Некоторые особенности эволюционного моделирования

Отметим, что в последнее время проявляется тенденция использования естественных аналогов при создании моделей, технологий, методик, алгоритмов для решения тех или иных задач проектирования, конструирования и производства, стоящих перед человечеством. В большинстве случаев использование естественных аналогов дает положительные результаты. Как правило, это объясняется тем, что аналог, взятый из природы, совершенствовался в течение многих лет эволюции и имеет на данный момент самую совершенную в своем роде структуру.

Эволюционное моделирование (ЭМ) представляет собой одно из быстро развивающихся направлений математического моделирования, объединяющее компьютерные методы моделирования эволюционных процессов в естественных и искусственных системах, такие как ГА, эволюционные стратегии, эволюционное программирование и другие эвристические методы. Характерно, что моделируемые биологические системы, в отличие в моделирующих их ИИС, достаточно хаотичны, не имеют очевидных целей или ограничений своего развития, но обладают завидными свойствами воспроизводства, адаптации, самоисправления, устойчивости, гибкости и многими другими, которые могут радикально изменить облик ИИС.

ЭМ — хорошо известная и эффективная оптимизационная методология, которую применяют для решения различных оптимизационных задач в науке и технике. Она основана на аналогии с естественными процессами селекции и генетическими преобразованиями, протекающими в природе [4 — 6]. В быстро прогрессирующей теории ЭМ содержится анализ класса адаптивных, управляющих, ИИС, в которых структурные модификации осуществляются последовательными и параллельными преобразованиями.

ЭМ может предоставить алгоритмические средства для решения комплексных задач науки и техники (с использованием хаотических возмущений, вероятностного подхода, нелинейной динамики), которые нельзя было решить традиционными методами. В общих чертах, эволюция может быть описана как многоступенчатый итерационный процесс, состоящий из случайных изменений и последующей затем селекции. Таким образом, достаточно просто обнаружить взаимосвязь между таким определением эволюции и оптимизационными алгоритмами [7 — 9].

При использовании для решения задач традиционных методов все вычисления обычно приходится начинать заново, что приводит к большим затратам машинного времени. При эволюционном подходе популяцией служит база знаний, которую можно анализировать, дополнять и видоизменять применительно к изменяющимся условиям. Для этого не требуется полный перебор вариантов решения задачи. Кроме того, ЭМ обеспечивает быструю генерацию достаточно хороших решений [7 — 9].

При решении практических задач с использованием ЭМ необходимо выполнить четыре следующих предварительных этапа:

• · выбрать способ представления решения;
• · разработать операторы случайных изменений;
• · определить законы выживания решения;
• · создать начальную популяцию.

Для представления решения в виде, понятном компьютеру, требуется такая структура, которая позволит кодировать любое возможное решение и производить его оценку. Математически доказано, что идеальной структуры представления не существует. Поэтому для создания хорошей структуры требуются анализ, перебор и эвристические подходы [7 — 9].

«Двигателем» ЭМ являются ГА — эффективный аппарат оптимизации, моделирующий процессы селекции и генетических преобразований в биологии. Основой ГА явилась модель эволюции Ч. Дарвина [1, 4].

Обычно трудоемкость оптимизационных задач с ростом числа элементов резко возрастает, делая невозможным использование алгоритмов полного перебора. Поэтому требуется проведение модернизации структуры, как самих традиционных ИИС, так и основных блоков, стратегий, концепций, алгоритмов и методов решения оптимизационных задач. Перспективным подходом является использование альтернативных принципов и моделей различных эволюций: Ч. Дарвина («выживание сильнейших»), Ж. Ламарка («наследование благоприобретенных признаков»), де Фриза («внезапные скачки»), К. Поппера («проб и ошибок»), М. Кимуры («нейтральный отбор»), Н. Дубинина («самоорганизация под воздействием внешней среды»), а также их комбинаций [4 — 10]. Ключевыми в каждой модели являются: анализ популяции, ее направленное преобразование и эволюционная смена форм, что реализуется на основе поиска с использованием ГА и эволюционных алгоритмов. ГА начинают работать с несколькими начальными решениями, распараллеливая процесс, и позволяют частично решать проблему выхода из локальных оптимумов, при этом комбинируя, изменяя и наследуя элементы и ансамбли элементов качественных альтернативных решений за приемлемое время.