На главную
Диссертация
Генетические алгоритмы

Группа исследований эволюционных алгоритмов (ТПУ)
Дискуссионная группа по эволюционным вычислениям

Написать письмо

Список моих работ. Некоторые доступны в формате pdf.

Для распаковки архивов необходимо наличие архиватора WinRAR версии 3.00 и выше.

Диссертация
Публикации в журналах
Публикации в трудах конференций
Разное



Глава к учебному пособию.

Цой Ю.Р., Спицын В.Г. Генетический алгоритм / Спицын В.Г., Цой Ю.Р. Представление знаний в информационных системах: учебное пособие. - Томск: Изд-во ТПУ, 2006г. - 146 с.

[pdf (rar, 358 kb)]
[pdf (379 kb)]

В начало


Публикации в журналах


  1. Цой Ю.Р. Приближенное вычисление локальных среднего и дисперсии для обработки цифровых изображений // Информационные технологии. - 2007. - № 4. - С. 28-32.

    Аннотация
    Представлены формулы для приближенного вычисления локальных средней и дисперсии яркости изображений. Исследование полученных формул показало, что точность вычисления среднего в большинстве случаев превышает уровень 20 дБ, а точность вычисления дисперсии не ниже 30 дБ. Время приближенных вычислений линейно зависит от радиуса окрестности и тем самым достигается более чем 30-кратный выигрыш по времени по сравнению с точными формулами для среднего и дисперсии (для окрестности 65х65 пикселей).


  2. Red'ko V.G., Tsoy Y.R. Efficiency of evolutionary search in quasispecies model // Нечеткие системы и мягкие вычисления, 2007, № 1. www: http://fuzzy.tversu.ru

    Abstract
    Efficiency of the evolutionary search in M.Eigen's quasispecies model is estimated. Simple analytical formulas for the evolution rate and the total number of fitness function calculations are obtained. Analytical estimations are proved by computer simulations. It is shown that for the case of unimodal fitness function of binary strings with length N, the optimal string can be found during N generations under condition that the total number of fitness function calculations is of the order of N2.


  3. Цой Ю.Р. Введение в нейроэволюционный подход: основные концепции и приложения // Научная сессия МИФИ - 2007. IX Всероссийская научно-техническая конференция "Нейроинформатика-2007": Лекции по нейроинформатике. Часть 2. -М.:МИФИ, 2007. - С. 43-76.

    Аннотация
    В лекции рассматривается нейроэволюционный (НЭ) подход - направление исследований, находящееся на стыке искусственных нейронных сетей (ИНС) и эволюционных вычислений. Выделены преимущества и недостатки НЭ-подхода при решении задач эволюционной настройки весов и структуры ИНС. Рассматривается применение НЭ-алгоритмов к решению задач адаптивного управления, адаптивного поведения, многоагентных систем, эволюционной робототехники, поиска игровых стратегий и компьютерного творчества.

    [pdf (420 Kb)]
    Презентация [rar, pps (1,665 kb)]


  4. Цой Ю.Р., Спицын В.Г., Чернявский А.В. Способ улучшения качества монохромных и цветных изображений, основанный на применении эволюционирующей нейронной сети // Информационные технологии. - 2006. - №7. - С. 27-33.

    Аннотация
    Предлагается нейроэволюционный способ улучшения качества монохромных и цветных изображений на базе локально-адаптивного подхода. При обучении искусственной нейронной сети используется обобщенная оценка качества обработанного изображения с точки зрения его контрастности. Представленные результаты экспериментов показывают перспективность предлагаемого способа по сравнению с методом, основанным на использовании только генетического алгоритма.


  5. Цой Ю.Р. О математических моделях эволюционных алгоритмов // Перспективные информационные технологии и системы. - 2006. - № 2. - С. 42-47. http://pitis.tsure.ru/

    Аннотация
    Ввиду нелинейности динамики эволюционных алгоритмов (ЭА) большой интерес представляют математические модели ЭА, позволяющие более детально изучить особенности их работы, а в некоторых случаях дающие возможность спрогнозировать качество результатов и оценить вычислительную сложность ЭА. В статье рассматриваются три подхода к созданию моделей ЭА: 1) на основе теории вероятностей, математической статистики и теории случайных процессов; 2) с использованием результатов, полученных в математической генетике; 3) с применением методов статистической механики. Описаны основные результаты, полученные с использованием перечисленных подходов.


