В данной работе исследуются современные проблемы городской логистики, связанные с необходимостью адаптации маршрутов различных транспортных средств к изменяющимся условиям городской среды. Основное внимание уделяется задаче многих коммивояжеров (MTSP), которая формализована в мультиагентной постановке (MATSP) с обязательным посещением выделенных точек погрузки/разгрузки, поскольку задача в таком контексте позволяет рассматривать сценарии, приближенные к типичным для систем городского распределения. В статье анализируются различные методы решения: эволюционные алгоритмы, алгоритмы роевого интеллекта (пчелиного роя и муравьиной колонии) и алгоритм имитации отжига. В рамках проведенного исследования сформулирована математическая модель задачи MATSP, позволяющая определить основные ограничения, а также целевую функцию, подвергаемую оптимизации. Далее проведены сравнительные вычислительные эксперименты для задачи нескольких коммивояжеров с точками вывоза для определения оценки эффективности на тестовых наборах данных с выделенными областями обслуживания. Данные эксперименты позволяют наглядным образом выявить особенности каждого из алгоритмов, что дает основу для определения целевого алгоритма в зависимости от входных данных. Отдельное внимание уделено классификации задачи MATSP, которая содержит в себе следующие классы: базовый, сбалансированный, динамический и с выделенными точками погрузки/разгрузки. Исследуются как статические, так и динамические аспекты задачи, включая онлайн-добавление точек и перерасчет маршрутов в реальном времени. Полученные результаты исследования демонстрируют перспективность использования мультиагентного подхода для решения задач городской маршрутизации, особенно в условиях изменяющихся параметров и необходимости оперативного реагирования на изменения.
В статье представлен подход к моделированию фармакокинетики гибридных наночастиц порфирин-фуллеренового типа с использованием библиотеки PyPharm. Основной упор сделан на интеграцию эволюционных алгоритмов, в частности алгоритма взаимодействующих стран, в PyPharm, что позволяет оптимизировать параметры фармакокинетических моделей в условиях высокой вариативности. Целью данной работы является совершенствование существующей пятикамерной модели фармакокинетики гибридных наночастиц порфирин-фуллеренового типа с использованием библиотеки PyPharm, основной акцент сделан на повышении точности прогнозирования распределения наночастиц в организме за счет структурной и алгоритмической модификации модели. На основе пятикамерной модели, предложенной ранее, проведена доработка с учетом объемов камер и введением камер-дублеров, что позволило улучшить точность аппроксимации экспериментальных данных. Показано, что модель с камерами-дублерами демонстрирует наименьшее значение целевой функции (F = 0,9), сократив ошибку предсказания в 4,5 раза по сравнению с исходными результатами. Камеры-дублеры при этом имитируют окружающие орган ткани, где лекарственный препарат или наночастицы могут находиться длительное время, поддерживая почти постоянный уровень лекарства в основной камере органа в течение долгого времени. Библиотека PyPharm подтвердила свою эффективность при работе с высокопараметрическими системами (до 19 переменных), включая возможность учета весовых коэффициентов для отдельных экспериментальных точек, что повысило гибкость анализа. Результаты исследования подчеркивают потенциал применения алгоритма взаимодействующих стран и разработанной библиотеки для задач фармакокинетики.
В книге описаны современные методы поиска условного глобального экстремума: эволюционные методы, методы «роевого» интеллекта; методы, имитирующие физические процессы; мультистартовые методы. В каждом разделе приведены постановка задачи, стратегия поиска, детальный алгоритм решения, описание программного обеспечения и результатов решения типовых примеров.
Для студентов и аспирантов технических вузов и университетов, а также инженеров, интересующихся проблемами глобальной оптимизации.
Выбор значений параметров в эволюционных алгоритмах сильно влияет на их производительность. Многие популярные методы настройки параметров ограничены максимальным числом вычислений целевой функции для поиска хорошего набора значений параметров. Недавно был предложен подход к выбору алгоритмов для решения оптимизационных задач, использующий анализ ландшафта функции приспособленности и машинное обучение для выбора оптимального алгоритма решения задачи на основе особенностей ее ландшафта. Подобное применение анализа ландшафта функции приспособленности мотивирует на дальнейшие исследования, в частности, применительно к настройке параметров эволюционных алгоритмов. Использование признаков ландшафта функции приспособленности позволяет выявлять похожие задачи и использовать данные о настройке параметров, полученные при тестировании на эталоных задачах, что значительно снижает число необходимых вычислений целевой функции при настройке. В этой работе на примере генетического алгоритма (1+( λ, λ)) рассматривается подход к автоматическому выбору параметров с использованием анализа ландшафта целевой функции и машинного обучения. В предлагаемом решении оцениваются особенности ландшафта целевой функции поставленной задачи оптимизации и предлагаются оптимальные значения параметров алгоритма с помощью нейронной сети. Данная сеть была обучена на наборе данных об особенностях ландшафта, выраженных в виде числовых признаков и соответствующих им оптимальных наборов параметров алгоритма. В отличие от подходов к автоматическому выбору алгоритмов оптимизации для конкретной задачи, в данной работе рассматривается задача регрессии параметров алгоритма вместо проблемы классификации наиболее подходящего алгоритма из заданного набора. Результаты экспериментов на различных конфигурациях задачи W-model, а также на задачае MAX-3SAT показывают, что предлагаемый подход к автоматическому выбору параметров с учетом ландшафта целевой функции может помочь определить подходящие значения статических параметров генетического алгоритма (1+( λ, λ)) , так как алгоритм с предложенными значениями параметров превосходит другие рассмотренные варианты (1+( λ, λ)) GA , в среднем требуя меньше вычислений целевой функции для нахождения оптимума, чем остальные рассмотренные алгоритмы.