Дифференцированный генетический алгоритм решения сложных задач оптимизации тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Паротькин, Николай Юрьевич

• Паротькин, Николай Юрьевич
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Паротькин, Николай Юрьевич

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1 ЭВОЛЮЦИОННЫЕ МОДЕЛИ И АЛГОРИТМЫ ОПТИМИЗАЦИИ

1.1 Классические модели эволюции

1.2 Модель синтетической эволюции

1.3 Модели эволюции, построенные на полиморфизме

1.4 Выводы

2 РАЗРАБОТКА И ИССЛЕДОВАНИЕ ДИФФЕРЕНЦИРОВАННОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА

2.1 Модель дифференцированного генетического алгоритма

2.2 Дифференцированный генетический алгоритм решения задачи безусловной оптимизации

2.3 Исследование эффективности дифференцированного ГА решения задачи безусловной оптимизации

2.4 Дифференцированный генетический алгоритм решения задачи условной оптимизации

2.5 Исследование эффективности дифференцированного генетического алгоритма решения задачи условной оптимизации

2.6 Выводы

3 ПРИМЕНЕНИЕ ДИФФЕРЕНЦИРОВАННОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА ПРИ РЕШЕНИИ СЛОЖНЫХ ЗАДАЧ ОПТИМИЗАЦИИ

3.1 Программная система исследования эффективности ГА

3.2 Задача структурно-параметрического синтеза сети Wi-Fi

3.2.1 Постановка задачи

3.2.2 Алгоритм расчет зоны действия сигнала

3.2.3 Программная реализация метода расчёта параметров сети Wi-Fi

3.2.4 Проверка корректности модели беспроводной сети

3.3 Применение ГА при прогнозировании временных рядов

3.3.1 Постановка задачи

3.3.2 Описание алгоритма построения нечеткого временного ряда82

3.3.3 Программная реализация метода прогноза на основе нечеткого временного ряда

3.3.4 Проверка эффективности алгоритма на тестовых данных

3.4 Выводы

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

Введение диссертации (часть автореферата) на тему «Дифференцированный генетический алгоритм решения сложных задач оптимизации»

ВВЕДЕНИЕ

Актуальность. Для решения сложных задач оптимизации на практике часто применяют эволюционные алгоритмы. Однако, в отличие от эволюции, происходящей в природе, эволюционный алгоритм, в процессе решения задачи оптимизации, только моделирует те процессы в популяции, которые являются существенными для развития. Существует большое количество моделей эволюции, которые могут применяться в качестве базиса для проектирования эволюционных алгоритмов оптимизации, например, модели Ч. Дарвина, Ж. Ламарка, Г. де Фриза, Гулда-Элдриджа и другие. В любом случае эволюционный алгоритм работает с совокупностью индивидов - популяцией, каждый из которых представляет возможное решение проблемы. В процессе работы алгоритм, в рамках выделенного ресурса, исследует пространство поиска путем информационного обмена с внешней средой, то есть популяция всегда эволюционирует в соответствующей среде. В целом, эволюция подразумевает наличие двух главных аспектов: сохранение и изменение. Для эффективной реализации первого аспекта популяция должна быть устойчивой, стабильной, неизменяемой, то есть информационно дистанцироваться от среды. С другой стороны (второй аспект), без тесного информационного контакта со средой невозможен поиск решения - популяция должна постоянно эволюционировать. Таким образом, требования эволюции с точки зрения информационного обмена популяции со средой являются противоречивыми.

В качестве решения данной проблемы алгоритм, вне зависимости от применяемой модели, как эволюционирующая система, удерживает популяцию на некотором оптимальном информационном расстоянии от среды. Например, для реализации первого аспекта используется селективное давление совместно с принципом элитизма, а для второго аспекта применяются операторы

рекомбинации и мутации. Однако такой подход порождает дополнительные трудности - например, выбор оптимальных значений параметров генетического алгоритма для решаемой задачи, а также, в зависимости от стратегии поиска, остаются проблемы преждевременной сходимости и стагнации. Источником, описанных трудностей, как правило, является сама концепция алгоритма - модель эволюции.

Таким образом, разработка моделей эволюции и алгоритмов на их основе, позволяющих интегрировать в рамках единого подхода решения по альтернативным эволюционным задачам сохранения и изменения для обеспечения оптимальных условий решения сложных задач оптимизации является актуальной научно-технической задачей.

Целью диссертационной работы является совершенствование эволюционных алгоритмов решения сложных задач оптимизации, направленное на повышение эффективности их работы путем модификации применяемой модели эволюции.

Объектом исследования являются эволюционные алгоритмы оптимизации. Предметом исследования являются синтетические модели эволюции, применяемые на концептуальном уровне эволюционными алгоритмами оптимизации.

Для достижения поставленной цели необходимо решить следующие задачи:

1) провести анализ моделей эволюции и основанных на них эволюционных алгоритмов оптимизации;

2) разработать модель эволюции, позволяющую эвристическим итеративным методом поиска интегрировать в рамках единого подхода решения по альтернативным эволюционным задачам;

3) алгоритмизировать и программно реализовать разработанную модель эволюции;

4) провести исследование на множестве тестовых данных и определить параметры, существенно влияющие на эффективность разработанного алгоритма и выработать рекомендации по их настройке;

5) провести апробацию разработанного алгоритма на решении сложных практических задач оптимизации, относящихся к классам условной и безусловной однокритериальной оптимизации с алгоритмически заданными целевыми функциями на множестве разношкальных переменных. Методы исследования. При выполнении диссертационной работы

использовались методы эволюционных вычислений, оптимизации, нечеткой логики, теории вероятности и математической статистики, теории алгоритмов, системного анализа, теории радиосвязи, методика разработки интеллектуальных информационных систем и другие.

Научная новизна проведенных исследований и полученных в работе результатов заключается в следующем:

1) разработана модифицированная синтетическая модель эволюции для генетического алгоритма, отличающаяся от известных наличием механизмов внутривидовой дифференциации популяции и специализации решений по альтернативным эволюционным задачам, и позволяющая повысить эффективность работы алгоритма;

2) разработан, программно реализован и исследован новый дифференцированный генетический алгоритм безусловной оптимизации, отличающийся от известных способом накопления, апробации и селекции решений, и позволяющий сократить вычислительные затраты за счет повышения скорости поиска решения без снижения точности;

3) разработан, программно реализован и исследован новый дифференцированный генетический алгоритм условной оптимизации, отличающийся от известных новым способом учета ограничений, и обладающий меньшим количеством настраиваемых параметров при сопоставимых показателях надежности и скорости поиска решения;

4) разработан и программно реализован новый метод структурно-параметрического синтеза беспроводных локальных сетей стандарта IEEE 802.1 lg дифференцированным генетическим алгоритмом, отличающийся от известных автоматическим способом подбора компонентов сети и настройкой их параметров, и позволяющий количественно оценить степень соответствия модели беспроводной сети предъявляемым требованиям и ограничениям.