  6. Цой Ю.Р., Спицын В.Г. Эволюционный подход к настройке и обучению искусственных нейронных сетей // Электронный журнал "Нейроинформатика". - 2006. - Т. 1, №1. - С. 34-61.

    Аннотация
    В статье рассматривается применение эволюционных алгоритмов (ЭА) для настройки структуры и поиска весов связей искусственных нейронных сетей (ИНС) - нейроэволюционный (НЭ) подход. Дается общая характеристика НЭ подхода, формулируются его преимущества и недостатки. Рассматриваются проблемы разработки НЭ алгоритмов и возможные пути их решения. Обосновывается использование эволюционного поиска весов связей ИНС для решения ряда задач, использующих качественную оценку функционирования ИНС.

    [pdf]


  7. Редько В.Г., Цой Ю.Р. Оценка эффективности эволюционных алгоритмов // Доклады АН, 2005, т. 404, №3, с. 312-315.



  8. Цой Ю.Р., Спицын В.Г. Нейроэволюционный подход // Нейрокомпьютеры: разработка и применение, 2005, №6, с. 15-25.

    Аннотация
    Одним из вариантов настройки искусственной нейронной сети (ИНС) является использование генетического алгоритма (ГА). Такой подход получил название "нейроэволюционный". Его преимуществом является универсальность, адаптивность, а также возможность настройки не только весов, но и топологии ИНС. В работе дается общее описание нейроэволюционных методов, рассматриваются основные преимущества и недостатки, кратко описываются основные тестовые проблемы и наиболее известные из существующих реализации нейроэволюционных алгоритмов.


  9. Tsoy Y.R., Spitsyn V.G. Using genetic algorithm with adaptive mutation mechanism for neural networks design and training // Optical memory and neural networks, 2004, vol. 13, no. 4, pp. 225-232.

    Abstract
    A developed evolutionary algorithm (NEvA) for simultaneous design and training of neural network is described. The distinctive features of the introduced algorithm are: (1) flexible and effective evolutionary search; (2) balanced resulting neural network structure due to adaptive mutation operator. In NEvA the neural network structure changes caused by mutation operator and the mutation rate are defined independently for each organism. Two different tasks are chosen to test the algorithm. The first one is a simple 2-bit parity problem, well known as XOR problem, and the second is an adaptive neurocontrol task of 1 and 2 poles balancing. A comparison of the obtained results with that of for other algorithms showed high performance of the NEvA algorithm.

В начало


Публикации в трудах конференций


  1. Цой Ю.Р. Вычислительные регуляторные сети // Научная сессия МИФИ - 2008. X Всероссийская научно-техническая конференция "Нейроинформатика-2008": Сборник трудов. В 3-х частях. Ч.1. М.:МИФИ, 2006. С. 184.

    [pdf (160 kb)] (доклад был стендовый, это полная версия)

    [ppt (661 kb)] (непоказанная презентация, из неопубликованного ;))


  2. Цой Ю.Р., Спицын В.Г., Чернявский А.В. Оценка визуального качества изображений с использованием интерактивной нейроэволюции // Нейроинформатика ее приложения и анализ данных: Материалы XV Всероссийского семинара, 5-7 октября 2007 г. / Под ред. А.Н. Горбаня, Е.М. Миркеса. - ИВМ СО РАН, Красноярск, 2007. - C. 163-165.

    [pdf (64 kb)]


  3. Янковская А.Е., Цой Ю.Р. Выбор оптимального подмножества диагностических тестов с использованием эволюционного подхода в интеллектуальных системах // Вторая международная конференция "Системный анализ и информационные технологии" (САИТ-2007), (10-14 сентября, 2007г., Обнинск). Труды конференции. - М.: Едиториал УРСС, 2007. - С. 185-188.


  4. Цой Ю.Р. ECWorkshop - инструментальная библиотека классов для эволюционных вычислений // Труды международных научно-технических конференций "Интеллектуальные системы (IEEE AIS'07)" и "Интеллектуальные САПР (CAD-2007)". - М.: Физматлит, 2007. - C.94-101.

