Поддержка генетических алгоритмов в системах имитационного моделирования

Во многих системах имитационного моделирования имеется поддержка эволюционных оптимизационных алгоритмов. В частности, в системе Powersim встроенный генетический алгоритм может быть использован для решения некоторой оптимизационной задачи, например максимизации значения целевого показателя.

Рассмотрим простой пример. Пусть требуется максимизировать следующую целевую функцию:

Здесь Fi — это некоторая константа имитационной модели (допущение), значение которой фиксируется па время проведения оптимизационного эксперимента.

Для решения рассматриваемой оптимизационной задачи можно построить соответствующую модель в системе Powersim с реализацией формулы расчета функции у (х) (рис. 5.2).

Рис. 5.2. Поиск оптимальных решений с использованием генетического алгоритма в системе Powersim.

Для проведения оптимизационного эксперимента требуется выбрать:

• • целевые функции (Objectives), в данном случае это переменная У;
• • управляющие параметры, по которым осуществляется поиск оптимальных решений (Decisions), в данном примере это параметр Х
• • допущения {Assumptions) — переменные модели (константы, уровни), значения которых будут фиксированы при проведении оптимизационного эксперимента. Следует отметить, что только константы (переменные типа Constant) могут быть выбраны в качестве управляющих параметров (Decisions). Для динамической оптимизации необходимо создание так называемых клонов управляющих параметров с фиксацией времени действия оптимального значения (контекстное меню управляющего параметра Clone).

Далее после выбора проводится оптимизационный эксперимент нажатием на кнопку Optimize — © .

В результате появляется основное окно оптимизационного эксперимента (рис. 5.3), в котором можно задать значения параметров генетического алгоритма (максимальное число генераций; количество родительских особей, участвующих в селекции, количество потомков и др.).

Рис. 53. Установка параметров ГА в системе Powersim.

Далее можно переопределить параметры эксперимента и затем осуществить запуск ГА (рис. 5.4).

Рис. 5.4. Запуск ГА в системе Powersim.

Из рассмотрения рис. 5.4 можно увидеть, что основными параметрами оптимизационного эксперимента являются:

• • Maximum generations — максимальное количество генераций ГА.
• • Parents — количество родительских особей, участвующих в операторе кроссовера.
• • Offsprings — количество особей-потомков, формируемых в результате кроссовера.
• • Maximum convergence — параметр, определяющий условие сходимости ГА.
• • Seed — параметр, влияющий на работу датчика случайных чисел и инициализацию начальной популяции особей ГА случайными значениями.

В случае успеха, т. е. получения оптимального значения, статус оптимизационного эксперимента будет иметь значение «Finished, target reached». Однако возможна ситуация, когда оптимальное решение не будет найдено. Тогда выводится сообщение типа «Optimum cannot be reached».

В этом случае можно попытаться ослабить ограничения, увеличить число генераций ГА, изменить характеристики модели, другие параметры ГА и т. д.

Результаты оптимизационного эксперимента доступны в окне Analysis Variables. В рассмотренном примере полученное значение целевого показателя Y = 12,68 является оптимальным.

Следует отметить, что оптимизационный эксперимент лучше проводить не в самой модели, а в ее так называемом клоне. Для этого достаточно «клонировать» модель (команда «Add simulation clone» контекстного меню модели) и далее можно настроить и провести оптимизационный эксперимент в соответствии с процедурой, описанной ранее. В этом случае достаточно просто сравнить результаты оптимизационного эксперимента с результатами имитационного моделирования до оптимизации.