Теоретическая значимость результатов диссертационного исследования состоит в разработке новых эволюционных алгоритмов решения сложных задач безусловной и условной оптимизации, основанных на модифицированной синтетической модели эволюции, и методе структурно-параметрического синтеза беспроводных локальных сетей, позволяющего подбирать компоненты сети и настраивать их параметры дифференцированным генетическим алгоритмом с соблюдением заданных ограничений. Разработанные эволюционные алгоритмы позволяют интегрировать в рамках единого подхода решения по альтернативным эволюционным задачам сохранения и изменения путем дифференциации популяции решений, что определяет вклад результатов диссертационного исследования в теорию и практику применения эволюционных алгоритмов оптимизации.

Практическая значимость. На основе разработанного в ходе диссертационного исследования дифференцированного генетического алгоритма создано алгоритмическое обеспечение для программных систем, которое позволяет, используя рекомендации по настройки его параметров, широкому кругу специалистов, не владеющих аппаратом эволюционных алгоритмов, эффективно решать сложные задачи оптимизации, возникающие в реальной практике.

Материалы диссертационного исследования и разработанные программные системы были использованы для решения задачи структурно-параметрического синтеза беспроводных локальных сетей, а также задач прогнозирования курса валют, рождаемости, миграции населения и ряда других.

Реализация результатов работы. 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 «Автоматизация проектирования беспроводной сети интеллектуальным программным обеспечением» и «Разработка экспертной системы проектирования беспроводной сети на базе клиент-серверной технологии» на 2011-2013 гг.

Результаты диссертационного исследования использованы в ходе выполнения:

1)ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2013 годы», мероприятие 1.4. «Проведение проблемно-ориентированных поисковых исследований и создание научно-технического задела по перспективным технологиям в области информационно-телекоммуникационных систем». Тема работы - «Разработка технологии синтеза настроек параметров безопасности автоматизированных систем в защищенном исполнении» (2011-2012 гг.), ГК№ 07.514.11.4047 от 06.10.2011.

2) РФФИ «Разработка коллективов биоинспирированных алгоритмов обнаружения инцидентов информационной безопасности в автоматизированных системах» (2012-2013 гг.), №12-01-31123 от 18.10.2012, №12-01-31123 от 28.05.2013 г.

3) Грант Президента, программа поддержки молодых кандидатов наук, 2013-2014 гг., МК-473.2013.9 «Разработка и исследование биоинспирированных алгоритмов интеллектуального обеспечения безопасности информации в автоматизированных системах».

Две программные системы прошли государственную экспертизу и были зарегистрированы в Федеральной службе по интеллектуальной собственности. Программные системы используются в учебном процессе на кафедре безопасности информационных технологий института информатики и телекоммуникаций СибГАУ при выполнении лабораторных и курсовых работ, а

так же в рамках программы повышения квалификации «Построение беспроводных локальных вычислительных сетей на основе оборудования Б-Ьшк».

Материалы диссертационного исследования и разработанная программная система были использованы при проектировании и развертывании беспроводной сети АцМАХ ООО «Логический уровень» в п. Солонцы, Красноярского края. Основные защищаемые положения:

1) разработанная модифицированная синтетическая модель эволюции позволяет создать новый класс эволюционных алгоритмов, обладающих механизмами внутривидовой дифференциации популяции решений.

2) разработанный дифференцированный генетический алгоритм безусловной оптимизации с дифференциацией популяции решений по альтернативным эволюционным задачам превосходит стандартный генетический алгоритм по надежности и быстродействию.

3) дифференциация популяции решений и контроль перехода решений между субпопуляциями позволяют создать новый способ учета ограничений и применять дифференцированный генетический алгоритм для решения задач условной однокритериальной оптимизации.

4) метод структурно-параметрического синтеза беспроводных локальных сетей дифференцированным генетическим алгоритмом позволяет в автоматизированном режиме выбирать и размещать беспроводное оборудование, и оптимизировать его параметры настройки в соответствии с заданными ограничениями.

Апробация работы. Основные положения и отдельные результаты диссертационной работы были представлены на Всероссийской научно-практической конференции студентов, аспирантов и молодых специалистов «Актуальные проблемы авиации и космонавтики» (Красноярск, СибГАУ, 2009); IX Всероссийской научной студенческой конференции с международным участием «Молодежь. Общество. Современная наука, техника и инновации» (Красноярск, СибГАУ, 2010); Международных научно-практических

конференциях «Решетневские чтения» (Красноярск, СибГАУ, 2009-2012); I и II Всероссийских научных конференциях «Теория и практика системного анализа» (Рыбинск, Институт системного анализа РАН и РГАТА, 2010, 2012).

Диссертация в целом обсуждалась на научно-технических семинарах кафедры системного анализа и исследования операций СибГАУ и кафедры безопасности информационных технологий СибГАУ.

Публикации. По теме диссертации опубликовано шестнадцать работ, в том числе четыре в изданиях из перечня ВАК, а также зарегистрированы две программные системы.

Структура работы. Диссертация содержит 109 страниц основного текста и состоит из введения, трёх глав, заключения, списка литературы из 101 источника и 4 приложений, содержащих 24 страницы; основной текст диссертации включает 10 таблиц, 32 рисунка.

1 ЭВОЛЮЦИОННЫЕ МОДЕЛИ И АЛГОРИТМЫ ОПТИМИЗАЦИИ

1.1 Классические модели эволюции

В природе особи в популяции конкурируют друг с другом за различные ресурсы, такие как пища или вода. Те особи, которые наиболее приспособлены к окружающим условиям, будут иметь относительно больше шансов воспроизвести потомков. Слабо приспособленные либо совсем не произведут потомства, либо их потомство будет очень немногочисленным. Это означает, что гены от высоко адаптированных или приспособленных особей будут распространяться в увеличивающемся количестве потомков на каждом последующем поколении. Комбинация хороших характеристик от различных родителей иногда может приводить к появлению «супер приспособленного» потомка, чья приспособленность больше, чем приспособленность любого из его родителя, тем самым реализуется отбор индивидов по принципу «выживает сильнейший». Таким образом, вид развивается, все лучше приспосабливаясь к среде обитания, т.е. наступает эволюционная смена форм (рисунок 1). Впервые вся совокупность данных заключений появилась в работах Ч. Дарвина [94].

Рисунок 1 - Упрощенная схема модели эволюции Ч. Дарвина

По приведенной схеме эволюции возможно составить алгоритм решения оптимизационной задачи, интерпретировав каждый блок, как некоторую операцию над множеством решений [15, с. 102].

1. Популяция. Пусть существует популяция альтернативных решений исходной задачи и задано дискретное время эволюции Г, определяющее количество итераций алгоритма.

2. Наследственность. После реализации каждой итерации алгоритма появляется новое поколение (потомство) альтернативных решений.

3. Изменчивость. В новой популяции (поколении) остаются отличающиеся друг от друга альтернативные решения.

4. Отбор. По заданным правилам отбираются элитные решения с лучшим значением целевой функции. Это соответствует принципу Ч. Дарвина «выживают сильнейшие».