    [pdf (132 kb)]


  5. Цой Ю.Р., Спицын В.Г., Чернявский А.В., Белоусов А.А., Сидоров Д.В. Улучшение качества изображений на основе применения искусственной нейронной сети // Доклады 9-й Международной конференции "Цифровая обработка сигналов и ее применение", 28-30 марта, 2007 г., Москва, Россия, Том 2, 2007, с. 570-574.


  6. Цой Ю.Р. К применению нейронных сетей для аппроксимации таблицы правил клеточного автомата // Нейроинформатика и ее приложения: Материалы XIV Всероссийского семинара, 6-8 октября 2006 г. / Под ред. А.Н. Горбаня, Е.М. Миркеса. - ИВМ СО РАН, Красноярск, 2006. - С. 129-130.

    [pdf (110 kb)]


  7. Цой Ю.Р. Один способ вычисления времени смешивания для генетических операторов скрещивания // Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-х т. Т.3. - М.: Физматлит, 2006. С. 1047-1054.

    [pdf (127 kb)]
    Презентация [pps (284 kb)]


  8. Цой Ю.Р. Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей // Всероссийская научная конференция по нечетким системам и мягким вычислениям НСМВ-2006 (20-22 сентября 2006г., Тверь): Труды конференции. - М.: Физматлит, 2006. - С. 231-244.

    [pdf (1.4 Mb)]
    Презентация [pps (2 220 kb)]


  9. Tsoy Y.R. Evolutionary Algorithms Design: State of the Art and Future Perspectives // Proceedings of IEEE East-West Design and Test Workshop (EWDTW'06). - Sochi, Russia, September 15-19, 2006. - P. 375-379.


  10. Spitsyn V.G., Tsoy Yu. R. Application of Evolving Artificial Neural Network for Image Processing // USNC/URSI National Radio Science and AMEREM Meetimgs. 9-14 July 2006, Albuquerque, New Mexico, USA. P. 745.


  11. Chernyavskii A.V., Tsoy Yu.R, Spitsyn V.G. Image processing using evolving neural network // XIII International Symposium "Atmospheric and Ocean Optics. Atmospheric Physics", Tomsk, July 2-6, 2006. P. 104.


  12. Спицын В.Г., Цой Ю.Р. Эволюционирующие искусственные нейронные сети // IV Всероссийская конференция студентов, аспирантов и молодых ученых "Молодежь и современные информационные технологии", Томск, 28 февраля - 2 марта, 2006. C. 411-413.

    [pdf (rar, 134 kb)]
    [pdf (142 kb)]
    Презентация с заметками к докладу [pps (4 927 kb)]


  13. Цой Ю.Р., Спицын В.Г., Чернявский А.В. Нейроэволюционное улучшение качества изображений // Научная сессия МИФИ - 2006. VIII Всероссийская научно-техническая конференция "Нейроинформатика-2006": Сборник трудов. В 3-х частях. Ч.1. М.:МИФИ, 2006. С. 181-189.

    Аннотация
    Описывается метод улучшения качества цветных и монохромных изображений посредством попиксельной обработки с применением нейроэволюционного алгоритма. Представлены первые результаты экспериментов и сформулированы основные направления дальнейшей работы.

    [pdf (rar, 905 kb)]
    [pdf (915 kb)]


  14. Цой Ю.Р. Настройка клеточных автоматов с помощью искусственных нейронных сетей // Научная сессия МИФИ - 2006. VIII Всероссийская научно-техническая конференция "Нейроинформатика-2006": Сборник трудов. В 3-х частях. Ч.3. М.:МИФИ, 2006. С. 49-55.

    Аннотация
    Рассматривается применение искусственных нейронных сетей (ИНС) для настройки клеточных автоматов. Описываются возможные варианты поставленной задачи. Предлагаются два варианта решения: точное решение и "усреднение" таблицы правил клеточного автомата. Рассматриваются вопросы оценки и обучения ИНС для решения поставленной задачи.

    [pdf (rar, 121 kb)]
    [pdf (131 kb)]


  15. Цой Ю.Р., Спицын В.Г. Применение нейроэволюционного подхода для решения задач классификации и аппроксимации // Материалы XIII Всероссийского семинара "Нейроинформатика и ее приложения". Красноярск, 2005. С. 123-124.

