penalty Functions to Solve Nonlinear Constrained Optimization Problem With Gas / J.A. Joines, C.R. Houck // Proceedings of the IEEE ICEC, 1994. pp. 579-584.

38. Juille, H. Coevolutionary learning: A case study. In J. Shavlik, editor / H. Juille, J.B. Pollack // Proceedings of the Fifteenth International Conference on Machine Learning. Morgan Kaufmann, 1998. - pp. 251-259.

39. Kilani, Y. Treating Some Constraints as Hard Speeds up the ESG Local Search Algorithm / Y. Kilani and A. MohdZin // Adaptive and Natural Computing Algorithms. Springer, Coimbra, Portugal, March 2005. - pp. 257-250.

40. Koza, J. Genetic Programming / J. Koza. MIT Press, 1992.

41. Leung, K. Data mining using grammar based genetic programming and applications / K. Leung, M. Wong. New York: Kluwer Academic Publisher, 2002.-213 pp.

42. Lin, W.-K. The Co-Evolvability of Games in Coevolutionary Genetic Algorithms / W.-K. Lin, T.-L. Yu. // Proceedings of the 11th Annual conference on genetic and evolutionary computation, 2009. pp. 1869-1870.

43. Maneeratana, K. Multi-objective Optimization by Co-operative Co-evolution/ K. Maneeratana, K. Boonlong, N. Chaiyaratana. Thailand, 2004. - 10 pp.

44. Michalewicz, Z. Handling Constraints in Genetic Algorithm / Z. Michalewicz, C. Janikow // Proceedings of the Fourth ICG A. Morgan Kaufmann, 1991.-pp. 151-157.

45. Michalewicz, Z. Evolutionary Optimization for Constrained Problems / Z. Michalewicz, N. Attia // Proceedings of the 3rd Annual Conference on EP, World Scientific, 1994.-pp. 98-108.

46. Michalewicz, Z. Genocop III: A Coevolutionary Algorithm for Numerical Optimization Problems with Nonlinear Constraints / Z. Michalewicz, G. Nazhiyath // Evolutionary Computation. Vol.2, №11. - 1995 - pp. 647 - 651.

47. Michalewicz, Z. Genetic Algorithms + Data Structures = Evolution Programs (3rd Edn.) / Z. Michalewicz. New York: Springer-Verlag, 1996.

48. Michalewicz, Z. Evolutionary algorithms for constrained optimization parameter optimization problems / Z. Michalewicz, M. Schoenauer // Evolutionary Computation, 4:1, 1996. pp. 1-32.

49. Mühlenbein, H. Strategy Adaptation by Competing Subpopulations / D. Schlierkamp-Voosen, H. Mühlenbein // Parallel Problem Solving from Nature III. Lecture Notes in Computer Science 866. - Springer-Verlag, 1994.

50. Panait, L. A Comparative Study of Two Competitive Fitness Functions / L. Panait, S. Luke // Proceedings of the Genetic and Evolutionary Computation Conference (GECCO 2002), 2002.

51. Panait, L. A Sensitivity Analysis of a Cooperative Coevolutionary Algorithm Biased for Optimization / L. Panait, P.R. Wiegand, S. Luke // Genetic and Evolutionary Computation Conference GECCO 2004. - Springer Berlin, 2004.-pp. 573-584.

52. Pham, D. T. Outline of a New Evolutionary Algorithm for Fuzzy Systems Learning / D.T. Pham, M. Castellani // Proc. Instn. Mech. Engrs. Vol. 216. Part C: Mechanical Engineering Science. 2002. - pp. 557-570.

53. Pham, D.T. The Bees Algorithm A Novel Tool for Complex Optimization Problems / D.T. Pham, A. Ghanbarzadeh, E. K05, S. Otri, S. Rahim, and M. Zaidi // Proceedings of IPROMS 2006 Conference, pp. 454-461.

54. Potter, M.A. Cooperative Coevolution: An Architecture for Evolving Coadapted Subcomponents / M.A. Potter, K.A. De Jong // Evolutionary Computation. Vol. 8, №1. - 2000. - pp. 1-29.

55. Powell, D. Using Genetic Algorithms in Engineering Design Optimization with Non-Linear Constraints / D. Powell, M.M. Skolnick // Proceedings of the Fifth ICG A. Morgan Kaufmann, 1993. - pp. 424-430.

