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

Актуальность. Прикладные задачи глобальной оптимизации часто решаются в условиях нестационарной среды, что приводит к изменениям ландшафта целевой функции (целевых функций), допустимой области, набора целевых переменных и другим изменениям непосредственно во время решения задачи. Подобные задачи оказываются существенно сложнее стационарных задач и задач, в которых изменения детерминированы и известны. Более того, сложные задачи глобальной оптимизации обладают рядом свойств, затрудняющих их исчерпывающий анализ и выбор и настройку подходящего алгоритма оптимизации, среди которых: алгоритмически заданные целевая (целевые) функции и ограничения, выраженные в разных шкалах переменные, нелинейность, многоэкстремальность, и другие, т.е. задача оптимизации представляет собой модель типа «черный ящик». Сегодня подобные сложные задачи глобальной оптимизации достаточно успешно решаются с помощью различных подходов из области эволюционных вычислений, которые не требуют в явном виде информации о целевой функции и ее производных, не требуют наличия свойств выпуклости, непрерывности и др. Тем не менее, проблема глобальной оптимизации в нестационарной среде исследована недостаточно полно, а предложенные подходы демонстрируют высокую эффективность лишь в частных случаях. Поскольку нестационарность – это одно из основных свойств сложной системы, анализ задач глобальной оптимизации в нестационарной среде, и разработка и исследование методов их решения являются актуальной научной задачей. Уровень значимости и научная новизна исследования. Сложность решения задач глобальной оптимизации в нестационарной среде связана с тем, что алгоритм оптимизации должен не только найти и сойтись к глобальному или удовлетворительному локальному оптимуму, но и дополнительно отслеживать и реагировать на изменения в среде. Очевидно, что популяционные подходы оказываются эффективнее алгоритмов, в которых последовательно улучшается только одно решение, т.к. возрастает вероятность того, что одно из множества решений в популяции окажется ближе к новому положению оптимума. В связи с этим, наиболее перспективная работа в области нестационарной оптимизации началась с ростом популярности и развитием эволюционных вычислений. Проблеме нестационарной оптимизации посвящены специальные сессии конференций GECCO c 1999, IEEE CEC c 2004, конференции научного сообщества исследования операций (Великобритания) с 2011, международный академический форум по теории и приложениям нестационарной оптимизации DEOTA c 2018. C 2009 проводятся соревнования по решению задач нестационарной оптимизации в рамках конференций CEC, GECCO и WCCI. Проблемой нестационарной оптимизации занимается известная исследовательская группа института информационных технологий и искусственного интеллекта университета Гранады в Испании. В настоящее время наибольшее число выполненных работ и полученных результатов связаны с задачами глобальной оптимизации в нестационарной среде с вещественными переменными, где предложены эвристики и модификации эволюционных алгоритмов для адаптации к различным типам изменений в среде. Однако проблема идентификации и прогнозирования изменений практически не исследована, и, следовательно, остается не решенным вопрос выбора и настройки алгоритма оптимизации на конкретную задачу. Сложнее обстоит дело с задачами с дискретными и разношкальными переменными, для которых само понятие ландшафта целевой функции не является интуитивно понятным, и, как результат, сложно описать типы и характер изменений в среде. В данном проекте будут предложены, разработаны и исследованы следующие подходы. Как известно, эволюционные алгоритмы не используют в явном виде информацию о решаемой задаче, но сохраняют накопленный опыт исследования пространства поиска в популяции, в хромосомах индивидов. Одной из ключевых задач проекта является извлечение и отбор информативных признаков для идентификации типа нестационарной задачи путем анализа статических (популяция, успешность применения операторов поиска и др.) и динамических (изменения пригодности, изменения интенсивности применения операторов поиска и др.) показателей работы эволюционного алгоритма совместно с методами исследования ландшафта целевой функции (при поддержке Австрийского партнера). На основе извлеченной информации с помощью методов машинного обучения будут построены вычислительные (нейронные сети и др.) и описательные (символьная регрессия методом генетического программирования, базы правил на нечеткой логике и др.) модели. В свою очередь, задача построения моделей на основе методов машинного обучения будет решаться с помощью оригинальных самоконфигурируемых подходов. На основе полученных моделей идентификации и прогнозирования изменений в среде будут разработаны новые самоконфигурируемые и самонастраиваемые эволюционные алгоритмы, позволяющие в зависимости от текущего состояния среды и прогнозируемых изменений автоматически выбирать подходящую стратегию решения задачи или адаптировать внутренние параметры алгоритма. Ожидаемые результаты и их значимость. В результате выполнения задач проекта будут систематизированы имеющиеся и получены новые знания о свойствах задач глобальной оптимизации в нестационарной среде, о типах и характерах изменений для различных пространств поиска (ландшафтов целевой функции), о комбинациях типов изменений, будут предложены новые генераторы задач нестационарной оптимизации для оценки и сравнения эффективности алгоритмов оптимизации. Данный результат повысит обоснованность разработки новых подходов и выбора алгоритмов при решении прикладных задач. Комплексный подход на основе идентификации свойств задачи, анализа и прогнозирования изменений в среде совместно с самоконфигурируемыми и самонастраиваемыми эволюционными алгоритмами обеспечит исследователей и прикладных специалистов универсальным, эффективным и предметно-независимым (автоматически настраиваемым под задачу) инструментом решения сложных задач глобальной оптимизации в нестационарной среде. В дальнейшем возможна адаптация предложенного метода проектирования алгоритмов решения задач оптимизации других классов и комбинации классов.