5. Эволюционная смена форм. Лучшие решения, выживают в результате реализации схемы эволюции Дарвина и они постепенно, поколение за поколением становятся преобладающими (доминирующими) в данной популяции.

Дадим развернутую интерпретацию представленного алгоритма. Его работа осуществляется с совокупностью "особей" - популяцией, каждая из которых представляет возможное решение данной проблемы. Каждая особь

оценивается мерой ее "приспособленности" согласно тому, насколько "хорошо" соответствующее ей решение задачи. Наиболее приспособленные особи получают возможность "воспроизводить" потомство с помощью "перекрестного скрещивания" с другими особями популяции. Это приводит к появлению новых особей, которые сочетают в себе некоторые характеристики, наследуемые ими от родителей. Наименее приспособленные особи с меньшей вероятностью смогут воспроизвести потомков, следовательно, свойства, которыми они обладали, будут постепенно исчезать из популяции в процессе эволюции.

Так воспроизводится новая популяция допустимых решений, выбирая лучших представителей предыдущего поколения, скрещивая их и получая множество новых особей. Это новое поколение содержит более высокое соотношение характеристик, которыми обладают хорошие представители предыдущего поколения. Таким образом, из поколения в поколение, хорошие характеристики распространяются по всей популяции. Скрещивание наиболее приспособленных особей приводит к тому, что исследуются наиболее перспективные участки пространства поиска. В конечном итоге, популяция будет сходиться к оптимальному решению задачи.

История эволюционных алгоритмов началась с разработки ряда различных независимых моделей. Идея применения эволюционного моделирования для прикладных математических и компьютерных задач появилась в начале 50-х годов с развитием генетики. В 1954 году была опубликована работа «Численные примеры процессов эволюции» («Esempi numerici di processi di evoluzione») норвежско-итальянского математика Нильса Алла Баричелли [58], но она не получила широкой известности. В последующие годы им были изданы еще две работы «Symbiogenetic evolution processes realized by artificial methods» [57] и «Numerical testing of evolution theories» [56], - направленные на понимание природного феномена наследственности.

Примерно в то же время австралийский генетик Алекс Фрейзер опубликовал серию работ по моделированию искусственного отбора организмов: «Simulation of genetic systems by automatic digital computers. 5. linkage, dominance, and epistasis» [78] и «Simulation of genetic systems» [77]. Несмотря на то, что работы обоих авторов были направлены, прежде всего, на понимание природного феномена наследственности, работа Фрейзера имеет много общего с сегодняшним видением генетических алгоритмов. Он моделировал эволюцию 15-битных строк и подсчитывал процентное содержание особей с удачным фенотипом в успешных поколениях, что на сегодняшний момент применятся во всех эволюционных алгоритмах без исключения. Его работы напоминают оптимизацию функций, однако в работах Фрейзера нет ни одного упоминания о возможности использования генетического алгоритма для решения искусственных задач.

Основателем современной теории генетических алгоритмов (ГА) считается Джон Холланд. В первых его работах внимание уделялось, прежде всего, способности природных систем к адаптации, а его главной целью было создание такой системы, которая могла бы приспосабливаться к любым условиям окружающей среды. Д. Холланд впервые предложил алгоритм, который известен как упрощенный «репродуктивный план Д. Холланда» [85, 86]. «Репродуктивный план Д. Холланда» был структурирован и изложен Кеннетом Де Йонгом (Kenneth De Jong) в диссертации «An analysis of the behavior of a class of genetic adaptive systems» [66] на степень доктора философии в 1975 и ряде более поздних публикаций [67, 65]. В работе Д. Йонга был проведен анализ операторов эволюционного процесса. К ним относятся кроссинговер, инверсия, мутация и др. Предложен ряд функций, которые стали эталоном для проведения компьютерных экспериментов с использованием различных эволюционных стратегий и алгоритмов. Предложенная математическая модель эволюционного процесса представляется как способность «лучших» индивидуумов оказывать большее влияние на состав новой популяции на основе длительного выживания их более многочисленных

потомков. Подробно классический генетический алгоритм (ГА) был описан Д. Гольдбергом на основе работ Д. Холланда в [79]. В 1975 году Холланд публикует свою самую знаменитую работу «Adaptation in Natural and Artificial Systems» [85]. В ней он впервые ввёл термин «генетический алгоритм» и предложил схему классического генетического алгоритма (рисунок 2).

Да

_4_

Вывод лучшего индивида

Рисунок 2 -Классический генетический алгоритм

Ниже описана основная последовательность шагов алгоритма:

1. Инициализировать случайным образом популяцию решений и оценить их пригодность.

2. Выбрать часть популяции (родителей) для порождения потомков (применить оператор селекции).

3. Применить оператор скрещивания [75].

4. Новые решения (потомки) подвергаются мутации.

5. Формируется новая популяция: выбрать решения из родителей и потомков.

6. Повторять 2-5 пока не выполнится условие остановки. Обычно применяют следующие критерии остановки:

1. Найдено решение с заданной точностью.

2. Закончился ресурс, отведенный на вычисления целевой функции.

«Первым недостатком классического генетического алгоритма является то, что нет гарантии того, что найденное ГА решение является хотя бы локально-оптимальным, несмотря на глобальную сходимость алгоритма» [4].

Ко второму недостатку можно отнести то, что для эффективной работы генетического алгоритма необходимо тонко настроить его параметры. Т.е. невозможно точно предсказать, какие настройки генетического алгоритма будут оптимальными при решении конкретной задачи оптимизации.

В XX веке получили развитие альтернативные модели эволюции, объясняющие изменение характеристик видов с другой точки зрения, чем модель эволюции Дарвина, или дополняющие путем уточнения спорных факторов и закономерностей. Так модель эволюции Ж. Ламарка основана на предположении, что характеристики, приобретенные особью (организмом) в течение жизни, наследуются его потомками. Эти изменения, как утверждал Ж. Ламарк, вызываются прямым влиянием внешней среды, упражнением органов и наследованием приобретенных при жизни признаков [9]. Модель эволюции по Ламарку представлена на рисунке 3.

Рисунок 3- Упрощенная схема модели эволюции Ж. Ламарка

Построим алгоритм оптимизации по данной модели [15, с. 103]: 1-2. Популяция + наследственность. Как видно из схемы, первые два пункта аналогичны алгоритму для модели по Дарвину.

3. Внешняя среда. Происходит воздействие внешних факторов в виде указаний от пространства решений или внешних механизмов оптимизации.

4. Приспособляемость. В условиях изменившихся параметров поиска создается новая популяция, ориентированная на сигналы внешней среды. 5-6. Отбор + эволюционная смена форм. Эти этапы аналогичны алгоритму для модели по Дарвину.

Данная модель получила широкое распространение при реализации гибридных генетических алгоритмов, где этапы поиска экстремума функции генетическим алгоритмом совмещаются с методами локальной оптимизации [43] уже найденных решений или применения к ним «жадных» алгоритмов. Результаты работы этих методов могут вводиться в популяцию совместно с решениями, не подвергавшимися оптимизации [99]. Это необходимо для обеспечения большей сходимости в области локального оптимума.

