Details

Исследование посвящено разработке нового подхода к оптимизации, объединяющего гиперэвристики и скрытые марковские модели для адаптивного управления выбором вычислительных стратегий. Актуальность работы обусловлена потребностью в универсальных алгоритмах, способных автоматически подстраиваться под особенности различных оптимизационных задач, включая настройку параметров биологических моделей. В основе метода лежит использование скрытой марковской модели, где состояния соответствуют различным режимам поиска — глобальному исследованию пространства решений и локальной эксплуатации перспективных областей. Наблюдаемыми параметрами выступают метрики качества решений. Для работы с моделью применяются алгоритмы Витерби и Баума-Велша, позволяющие анализировать последовательность состояний и адаптировать параметры модели в процессе оптимизации. Особое внимание уделено практическому применению метода к задаче прогнозирования роста сельскохозяйственных животных. Экспериментальные результаты подтвердили эффективность подхода при работе с зашумленными данными и сложным рельефом целевой функции. Алгоритм продемонстрировал способность успешно комбинировать стратегии глобального и локального поиска, адаптируясь к специфике решаемой задачи. Полученные результаты свидетельствуют о перспективности предложенного подхода не только в биоинформатике, но и в других областях, требующих решения сложных оптимизационных проблем. Метод открывает возможности для создания более универсальных и эффективных алгоритмов адаптивной оптимизации, что имеет практическое значение для различных прикладных задач.

The study focuses on developing a novel optimization approach that combines hyper-heuristics and hidden Markov models for adaptive management of computational strategies. The relevance of this work stems from the need for universal algorithms capable of automatically adapting to various optimization challenges, including parameter tuning for biological models. The core of the method relies on a hidden Markov model where states correspond to different search modes—global exploration of the solution space and local exploitation of promising regions. Observable parameters include solution quality metrics. The model employs the Viterbi and Baum-Welch algorithms to analyze state sequences and adapt model parameters during optimization. Special attention is given to the practical application of the method in forecasting the growth of agricultural livestock. Experimental results confirm the approachs effectiveness when handling noisy data and complex objective function landscapes. The algorithm successfully combines global and local search strategies while adapting to problem-specific characteristics. The findings demonstrate the potential of this approach not only in bioinformatics but also in other fields requiring solutions to complex optimization problems. The method paves the way for developing more versatile and efficient adaptive optimization algorithms, offering practical value for various applied tasks.

• Введение
• 1. Постановка задачи
• 2. Обзор решения
• 3. Метод разностной эволюции
• 4. Алгоритм Многорукий бандит
• 5. Разработка гиперэвристического алгоритма
• 6. Экспериментальное исследование
• 7. Применение метода к задаче о оптимизации роста овец
• 8. Результаты
• 9. Численные эксперименты: прогнозирование роста овец
• Выводы
• Заключение
• Ссылки на источники: