Search academic texts

Information × Registration Number 2118U005294, Article popup.category Опубліковано, Стаття Title APPLICATION PARTICLE SWARM ALGORITHM TO MINIMIZE THE COST OF CONDUCTING MULTIVARIATE EXPERIMENT popup.author Кошовий М. Д.Беляєва А. А.Koshevoy N. D.Beliaieva A. A. popup.publication 29-05-2018 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/131546 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Вирішено актуальну завдачу отримання послідовності дослідів при проведенні повного факторного експерименту, що забезпечує його мінімальну вартість. Мета роботи – створення методу для оптимізації багатофакторних планів експерименту за допомогою алгоритму оптимізації роєм часток. Метод. Запропоновано метод побудови оптимальної матриці планування експерименту за вартістю реалізації з використанням алгоритму рою часток. Метод рою часток базується на моделюванні поведінки популяції частинок в просторі параметрів задачіоптимізації. На початку вводиться кількість чинників і вартість переходу для кожного рівня факторів. Потім з урахуванням введених даних формується зведена матриця планування експерименту. Частинки розкидані випадковим чином по всій зведеної матриці планування експерименту і кожна частинка має випадковий вектор швидкості. Після цього частинки починають переміщатися по рядках і стовпцях матриці. У кожній точці, де побувала частинка, розраховується значення вартості проведення експерименту. При цьому кожна частка запам’ятовує, яке (і де) краще значення вартості експерименту вона особисто знайшла і де розташована точка, яка є кращою серед усіх точок, які розвідали частки. На кожній ітерації частки коректують свою швидкість (модуль і напрямок), щоб з одного боку бути ближче до кращої точці, яку вона знайшла сама і, в той же час, наблизитися до точки, яка в даний момент є глобально кращої. Через деякий кількість ітерацій частки збираються поблизу найбільш хорошою точки. Потім коригується поточна координата кожної частки. Після цього розраховується значення вартості проведення експерименту в кожній новій точці, кожна частка перевіряє, чи не стала нова координата кращою серед усіх точок, де вона побувала. Потім серед усіх нових точок здійснюється перевірка, чи не знайшли ми нову глобально кращу точку, і, якщо знайшли, запам’ятовуємо її координати і значення вартості проведення експерименту в ній. Потім розраховується виграш в порівнянні з вихідною вартістю проведення експерименту. Результати. Розроблено програмне забезпечення, що реалізує запропонований метод, який використано при проведенні обчислювальних експериментів з дослідження властивостей методу. Висновки. Проведені експерименти підтвердили працездатність запропонованого методу і реалізує його програмного забезпечення, а також дозволяють рекомендувати їх для застосування на практиці при побудові оптимальних матриць планування експериментів. popup.nrat_date 2026-02-09 Close