Хивинцев Максим Андреевич – аспирант кафедры бизнес-аналитики, факультет бизнес-информатики, Национальный исследовательский университет «Высшая школа экономики».
Адрес: 101000, Москва, Мясницкая ул., 20.
E-mail: mkhivintsev@hse.ru

Акопов Андраник Сумбатович – доктор технических наук, профессор кафедры бизнес-аналитики, факультет бизнес-информатики, Национальный исследовательский университет «Высшая школа экономики».
Адрес: 101000, Москва, Мясницкая ул., 20.
E-mail: aakopov@hse.ru

Одна из проблем решения оптимизационных задач заключается в том, что оптимизация сразу по множеству критериев требует значительных временных и вычислительных ресурсов. При этом, поскольку целевые функции многих (более 10) переменных порождают многомерное пространство поиска решений, вычислительная сложность оптимизационной задачи, как правило, становится преградой к ее решению за допустимое время. Аналитическое описание и строгое решение такой задачи на практике, как правило, не осуществимо.

Целью исследования является разработка распределенной эволюционной сети, предназначенной для решения многокритериальных оптимизационных задач большой размерности. Представлен новый подход к построению комплексного программного решения по интеграции распределенной эволюционной сети с системой имитационного моделирования AnyLogic.

В статье представлен новый подход к решению многокритериальных  оптимизационных задач большой размерности, реализуемых, в частности, в системах имитационного моделирования класса AnyLogic с помощью распределенных вычислений. Предложена новая концепция построения распределенной эволюционной сети, основанная на разбиении пространства искомых переменных на кластеры и присвоения каждому вычислительному элементу сети своего кластера, по которому  осуществляется поиск промежуточных результатов с помощью взаимодействующих генетических алгоритмов. Предложенный подход основан на использовании распределенной эволюционной сети, в которой эффект от распараллеливания вычислительных процессов выше, чем при классической островной модели. Это достигается благодаря способности алгоритма к разбиению всего пространства решений на кластеры, каждый из которых передается на свой вычислительный процесс, исполняя генетический алгоритм на локальном уровне. В этом случае для генетического алгоритма, работающего с целевыми функциями из меньшего числа переменных, для качественных решений требуется меньший размер популяции. В результате происходит сокращение числа вызовов функций приспособленности, что ведет к значительному снижению времени схождения алгоритма к конечному решению.

На основе данного подхода разработан платформенно-независимый программный комплекс на языке программирования Java, позволяющий интегрировать распределенную эволюционную сеть и имитационные модели, разработанные в системе имитационного моделирования AnyLogic.