Определение классов целевых функций методами кластерного анализа

Abstract

Во введении указан объект исследования – целевые функции (ЦФ) с эквивалентным поведением алгоритма оптимизации (АО). При решении задач имитационного моделирования используются АО, основанные на случайном поиске, которые имеют множество параметров, требующих дополнительной настройки для эффективной работы самого АО. С целью повышения эффективности стохастических алгоритмов многопараметрической оптимизации в имитационном моделировании предложена процедура определения классов целевых функций, основанная на применении нескольких методов кластерного анализа. В основной части указывается, что одним из этапов методики настройки АО в программно-технологическом комплексе имитации сложных систем BelSim является определение классов целевых функций (ЦФ) с эквивалентным поведением АО. Для определения классов ЦФ, в пределах которых известны функциональные зависимости для получения оптимального сочетания параметров АО, используются методы кластерного анализа. При решении практической задачи проводится эксперимент над целевой функцией для того, чтобы определить класс, к которому она относится. Поиск решения задачи проводится с помощью алгоритма, параметры которого вычисляются на основе функциональных зависимостей данного класса. Экспериментальные исследования проведены с использованием программно-технологического комплекса имитации сложных систем BelSim, пакета статистической обработки данных STATISTICA, табличного процессора MS Excel. Научная новизна работы заключается в том, что получена формула, позволяющая обобщить результаты кластеризации исходного множества данных несколькими методами кластерного анализа. В заключении приведен анализ полученных результатов исследования ЦФ с учетом их особенностей. Полученные результаты могут быть применены в имитационном моделировании и обработке данных. In the introduction an object of investigation is pointed – criterion functions (CF) with similar optimization algorithms (OA) behavior. Optimization algorithms (OA), based on random search, can be used for simulation problem solving. Such algorithms have a set of parameters that require precise fine tuning in order to be efficiently applied to. Identification of classes of criterion functions, based on several clustering methods application, is given in this paper. The introduced technique can be used to improve efficiency of stochastic algorithms for multi-parameter optimization. The basic part. Identification of classes of criterion functions (CF) with similar OA behavior is one of phase of the fine tuning in software engineering kit for computer simulation of complex system BelSim. Clustering methods are used to assign a set of criterion functions into classes in which functional dependences are defined for the fine tuning of algorithm‘s parameters. In practice, an experiment is run on a criterion function to identify a class the criterion function belongs to. The finding of the problem solution is performed using the optimization algorithm in which the algorithm‘s parameters are adjusted based on the functional dependence of that class. Software engineering kit for computer simulation BelSim, statistics and analytics software package STATISTICA, spreadsheet application Microsoft Excel are used to perform an experimental research. Scientific advance is the formula to generalize results of several clustering methods. The conclusion shows the analysis of the results of CF research taking the CF features into account. The research results can be applied in the simulation and data processing.