Диссертация (1095062), страница 21
Текст из файла (страница 21)
Воригинальной конструкции достигнутая скорость v max составляет 105 мм/с, вмодернизированной конструкции – 123 мм/с. При последовательных заменахдеталей A, B и C скорость составляла соответственно 114, 121 и 123 мм/с.Полученные данные о возрастании максимальной скорости при соответствующихмодификациях принтера отражены на рисунке 4.16.Рисунок 4.16 – График изменения v max при последовательном включении вконструкцию принтера модифицированных деталейСводная информация о материалоемкости деталей до и после модификации,о приращении скорости при последовательном включении в конструкциюпринтера модифицированных деталей и экономии филамента при их печати данав таблице 4.5.Таблица 4.5 – Сравнение характеристик деталей до и после модификацииДетальABCМатериалоемкость, мЭкономияНе модифицироМодифицированной филамента,%ванной версииверсии4.2244.1032.83.9653.3823.3822.2091.67424.2Приращениескоростипечати, мм/с972139Материалоемкостьмодифицированнойисходнойверсии–детали4.103м,Aсоставляетэкономия4.224филаментам,приееэтомнезначительна и достигает 2.8%.
Несмотря на низкую экономию филамента,нейросетевая модернизация конструкции данной детали позволила существенноувеличить скорость max (на 9 мм/с). Для печати детали B требуется 3.965 мфиламента, для печати ее модификации – 3.382 м. Cнижение материалоемкостидостигает 14.7%. Вклад детали B в увеличение скорости составляет 7 мм/с.Материалоемкость исходной детали C составляет 2.209 м, ее модификации – 1.674м, экономия филамента при этом весьма значительна и достигает 24.2%.
Но таккак в процессе эксплуатации 3D-принтера данная деталь не испытываетзначительных нагрузок, ее вклад в увеличение скорости составляет 2 мм/с.Предложенный нейроэволюционный метод подтвердил свою эффективностьпри решении задачи рациональной модификации пластиковых элементовконструкции 3D-принтера Prusa, имеющих такие недостатки как высокаяматериалоемкость и низкая прочность: он позволил снизить материалоемкостьдеталей в среднем на 27% и сократить время их изготовления на 15%. За 230часов эксплуатации модернизированного таким образом принтера было отмеченоснижение вибраций и улучшение качества печатаемых изделий.4.4 Выводы по четвертой главе1.
Модель нейроэволюционной СППР была внедрена в качестве системызащиты корпоративного портала от DDoS-атак. Внедрение системы позволилозначительно снизить риск отказа сервера из-за DDoS-атак: система способна свероятностью 99.892% избежать ошибок первого и второго рода придифференциации легитимных пользователей и атакующих машин.2.МодельнейроэволюционнойСППРбылавнедренавсервисинтегрированной оценки контента, размещаемого в виртуальной среде работы надпроектами.Расчетинтегрированнойрейтинговойоценкипозволил140оптимизировать работу портала и упростил реализацию ряда функций, в томчисле: обработку не востребованного контента, перенесение в хранилищеконтента, обладающего необходимыми характеристиками, поиск и ранжированиематериалов, накопление статистики для модификации состава информации напортале.3. Модель нейроэволюционной СППР была внедрена в качестве системыконструктивной модернизации деталей 3D-принтера Prusa i2.
Данная системапозволила снизить материалоемкость деталей в среднем на 27% и сократитьвремя их изготовления на 15%. За 230 часов эксплуатации модернизированногоданным методом принтера было отмечено снижение вибраций и улучшениекачества печатаемых изделий.141ЗАКЛЮЧЕНИЕСогласно поставленным в настоящей работе цели и задачам полученыосновные результаты:1. Исследованапредметнаяобластьподдержкипринятиярешенийв условиях неопределенности. Проведен подробный анализ и классификацияизвестных нейроэволюционных методов, определены критерии их оценки,выявлены их достоинства и недостатки.2. С учетом анализа наиболее эффективных методов нейроэволюцииразработан формализованный метод для генерирования эффективных нейросетейпроизвольной топологии, все параметры которых автоматически настраиваются всоответствии с решаемой задачей.
Предложенный метод лишен основныхнедостатков, присущих большинству исследованных подходов: конкуренциипредставлений, незащищенности инноваций, проблемы начального размера итопологическихинноваций,преждевременнойсходимостии«паралича»нейросети.3. Разработаны алгоритмы глобальной и локальной оптимизации топологиии параметров ИНС, которые, в отличие от большинства известных реализацийгенетического поиска, способны направлять нейроэволюцию как по путиусложнения, так и по пути упрощения структуры особей, что позволяетгенерировать жизнеспособные нейросети за приемлемое время работы алгоритма.4. Предложеныунифицированныекритерииоценкикачестванейроэволюционного метода для его применения к классу задач принятиярешений в условиях неопределенности.5.
