Search academic texts

Information × Registration Number 0826U000344, PhD dissertation Status Доктор філософії Date 24-03-2026 popup.evolution o Title Optimisation of neural network topology based on neuroevolutionary algorithms using distributed computing Author Iaroslav V. OMELIANENKO, popup.head Igor P. SINITSYN popup.opponent Vadym H. Tulchynskyi popup.opponent Pavlo M. Skladannyi popup.review Ruslan S. SHEVCHENKO popup.review Pavlo A. IVANENKO Description Об’єкт дослідження: процес побудови оптимальної топології ШНМ із застосуванням алгоритму NEAT. Предмет дослідження: методи, моделі та програмні засоби паралельної реалізації етапу оцінки придатності організмів у алгоритмі NEAT, а також методи кількісної оцінки ефективності такого паралельного виконання. Мета дисертаційної роботи: покращення ефективності алгоритму NEAT для підвищення швидкості навчання ШНМ в умовах ресурсних обмежень. У роботі розглянуто метод оптимізації нейроеволюційного алгоритму NEAT, що базується на формалізованому аналізі часових витрат еволюційного процесу та використанні паралельної моделі оцінки придатності. Запропонований підхід орієнтований на усунення обчислювальних обмежень, пов’язаних із домінуванням етапу оцінки придатності в загальному часі виконання алгоритму. У роботі отримано нові наукові результати: 1. Уперше запропоновано модифіковану модель Master–Worker для паралельної оцінки придатності в алгоритмі NEAT із збереженням коректності еволюційних механізмів. 2. Удосконалено та вперше запропоновано єдиний формалізований аналітичний підхід до оцінювання та оптимізації продуктивності алгоритму NEAT, що ґрунтується на поєднанні двох взаємодоповнювальних моделей: удосконаленої аналітичної моделі часових витрат нейроеволюційного процесу та вперше запропонованої інтегральної метрики оцінки ефективності алгоритму NEAT. 3. Вперше запропоновано метод оптимізації алгоритму NEAT для підвищення швидкості побудови топології штучних нейронних мереж, який базується на інтеграції моделі Master–Worker для паралельної оцінки придатності, а також моделі часових витрат і інтегральної метрики для оцінки ефективності отриманих рішень та загальної продуктивності алгоритму NEAT. Практичне значення отриманих результатів: теоретичні та експериментальні результати дозволили створити ефективні обчислювальні процедури та програмне забезпечення для прискорення нейроеволюційних алгоритмів без залучення спеціалізованих високопродуктивних-платформ. Реалізація виконана мовою програмування GO з використанням вбудованих механізмів конкурентного програмування. Запропонований метод забезпечує прискорення нейроеволюційного процесу до 10–11 разів порівняно з однопотоковою реалізацією та може застосовуватися у задачах керування, робототехніки, моделювання та інших прикладних галузях. Результати досліджень прийняті до впровадження у ДП «Український Державний Центр Радіочастот» та ТОВ Н’ЮГРАУНД. Registration Date 2026-02-26 popup.nrat_date 2026-02-26 Close