    [pdf (rar, 164 kb)]
    [pdf (170 kb)]
    Презентация с заметками к докладу [pps (1 160 kb)]


  16. Yankovskaya A.E., Tsoy Y.R. Optimization of a Set of Tests Selection Satisfying the Criteria Prescribed Using Compensatory Genetic Algorithm // Proceedings of IEEE East-West Design & Test Workshop (EWDTW'05), Ukraine, 2005. P. 123-126.

    Abstract
    Optimization problem of selection of an optimum tests subset from the set of tests of satisfying the prescribed criteria is considered. Compensatory genetic algorithm for selection of an optimum subset of tests is introduced. The advisability of application of this algorithm in the intelligent test recognition systems for problem solution from different problem areas is shown.


  17. Редько В.Г., Цой Ю.Р. Уточнение оценок эффективности эволюционных алгоритмов. // Сб. трудов Международной научно-технической конференции "Интеллектуальные системы, IEEE AIS'05". Т.1. М.: Физматлит, 2005. С 7-11.

    Аннотация
    Проверены путем компьютерного моделирования оценки эффективности простых эволюционных алгоритмов, выполненные в работе [Редько, 2004]. Численные расчеты подтвердили, что для унимодальной функции приспособленности при достаточно разумно выбранных параметрах эволюционного процесса число этапов эволюции и общее число вариантов, необходимых для поиска экстремума функции, растут соответственно линейно и квадратично с увеличением размерности задачи.

    [pdf (110 kb)]


  18. Цой Ю.Р., Спицын В.Г. Исследование генетического алгоритма с динамически изменяемым размером популяции // Сб. трудов Международной научно-технической конференции "Интеллектуальные системы, IEEE AIS'05". Т.1. М.: Физматлит, 2005.

    Аннотация
    Актуальность исследований генетических алгоритмов (ГА) с динамически изменяемым размером популяции заключается в преимуществе, с точки зрения сложности алгоритма, адаптации размера популяции перед адаптацией других параметров ГА [Back et al, 2000]. Как правило, адаптация размера популяции осуществляется с использованием эвристических правил, созданных разработчиком, исходя из его личного опыта. В данной статье отражены результаты исследования ГА с постепенно изменяющимся размером популяции для решения задач численной оптимизации. Рассматриваются варианты ГА с различными стратегиями селекции и характеристиками оператора кроссовера. На основе полученных данных предлагается общий подход к изменению размера популяции. Формулируется ряд проблем, связанных с разработкой ГА с адаптивным размером популяции.

    [pdf (rar, 185 kb)]
    [pdf (195 kb)]


  19. Tsoy Y.R., Spitsyn V.G. Using Genetic Algorithm with Adaptive Mutation Mechanism for Neural Networks Design and Training // Proceedings of 9-th Korea-Russia International Symposium on Science and Technology KORUS-2005. Novosibirsk, 2005. P. 237-241.

    Abstract
    In this paper a developed evolutionary algorithm (NEvA) for simultaneous connections and weights of neural network training is described. A distinctive feature of the algorithm is flexible and effective evolutionary search and a balanced resulting neural network structure due to adaptive mutation operator. In NEvA neural network structure changes, caused by mutation operator, as well as mutation rate are defined independently for each individual. Two different problems are chosen to test the algorithm. The first one is a simple 2-bit parity problem, well known as XOR problem, and the second is a neurocontrol problem of 1 and 2 poles balancing. A comparison of obtained results with results of other algorithms is presented.

    [pdf (rar, 198 kb)]
    [pdf (220 kb)]
    Презентация с заметками к докладу [pps (162 kb)]


  20. Редько В.Г., Цой Ю.Р. Оценка эффективности простейшей версии генетического алгоритма // Труды III-го Международного научно-практического семинара "Интегрированные модели и мягкие вычисления в искусственном интеллекте". М.: Физматлит, 2005. С.281-286.

    [pdf (97 kb)]


  21. Янковская А.Е., Цой Ю.Р. Оптимизация выбора множества тестов с использованием генетического алгоритма // Труды III-го Международного научно-практического семинара "Интегрированные модели и мягкие вычисления в искусственном интеллекте". М.: Физматлит, 2005. С.287-293.