56. Ray, T. A Cooperative Coevolutionary Algorithm with Correlation Based Adaptive Variable Partitioning / T.Ray, X. Yao // 2009 IEEE Congress on Evolutionary Computation (CEC 2009), 2009. pp. 983-989.

57. Rosin, C. New Methods for Competitive Coevolution / C. Rosin, R. Belew // Evolutionary Computation. — №5. — 1997. pp. 1-29.

58. Schapire, R. The boosting approach to machine learning: An overview / R. Schapire // MSRI Workshop on Nonlinear Estimation and Classification. -Berkeley, CA, 2001.

59. Schoenauer, M. Constrained GA Optimization / M. Schoenauer, S. Xanthakis // Proceedings of the Fifth ICGA. Morgan Kaufmann, 1993. - pp. 573-580.

60. Schwefel, H.-P. Evolution and Optimum Seeking / H.-P. Schwefel. — Wiley & Sons, 1995.

61. Senge, R. Learning Pattern Tree Classifiers Using a Coevolutionary Algorithm / R. Senge, E. Hullermeier // Lernen Wissen Adaptivitat, Darmstadt, 2009.

62. Seredynski, F. Competitive Coevolutionary Multi-Agent Systems: The Application to Mapping and Scheduling Problems / F. Seredynski // Journal of Parallel and Distributed Computing. Vol. 47. - 1997. - pp. 39-57.

63. Smith, S. F. A learning system based on genetic adaptive algorithms. PhD thesis / S.F. Smith. Department of Computer Science, University of Pittsburgh, Pennsylvania, 1980.

64. Srinivas, M. Adaptive Probabilities of Crossover and Mutation in Genetic Algorithms / M. Srinivas, L. M. Patnaik // IEEE Transactions on Systems, Man and Cybernetics. Vol. 24, No.4. - 1994. - pp. 656-667.

65. Srinivas, N. Multi-objective function optimization using nondominated sorting genetic algorithms / N. Srinivas, K. Deb // Evolutionary Computation. — №2(3). 1994. - pp. 221-248.

66. Tan, K. A Distributed Cooperative Coevolutionary Algorithm for Multiobjective Optimization / K. Tan, Y. Yang, T. Lee // Evolutionary Computation. Vol.10, №10. - 2006. - pp. 527-549.

67. Tan, T. Competitive Coevolution with K-Random Opponents for Pareto Multiobjective Optimization / T. Tan, J. Teo, H. Leo // Third International Conference on Natural Computation (ICNC 2007), 2007.

68. Torn, A. Topographical Global Optimization Using Pre-Sampled Points / A. Torn, S. Viitanen // Journal of Global Optimization. Vol. 5. - No 3. - 1994. -pp. 267-276.

69. UCI Machine Learning Repository http://kdd.ics.uci.edu/.

70. Wiegand, P.R. An Analysis of Cooperative Coevolutionary Algorithms. A Doctor Philosophy Dissertation / P.R. Wiegand. Fairfax, Virginia: George Mason University, 2003. - 127 pp.

71. Zadeh, L. A. Fuzzy sets / L.A. Zadeh // Inf. and Control. №8. - 1965. -pp. 338-353.

72. Zitzler, E. Multiobjective evolutionary algorithms: A comparative case study and the strength Pareto approach / E. Zitzler, L. Thiele // IEEE Transactions on Evolutionary Computation. Vol. 3, No. 4. - 1999. - pp. 257-271.

73. Zitzler, E. SPEA2: Improving the Strength Pareto Evolutionary Algorithm. ПК Report №103 / E. Zitzler, M. Laumanns, L. Thiele. — Zurich, Switzerland: Swiss Federal Institute of Technology, 2001. 21 pp.

74. Айвазян, C.A. Прикладная статистика. Классификация и снижение размерности / С.А. Айвазян и др. -М.: Финансы и статистика, 1989 607 с.

75. Антамошкин, А.Н. Оптимизация функционалов с булевыми переменными / А.Н. Антамошкин. Томск: Изд-во Том. ун-та, 1987. — 104 с.

76. Архангельский, А.Я. Язык С++ в С++ Builder: справочное и методическое пособие / А.Я. Архангельский. М.: Бином, 2008. — 944 с.

