Трансмерная гибридизация эволюционных алгоритмов многокритериальной оптимизации управления

Аннотация

Приведен гибридный эволюционный алгоритм многокритериального синтеза оптимального закона управления динамической системой на основе трансмерных моделей поиска. Разработанная трансмерная модель поиска относится к классу моделей последовательной гибридизации типа препроцессор/процессор и подразумевает комбинированное использование эволюционных алгоритмов конечномерной и бесконечномерной многокритериальной оптимизации, реализующих этапы глобального приближенного и локального уточняющего поиска оптимальных решений. Конечномерная модель глобальной многокритериальной оптимизации реализована с помощью эволюционного алгоритма многокритериальной оптимизации относительно полиэдрального конуса доминирования. Использование интервалов неопределенности весовых коэффициентов компонентов векторного показателя при построении полиэдрального конуса доминирования дает возможность уменьшить неопределенность множества Парето за счет выделения на нем подмножества решений, имеющих более высокую степень сбалансированности значений по различным компонентам векторного показателя эффективности. Эволюционный алгоритм бесконечномерной многокритериальной оптимизации представляет собой обобщение методов возможных направлений Зойтендейка на класс задач бесконечномерной многокритериальной оптимизации и используется для реализации этапа уточняющего поиска. Приведены результаты сравнительного анализа эффективности различных гибридных трансмерных моделей эволюционного поиска на примере решения задачи многокритериального синтеза оптимального закона программного управления биореактором. Результаты вычислительных экспериментов показывают, что трансмерная гибридизация эволюционных алгоритмов конечномерной и бесконечномерной многокритериальной оптимизации управления дает синергетический эффект. Этот эффект выражается в существенном повышении точности решения задачи многокритериальной оптимизации управления по сравнению с известными гибридными метаэвристическими алгоритмами оптимизации управления, что позволяет разрешить противоречие между конечномерной моделью глобального поиска и бесконечномерной исходной постановкой задачи

Просьба ссылаться на эту статью следующим образом:

Серов В.А., Воронов Е.М., Долгачева Е.Л. и др. Трансмерная гибридизация эволюционных алгоритмов многокритериальной оптимизации управления. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2023, № 3 (144), с. 99--124. DOI: https://doi.org/10.18698/0236-3933-2023-3-99-124

Литература

[1] Rozenberg G. Handbook of natural computing. Berlin, Heidelberg, Springer, 2012.

[2] Panigrahi B.K., Shi Y., Lim M.H. Handbook of swarm intelligence. Berlin, Heidel-berg, Springer, 2011.

[3] Simon D. Evolutionary optimization algorithms. New York, John Wiley & Sons, 2013.

[4] Карпенко А.П. Современные алгоритмы поисковой оптимизации. М., Изд-во МГТУ им. Н.Э. Баумана, 2014.

[5] Talbi E.G. Metaheuristics. From design to implementation. Hoboken, John Wiley & Sons, 2009.

[6] Yang X.S. Metaheuristic optimization: algorithm analysis and open problems. In: SEA2011. Berlin, Springer Verlag, 2011, pp. 21--32. DOI: https://doi.org/10.1007/978-3-642-20662-7_2

[7] Обносов Б.В., Воронов Е.М., Микрин Е.А. и др. Стабилизация, наведение, групповое управление и системное моделирование беспилотных летательных аппаратов. Современные подходы и методы. М., Изд-во МГТУ им. Н.Э. Баумана, 2018.

[8] Kim E.J., Perez R.E. Neuroevolutionary control for autonomous soaring. Aerospace, 2021, vol. 8, no. 9, art. 267. DOI: https://doi.org/10.3390/aerospace8090267

[9] Salichon M., Tumer K. A neuro-evolutionary approach to micro aerial vehicle control. Proc. 12th GECCO’10, 2010, pp. 1123--1130. DOI: https://doi.org/10.1145/1830483.1830692

[10] Li F., Tan Y., Wang Y., et al. Mobile robots path planning based on evolutionary artificial potential fields approach. Proc. ICCSEE, 2013, pp. 1314--1317. DOI: https://doi.org/10.2991/iccsee.2013.329

[11] Романов А.М. Обзор аппаратно-программного обеспечения систем управления роботов различного масштаба и назначения. Часть 3. Экстремальная робототехника. Российский технологический журнал, 2020, т. 8, № 3, с. 14--32. DOI: https://doi.org/10.32362/2500-316X-2020-8-3-14-32

[12] Dirita V. Control system design applications with hybrid genetic algorithms. Hobart, University of Tasmania, 2002.

