Применение эволюционных алгоритмов для оптимизации

УДК 004.588
Применение эволюционных алгоритмов для
оптимизации решений в компьютерных тренажерах
В. О. Анзин1, А. В. Головко2, Ядзид Джамал Измаил Альшайх3
Summary - The features of the application of evolutionary
algorithms in the design of man-machine control systems
computer simulators are described in the article. The
implementation of such systems, which allows for operator
training on the experience of technological situations solutions is
shown in the research.
Keywords - computer simulators, parameter optimization,
human-machine interfaces, evolutionary algorithms.
I. ВВЕДЕНИЕ
В различных областях деятельности людей широкое
применение находят полуавтоматические системы
управления
технологическим
процессом,
в
функционировании
которых
существенная
роль
отводится человеку-оператору.
В таких системах нередко возникают ситуации, когда
для
поддержания
нормального
процесса
функционирования от человека требуется едва ли не
предельная мобилизация всех его возможностей, когда
малейшее изменение в сторону усложнения деятельности
или возникновение внештатной ситуации может привести
к срыву. При этом первостепенным фактором,
определяющим эффективность и качество системы,
становится степень согласованности взаимодействия
человека и машины.
Это вызывает необходимость всестороннего и полного
учета человеческого фактора на всех стадиях
проектирования системы с целью согласования свойств
технических устройств с характеристиками психических
процессов, функций и состояний оператора.
Кроме того все более актуальной становится задача
обучения и переподготовки специалистов, которые
требуются для работы в системах управления
технологическим процессом. Учитывая стремительное
развитие компьютерной техники, весьма эффективным
решением
данной
задачи
является
разработка
компьютерного тренажера, в котором эффект обучения
будет
достигаться
не
просто
идентичностью
воспроизводимой на тренажере деятельности оператора, а
формы его деятельности, соответствующей оптимальному
решению сложившейся ситуации [1].
II. ЭВОЛЮЦИОННЫЕ АЛГОРИТМЫ
Одним из эффективных решений задачи оптимизации
параметров
человеко-машинных
систем
является
применение эволюционных алгоритмов (ЭА).
Простейший эволюционный алгоритм выглядит
следующим образом. Для генетической кодировки
численных значений оптимизируемых параметров,
наличия либо отсутствия некоторых специфических
свойств сложной системы, исполняемых частей
компьютерных программ, и т. д. используются двоичные
числа. Каждый оптимизируемый параметр представляется
последовательностью двоичных битов (генов). Полный
набор генов (закодированных параметров) называют
хромосомой. Каждая особь содержит полный набор
хромосом (геном). Приспособленность (селективное
качество) особи определяется тем, насколько хорошо
данный набор параметров удовлетворяет условиям
решаемой задачи. Фиксированное число особей образуют
популяцию.
Эволюционный процесс начинается с начальной
популяции, составленной из особей, геномы которых
заполнены случайными генами. Целевая функция
вычисляется индивидуально для каждой особи, после чего
последняя
приобретает
селективное
качество
(приспособленность). Из популяции выбираются две
родительские особи, которые производят две особипотомки (репликация родителей). Один из рецептов
выбора родителей таков: чем выше приспособленность
особи, тем выше для нее вероятность быть выбранной в
качестве родителя. Генетические изменения в процессе
репликации достигаются благодаря двум ключевым
операторам алгоритма: мутации и кроссоверу. При
мутации один или несколько битов гена потомка
случайно
инвертируются
(относительно
соответствующего гена родителя). При кроссовере гены
потомков обмениваются комплиментарными связными
порциями битов.
После
репликации
для
каждого
потомка
вычисляется целевая функция и им присваивается
приспособленность. Далее из популяции выбираются две
особи, на места которых помещаются особи-потомки.
Один из рецептов отбора особей из популяции
следующий: если данный потомок более приспособлен,
чем наименее приспособленная особь в популяции, то
последняя заменяется данным потомком. Важно, что
численность популяции при этом сохраняется. Затем
выбирается новая пара родителей и процесс повторяется.