Построенакомплекснаямодельадаптивнойсистемыподдержкипринятия решений, реализующая нейроэволюционную обработку данных вусловиях неопределенности.1426. Разработан программный инструментарий, обеспечивающий реализациюнейроэволюционного метода и модели системы поддержки принятия решений вусловиях неопределенности.7. Получены практические результаты, подтверждающие эффективностьразработанного метода, алгоритмов и модели.
Доказана целесообразность ихприменения для решения актуальных практических задач. Разработанная СППРиспользуется в Информационной системе НИФИ в интеллектуальных модуляхдокументооборота и защиты от DDoS-атак. Также в рамках проекта RepRapвпервые применена СППР для модификации конструкции деталей 3D-принтеровPrusa i2.143СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙАБС – акрилонитрилбутадиенстирол.БД – база данных.ГА – генетический алгоритм.ГП – генетическое программирование.ИИ – искусственный интеллект.ИНС – искусственная нейронная сеть.ЛПР – лицо, принимающее решения.СППР –система поддержки принятия решений.СУБД – система управления базами данных.ЭА – эволюционные алгоритмы.ЭМ – эволюционное моделирование.ЭП – эволюционное программирование.ЭС – эволюционные стратегии.CE – Cellular Encoding, клеточное кодирование.CI – Computational Intelligence, вычислительный интеллект.CNE (Conventional NeuroEvolution) – метод стандартной нейроэволюции.COGANN (Combinations of Genetic Algorithms and Neural Networks) –комбинирование генетических алгоритмов и нейронных сетей.DDoS (Distributed Denial of Service) – распределенная атака отказа вобслуживании.DXNN (Deus Ex Neural Network) – метод оптимизации нейронной сети.EANT (Evolutionary Acquisition of Neural Topologies) – эволюционноемодифицирование топологий нейронных сетей.ENS3 (Evolution of Neural Systems by Stochastic Synthesis) – эволюциянейронных систем путем стохастического синтеза.EPNet(Evolutionaryпрограммирование нейросети.ProgrammingNetwork)–эволюционное144ESP (Enforced SubPopulations) – усиленные субпопуляции.FFF (Fused Filament Fabrication) – последовательное нанесение филамента.GNARL (GeNeralized Acquisition of Recurrent Links) – обобщенноенаращивание рекуррентных связей.ICONE(InteractivelyConstrainedNeuro-Evolution)–динамическаянейроэволюция с ограничениями.JSON (JavaScript Object Notation) – текстовый формат для представленияиерархичных данных.NEAT (Neuro-Evolution by Augmenting Topologies) – нейроэволюционныйметод расширения топологий.NES (Novel Evolutions Strategy) – новая эволюционная стратегия.NFL (No Free Lunch theorem) – теорема о бесплатных обедах.PLA (Polylactic acid) – полилактид.SANE (Symbiotic Adaptive Neuro-Evolution) – адаптивная симбиотическаянейроэволюция.TPE (Thermoplastic elastomer) – термопластичный эластомер.TWEANN (Topology and Weight Evolving Artificial Neural Network) –нейроэволюционная модификация топологии и весов нейросети.145СПИСОК ЛИТЕРАТУРЫ1.
Андрейчиков, А.В. Построение моделей и информационной технологиипринятия решений для управления интеллектуальными ресурсами в видепатентов на изобретения / А.В. Андрейчиков, О.Н. Андрейчикова // Cloud ofScience. – 2015. – Т. 2. № 2. – С. 216-235.2. Андрейчиков, А.В.
Экспертная система для прогнозирования стратегическихинноваций / А.В. Андрейчиков, О.Н. Андрейчикова, А.А. Хорычев // Качество.Инновации. Образование. – 2011. – № 12. – С. 26-36.3. Андрейчикова, О.Н. Интеллектуальная система для синтеза сценариев / О.Н.Андрейчикова // Интеллектуальные продукты и системы. – 2002. – №2. –С. 4-8.4. Блюмин,С.Л.Моделииметодыпринятиярешенийвусловияхнеопределенности / С.Л. Блюмин, И.А. Шуйкова. – Липецк: ЛЭГИ, 2001. –138 с.5. Борисов, В.В. Нечеткие модели и сети. / В.В.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
