Методы машинного обучения для идентификации свойств задач глобальной оптимизации в нестационарной среде и автоматической адаптации эволюционных и бионических алгоритмов

Объектом исследования являются самоконфигурируемые и самонастраивающиеся эволюционные алгоритмы решения сложных задач глобальной оптимизации в нестационарной среде. Цель работы – повышение обоснованности и эффективности решения сложных задач глобальной оптимизации в нестационарной среде путем создания и систематизации теоретических основ автоматической идентификации методами машинного обучения свойств нестационарных задач, типов и характера изменений для различных пространств поиска, а также обоснование и разработка комплексного подхода на основе идентификации и прогнозирования изменений в среде с использованием самоконфигурируемых и самонастраивающихся эволюционных алгоритмов. В ходе работ по третьему этапу НИР выполнены постановка задачи и предложены новые алгоритмы гибридизации подходов для решения задач нестационарной оптимизации методами эволюционных вычислений, обоснован, разработан и исследован новый подход для проектирования алгоритмов глобальной оптимизации в нестационарной на основе ранее предложенного метода квантового роя частиц. Автоматический синтез алгоритмов осуществляется с применением метода генетического программирования, реализованного на языке PushGP, предназначенного для создания синтетически корректных программ (алгоритмов) из предопределенного множества базовых операторов.