Полное описание

Андриянов, Никита Андреевич. Выбор архитектуры искусственной нейронной сети для оценки состояния популяции генетического алгоритма в задаче структурно-параметрического синтеза имитационных моделей бизнес-процессов / Н. А. Андриянов, Д. А. Петросов, А. В. Поляков. - DOI 10.36871/2618-9976.2023.12.007. - Текст : непосредственный // Мягкие измерения и вычисления : научный журнал. - 2023. - Т. 73, N 12. - С. 70-81. - Библиогр. в конце ст. - ISSN 2618-9976.

ГРНТИ	УДК
28.23	004.8
28.23.25	004.032.26
28.23.37	004.89
28.23.27	004.85

Рубрики:
Искусственный интеллект
Нейронные сети
Интеллектуальные системы

Кл.слова (ненормированные): искусственные нейронные сети -- структурно-параметрический синтез -- бизнес-процессы -- интеллектуальные системы -- генетический алгоритм -- машинное обучение -- глубокое обучение -- искусственная нейронная сеть
Аннотация: В данной статье предложено исследование, направленное на определение архитектуры искусственных нейронных сетей для решения задачи определения состояния популяции генетического алгоритма, адаптированного к решению задачи структурно-параметрического синтеза имитационных моделей бизнес-процессов. В качестве исходных данных для обучения искусственной нейронной сети использовались результаты вычислительных экспериментов, полученные при работе модели генетического алгоритма на основе математического вложенных сетей Петри, решающей задачу синтеза моделей бизнес-процессов (моделей сетей Петри) на основе заданного поведения. В качестве примеров архитектур искусственной нейронной сети для управления процессом поиска решений на основе эволюционной процедуры рассмотрены: полносвязанная искусственная нейронная сеть (FCNN), простая рекуррентная искусственная нейронная сеть (Simple RNN), рекуррентная сеть долгой кратковременной памяти (LSTN), рекуррентная сеть типа закрытый рекуррентный блок (GRU) и двунаправленная LSTM (Bidirectional LSTM). В качестве алгоритмов глубокого обучения использовались: Support Vector Classifier, Decision Tree Classifier и Random Forest Classifier. В статье рассмотрены представленные архитектуры искусственных нейронных сетей и различные методы обучения. На основании проведенных вычислительных экспериментов и анализа полученных результатов были сделаны выводы о целесообразности применения искусственных нейронных сетей с архитектурой RNN для решения задачи распознавания состояния популяции и управления процессом синтеза решений.
Доп. точки доступа:
Петросов, Давид Арегович
Поляков, А.В.


Нет сведений об экземплярах
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -974894-000171)

Шифр в сводном ЭК: f011e19de09a0943a3c2f2ce81d0319a

Заказать
Заказ фрагмента документа ₽