Приведем итоговую схему гибридного ГА безусловной оптимизации [45].

1. Сгенерировать случайным образом начальную популяцию.

2. Оценить полученную популяцию.

3. Сгенерировать популяцию потомков.

- Селекция (выбор двух индивидов из текущей популяции).

- Рекомбинация (скрещивание выбранных индивидов).

- Мутация (генетическое изменение полученного потомка).

4. Выполнить локальный поиск из нескольких индивидов текущего поколения в соответствии с концепцией эволюции по Ламарку.

5. Если не все поколения пройдены, то перейти на шаг 2, иначе выдать наилучшего найденного индивида и его значение целевой функции в качестве решения задачи оптимизации.

Стоит отметить, что под эволюцией по Ламарку подразумевается

следующая операция над индивидами:

1) осуществляется выбор нескольких индивидов, обладающих хорошим значением целевой функции, и из них выполняется несколько шагов локального поиска;

2) данные индивиды с изменённым набором бит и соответственно значением функции пригодности переходят в следующую популяцию. «Использование гибридизации в генетическом алгоритме позволяет уйти

от проблемы локальной сходимости алгоритма на заключительных этапах его работы, что положительно сказывается на точности итоговых результатов»[4].

Гибридизация ГА возможна не только с приближенными методами оптимизации, но и с точными методами оптимизации, например, методом ветвей и границ [40] и сочетанием методов перебора Ь-классов и декомпозиции Бендерса [76, 74]. Данный подход позволяет повысить эффективность работы генетического алгоритма, вследствие сокращения времени поиска оптимального решения и времени работы генетического алгоритма [21, 72]. Но при этом остается проблема выбора настроек самого ГА в конкретной задаче для обеспечения его глобальной сходимости.

1.2 Модель синтетической эволюции

Модель синтетической эволюции [10, 53], в разработку которой внесли вклад И.И. Шмальгаузен, Н.В. Тимофеев-Ресовский, Г. Ф. Гаузе, Н.П. Дубинин, А.Л. Тахтаджян и др., объединяет в себе идеи, заложенные в моделях Ч. Дарвина, Ж. Ламарка, Г. Де Фриза и др. Приведем некоторые из её основных положений [19]:

1. Эволюция невозможна без адаптации организмов к условиям внешней среды. Фактором, формирующим приспособленность строения и функции организмов, выступает естественный отбор, который использует случайные мутации и рекомбинации.

2. Естественный отбор, опираясь на процессы преобразования генетики популяций, создает сложные генетические системы. Их модификации

закрепляются стабилизирующим отбором.

3. В популяциях наследственная изменчивость имеет массовый характер. Появление специальных мутаций свойственно лишь отдельным особям.

4. Наиболее приспособленные особи оставляют большее количество потомков.

5. Реальным полем эволюции являются интегрированные генетические системы.

6. Противоречия между случайным характером наследственной изменчивости и требованиями отбора определяют уникальность видовых генетических систем и видовых фенотипов.

Процессы, происходящие при реализации синтетической теории эволюции по Н.П. Дубинину, включают случайные, периодические и скачкообразные колебания, а также колебания численности отдельных популяций, обусловленные процессом миграции. Условная упрощенная схема модели синтетической теории эволюции представлена на рисунке 4.

|Вход

Рисунок 4 - Условная упрощенная схема модели синтетической теории эволюции

Признание единства факторов эволюции в виде наследственности, изменчивости и естественного отбора не исключает существование разных

форм эволюций - эволюционных процессов. Эволюционный процесс связан с двумя типами адаптаций. Первый тип адаптации основан на выработке приспособлений к условиям внешней среды, в которых вид существует в настоящее время. Другой тип адаптации связан с выработкой таких особенностей в структуре, которые должны обеспечить его соревнование с другими видами во времени. Кардинальное положение синтетической теории эволюции: признание стохастичности процессов мутаций и больших резервов рекомбинационной изменчивости.

Список литературы диссертационного исследования кандидат наук Паротькин, Николай Юрьевич, 2013 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Алтухов, Ю. П. Генетический мономорфизм видов и его возможное биологическое значение / Ю.П. Алтухов, Ю. Г. Рычков // Журнал общей биологии - 1972,- Т. 33, №3,-С. 281 -300.

2. Алтухов, Ю.П. Вид и видообразование / Ю.П. Алтухов // Соросовский Образовательный Журнал. - 1997. - № 4. - С. 2 - 10.

3. Алтухов, Ю.П. Генетические процессы в популяциях (3-е перераб. и доп. изд.). - М.: Академкнига, 2003. - 431 с.

4. Бежитский, С.С. Гибридный эволюционный алгоритм для решения сложных задач оптимизации / С.С. Бежитский // Вестник университетского комплекса: Сб. научн. тр. Вып. 1 (15). - Красноярск: ВСФ РГУИП, НИИ СУВПТ, 2004. - С. 166- 173.

5. Беспроводные сети Wi-Fi : Учебное пособие / А. В. Пролетарский, И. В. Баскаков, Д. Н. Чирков [и др.]. - М.: БИНОМ. Лаборатория знания, 2007. -215 с.

6. Бокс, Дж. Анализ временных рядов, прогноз и управление. В 2-х т.: Пер. с англ. / Г.М. Дженкинс, Дж. Бокс. - М.: Мир, 1974. - 608 с.

7. Борри, X. Firebird. Руководство разработчика баз данных / X. Борри. -Спб.: БХВ-Петербург, 2007. - 1104 с.

8. Вишневский, В.М. Широкополосные беспроводные сети передачи информации / В.М. Вишневский, А.И. Ляхов, С.Л. Портной, [и др.]. - М.: Техносфера, 2005 - 592 с.

9. Воронцов, H.H. Развитие эволюционных идей в биологии. - М.: Прогресс-Традиция, 1999. - 640 с.

Ю.Воронцов, H.H. Синтетическая теория эволюции: ее источники, основные постулаты и нерешенные проблемы / H.H. Воронцов // Журн. всессоюз. хим. об-ва им. Д. И. Менделеева. - 1980. - Т. 25, № 3. - С. 293 -312.

11. Геодакян, В.А. О структуре эволюционирующих систем / В.А. Геодакян // Пробл. передачи информ. - 1972. - №25. - С. 81-91.

12. Геодакян, В.А. Роль полов в передаче и преобразовании генетической информации / В.А. Геодакян // Пробл. передачи информ. - 1965 - № 1. - С. 105-112.

13. Геодакян, В.А. Эволюционные хромосомы и эволюционный половой диморфизм / В. А. Геодакян // Известия Академии Наук, Серия Биологическая. - 2000. - № 2. - С. 133-148.

14. Геодакян, C.B. Эволюционная теория пола / C.B. Геодакян - М., 2009. -214 с.

15. Гладков, Л.А. Биоинспирированные методы в оптимизации / Л.А. Гладков, В.В. Курейчик, В.М. Курейчик [и др.]. - М.: Физматлит, 2009. -380 с.

16. Гмурман, В.Е. Теория вероятностей и математическая статистика: Учеб. Пособие / В.Е. Гмурман. - М.: Высш. школа, 2000. - 479 с.

17. Дегтярев, К.Ю. Прогнозирование валютных котировок с использованием модифицированного стационарного метода, основанного на нечетких временных рядах [Электронный ресурс] / К.Ю. Дегтярев // проект Exponenta.ru (компания AXOFT), 2008. - Режим доступа: http://www.exponenta.ru/educat/news/degtyarev/paper2.pdf. - Дата обращения: 01.10.2010.

18. Демидова, Л.А. Прогнозирование тенденций рынка труда на основе однофакторных нечетких временных рядов и генетического алгоритма / Л. А. Демидова // Вестник РГРТУ. - Рязань, 2008. - № 2. - С. 75 - 82.

19. Дубинин, Н.П. Избранные труды. Т. 1. Проблемы гена и эволюции / Н.П. Дубинин. - М.: Наука, 2000.

20. Елисеева, И.И. Эконометрика: Учебник. / И.И. Елисеева. - М.: Проспект, 2011.-288 с.

21. Еремеев, A.B. Генетические алгоритмы и оптимизация: Учеб. пособие. -Омск: Изд-во Омского гос. ун-та, 2008. - 48 с.

22. Жуков, В.Г. Автоматизированная система проектирования беспроводной сети IEEE 802.11 / В. Г. Жуков, Н. Ю. Паротькин // Международный журнал «Программные продукты и системы», - Тверь: ЗАО НИИ "Центрпрограммсистем", 2012 - Вып. № 3 - С. 202 - 207.

23. Жуков, В.Г. Дифференцированный адаптивный генетический алгоритм / В.Г. Жуков, Н.Ю. Паротькин // Вестник Новосибирского гос. ун-та. Серия: Информационные технологии. - Новосибирск, 2011. - Т.9, Вып. 1. - С. 5 -11.

24. Жуков, В.Г. Моделирование сложных систем коэволюционным алгоритмом генетического программирования : автореф. дис. ... канд. техн. наук / В.Г. Жуков. - Красноярск, 2006. - 20 с.

25. Жуков, В.Г. О применении генетического алгоритма для решения задачи оптимизации беспроводной локальной сети / В.Г. Жуков, Н.Ю. Паротькин // Теория и практика системного анализа: Труды I Всероссийской научной конференции молодых ученых. - Рыбинск: РГАТА имени П. А. Соловьева, 2010.-Т. II.-С. 136- 143.

26. Жуков, В.Г. О решении задачи прогнозирования миграции в красноярском крае / В.Г. Жуков, Н.Ю. Паротькин, Е.Ю. Федорова // Труды II всероссийской научной конференции молодых ученых с международным участием Теория и практика системного анализа ТПСА'2012. - Рыбинск: РГАТУ им. П.А. Соловьева, 2012. - Т. I. - С. 163 - 172.

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

28. Зинченко, JI.A. Коэволюция в методах вычислительного интеллекта / JI.A. Зинченко, С.Н. Сорокин // Двенадцатая национальная конф. по

искусственному интеллекту КИИ-2010: труды конф, Тверь, 20-24 сент. 2010. - М.: Физматлит, 2010. - Т.4.

29. Кнут, Д.Э. Искусство программирования, Том 4, Выпуск 3: генерация всех сочетаний и разбиений (раздел 7.2.1.3): Пер. с англ. / Д.Э. Кнут. - М.: ООО "И.Д. Вильяме", 2007. - 208 с.

30. Косилов, H.A. Модели и алгоритмы пространственной организации беспроводных широкополосных сетей : автореф. дис. ... канд. техн. наук / H.A. Косилов ; Московский гос. институт электроники и математики. -Москва, 2012. -20 с.

31.Круглов, В.В. Нечёткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли, Р.Ю. Голунов - М.: Физматлит, 2001. - 221 с.

32. Курейчик, В.М. Параллельный генетический алгоритм. Модели и проблемы построения / В.М. Курейчик, Д.С. Кныш // Междунар. научно-практическая конф. «Интегрированные модели и мягкие вычисления в искусственном интеллекте». - 2009. - Т. 1. - С. 41-52.

33. Метод скользящего окна // Глоссарий - BaseGroup Labs [Электронный ресурс]. - Загл. с экрана. - Режим доступа: http://wvAv.basegroup.ru/glossary/definitions/windowing/.

34. Методы принятия управленческих решений (в среде Excel): Учебник / Т.И. Бабенко, С.Б. Барабаш. - Новосибирск: изд-во СО РАН, 2006. - 288 с.

35. Моханов, О.Г. Эффективное использование графических ускорителей при параллельной оптимизации финансовых стратегий на кластерной системе / О.Г. Моханов // Известия Томского политехнического ун-та. -Томск, 2012.-Т. 321, №5.-С. 179- 182.

36. Олифер, В.Г. Компьютерные сети. Принципы, технологии, протоколы : Учебник для вузов / В.Г. Олифер, H.A. Олифер. - 4-е изд. - СПб.: Питер, 2010.-944 с.

37. Паротькин, Н.Ю. Использование видеопроцессора при решении тестовых задач оптимизации / Н.Ю. Паротькин // Решетневские чтения : материалы XIV Междунар. науч. конф., посвящ. памяти генерал.

конструктора ракет.-космич. систем академика М. Ф. Решетнева (10-12 нояб. 2010, г. Красноярск) : В 2 ч. / Под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. - Красноярск: 2010. - Ч. 2. - С. 414.

38. Паротькин, Н.Ю. О применении дифференцированного генетического алгоритма для решения задач условной оптимизации / Н.Ю. Паротькин // Решетневские чтения : материалы XVI Междунар. науч. конф., посвящ. памяти генерал, конструктора ракет.-космич. систем академика М. Ф. Решетнева (7-9 нояб. 2012, г. Красноярск): В 2 ч. / Под общ. ред. Ю. Ю. Логинова; Сиб. гос. аэрокосмич. ун-т. - Красноярск, 2012. - Ч. 2. - С. 500 -501.

39. Паротькин, Н.Ю. Разработка модифицированного генетического алгоритма для решения сложных задач оптимизации в сфере ИБ / Н. Ю. Паротькин // Актуальные проблемы авиации и космонавтики; Сиб. гос. аэрокосмич. ун-т. - Красноярск, 2009. - С. 313 - 314.

40. Прилуцкий, М.Х. Метод ветвей и границ с эвристическими оценками для конвейерной задачи теории расписаний / М.Х. Прилуцкий, B.C. Власов // Математическое моделирование. Оптимальное управление. Вестник Нижегородского ун-та им. Н.И. Лобачевского, 2008. - № 3. - с. 147 - 153.