[13] Lopez Cruz I.L., Van Willigenburg L.G., Van Straten G. Evolutionary algorithms for optimal control of chemical processes. Proc. IASTED Int. Conf. on Control Applications, 2000, pp. 155--161.

[14] Serov V.A., Voronov E.M., Kozlov D.A. A neuro-evolutionary synthesis of coordinated stable-effective compromises in hierarchical systems under conflict and uncertainty. Proc. Comput. Sc., 2021, vol. 186, pp. 257--268. DOI: https://doi.org/10.1016/j.procs.2021.04.145

[15] Serov V.A., Voronov E.M., Kozlov D.A. Hierarchical neuro-game model of the FANET based remote monitoring system resources balancing. In: Smart electromechanical systems. Berlin, Heidelberg, Springer, 2020, pp. 117--130. DOI: https://doi.org/10.1007/978-3-030-32710-1_9

[16] Wang X. Hybrid nature-inspired computation method for optimization. Helsinki, Helsinki University of Technology, 2009.

[17] El-Abd M., Kamel M. A taxonomy of cooperative search algorithm. In: Hybrid metaheuristics. Berlin, Springer Verlag, 2005, pp. 32--41. DOI: https://doi.org/10.1007/11546245_4

[18] Raidl G.R. A unified view on hybrid metaheuristics. In: Hybrid metaheuristics. Berlin, Springer Verlag, 2006, pp. 1--12. DOI: https://doi.org/10. 1007/11890584_1

[19] Molina D., Lozano M., Herrera F. Memetic algorithm with local search chaining for continuous optimization problems: a scalability test. Proc. Int. Conf. on Intelligent Systems Design and Applications, 2009, pp. 1068--1073. DOI: https://doi.org/10.1109/ISDA.2009.143

[20] Neri F., Cotta C. Memetic algorithms and memetic computing optimization: a literature review. Swarm Evol. Comput., 2012, vol. 2, pp. 1--14. DOI: https://doi.org/10.1016/j.swevo.2011.11.003

[21] Bambha N.K., Bhattacharyya S.S., Teich J., et al. Systematic integration of parameterized local search into evolutionary algorithms. IEEE Trans. Evol. Comput., 2004, vol. 8, no. 2, pp. 137--155. DOI: https://doi.org/10.1109/TEVC.2004.823471

[22] Hu X., Zhang J., Li Y. Orthogonal methods based ant colony search for solving continuous optimization problems. J. Comput. Sc. Technol., 2008, vol. 23, no. 1, pp. 2--18. DOI: https://doi.org/10.1007/s11390-008-9111-5

[23] Zhang J., Chen W., Tan X. An orthogonal search embedded ant colony optimization approach to continuous function optimization. In: ANTS 2006. Berlin, Heidelberg, Springer, 2006, pp. 372--379. DOI: https://doi.org/10.1007/11839088_35

[24] Dreo J., Siarry P. Continuous interacting ant colony algorithm based on dense heterarchy. Future Gener. Comput. Syst., 2004, vol. 20, no. 5, pp. 841--856. DOI: https://doi.org/10.1016/j.future.2003.07.015

[25] Yu P.L., Zeleny M. Cone convexity, cone extreme points and nondominated solutions in decision problems with multiobjectives. J. Optim. Theory Appl., 1974, vol. 14,no. 3, pp. 319--377. DOI: https://doi.org/10.1007/BF00932614

[26] Демьянов В.Ф. К нахождению оптимального управления в задачах автоматического регулирования. Вестник ЛГУ, 1965, т. 13, № 3, с. 26--35.

[27] Базара М., Шетти К. Нелинейное программирование. Теория и алгоритмы. М., Мир, 1982.

[28] Федоренко Р.П. Приближенное решение задач оптимального управления. М., Наука, 1978.