Модифікований спрощений алгоритм методу групового врахування аргументів в імітаційному моделюванні процесами

Abstract

Існує багато видів и методів імітаційного моделювання, але серед них особливої уваги заслуговують методи засновані на теорії евристичної самоорганізації. Всі алгоритми методу групового врахування аргументів (МГВА) характеризуються структурною спільністю на принципі самоорганізації, які потребують незначних вимог до апріорної інформації, щоб здійснити перебір безкінечно великої кількості варіантів. Перевагою алгоритму методу групового врахування аргументів в порівнянні з іншими алгоритмами цього класу є наявність можливостей розширення вектора вихідних даних та апарату для усунення колінеарності - прийому ортогоналізації. МГВА складається з двох блоків: попередньої обробки спостережень з врахуванням системи вибраних опорних функцій та розрахунку претендентів селекції. В результаті роботи алгоритму одержують моделі здатні управляти процесом з врахуванням явищ, що супроводжують певний процес. Враховуючи спільність основних положень теорії самоорганізації штучних нейронних мереж та МГВА, до змінних мережі додаймо модель в якості змінної Z. В результаті одержимо нейронну мережу, яка описує фізичні явища, що супроводжують процес. Це дозволить значно підвищити ефективність та точність управління процесом.There are many types and methods of simulation, but among them special attention should be paid to methods based on the theory of heuristic self-organization. All algorithms of the method of group argumentation (MGVA) are characterized by structural commonality on the principle of self-organization, which require insignificant requirements for a priori information to search for an infinite number of options. The advantage of the algorithm of the method of group consideration of arguments in comparison with other algorithms of this class is the presence of possibilities of expansion of the vector of initial data and the device for elimination of collinearity - reception of orthogonalization. MGVA consists of two blocks: pre-processing of observations taking into account the system of selected reference functions and calculation of selection applicants. As a result of the algorithm, models capable of controlling the process taking into account the phenomena accompanying a certain process are obtained. Given the commonality of the main provisions of the theory of self-organization of artificial neural networks and MGVA, the network variables are added to the model as a variable Z. As a result, we obtain a neural network that describes the physical phenomena accompanying the process. This will significantly increase the efficiency and accuracy of process management.