41. Решение ГКРЧ от 15 декабря 2009 г. № 09-05-09 «О внесении изменений в решение ГКРЧ от 7 мая 2007 г. № 07-20-03-001 «О выделении полос радиочастот устройствам малого радиуса действия»»

42. Решение ГКРЧ от 7 мая 2007 г. № 07-20-03-001 «О выделении полос радиочастот устройствам малого радиуса действия»

43. Рубан, А.И. Методы анализа данных: Учеб. Пособие. / А.И. Рубан. - 2-е изд., исправл. и доп. - Красноярск: ИПЦ КГТУ, 2004. - 319 с.

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

45. Семенкин, Е.С. Эволюционные методы моделирования и оптимизации сложных систем / Е.С. Семенкин и др. // Красноярск: СФУ, 2007. - 310с.

46. Сергиенко, Р.Б. Автоматизированное формирование нечетких классификаторов самонастраивающимися коэволюционными алгоритмами : автореф. дис. ... канд. техн. Наук / Р.Б. Сергиенко; Сибирский федеральный университет. - Красноярск, 2010. - 20 с.

47. Тэрано, Т. Прикладные нечеткие системы / Т. Тэрано, К. Асам, М. Сутэно. - М.: Мир, 1993. - 368 с.

48. Федеральный закон от 07.07.2003 № 126-ФЗ (ред. от 21.10.2013) «О СВЯЗИ). // «Собрание законодательства РФ», 14.07.2003, № 28, ст. 2895

49. Фролов, В. Технология ATI STREAM [Электронный ресурс] / В. Фролов // Компьютерная графика и мультимедиа. - 2010. - Вып. №8(1). - Режим доступа к журн.: http://cgm.computergraphics.ru/issues /issue 18/atistream. -Дата обращения: 19.06.2013.

50. Центральная база статистических данных Федеральной службы государственной статистики РФ [Электронный ресурс] // Федеральная служба государственной статистики РФ: [сайт]. - Режим доступа: http://www.gks.ru/dbscripts/Cbsd/DBInet.cgi. - Дата обращения: 20.01.2011

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

52. Шифрин, Я.С. Антенны / Я.С. Шифрин. - Вирта, 1976. - 408 с.

53. Шмальгаузен, И.И. Пути и закономерности эволюционного процесса / И.И. Шмальгаузен. - 2-е изд. - М., 1983. - 272 с.

54. Эволюционная эпистемология и логика социальных наук: Карл Поппер и его критики // Сост. Д.Г. Лахути, В.Г. Садовского, В.К. Финна. - М.: Эдиториал УРСС, 2000.

55. Ярушкина, Н. Г. Интеллектуальный анализ временных рядов: Учебное пособие /' Н.Г. Ярушкина, Т.В. Афанасьева, И. Г. Перфильева. - Ульяновск: УлГТУ, 2010.-320 с.

56. Barncelli, N.A. Numerical testing of evolution theories / N.A. Barricelli // Acta Biotheoretica. - 1962. - V. 16, Is. 1 - 2. - P. 69 - 98.

57. Barricelli, N.A. Symbiogenetic evolution processes realized by artificial methods / N.A. Barricelli // Methodos 9. - 1957. - P. 143 - 182.

58. Barricelli, N.A. Esempi numerici di processi di evoluzione / Barricelli, N.A. // Methodos. - 1954. - P. 45 - 68.

59. Can, M. Constrained Optimization with Evolutionary Algorithms: A Comprehensive Review / M. Can, A. Osman Kusakci // Southeast Europe journal of soft computing. -2012.- Vol. 1,№2.-P. 16-24.

60. Carson, H.L. The Genetics of Speciation at the Diploid Level / H.L. Carson // Amer. Natur. - 1975. - Vol. 109. - P. 83 - 92.

61. Carson, H.L. Genetic Revolutions in Relation to Speciation Phenomena: The Founding of New Populations / H.L. Carson, A.R. Templeton // Annual Review of Ecology and Systematics, 1984. - Vol. 15. - P. 97 - 131.

62. Cohoon, J.P. A Multi-Population Genetic Algorithm for Solving the K-Partition Problem on Hyper-Cubes/ J.P. Cohoon, W.N. Martin, D.S. Richards // Proceedings of the Fourth International Conference on Genetic Algorithms/ Ed. by R.K. Belew, L.B.Booker. - San Mateo CA: Morgan Kaufmann, 1991. -P. 244-248.

63. Cohoon, J.P. Genetic Algorithms and Punctuated Equilibria in VLSI / J.P. Cohoon, W.N. Martin, D.S. Richards // Parallel Problem Solving from Nature/ Ed. by H.-P.Schwefel, R.Manner R. - Berlin: Springer Verlag, 1991. -P. 134_ 144.

64. Cohoon, J.P. Punctuated Equilibria: A Parallel Genetic Algorithm / J.P. Cohoon, S.U. Hegde, W.N. Martin [and oth.] // Proceedings of the Second International Conference on Genetic Algorithms/ Ed. by J.J. Grefenstette. -Hillsdale NJ: Lawrence Erlbaum Associates, 1987. - P. 148 - 154.

65. De Jong, K.A. A formal analysis of the role of multi-point crossover in genetic algorithms / K.A. De Jong, W. M. Spears // Annals of Mathematics and Artificial Intelligence. - 1992. -№ 5(1). - P. 97 - 110.

66. De Jong, К.A. An analysis of the behavior of a class of genetic adaptive systems : PhD thesis / K.A. De Jong. ; University of Michigan, Ann Arbor. -1975. - (Also University Microfilms No. 76-9381).

67. De Jong, K.A. An Analysis of the Interacting Roles of Population Size and Crossover / K.A. De Jong, W. M. Spears // Proceedings of the International Workshop «Parallel Problems Solving from Nature» (PPSN'90). - 1990. - P. 102 -110.

68. Deb, K. Understanding Interactions among Genetic Algorithm Parameters / K. Deb, S. Agrawal // Foundation of genetic algorithms, 1998. - C. 265 - 286.

69. D-Link DWA-126 [Электронный ресурс] // URL: http://dlink.ru/ru/products/7/1297_b.html. - Загл. с экрана. - Дата обращения: 17.06.2013

70. Doran, R.W. The Gray Code / R.W. Doran // Journal of Universal Computer Science. - 2007. - Vol. 13, № 11. - P. 1573 - 1597.

71.Eilben, A. Parameter Control in Evolutionary Algorithms / A. Elenben, R. Hinterding, Z. Michalewicz // IEEE Transaction on Evolutionary Algorithms. -1999,- Vol.3, №2.-P. 124-141.

72. Eremeev, A.V. A Hybrid Algorithm for Set Covering Problem / A.V. Eremeev, A. A. Kolokolov, L.A. Zaozerskaya // Proc. of International Workshop "Discrete Optimization Methods in Scheduling and Computer-Aided Design". -Minsk, 2000. - P. 123 - 129.

73. Eremeev, A.V. Modelling and Analysis of Genetic Algorithm with Tournament Selection / A.V. Eremeev // Proceedings of Artificial Evolution'99, LNCS. - 2000. - Vol. 1829. - P. 84 - 95.