77. Асанов, А.А. Метод многокритериальной классификации ЦИКЛ и его применение для анализа кредитного риска / А. А. Асанов, О. И. Ларичев, Г. В. Ройзензон и др. // Экономика и математические методы. — 2001. Т. 37. — № 2. — С. 14-21.

78. Банди, Б. Методы оптимизации. Вводный курс / Б. Банди. М.: Радио и связь, 1988. - 128 с.

79. Барсегян, А.А. Методы и модели анализа данных: OLAP и Data Mining / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. -СПб.: «БХВ-Петербург», 2004. 336 с.

80. Барский, А.Б. Нейронные сети: распознавание, управление, принятие решений / А.Б. Барский. М.: Финансы и статистика, 2004. — 176 с.

81. Бежитский, С.С. Гибридный эволюционный алгоритм для задач выбора эффективных вариантов систем управления / С.С. Бежитский, Е.С. Семенкин, О.Э. Семенкина // Автоматизация и современные технологии. № 11.-2005.-С. 24-31.

82. Бежитский, С.С. Анализ эффективности двух стохастическихалгоритмов решения задач безусловной глобальной поисковой оптимизации /

83. С.С. Бежитский // Теория и практика системного анализа: Труды I160

84. Всероссийской научной конференции. Т. П. - Рыбинск: РГАТА, 2010. - С. 39-46.

85. Болыпев, Л.Н. Таблицы математической статистики / Л.Н. Большее, Смирнов Н.В. М.: Наука, 1983. - 416 с.

86. Ворожейкин, А. Ю. Адаптивные эволюционные алгоритмы решения сложных задач оптимизации: дисс. . канд. техн. наук / А.Ю. Ворожейкин. — Красноярск: СибГАУ, 2008. 177 с.

87. Воронцов, К.В. О методах оптимизации и монотонной коррекции в алгебраическом подходе к проблеме распознавания / К.В. Воронцов, К.В. Рудаков // Докл. РАН. Т.367. - № 3. - 1999. - С. 314-317.

88. Воронцов, К.В. Коэволюционный метод обучения алгоритмических композиций / К.В. Воронцов, Д.Ю. Каневский // Таврический вестник информатики и математики. №2. - 2005. — С.51-66.

89. Гладков, Л.А. Биоинспирированные методы в оптимизации / Л.А. Гладков В.В. Курейчик, В.М. Курейчик, П.В. Сорокалетов. -М.: Физматлит, 2009.-384 с.

90. Горелик, А.Л. Методы распознавания / А.Л. Горелик, В.А. Скрипкин. — М.: Высшая школа, 1977.

91. Гуменникова A.B. Гибридный алгоритм адаптивного поиска для решения задач условной многокритериальной оптимизации / A.B. Гуменникова, Т.Р. Ильина // Вестник Сибирского государственного аэрокосмического университета. №5. - 2004. - С. 70-76.

92. Джонс, М.Т. Программирование искусственного интеллекта в приложениях / М. Т. Джонс. М.: ДМК Пресс, 2006. - 312 с.

93. Дорофеюк, A.A. Алгоритмы автоматической классификации / A.A. Дорофеюк // Автоматика и телемеханика. №12. - 1971. — С. 78-113.

94. Емельянова, М.Н. Исследование эффективности коэволюционного алгоритма / М.Н. Емельянова, Е.С. Семенкин // Вестник Сибирского государственного аэрокосмического университета. — № 6. — 2004. — С. 28-34.

95. Жукова, М. Н. Коэволюционный алгоритм решения сложных задач оптимизации: дисс. . канд. техн. наук / М. Н. Жукова Красноярск: СибГАУ, 2004. - 126 с.

96. Журавлёв, Ю.И. Корректные алгебры над множествами некорректных (эвристических) алгоритмов. Часть I. / Ю.И. Журавлёв // Кибернетика. 1977. - №4. - С.5-17.

97. Журавлёв, Ю.И. Корректные алгебры над множествами некорректных (эвристических) алгоритмов. Часть II. / Ю.И. Журавлёв // Кибернетика. 1977. - №6. - С.21-27.

98. Журавлёв, Ю.И. Корректные алгебры над множествами некорректных (эвристических) алгоритмов. Часть П1. / Ю.И. Журавлёв // Кибернетика. 1978. - №2. - С.35-43.

99. Журавлёв, Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации / Ю.И. Журавлёв // Проблемы кибернетики. 1978. - Т.ЗЗ. - С.5-68.

