Control of Set of System Parameter Values by the Ant Colony Method

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription or Fee Access

Abstract

The paper considers the modification and application of the ant colony method for the problem of directed enumeration of the values of system parameters when performing calculated multiple calculations. Interaction with the user makes it possible to stop the process of exhaustive enumeration of sets of parameter values, and the application of a modification of the ant colony method will allow us to consider rational sets at early iterations. If the user does not terminate the algorithm, then the proposed modifications allow one to enumerate all solutions using the ant colony method. To modify the ant colony method, a new probabilistic formula and various algorithms of the ant colony method are proposed, allowing for each agent to find a new set of parameter values. The optimal algorithm, according to the research results, is the use of repeated endless cyclic search for a new solution. This modification allows you to consider all solutions, and at the same time, find all the optimal solutions among the first 5% of the considered solutions.

About the authors

I. N. Sinitsyn

Moscow Aviation Institute (National Research University); Federal Research Center for Computer Science and Control, Russian Academy of Sciences

Email: sinitsin@dol.ru
Moscow, Russia; Moscow, Russia

Yu. P. Titov

Moscow Aviation Institute (National Research University); Federal Research Center for Computer Science and Control, Russian Academy of Sciences

Author for correspondence.
Email: kalengul@mail.ru
Moscow, Russia; Moscow, Russia

References

  1. Feurer M., Hutter F., Vanschoren J. Hyperparameter Optimization // The Springer Series on Challenges in Machine Learning. Springer, Cham. 2019. https://doi.org/10.1007/978-3-030-05318-5_1
  2. Koehrsen W. A conceptual explanation of bayesian hyperparameter optimization for machine learning. 2018. (Открытый доступ 18.01.2023: https://towardsdatascience.com/a-conceptual-explanation-of-bayesian-modelbased-hyperparameter-optimization-for-machine-learning-b8172278050f)
  3. Colorni A., Dorigo M., Maniezzo V. Distributed Optimization by Ant Colonies // Proc. First Eur. Conf. on Arti c. Life, Paris, France, Elsevier Publishing. 1992. Р. 134-142.
  4. Dorigo M., Stu¨tzle T. Ant Colony Optimization // MIT Press. 2004. P. 321.
  5. Socha K., Dorigo M. Ant colony optimization for continuous domains // Eur. J. Oper. Res., 2008, V. 185. Issue 3. pp. 1155-1173. https://doi.org/10.1016/j.ejor.2006.06.046
  6. Mohamad M., Tokhi M., Omar O.M. Continuous Ant Colony Optimization for Active Vibration Control of Flexible Beam Structures // IEEE International Conf. on Mechatronics (ICM). Apr., 2011. P. 803-808.
  7. Карпенко А.П., Чернобривченко К.А. Эффективность оптимизации методом непрерывно взаимодействующей колонии муравьев (CIAC) // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2011. № 2. https://doi.org/10.7463/0211.0165551
  8. Карпенко А.П., Чернобривченко К.А. Мультимемеевая модификация гибридного муравьиного алгоритма непрерывной оптимизации HCIAC // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2012. № 9. https://doi.org/10.7463/0912.0470529
  9. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой // М.: Изд-во МГТУ им. Баумана. 2-е изд. 2017. 446 с.
  10. Саймон Д. Алгоритмы эволюционной оптимизации: практическое руководство. М.: ДМК Пресс. 2020. 1002 с.
  11. Sudakov V.A., Titov Y.P. Modi ed Method of Ant Colonies Application in Search for Rational Assignment of Employees to Tasks // Proceedings of 4th Computational Methods in Systems and Software 2020. Vol. 2, Vsetin: Springer Nature, 2020. P. 342-348. doi: 10.1007/978-3-030-63319-6_30
  12. Хахулин Г.Ф., Титов Ю.П. Система поддержки решений поставок запасных частей летательных аппаратов военного назначения // Изв. Самарского научн. центра РАН. 2014. Т. 16. № 1-5. С. 1619-1623.
  13. Синицын И.Н., Титов Ю.П. Развитие стохастических алгоритмов муравьиной организации // Бионика - 60 лет. Итоги и перспективы. Сборник статей Первой Междунар. науч.-практ. конф. Под редакцией А.П. Карпенко. 17-19 декабря 2021 г., г. Москва. Под ред. 2022. C. 210-220. https://doi.org/10.53677/9785919160496_210_220
  14. Титов Ю.П. Модификации метода муравьиных колоний для решения задач разработки авиационных маршрутов // АиТ. 2015. № 3. С. 108-124.
  15. Судаков В.А., Батьковский А.М., Титов Ю.П. Алгоритмы ускорения работы модификации метода муравьиных колоний для поиска рационального назначения сотрудников на задачи с нечетким временем выполнения // Современные информационные технологии и ИТ-образование. 2020. Т. 16. № 2. С. 338-350. https://doi.org/10.25559/SITITO.16.202002.338-350
  16. Parpinelli R., Lopes H., Freitas A. Data mining with an ant colony optimization algorithm // IEEE Trans. Evol.Comput. 2002. V. 6. No. 4 P. 321-332.
  17. Junior I.C. Data mining with ant colony algorithms // ICIC. LNCS. 2013. V. 7996. P. 30-38.
  18. Martens D., De Backer M., Haesen R., Vanthienen J. Classi cation with ant colony optimization // IEEE Trans. Evol. Comput. 2007. V. 11. No. 5. P. 651-665.
  19. Pasia J.M., Hartl R.F., Doerner K.F. Solving a Bi-objective Flowshop Scheduling Problem by Pareto-Ant Colony Optimization // ANTS 2006. P. 294-305.
  20. Титов Ю.П. Опыт моделирования планирования поставок с применением модификаций метода муравьиных колоний в системах высокой доступности // Системы высокой доступности. 2018. Т. 14. № 1. С. 27-42.
  21. Синицын И.Н., Титов Ю.П. Оптимизация порядка следования гиперпараметров вычислительного кластера методом муравьиных колоний // Системы высокой доступности. 2022. Т. 18. № 3. С. 23-37. https://doi.org/10.18127/j20729472-202203-02
  22. Mishra Sudhanshu K. Some New Test Functions for Global Optimization and Performance of Repulsive Particle Swarm Method // University Library of Munich, Germany, MPRA Paper. 2006. https://doi.org/10.2139/ssrn.926132
  23. Layeb Abdesslem. New hard benchmark functions for global optimization. 2022. https://doi.org/10.48550/arXiv.2202.04606

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2023 The Russian Academy of Sciences