  22. Цой Ю.Р., Спицын В.Г. Адаптивный оператор мутации для нейроэволюционного алгоритма // Труды XI Международной научно-практической конференции студентов и молодых ученых "Современные техника и технологии". В 2-х томах. Т.2. Томск: Издательство ТПУ, 2005. С. 262-264.

    Аннотация
    Рассматривается применение эволюционного подхода для настройки искусственной нейронной сети (ИНС). Описан полностью адаптивный оператор мутации для генетического алгоритма (ГА) для одновременного поиска топологии и обучения ИНС. Представлены результаты работы разработанного алгоритма (NEvA) для проблемы Исключающего ИЛИ и задачи адаптивного нейроуправления. Проводится сравнение полученных данных с результатами других алгоритмов.

    [pdf (rar, 138 kb)]
    [pdf (145 kb)]
    Презентация с заметками к докладу [pps (174 kb)]


  23. Цой Ю.Р., Спицын В.Г. Применение генетического алгоритма для решения задачи адаптивного нейроуправления. // Труды VII Всероссийской научно-технической конференции "Нейроинформатика-2005". В 2-х томах. Т.1. М.: МИФИ, 2005. C. 35-43.

    Аннотация
    В работе описывается разработанный генетический алгоритм для одновременной настройки весов и структуры искусственной нейронной сети (NEvA). Отличительными особенностями разработанного подхода являются гибкий и эффективный эволюционный поиск, сбалансированность структур получаемых ИНС, а также возможность удаления малоинформативных входных признаков. Рассматривается возможность применения разработанного алгоритма для решения задачи нейроуправления. Проводится сравнение полученных результатов с результатами работы существующих алгоритмов.

    [pdf (rar, 181 kb)]
    [pdf (191 kb)]


  24. Цой Ю.Р., Спицын В.Г. К выбору размера популяции // Труды международных научно-технических конференций "Интеллектуальные системы (IEEE AIS'04)" и "Интеллектуальные САПР (CAD-2004)". Научное издание в 3-х томах. Т.1. М.: Физматлит, 2004. С. 90-96.

    Аннотация
    В работе рассматривается связь размера популяции с другими параметрами генетического алгоритма. Описана найденная зависимость относительной приспособленности особей в различных поколениях для некоторых задач оптимизации. Высказано предположение о значимости величины средней относительной приспособленности в первом поколении.

    [doc (rar, 22 kb)]
    [doc (62 kb)]
    Презентация [pps (104 kb)]


  25. Yuri R. Tsoy, Vladimir G. Spitsyn. Use of Design Patterns for Design of the Software Environment for Researhces in Genetic Algorithms // Proceedings of 8-th Korea-Russia International Symposium on Science and Technology KORUS-2004. Tomsk, 2004. P. 166-168.

    Abstract
    Genetic algorithms are known as common and robust optimization concept. One of their main disadvantages is the lack of theoretical and practical research results. We are going to introduce program environment "GA Workshop" project that will have convenient tools for research purposes. This software is designed with use of design patterns approach, which guarantees further extendibility, flexibility and scalability of introduced program product. This software will be distributed free with its source codes for research and education centers.

    [pdf (rar, 106 kb)]
    [pdf (116 kb)]
    Презентация [pps (60 kb)]


  26. Цой Ю.Р., Спицын В.Г. Многоагентный нейроэволюционный подход к адаптивному управлению // Труды Х Юбилейной международной научно-практической конференции студентов и молодых ученых "Современные техника и технологии". Томск: Издательство ТПУ, 2004. С. 219-220.

    Аннотация
    В работе описывается один из возможных вариантов построения многоагентной системы (МАС), использующей нейроэволюционный (НЭ) подход. Рассматривается применение этой системы для задачи преследования жертвы (prey capture).

    [pdf (rar, 145 kb)]
    [pdf (161 kb)]
    Презентация [pps (71 kb)]


  27. Yuri R. Tsoy, Vladimir G. Spitsyn. A Compensatory Genetic Algorithm // Proceedings of 10-th Jubilee international conference "Modern technique and technologies". Tomsk, 2004. P. 131-133.