Эволюционный процесс разумно остановить, когда,
например, все особи в популяции оказываются одинаково
приспособленными, так что нельзя ожидать дальнейшего
улучшения, либо все соответствующие друг другу гены
совпадают по битам [2].
III. ОПТИМИЗАЦИЯ РЕШЕНИЙ ОПЕРАТОРА С
ПРИМЕНЕНИЕМ ЭА
Начало
Генерация
технологической
ситуации
Да
Да
Получено ли решение от
оператора?
Есть ли в базе
оптимальное решение?
Нет
Нет
Получение набора
решений случайным
образом
Моделирование
полученных решений
Оценка результатов
моделирования
Оценка действий
оператора
Отбор 2-х «родительских»
решений
Синтез нового решения
посредством «кроссовера»
отобранных
IV. ВЫВОДЫ
Моделирование
синтезированного
решения
Оценка результатов
моделирования
Да
Если оценка нового решения
выше самой низкой оценки
решений предыдущего набора
Нет
Есть ли в наборе решения,
которые еще не отбирались в
качестве «родительских»?
Выбор следующих 2-х
«родительских» решений
Нет
Запись в базу решения с
наивысшей оценкой в
качестве оптимального
Рис. 1. Алгоритм функционирования ЧМС с применением
ЭА.
1
Задачи,
связанные
с
оптимизацией
решений
компьютерных тренажеров человеко-машинных систем
управления, несмотря на большой интерес к ним, все еще
остаются актуальными. Применение эволюционных
алгоритмов при проектировании таких систем может
значительно
увеличить
их
быстродействие
и
эффективность, а также делает саму систему обучаемой и
позволяет использовать опыт уже существующих
решений сгенерированной технологической ситуации.
ПЕРЕЧЕНЬ ССЫЛОК НА ИСТОЧНИКИ
Замена решений из
предыдущего набора с
самой низкой оценкой
новым решением
Да
На Рис. 1 приведен алгоритм функционирования
компьютерного тренажера человеко-машинной системы
(ЧМС) управления технологическим процессом с
применением эволюционных принципов логического
проектирования.
Основной
особенностью
предлагаемой
модели
компьютерного тренажера является то, что решение
сгенерированной технологической ситуации может быть
получено из базы уже существующих решений. Это
значительно ускоряет процесс обучения оператора, а
также делает обучаемой саму систему.
Кроме указанной выше особенности данный алгоритм
позволяет решить следующие задачи:
1.
Согласование
характеристик
машинной
части
полуавтоматической
системы
управления
с
психофизиологическими
возможностями
человека-оператора
на
уровне их динамического взаимодействия.
2.
Наблюдение и анализ данных.
3.
Построение оптимального плана наблюдений
за состоянием человеко-машинной системы.
4.
Разработка
алгоритма
генерации
технологических
ситуаций,
требующих
принятие решений от оператора.
5.
Оценка и сравнение с оптимальными
решений, принятых оператором.
[1] Trentesaux D., Moray N., Tahon C. Integration of the
human operator into responsive discrete production
management systems // European Journal of Operational
Research, Vol. 109. - 1998. - pp. 342-361.
[2] Неклюдов И. М., Клепиков В. Ф., Корда В. Ю.
Эволюционные
компьютерные
технологии:
наукометрическое исследование // Вопросы атомной
науки и техники. Серия: Физика радиационных
повреждений и радиационное материаловедение. – 2005. №2. – С. 121-128.
Национальный университет кораблестроения им. адм. Макарова, пр. Героев Сталинграда, 9, Николаев, 54025, Украина, E-mail:
vitalii.anzin@nuos.edu.ua.
2
Национальный университет кораблестроения им. адм. Макарова, пр. Героев Сталинграда, 9, Николаев, 54025, Украина, E-mail:
stdafx86@gmail.com.
3
Национальный университет кораблестроения им. адм. Макарова, пр. Героев Сталинграда, 9, Николаев, 54025, Украина, E-mail:
yajizal@gmail.com.