МОСКВА, 31 мая. /ТАСС/. Ученые из Института компьютерных технологий и информационной безопасности Южного федерального университета (ЮФУ, Ростов-на-Дону, Таганрог) нашли решения нескольких математических задач оптимизации на основе моделей поведения животных. Об этом сообщили в среду в пресс-службе университета.
Многие процессы в науке, технике, экономике и бизнесе формулируются как задача оптимизации: сокращение времени, снижение стоимости, минимизация рисков или увеличение дохода, производительности и эффективности. Перспективными для оптимизации разнообразных задач методами являются алгоритмические приемы, которые позволяют ограничить перебор и основаны на имитации природных механизмов эволюции, интеллектуального группового поведении особей в живой природе - биоэвристики.
В Южном федеральном университете данное направление развивают ученые под руководством профессора Сергея Родзина. Проект "Эффективные биоэвристики, инспирированные животным миром, на основе выявления паттернов поведения для задач оптимизации многомерных функций и сегментации изображений", над которым сейчас работает научный коллектив ИКТИБ ЮФУ, поддержан граном Российского научного фонда.
"Несмотря на то, что проект исследователей начался в январе 2023 года, на сегодняшний день уже получены весомые результаты", - говорится в сообщении.
Репрезентативная саранча
Ученые из ЮФУ предложили биоэвристический алгоритм, моделирующий сочетание паттернов индивидуального и роевого поведения саранчи для решения задач оптимизации многомерных мультиэкстремальных функций.
В данном случае саранча является репрезентативным примером насекомых, которые могут сочетать роевое и индивидуальное поведение.
"Две саранчи при индивидуальном поведении не стремятся сблизиться, если между ними небольшое расстояние и, наоборот, при роевом поведении саранча стремительно концентрируется вокруг особей, которые нашли источники пищи. Это позволяет не только более реалистично моделировать кооперативное поведение колонии саранчи, но и включить вычислительный механизм, позволяющий избежать таких недостатков многих популярных биоэвристик, как преждевременная сходимость, поддержать баланс между скоростью сходимости алгоритма и диверсификацией пространства поиска решений", - приводит пресс-служба слова Родзина.
Созданный алгоритм уже протестирован и показал качественные результаты.
Модель хищники-жертвы для глобальной оптимизации
Еще одним итогом работы ученых стал новый коэволюционный самонастраивающийся алгоритм, способный решать сложные задачи глобальной оптимизации. Он разработан на основе эгоистического поведения в природе, демонстрирует улучшенную точность и производительность по сравнению с другими биоэвристиками. В основе лежит основанное на схемах индивидуального и коллективного поведения животных, а также на механизмах популяционного отбора, моделирование поведения стада травоядных животных, на которое нападает стая хищников.
Эту биоэвристику от других конкурирующих подходов отличает способность сохранять баланс между скоростью сходимости и разнообразием пространства поиска решений. Благодаря этим вычислительным механизмам алгоритм обеспечивает высокую эффективность в поиске глобального минимума.
Проблемы, которые можно решить
По словам ученого, несмотря на достигнутые успехи в области создания биоэвристических алгоритмов, на сегодняшний день имеются весомые научные проблемы, две из которых возможно решить в рамках данного проекта.
Первая связана с установлением баланса между скоростью сходимости биоэвристик и расширением пространства поиска оптимальных решений. "Скорость сходимости обозначает число шагов, затраченных алгоритмом для достижения приемлемой точности решения задачи. Речь идет о равновесии между способностью алгоритма находить новые решения и его возможностью достигать оптимума целевой функции или подходить достаточно близко к нему за конечное число шагов. Решить эту проблему предполагается на основе выявления паттернов индивидуального и коллективного поведения агентов в многоагентной системе. Это проблема имеет важное значение для обеспечения точности и производительности алгоритмов оптимизации в таких областях, как распознавание образов, информационная безопасность, инженерное проектирование, интеллектуальный анализ данных, цифровая экономика", - сообщил Родзин.
Вторая проблема заключается в разработке обучаемых оптимизаторов на основе накопленных знаний. Традиционные методы оптимизации основаны на подходе в стиле tabula rasa (с "чистого листа"), то есть без использования предварительных знаний о подходах к решению задачи. Однако ученые из ЮФУ предлагают подход, в котором знания, включая те, которые генерируются в интернете, могут быть использованы для автоматического поиска наиболее эффективного оптимизатора.
"Мы предлагаем подход, когда биоэвристику не нужно формировать вручную. Вместо этого, используя передачу информации, можно использовать знания, в том числе генерируемые в интернете, для автоматического поиска наиболее эффективного оптимизатора. Это своего рода машинное обучение без необходимости разработки пользователем новых алгоритмов оптимизации, инспирированных природой. Мы считаем, что подобный подход в сочетании с технологиями облачных вычислений и интернета вещей может занять центральное место в современные механизмах оптимизации", - отметил ученый.
Исследования в области роевого интеллекта входят в перечень приоритетных задач стратегических проектов программы развития ЮФУ "Приоритет 2030" нацпроекта "Наука и университеты".
В дальнейшем ученые планируют создать научный задел и программные приложения для решения прикладных оптимизационных задач в области цифровой обработки изображений и компьютерного зрения, интеллектуального анализа и обработки данных, поиска информации, инженерного проектирования, медицинской диагностики.