    Abstract
    A new subclass of genetic algorithms (GA) is introduced. The primary idea of its creation is to extend searching abilities and prevent premature convergence. Some unexpected results such as inverse dependence of algorithm performance from population size and possible solution of some of the direct encoding problems are discussed.

    [pdf (rar, 114 kb)]
    [pdf (133 kb)]
    Презентация [pps (94 kb)]


  28. Цой Ю.Р., Спицын В.Г. Использование генетического алгоритма для настройки весов и структуры искусственной нейронной сети // Труды 2-й Всероссийской научно-практической конференции студентов "Молодежь и современные информационные технологии". Томск: Издательство ТПУ, 2004. С. 221-223.

    Аннотация
    Рассматривается задача одновременной настройки весов и структуры искусственной нейронной сети с помощью генетического алгоритма. Анализируются результаты решения проблемы "ИСКЛЮЧАЮЩЕГО ИЛИ".

    [pdf (rar, 151 kb)]
    [pdf (173 kb)]


  29. Цой Ю.Р., Спицын В.Г. Генетический алгоритм настройки искусственной нейронной сети // Тезисы докладов конференции-конкурса студентов, аспирантов и молодых ученых "Технологии Microsoft в информатике и программировании". Новосибирск, 2004. С. 131-133.

    [pdf (rar, 99 kb)]
    [pdf (116 kb)]
    Презентация [pps (378 kb)]


  30. Spitsyn V.G., Fedotov I.V., Tsoy Yu.R. Stochastic model of electromagnetic wave propagation in stratified absorbing media inclusive a semitransparent objects // 2004 National Radio Science Meeting (URSI 2004). Boulder, USA, 2004. P. 364.


  31. Yuri R. Tsoy. The influence of population size and search time limit on genetic algorithm // Proceedings of 7-th Korean-Russian International Symposium on Science & Technology (KORUS 2003). University of Ulsan, Korea, 2003. P. 181-187.

    Abstract
    Genetic algorithms use numerous parameters in their work. Most researches investigated different selection strategies and genetic operators and their influence on schema dynamics, but only few of them tried to understand deeply influence of population size and generations number limit. In this paper we will try to take a deeper look on the problem of the population size and limit of generations given for the search of the solution. This research involves investigation of GA's behavior on the different types of functions. These include functions with many optimums, functions with limits in search space (non-linear programming tasks) and NP-problem functions. Author is going to show that population size increase improves the performance of GA and affects results more than change of generations number limit.

    [pdf (rar, 148 kb)]
    [pdf (168 kb)]


  32. Цой Ю.Р., Спицын В.Г. Решение задач линейного программирования с помощью генетического алгоритма // Труды региональной научно-практической конференции студентов "Молодежь и современные информационные технологии", Томск, 2003. С. 8-9.

    Аннотация
    В данном докладе рассматривается решение некоторых экономических задач с использованием механизма эволюционных вычислений. Для примера были взяты задача о рационе и транспортная задача. Демонстрируются возможности ГА при решении задач оптимизации.

    [pdf (rar, 124 kb)]
    [pdf (143 kb)]


  33. Цой Ю.Р., Спицын В.Г. Применение генетического алгоритма в задачах оптимизации многоэкстремальных функций // Труды региональной научно-практической конференции студентов "Молодежь и современные информационные технологии", Томск, 2003. С. 10-11.

    Аннотация
    В работе рассматривается использование генетического алгоритма для решения задач оптимизации унимодальных, многоэкстремальных функций и функций с нелинейной невыпуклой областью ограничений.

    [pdf (rar, 127 kb)]
    [pdf (149 kb)]

В начало


Разное



  1. Пояснительная записка к выпускной квалификационной работе

    Цой Ю.Р. Разработка генетического алгоритма настройки искусственной нейронной сети. Томский политехнический университет, Томск, 2004г.

    [pdf (rar, 528 kb)]
    [pdf (574 kb)]



  2. Презентация к семинару на кафедре вычислительной техники Томского политехнического университета от 17.11.2005

    Цой Ю.Р. Применение методов эволюционных вычислений для настройки и обучения искусственной нейронной сети. Томск, 2005.

    Презентация [pps (rar, 1,2 Mb)]

    В начало


Made by Qai. Copyright © 2006.
Hosted by uCoz