74. Eremeev, A.V. On Some Genetic and L-class Enumeration Algorithms in Integer Programming / A.V. Eremeev, A.A. Kolokolov // Proc. of The First International Conference on Evolutionary Computation and its Applications. -Moscow, 1996. - P. 297 - 303.

75. Eremeev, A.V. Optimal recombination in genetic algorithms / A.V. Eremeev, J.V. Kovalenko // Accepted for Yugoslav Journal of Operations Research. 2013. - 39 p. - (Preprint. / arXiv: 1307.5519 [cs.NE]).

76. Eremeev, A.V., Kolokolov A. A. An Application of Genetic Algorithm and L-class Enumeration to the Integer Programming Problem / A.V. Eremeev, A.A. Kolokolov // Proc. of the 1st Online Workshop on Soft Computing. -Nagoya, 1996. - P. 104- 106.

77. Fraser, A.S. Simulation of genetic systems / A.S. Fraser // Journal of Theoretical Biology. - 1962. - Vol. 2, Is. 3. - P. 329-346.

78. Fraser, A.S. Simulation of genetic systems by automatic digital computers. V. Linkage, dominance, and epistasis / A.S. Fraser // O. Kempthorne (Ed.). -Biomedical Genetics. - New York: Pergamon Press, 1960. - P. 70-83.

79. Goldberg, D. Genetic Algorithms in Search, Optimization, and Machine Learning - New York: Addison-Wesley, 1989.

80. Grefenstette, J.J. A Parallel Genetic Algorithm / C.B. Pettey, M.R. Leuze, J.J. Grefenstette // Proceedings of the Second International Conference on Genetic Algorithms. - Hillsdale NJ: Lawrence Erlbaum Associates, 1987. - P. 155- 161.

81. Grosso, P.B. Computer Simulations of Genetic Adaptation: Parallel Subcomponent Interaction in a Multilocus Model : Unpublished doctoral dissertation / P.B. Grosso ; The University of Michigan. - Michigan, 1985. -(University Microfilms №8520908).

82. Guo, W. An analysis of the migration rates for biogeography-based optimization / W. Guo, L. Wang, Q. Wu // Information Sciences, 2014. -Vol. 254. - P. 111-140

83. Harding, S.L. Distributed genetic programming on GPUs using CUDA / S.L. Harding, W. Banzhaf // WPABA: Proceedings of the Second International Workshop on Parallel Architectures and Bioinspired Algorithms. - 2009.

84. Harding, S.L. Fast Genetic programming on GPUs / S.L. Harding, W. Banzhaf // LNCS: Proceedings of the 10th European Conference on Genetic Programming. - 2007. - Vol. 4445.

85. Holland, J. H. Adaptation and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence / J. H. Holland. -USA: University of Michigan, 1975. - 452 p.

86. Holland, J. H. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence / J. H. Holland. - London: Bradford book edition, 1994. - 211 p.

87. IEEE Standard for Information technology - Telecommunications and information exchange between systems - Local and metropolitan area networks -Specific requirements: Part 11: Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications [Электронный ресурс]. - Введ. 200706-12. - URL: http://standards.ieee.org/getieee802/download/802.ll-2007.pdf. -Дата обращения: 05.03.2009.

88. JunoQ, P. Cryptographic Secure Pseudo-Random Bits Generation: The Blum-Blum-Shub Generator [Электронный ресурс] / P. Junod. - Режим доступа: http://crypto.junod.info/bbs.pdf. - Дата обращения: 01.11.2008.

89. Langdon, Vv'.B. A Many Threaded CUDA Interpreter Genetic Programming / W.B. Langdon // EuroGP. - 2010.

90. Lee, V.W. Debunking the 100X GPU vs. CPU Myth: An Evaluation of Throughput Computing on CPU and GPU / V.W. Lee, C. Kim, J. Chhugani // ISCA'10. - Saint-Malo, 2010. - P. 451 - 160.

91. Mezuia-Montes, E. Constraint-handling in nature-inspired numerical optimization: past, present and future / E. Mezura-Montes, C. A. Coello Coello // Swarm and Evolutionary Computation. - 2011. - Vol. 1, Is. 4. - P. 173 - 194.

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

93. Potter, M.A. A Cooperative Coevolutionary Approach to Function Optimization / M.A. Potter, K.A.De Jong // Proceeding of the Third Conference on Parallel Problems Solving from Nature (PPSN 3). - Springer-Verlag, 1994. -P. 249 -257.

94. Ryan Gregory, T. Understanding Natural Selection: Essential Concepts and Common Misconceptions / T. Ryan Gregory // Evolution: Education and Outreach. - June 2009. - Vol. 2, Is. 2. - P. 156 - 175.

95. Schoenauer, M. Constrained GA optimization / M. Schoenauer, S. Xanthakis // Proc. of the Fifth Int. Conf. on Genetic Algorithms. - 1993. - P. 473 - 580.

96. Tanese, R. Parallel Genetic Algorithm for a Hypercube / R. Tanese // Proceedings of the Second International Conference on Genetic Algorithms/ Ed. by J.J. Grefenstette. - Hillsdale NJ: Lawrence Erlbaum Associates, 1987. - P. 177 - 183.

97. Time Series Data Library: портал [Электронный ресурс]. - Режим доступа: http://robjhyndman.com/TSDL/. - Дата обращения: 01.11.2010.

98. Whitley, D. The island Model Genetic Algorithm: On Separability, Population Size and Convergence / D. Whitley, S. Rana, R.B. Heckendorn // Journal of Computing and Information Technology, 1999. - Vol. 1(7). - P. 33 -47.

99. Whuiey, D.L. Lamarckian Evolution, The Baldwin Effect and Function Optimization / D.L. Whitley, V.S. Gordon, K.E. Mathias // Proc. Parallel Problem Solving from Nature PPSN III. - Berlin, 1994. - P. 6 - 15.

100. Yeniay, O. Penalty function methods for constrained optimization with genetic algorithms / O. Yeniay // Mathematical and Computational Applications/ -2005,- Vol. 10, № l.-P. 45 - 56.

101. Zineheriko, L. A comparison of fitness function evaluation schedules for multi-objective univariate marginal distribution optimization of mixed analogdigital signal circuits / L. Zinchenko, M. Radecker, F. Bisogno // Proc. SPIE. -2008. - Vol. 7025.

Список публикаций по теме диссертации

Статьи в ведущих рецензируемых научных журналах и изданиях

1. Применение факторного анализа и эволюционного алгоритма оптимизации для решения задачи управления информационными рисками систем электронного документооборота / В. Г. Жуков, В.В. Золотарёв, Н.С. Заболоцкая, Н.Ю. Паротькин, Е.А. Ширкова // Научно-технический журнал «Системы управления и информационные технологии» № 3 (37) /' под ред. С Л. Подвального, Москва - Воронеж, 2009. - С. 51 - 55.

