Архив статей журнала
Актуальность. В последние десятилетия метаэвристические методы оптимизации стали популярными для решения сложных задач, требующих поиска глобальных экстремумов. Алгоритмы, такие как генетический алгоритм (GA), оптимизация колоний муравьев (ACO), оптимизация роя частиц (PSO), а также более современные подходы, как алгоритм кошачьей стаи (CSO) и оптимизация стаи серых волков (GWO), демонстрируют высокую эффективность, но их применение зачастую ограничивается условиями непрерывности и дифференцируемости целевых функций. Это представляет собой вызов при решении задач с дискретными данными, где такие требования не соблюдаются. В данном контексте особую актуальность приобретает поиск методов, позволяющих адаптировать метаэвристические алгоритмы для работы с дискретными функциями.
Цель исследования направлена на проверку гипотезы о возможности использования нейронной сети, обученной на ограниченном наборе дискретных данных, в качестве аппроксимации функции, достаточной для корректного выполнения алгоритма GWO при поиске глобального минимума.
Методы. Исследование основано на анализе существующих подходов и экспериментальной проверке гипотезы на двух тестовых функциях: линейной функции и функции Бута, которые широко применяются в качестве стандартов для оценки производительности алгоритмов оптимизации. Для получения результатов проведены численные эксперименты с использованием нейронных сетей в качестве аппроксимирующей модели.
Решение. В ходе экспериментов проведен анализ применимости нейронных сетей для аппроксимации дискретных функций, показавший успешность данного подхода. Было установлено, что нейронные сети могут с высокой точностью аппроксимировать дискретные функции, создавая условия для успешного поиска глобального минимума с использованием алгоритма GWO.
Новизна. Впервые предложена и проверена гипотеза о применении нейронных сетей для аппроксимации целевых функций в задачах метаэвристической оптимизации на дискретных данных. Это направление ранее не получило должного освещения в научной литературе, что придает ценность полученным результатам и подтверждает эффективность предложенного подхода.
Значимость. Результаты исследования открывают новые перспективы для применения алгоритмов, таких как GWO, в задачах оптимизации, основанных на дискретных данных, расширяя возможности метаэвристических методов и способствуя их внедрению в более широкий класс прикладных задач, включая задачи, где применение других методов ограничено.
Рассматривается задача уменьшения размерности исходных массивов данных для улучшения эффективности обработки трафика мобильных приложений. Актуальность исследования обусловлена необходимостью оптимизации объемов передаваемых и хранимых данных при работе в условиях ограниченных вычислительных ресурсов, а также повышения скорости и качества аналитических операций. Для решения поставленной задачи применяются многослойные автокодировщики, способные формировать компактные представления исходных данных с минимальными потерями в их информативности. Подход базируется на идее обучения нейросетевых моделей, извлекающих наиболее существенные признаки из исходных массивов и способных восстанавливать их с заданным уровнем точности.
Используемые методы. В ходе экспериментов применялись различные архитектуры многослойных автокодировщиков, отличающиеся количеством слоев и размерностями скрытых представлений. Исследования проводились на реальных наборах данных, собранных из мобильных приложений широкого спектра функционала. Анализ осуществлялся путем варьирования внутренних параметров сетей и оценки результатов через интегральный статистический показатель, отражающий степень сжатия. Данный показатель позволяет выявить, насколько сильно изменяется разброс атрибутов при пропускании данных через автокодировщик.
Результаты. Для оценки фильтрующих свойств многослойных автокодировщиков предложен интегральный показатель сжатия, характеризующий изменение разброса атрибутов мобильных приложений при пропускании их через автокодировщик заданной структуры. Показатель рассчитывается как отношение среднеквадратического отклонения атрибутов на входе и на выходе, что позволяет оценить степень сжатия данных и степень сохранности информации после обработки. Показано, что увеличение интегрального показателя сжатия свидетельствует о более значительном сжатии исходных данных. Установлено, что фильтрация практически не зависит от типа приложения и лежит в пределах 10-20 % для автокодировщиков с тремя слоями, тогда как для пятислойных автокодировщиков предпочтение отдается кодировщикам с минимальной размерностью внутреннего слоя.
Основная новизна работы заключается в разработке интегрального статистического показателя, который не только отражает степень сжатия данных мобильных приложений, но и учитывает сохранность исходной информационной структуры. В отличие от существующих подходов, данный показатель позволяет проводить систематическое сравнение различных архитектур автокодировщиков с учетом не только уменьшения размерности, но и качества восстановления исходной информации. Это создает основу для более объективной оценки эффективности многослойных автокодировщиков в конкретных прикладных условиях.
Практическая значимость. Предложенная методология может быть полезна разработчикам и исследователям, работающим над оптимизацией систем сбора, хранения и обработки данных мобильных приложений. В условиях ограниченных вычислительных ресурсов, характерных для мобильных устройств и встроенных систем, использование многослойных автокодировщиков, настроенных на достижение заданного баланса между сжатием и сохранением информации, обеспечивает существенное сокращение объема передаваемых данных. Результаты исследования могут быть внедрены в существующие аналитические платформы, системы мониторинга и классификации мобильных приложений.