100. Каневский, Д.Ю. Обучение алгоритмических композиций на основе кооперативной коэволюции / Д.Ю. Каневский // Труды 49-й научной конференции МФТИ. Часть VII: управление и прикладная математика. — М.: МФТИ, 2006. С. 282-283.

101. Клешков, В.М. Модели и алгоритмы распределения общих ресурсов при управлении инновациями реструктурированного машиностроительного предприятия / В.М. Клешков, Е.С. Семенкин // Проблемы машиностроения и автоматизации. № 3. — 2006. - С. 24-31.

102. Липинский, JI.B. О коэволюционном генетическом алгоритме автоматизированного проектирования системы управления на нечеткой логике / JI.B. Липинский, В.А. Малько, Е.С. Семенкин // Автоматизация и современные технологии. -№11. -2006. С. 17-24.

103. Макленнен, Дж. Microsoft SQL Server 2008: Data Mining -интеллектуальный анализ данных / Дж. Макленнен, Ч. Танг, Б. Криват. — СПб.: «БХВ-Петербург», 2009. 720 с.

104. Матвеев, М.Г. Модели и методы искусственного интеллекта. Применение в экономике / М.Г. Матвеев, A.C. Свиридов, H.A. Алейникова. — М.: Финансы и статистика, 2008. 448 с.

105. Медведев, A.B. Непараметрические системы адаптации / A.B. Медведев. Новосибирск: Наука, 1983. - 174 с.

106. Ногин, В.Д. Сужение множества Парето на основе информации о предпочтениях ЛПР точечно-множественного типа / В.Д. Ногин // Искусственный интеллект и принятие решений. — 2009. № 1. — С. 5-16.

107. Орлянская, И. В. Современные подходы к построению глобальной оптимизации / И. В. Орлянская // Электронный журнал «Исследовано в России», 2002 С. 2097-2108. http://zhurnal.ape.relarn.ru/articles/2002/189.pdf

108. Петровский, А. Б. Интерактивная процедура снижения размерности признакового пространства в задачах многокритериальной классификации / А.Б. Петровский, Г.В. Ройзензон // Поддержка принятия решений: Труды

109. Института системного анализа Российской академии наук / Под ред. А. Б. Петровского. — М.: Издательство ЛЕСИ, 2008. — Т. 35. С. 43-53.

110. Пиявский, С.А. Один алгоритм отыскания абсолютного экстремума функции / С. А. Пиявский // Журнал вычислительной математики и математической физики. — № 12. — 1972.

111. Пуртиков, В.А. Оптимизация управления формированием кредитного портфеля банка: дисс. . канд. техн. наук / В.А. Пуртиков. — Красноярск: CAA, 2001. 148 с.

112. Растригин, JI.A. Случайный поиск / JT.A. Растригин. М.: Знание, 1979.

113. Растригин, JI.A. Коллективные правила распознавания /Л.А. Растригин, Р.Х. Эренштейн. М.: Энергия, 1981. - 244 с.

114. Ройзензон, Г.В. Интерактивные методы снижения размерности признакового пространства в задачах многокритериального принятия решения: автореферат дисс. . канд. техн. наук / Г. В. Ройзензон М: Институт системного анализа РАН, 2008. - 23 с.

115. Рубан, А.И. Методы оптимизации: учеб. пособие / А. И. Рубан. -Красноярск: НИИ ИПУ, 2001. 528 с.

116. Рубан, А.И. Глобальная оптимизация методом усреднения координат: Монография / А. И. Рубан. Красноярск: ИПЦ КГТУ, 2004. - 302 с.

117. Рубан, А.И. Методы анализа данных: учеб. пособие / А.И. Рубан. — Красноярск: ИПЦКГТУ, 2004. 319 с.

118. Семенкин, Е.С. Оптимизация технических систем. Учебное пособие / Е.С. Семенкин, О.Э. Семенкина, С.П. Коробейников. Красноярск: СИБУП, 1996.-284 с.

119. Семенкин, Е.С. Метод обобщенного адаптивного поиска для синтеза систем управления сложными объектами / Е.С. Семенкин, В.А. Лебедев. -М.: МАКС Пресс, 2002. 320 с.

120. Семенкин, Е.С. Вероятностные эволюционные алгоритмы оптимизации сложных систем / Е.С. Семёнкин, Е.А. Сопов // Труды Международных научно-практических конференций AIS'05/CAD-2005. M.: Физматлит, 2005. - С. 77-78.

