УДК 519.7
DOI: 10.36871/2618-9976.2023.12.007

Авторы

Никита Андреевич Андриянов,
Кандидат технических наук, доцент департамента анализа данных и машинного обучения, Финансовый университет при Правительстве Российской Федерации, Москва, Россия
Давид Арегович Петросов,
Кандидат технических наук, доцент, доцент департамента анализа данных и машинного обучения, Финансовый университет при Правительстве Российской Федерации, Москва, Россия
Андрей Вячеславович Поляков,
Аспирант департамента анализа данных и машинного обучения, Финансовый университет при Правительстве РФ, Москва, Российская Федерация, Москва, Россия

Аннотация

В данной статье предложено исследование, направленное на определение архитектуры искусственных нейронных сетей для решения задачи определения состояния популяции генетического алгоритма, адаптированного к решению задачи структурно-параметрического синтеза имитационных моделей бизнес-процессов. В качестве исходных данных для обучения искусственной нейронной сети использовались результаты вычислительных экспериментов, полученные при работе модели генетического алгоритма на основе математического вложенных сетей Петри, решающей задачу синтеза моделей бизнес-процессов (моделей сетей Петри) на основе заданного поведения. В качестве примеров архитектур искусственной нейронной сети для управления процессом поиска решений на основе эволюционной процедуры рассмотрены: полносвязанная искусственная нейронная сеть (FCNN), простая рекуррентная искусственная нейронная сеть (Simple RNN), рекуррентная сеть долгой кратковременной памяти (LSTN), рекуррентная сеть типа закрытый рекуррентный блок (GRU) и двунаправленная LSTM (Bidirectional LSTM). В качестве алгоритмов глубокого обучения использовались: Support Vector Classifier, Decision Tree Classifier и Random Forest Classifier. В статье рассмотрены представленные архитектуры искусственных нейронных сетей и различные методы обучения. На основании проведенных вычислительных экспериментов и анализа полученных результатов были сделаны выводы о целесообразности применения искусственных нейронных сетей с архитектурой RNN для решения задачи распознавания состояния популяции и управления процессом синтеза решений.

Ключевые слова

искусственные нейронные сети
структурно-параметрический синтез
бизнес-процессы
интеллектуальные системы
генетический алгоритм
машинное обучение
глубокое обучение
искусственная нейронная сеть