ФРЕЙМВОРК ГЛОБАЛЬНОЙ ОПТИМИЗАЦИИ С ПАРАЛЕЛЛЕПИПЕДНЫМИ ОГРАНИЧЕНИЯМИ // Инновационные технологии в науке и образовании: материалы IV Международной научно-практической конференции (28.08.2015 – 30.08.2015, Улан-Удэ). Научный редактор: С. Л. Буянтуев, Ма Тун Цай, Ответственный редактор: Е. Р. Урмакшинова, - Улан-Удэ: Издательство Бурятского государственного университета, 2015. - С. 275-278.
ФРЕЙМВОРК ГЛОБАЛЬНОЙ ОПТИМИЗАЦИИ С ПАРАЛЕЛЛЕПИПЕДНЫМИ ОГРАНИЧЕНИЯМИ
Глобальная оптимизация с параллелепипедными ограничениями является одной из наиболее общих и востребованных областей математики в свете решения актуальных прикладных задач анализа данных и машинного обучения. В силу актуальности тематики и увеличения производительности вычислительной техники растет интерес исследователей-практиков — разрабатывается достаточно много новых подходов, методов, алгоритмов. И одной из актуальных проблем являются вопросы эффективной реализации и сравнительного анализа разрабатываемого алгоритмического обеспечения. Для эмпирического сравнения, как правило, приходится реализовывать не только свой алгоритм, но и целый ряд сторонних алгоритмов, а также проводить большое количество испытаний на наборе одинаковых тестовых задач. В работе рассматриваются подходы к созданию программного фреймворка глобальной оптимизации,призванного упростить процессы тестирования разработанного алгоритмического обеспечения.
The global optimization with parallelepiped limitations is one of the most common
and popular areas of mathematics in the light of current applications for data analysis
and machine learning.
Due to the subject relevance and the increased computer production one can observe
a growing interest of researchers and practitioners — quite a lot of new approaches,
methods and algorithms are being developed. Among the most urgent problems
there are the issues of effective implementation and comparative analysis of algorithmic
software. For the empirical comparison, as a rule one has to implement not
only the algorithm, but also a number of third-party algorithms, and to spend a large
number of testing hours on the same set of test problems. The paper discusses the
approaches on creating of a software framework of the global optimization designed
to simplify the process of testing of the developed algorithmic support
глобальная оптимизация, параллелепипедные ограничения, анализ данных, программное обеспечение.
global optimization, box constrained optimization, data analysis.
1. Differentialevolution (DE) forcontinuousfunctionoptimization (analgorithmbyKennethPrice and RainerStorn) [Electronic resourse]. URL: http://www1.icsi.berkeley.edu/~storn/code.html, свободный. Загл. с экрана.
2. Equation of state calculations by fast computing machines / N. Metropolis, A. W.Rosenbluth, M. N. Rosenbluth, A. H. Teller, E. Teller // The journal of chemical physics.1953. Vol. 21 (6). P. 1087-1092.
3. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning.Reading: Addison Wesley, 1989.
4. Kennedy J., Eberhart R. C. Particle swarm optimization // In Proceedings of IEEEInternational Conference on Neural Networks. 1995. P 1942–1948.
5. Mitchell M. An Introduction to Genetic Algorithms. Cambridge: MIT Press, 1999.158 p.
6. Storn R., Price K. V. Differential evolution — a simple and efficient adaptive scheme for global optimization over continuous spaces: technical report TR-95-012. Berkeley,ICSI, 1995. 15 p.
7. Szu H. H., Hartley R. L. Fast Simulated Annealing //Physical Letters. 1987. № 122.P. 157–162.
8. Еремеев А. В. Генетические алгоритмы и оптимизация: учеб. пособие. Омск:Изд-во Омского гос. ун-та, 2008. 48 с.
9. Лопатин А. С. Метод отжига // Стохастическая оптимизация в информатике.2005. №1. С. 133–149.
10. Панченко Т. В. Генетические алгоритмы: учеб.-метод. пособие / под ред.Ю. Ю. Тарасевича. Астрахань: Астраханский университет, 2007. 87 с.