121. Сопов, Е.А. Эволюционные алгоритмы моделирования и оптимизации сложных систем: автореф. дисс. на соиск. учен. степ, к.т.н. / Е.А. Сопов. Красноярск: СибГАУ, 2004. - 16 с.

122. Тестирование многослойного персептрона http://poligon. machinelearning.ru/Testing/Report.aspx?ReportID=4.

123. Тэрано, Т. Прикладные нечёткие системы / Т. Тэрано, К. Асаи, М. Сугэно. -М.: Мир, 1993.-368 с.

124. Фаулер, M. UML. Основы. Краткое руководство по унифицированному языку моделирования / М. Фаулер, К. Скотт. СПб.: Символ-Плюс, 2002. - 192 с.

125. Шеферд, Дж. Программирование на Microsoft Visual C++.NET / Дж. Шеферд. М.: Русская редакция, 2003. - 928 с.

126. Шилдт Г. Теория и практика С++ / Г. Шилдт. СПб.: BHV-Санкт1651. Петербург, 1996. 312 с.

127. Ярушкина, Н.Г. Основы теории нечетких и гибридных систем / Н.Г. Ярушкина-М.: Финансы и статистика, 2004.1. СПИСОК ПУБЛИКАЦИЙ АВТОРА

128. Сергиенко, Р.Б. Разработка турнирного метода перераспределения ресурсов между подпопуляциями в коэволюционном алгоритме / Р.Б. Сергиенко // Инновационные недра Кузбасса. IT-технологии: сборник научных трудов. Кемерово: ИНТ, 2007. - С. 401-404.

129. Сергиенко, Р.Б. Системы поддержки принятия решений на основе коэволюционного вероятностного алгоритма / Р.Б. Сергиенко, Е.С. Семенкин // Ползуновский альманах. № 4. - 2008. - С. 217-219.

130. Сергиенко, Р.Б. Составление расписания посадок самолетов коэволюционным алгоритмом условной оптимизации / Р.Б. Сергиенко // Решетневские чтения. Материалы XII Международной научной конференции. Красноярск: СибГАУ, 2008. - С. 308-310.

131. Сергиенко, Р.Б. Коэволюционный алгоритм условной оптимизации «Conditional Coevolution» / Р.Б. Сергиенко // Компьютерные учебные программы и инновации. — № 2. — 2009. — С. 21.

132. Сергиенко, Р.Б. Исследование эффективности коэволюционного генетического алгоритма условной оптимизации / Р.Б. Сергиенко // Вестник Сибирского государственного аэрокосмического университета имени академика М.Ф. Решетнёва. №3 (24). - 2009. - С. 31-36.

133. Sergienko, R.B. Image identification from a satellite with fuzzy genetic algorithm / R.B. Sergienko // The 12th International Scientific and Practical Conference "Modern Technique and Technologies" MTT'2009. Tomsk: TPU Press, 2009. - 137-139 pp.

134. Сергиенко, Р.Б. Метод формирования нечеткого классификатора самонастраивающимися коэволюционными алгоритмами / Р.Б. Сергиенко // Искусственный интеллект и принятие решений. №3. - 2010. - С. 98-106.

135. Сергиенко, Р.Б. Коэволюциоииый алгоритм для задач условной и многокритериальной оптимизации / Р.Б. Сергиенко, Е.С. Семенкин // Программные продукты и системы. №4. - 2010. - С. 24-28.

136. Регистрации программных систем

137. Сергиенко, Р.Б. Коэволюционный алгоритм условной оптимизации «Conditional Coevolution»: свидетельство об отраслевой регистрации разработки. М.: ВНТИЦ, 2008. - № гос. per. 50200802249.

138. Сергиенко, Р.Б. Коэволюционный алгоритм условной многокритериальной оптимизации: свидетельство о государственной регистрации программы для ЭВМ / Р.Б. Сергиенко, Е.С. Семенкин. М.: Реестр программ для ЭВМ, 2009. - № гос. per. 2009616049.

139. Сергиенко, Р.Б. Нечеткий коэволюционный классификатор: свидетельство о государственной регистрации программы для ЭВМ / Р.Б. Сергиенко. -М.: Реестр программ для ЭВМ, 2010. № гос. per. 2010611766.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.