В данной работе рассмотрен подход к оптимизации динамической модели прогнозирования времени цветения растений. Цветение растений - физиологический процесс, протекающий у цветковых растений. Динамические модели прогнозирования времени цветения играют важную роль при оценке сельскохозяйственного потенциала многих растений. Надежные результаты таких моделей позволяют строить прогнозы по различным растениям и делать выводы о необходимости выведения разных сортов растений. Модель SSM (Simple Simulation Model) - динамическая модель для прогнозирования времени цветения у нута. Ранее была разработана модификация SSM, которая включает в себя учет генетической информации в модель и подбор оптимальных функциональных зависимостей. Новые функциональные зависимости строятся методом грамматической эволюции с помощью стохастической оптимизации. Новая модель была разработана на языке C++ с использованием дополнительных фреймворков. С помощью оптимизации были подобраны оптимальные функциональные зависимости для модели. SSM включает в себя некоторое количество гиперпараметров, которые непосредственно влияют на структуру модели. Более надежный выбор этих гиперпараметров может быть осуществлен с помощью метода приближенных байесовских вычислений, который называется ABCDE. Данный метод был реализован на языке C++ и применен к данным по вигне, которые были собраны в Тайване, Астрахани и Кубани за 1984, 1985, 2017 и 2018 года.

In this paper, an approach to optimizing a dynamic model for predicting the time of plant flowering is considered. Flowering of plants is a physiological process that occurs in flowering plants. Dynamic flowering time prediction models play an important role in assessing the agricultural potential of many plants. The reliable results of such models allow making forecasts for various plants and drawing conclusions about the need to breed different plant varieties. The SSM (Simple Simulation Model) is a dynamic model for predicting flowering time for chickpeas. Earlier, a modification of the SSM was developed, which includes the consideration of genetic information in the model and the selection of optimal functional dependencies. New functional dependencies are constructed by the method of grammatical evolution using stochastic optimization. The new model was developed in C ++ using additional frameworks. Optimization was used to find the optimal functional dependencies for the model. SSM includes a number of hyperparameters that directly affect the structure of the model. A more reliable choice of these hyperparameters can be achieved using an approximate Bayesian calculation called ABCDE. This method was implemented in the C ++ language and applied to the data on wigne, which were collected in Taiwan, Astrakhan and Kuban for 1984, 1985, 2017 and 2018.

• Прогнозирование времени цветения вигны с помощью приближенных байесовских вычислений с разностной эволюцией
  • Список сокращений и условных обозначений
  • Введение
  • 1. Глава 1. Обзор методов и описание данных
  • 2. Разработка метода приближенных байесовских вычислений для моделирования времени цветения вигны
  • 3. Результаты
  • Заключение
  • Список использованных источников