logo
calendar3 Dekabr 2019
view37
Основной язык:Русский

Анализ алгоритмов природных вычислений при решении задач оптимизации.

Область науки:
pdf

5de62df4b0d9e.pdf

PDF

Hisoblash va amaliy matematika muammolari

Hisoblash va amaliy matematika muammolari

Опубликовать статьюsee more

АННОТАЦИЯ СТАТЬИ

quote
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

АВТОРЫ

N.Niyozmatova

Центра разработки программных продуктов и аппаратно-программных комплексов при Ташкентском университете информационных технологий

Теги

# генетический алгоритм# genetic algorithm# gеnеtik algoritm# нечеткие множества# искусственные нейронные сети# муравьиный алгоритм# алгоритм роя частиц# ДНК-вычисления# искусственные иммунные системы# noravshan to’plamlar# sun’iy nеyron to’rlar# qushlar galasi algoritmi# DNKhisoblashlar# sun’iy immun tizimlar# fuzzy sets# artificial neural networks# ant algorithm# particle swarm algorithm# DNAcomputing# artificial immune systems

ДРУГИЕ СТАТЬИ ЭТОГО ЖУРНАЛА

Оценить статью

0
оценок: 0
5
4
3
2
1

Идентификаторы статьи

ROI:

https://eroi.uz/11.0007/A1219-0053

DOI:

Недоступно

Список литературы

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.

Мухамедиева Д.Т. Решение задач многокритериальной оптимизации при наличии неопределенности нестатического характера // Актуальные проблемы современной науки. – Москва, 2013. – № 2. – С.237- 239.

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.

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.

Мухамедиева Д.Т. Алгоритм кластеризации правил систем нечеткого вывода // Естественные и технические науки. – Москва, 2013. – № 2. – С.248-252.

Hopfield J.J., Tank D.W. “Neural” computation of decisions in optimization problems // Biological Cybernetics, 1985, vol. 52, no. 3. – Рp. 141-152.

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.

Hung D.L. Wang J. Digital hardware realization of a recurrent neural network for solving the assignment problem // Neurocomputing, 51, 2003. – Рp. 447-461.

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.

Мухамедиева Д.Т. Анализ особенностей генетических алгоритмов // Проблемы вычислительной и прикладной математики. – Ташкент, 2015. – № 1 (1). – С. 87-93.

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.

Bryant K., Benjamin A. Genetic Algorithms and the Traveling Salesman Problem, Department of Mathematics, HarveyMudd College, 2000.

Мухамедиева Д.Т. Анализ сходимости генетических алгоритмов к глобальному оптимуму // Узб. журнал «Проблемы информатики и энергетики». – Ташкент, 2015. – № 3-4. – С. 24-31.

Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. - Харьков, ОСНОВА, 1997. – 112 с

Cantu-Paz E., Efficient and Accurate Parallel Genetic Algorithms, Lawrence Limermore National Lab, 2000.

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.

Dorigo Marco, Stutzle T. Ant colony optimization. – Cambridge: The MIT Press, 2004. – 305 p.

Craig Reynolds. “Flocks, Herds, and Schools: A Distributed Behavioral Model” // Computer Graphics, 21(4), 1987. – Рр. 25-34.

J. Kennedy, R. C. Eberhart. “Particle swarm optimization” // In Proceedings of IEEE International Conference on Neural Networks, 1995. – Рр. 1942-1948.

Мухамедиева Д.Т., Ниёзматова Н.А. Синтез эволюционного генетического подхода с идеями адаптационной оптимизации // Доклады АН РУз. – Ташкент, 2013. – № 6. – С. 13-16.