532

Обсуждаются современные методы решения задач оптимизации: нечеткие множества, искусственные
нейронные сети, генетический алгоритм, муравьиный алгоритм, алгоритм роя частиц, ДНК-вычисления и
новый подход, основанный на искусственных иммунных системах. Все эти методы относятся к направлению
«природных вычислений», т.е. моделируют те или иные биологические процессы, алгоритмы которых природа
создавала миллионы лет. Анализ показал, что алгоритм, основанный на муравьином алгоритме и на
искусственных иммунных системах, применительно к классической задаче маршрутизации, показали хорошие
результаты, так как эти алгоритмы гораздо быстрее адаптируются к изменениям внешних условий

  • Read count475
  • Date of publication08-09-2016
  • Main LanguageRus
  • Pages63-71
Русский

Обсуждаются современные методы решения задач оптимизации: нечеткие множества, искусственные
нейронные сети, генетический алгоритм, муравьиный алгоритм, алгоритм роя частиц, ДНК-вычисления и
новый подход, основанный на искусственных иммунных системах. Все эти методы относятся к направлению
«природных вычислений», т.е. моделируют те или иные биологические процессы, алгоритмы которых природа
создавала миллионы лет. Анализ показал, что алгоритм, основанный на муравьином алгоритме и на
искусственных иммунных системах, применительно к классической задаче маршрутизации, показали хорошие
результаты, так как эти алгоритмы гораздо быстрее адаптируются к изменениям внешних условий

Ўзбек

Maqolada muqobillashtirish masalasini yеchuvchi zamonaviy usullar: noravshan to’plamlar, sun’iy nеyron to’rlar,
gеnеtik algoritm, chumoli algoritmi, qushlar galasi algoritmi, DNK-hisoblashlar va sun’iy immun tizimlariga
asoslangan yangi yondoshuv muhokama qilingan. Bu usullarning barchasi “tabiiy hisoblashlar” yo’nalishiga tеgishli,
ya’ni tabiat million yillar davomida yaratgan u yoki bu biologik jarayonni imitatsiya qiladi. Tahlillar shuni ko’rsatdiki,
chumoli algoritmi va sun’iy immun tizimlariga asoslangan algoritmlar marshrutizatsiyaning klassik masalasiga
qo’llanilib, yaxshi natijalar olindi, chunki bu algoritmlar tashqi sharoit o’zgarishiga ancha tеz moslashadi.

English

The article discusses modern methods for solving optimization problems: fuzzy sets, artificial neural networks, genetic
algorithm, ant algorithm, particle swarm algorithm, DNA-computing, and a new approach based on artificial immune
system. All of these methods relate to the direction of "natural computing," i.e. simulate those or other biological
processes, algorithms which nature has created millions of years. The analysis showed that the algorithm based on ant
algorithm and artificial immune systems, in relation to the classic routing problem showed good results as these
algorithms much more quickly adapt to changes in external conditions.

№ Name of reference
1 Мухамедиева Д.Т. Эволюционные алгоритмы решения многокритериальных задач оптимизации. Издательство «Palmarium Academic Publishing». AV Akademikerverlag GmbH&Co.KG Heinrich-Böcking-Str. 6-8, 66121 Saarbrucken, Germany, 2015. – 262 с.
2 Мухамедиева Д.Т. Решение задач многокритериальной оптимизации при наличии неопределенности нестатического характера // Актуальные проблемы современной науки. – Москва, 2013. – № 2. – С.237- 239.
3 Бычков Е.Д. Приложение теории нечетких (Fuzzy) множеств в математических моделях систем связи. Исследования и материалы: Приложение к журналу «Омский научный вестник» / Бычков Е.Д., Салахутдинов Р.З., Лендикрей В.В. – Омск: ОГМА, 2000. – 188 с.
4 Bekmuratov T.F., Muhamediyeva D.T., Primova X.A., Niyozmatova N.A. Assessment of weakly formalized process based on the fuzzy integral. // Proceedings of eighth International Conference on Soft Computing, Computing with Words and Perceptions in system Analysis, Decision ICSCCW-2015, Antalya, Turkey, 2015. – Рp.391-397.
5 Мухамедиева Д.Т. Алгоритм кластеризации правил систем нечеткого вывода // Естественные и технические науки. – Москва, 2013. – № 2. – С.248-252.
6 Hopfield J.J., Tank D.W. “Neural” computation of decisions in optimization problems // Biological Cybernetics, 1985, vol. 52, no. 3. – Рp. 141-152.
7 Мухамедиева Д.Т., Мингликулов З.Б. Решение задачи оптимального исследования рынка с применением нейронных сетей // Актуальные проблемы современной науки. – Москва, 2010. – № 5. – С. 131-134.
8 Hung D.L. Wang J. Digital hardware realization of a recurrent neural network for solving the assignment problem // Neurocomputing, 51, 2003. – Рp. 447-461.
9 Holland J. H. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence. – London: Bradford book edition, 1994. – 211 p.
10 Мухамедиева Д.Т. Анализ особенностей генетических алгоритмов // Проблемы вычислительной и прикладной математики. – Ташкент, 2015. – № 1 (1). – С. 87-93.
11 Мухамедиева Д.Т., Агзамходжаева М.Р. Решение задачи оптимального использования торговых агентов с помощью генетического алгоритма // Актуальные проблемы современной науки. – Москва, 2010. - № 5. – С. 128-131.
12 Bryant K., Benjamin A. Genetic Algorithms and the Traveling Salesman Problem, Department of Mathematics, HarveyMudd College, 2000.
13 Мухамедиева Д.Т. Анализ сходимости генетических алгоритмов к глобальному оптимуму // Узб. журнал «Проблемы информатики и энергетики». – Ташкент, 2015. – № 3-4. – С. 24-31.
14 Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. - Харьков, ОСНОВА, 1997. – 112 с
15 Cantu-Paz E., Efficient and Accurate Parallel Genetic Algorithms, Lawrence Limermore National Lab, 2000.
16 Ниёзметова Н.А. Ускоренный генетический алгоритм с групповым принципом и направленной мутацией // Узб. журнал «Проблемы информатики и энергетики». – Ташкент, 2013. – № 1-2. – С. 75-77.
17 Dorigo Marco, Stutzle T. Ant colony optimization. – Cambridge: The MIT Press, 2004. – 305 p.
18 Craig Reynolds. “Flocks, Herds, and Schools: A Distributed Behavioral Model” // Computer Graphics, 21(4), 1987. – Рр. 25-34.
19 J. Kennedy, R. C. Eberhart. “Particle swarm optimization” // In Proceedings of IEEE International Conference on Neural Networks, 1995. – Рр. 1942-1948.
20 Мухамедиева Д.Т., Ниёзматова Н.А. Синтез эволюционного генетического подхода с идеями адаптационной оптимизации // Доклады АН РУз. – Ташкент, 2013. – № 6. – С. 13-16.
Waiting