2. Жуков, В.Г. Дифференцированный адаптивный генетический алгоритм /

B.Г. Жуков, Н.Ю. Паротькин // Вестник Новосибирского государственного университета. Серия: Информационные технологии - Новосибирск, 2011,-Т.9, Выпуск 1. - С. 5 - 11.

3. Жуков, В.Г. Автоматизированная система проектирования беспроводной сети ШЕЕ 802.11/ В.Г". Жуков, Н.Ю. Паротькин // Международный журнал «Программные продукты и системы», - Тверь: ЗАО НИИ «Центрпро! раммсистем», 2012. - Выпуск № 3- С. 202 - 207.

4. Жуков, В.Г. Дифференцированный адаптивный алгоритм генетического программирования / В.Г. Жуков, Н.Ю. Паротькин, Т.С. Хеирхабаров // В мире научных открытий: научное периодическое издание. - Красноярск: «Научно-информационный издательский центр», 2012. - Выпуск 11.5 (35). -

C. 276 - 295.

Публикации в сборниках трудов конференций

5. Паротькин, Н.Ю. Разработка модифицированного генетического алгоритма для решения сложных задач оптимизации в сфере ИБ / Н.Ю. Паротькин // Актуальные проблемы авиации и космонавтики: тез. Всерос. на>ч.-практ. конф. студентов, аспирантов и молодых специалистов (6-10 апреля 2009, г. Красноярск) : В 2 т. : Т. 1. Технические науки. Информационные технологии. Сообщения школьников / Под общ. ред.

И.В. Ковалева ; Сиб. гос. аэрокосмич. ун-т. - Красноярск, 2009. - С. 313 -314.

6. Жуков, В.Г. Использование модифицированного генетического алгоритма для оптимизации структуры сети Wi-Fi / В.Г. Жуков, Н.Ю. Паротькин // Актуальные проблемы безопасности информационных технологий: материалы III Международной заочной научно-практической конференции / Под общей ред. О.Н. Жданова, В. В. Золотарева ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2009. - С. 63 - 67.

7. Паротькин, Н.Ю. Разработка модифицированного генетического алгоритма для решения сложных задач оптимизации / Н.Ю. Паротькин // Решегнеьские чтения , Сиб. гос. аэрокосмич. ун-т. - Красноярск, 2009. -С. 447 - 443.

8. Жуков, В.Г. О применении генетического алгоритма для решения задачи оптимизации беспроводной локальной сети / В.Г. Жуков, Н.Ю. Паротькин // Теория и практика системного анализа: Труды I Всероссийской научной конференции молодых ученых. - Рыбинск: РГАТА имени П. А. Соловьева, 2010. - Г. 11. - С. 136- 143.

9. Паротькин, Н.РО. Wireless network setup by genetic algorithm / Н.Ю. Паротькин // Молодежь. Общество. Современная наука, техника и инновации . тез.докл. IX Всерос. науч. студ. конф. с междунар. участием на иностр. яз. (24 апр. 2010, г. Красноярск) / Под общ.ред. В.Ф. Шабанова, Г.П. Белякова, М.В. Савельевой ; Сиб. гос. аэрокосм. ун-т. - Красноярск, 2010. - С. 85 -86.

10. Паротькин, Н.Ю. Использование видеопроцессора при решении тестовых задач оптимизации / Н.Ю. Паротькин // Решетневские чтения : Материалы XIV Междунар. науч. конф., поев, памяти генерал, конструктора ракет.-космич. систем академика М. Ф. Решетнева (10-12 нояб. 2010, г. Красноярск): в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. - Красноярск, 2010. - Ч. 2. - С. 414.

11. Паротькин, Н.Ю. Интеллектуальная система выбора эффективных параметров сети WiFi / Н.Ю. Паротькин // Молодежь и высокие технологии: материалы всероссийской студенческой олимпиады (Всероссийский конкурс компьютерных программ). - Вологда: ВоГТУ, 2011. - С. 19-21.

12. Паротькин, Н.Ю. Об автоматизации прогнозирования временных рядов дифференцированным генетическим алгоритмом / Н.Ю. Паротькин // Pemei невские чтения : материалы XV Междунар. науч. конф., посвящ. памяти генерал. конструктора ракет.-космич. систем академика М.Ф. Решетнева (10-Í2 нояб. 2011, г. Красноярск): В 2 ч. / под общ. ред. Ю.Ю. Логинова; Сиб. гос. аэрокосмич. ун-т. - Красноярск, 2011. - Ч. 2. -С. 488 -489.

13. Паротькин, Н.Ю. О применении дифференцированного генетического алгоритма при обнаружении инцидентов информационной безопасности [Текст] / Н.Ю. Паротькин // Решетневские чтения : Материалы XV Междунар. науч. конф., посвящ. памяти генерал, конструктора ракет.-космич. систем академика М.Ф. Решетнева (10-12 нояб. 2011, г. Красноярск): В 2 ч. /' под общ. ред. Ю.Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. - Красноярск, 2011. - Ч. 2. - С. 657 - 658.

14. Паротькин, Н.Ю. Автоматизированное проектирование и контроль границ зоны подключения беспроводной локальной сети / Н.Ю. Паротькин // Сборник работ победителей отборочного тура Всероссийского конкурса научно-исследовательских работ студентов, аспирантов и молодых ученых по нескольким междисциплинарным направлениям, г. Новочеркасск, октябрь-ноябрь 2011 г. / Мин-во образования и науки РФ, Юж.-Рос. гос. техн. ун-т.(НПИ). - Новочеркасск: Лик, 2011. - С. 18-20.

15.Жукои, В.Г. О решении задачи прогнозирования миграции в красноярском крае i В.Г. Жуков, Н.Ю. Паротькин, Е.Ю. Федорова // Труды II всероссийской научной конференции молодых ученых с международным участием Теория и практика системного анализа ТПСА'2012 - Рыбинск: РГА Г V им. П.А. Соловьева, 2012. - Т. I. - С. 163 - 172.

16. Паротькин, Н.Ю. О применении дифференцированного генетического алгоритма для решения задач условной оптимизации / Н.Ю. Паротькин // Решетневские чтения : Материалы XVI Междунар. науч. конф., посвящ. памяти генерал. конструктора ракет.-космич. систем академика М.Ф. Решегнева (7-9 нояб. 2012, г. Красноярск): В 2 ч. / под общ. ред. Ю.Ю. Логинова , Сиб. гос. аэрокосмич. ун-т. - Красноярск, 2012. - Ч. 2. -С. 500 - 501.

Зарегистрированные программные системы

17. Жуков, В.Г. Расчет параметров сети Wi-Fi: Свидетельство о государственной регистрации программы для ЭВМ / В.Г. Жуков, Н.Ю. Паротькин. - М.: Реестр программ для ЭВМ, 2010. - № гос. per. 20106L0;43.

18. Жуков, В.Г. Прогнозирование временных рядов: Свидетельство о государственной регистрации программы для ЭВМ / В.Г. Жуков, Н.Ю. Паротькин. - М.: Реестр программ для ЭВМ, 2011. - № гос. per. 20116.4846.