Применение методов машинного обучения для эффективной настройки работы алгоритма эволюционной оптимизации

Название НИОКТР	Применение методов машинного обучения для эффективной настройки работы алгоритма эволюционной оптимизации
Аннотация	Использование эволюционных алгоритмов оптимизации при моделировании экспериментальных данных физическо-химических процессов в белках и органических кристаллах позволяет разрабатывать статистически значимые модели исследуемых процессов. Эффективность данного подхода показана во многих исследованиях, однако, необходимо отметить, что высокая производительность такого типа расчётов достигается для узкого диапазона настроек оптимизационного алгоритма и для разного типа задач эти настройки могут не совпадать. Наглядным примером, демонстрирующим резонансный характер скорости сходимости оптимизации, является дифференциальная эволюция (ДЭ) - алгоритм многопараметрической стохастической оптимизации, который для каждой стратегии имеет два варьируемых параметра. Как показали наши вычисления, в работе с такими стандартными тестовыми математическими функциями как Экли, Растригин и Гриванк всегда найдется такая стратегия и пара подстраиваемых параметров, при которых алгоритм ДЭ находит глобальный минимум. Целью данного проекта является разработка модифицированной версии дифференциальной эволюции (МДЭ), которая на основе проводимого машинного обучения позволит выбирать для каждой конкретной задачи оптимальную стратегию и её настройки. Ключевой особенностью нового алгоритма будет база данных, пополняющаяся после каждого запуска программы. Учетная запись после каждого запуска будет сохранять основные настройки алгоритма оптимизации и параметры классификатора задачи. Разработка классификатора задачи (КЗ) – одна из ключевых целей проекта. КЗ позволит привязать настройки дифференциальной эволюции и результат оптимизации к типу решаемой задачи. Таким образом, перед началом работы МДЭ анализирует предложенную задачу на основании уже имеющейся информации в базе, подбирает настройки оптимизатора и исполняет код. Далее результат, независимо от степени успешности, записывается в базу и следующий запуск и настройка МДЭ уже осуществляется с учетом обновлённой базы. Машинное обучение, а также разработка и тестирование КЗ будет осуществляться на основании двух типов задач для поиска глобального минимума: (а) набор специальных математических функций и их комбинаций для тестирования алгоритмов оптимизации; и (б) прикладная задача моделирования оптического отклика органических пигментов и белков, которая включает проведение полуклассических квантовых расчётов. С точки зрения программной реализации работа с математическими функциями требует минимальных затрат, что является несомненным плюсом для разработки концепции КЗ. После того, как будет готов предварительный алгоритм вычисления КЗ, будет проведено его тестирование на процедурах расчёта оптического отклика для органических пигментов (каротиноидов) в белках и растворителях. Каротиноиды выбраны в качестве объекта исследования, так как это широко распространённый в природе тип органических молекул, оптически активных в видимом спектральном диапазоне. На данный момент известно порядка 600 каротиноидов. Физико-химические свойства данных пигментов активно исследуются, и не составляет проблемы получить из открытых источников спектров поглощения каротиноидов, измеренных в разных условиях. Разработка программного обеспечения, включающего процедуры оптимизации и полуклассических квантовых расчётов будет проводиться на языке C++ с использованием библиотеки математических функций mkl. Также, для ускорения работы программы и наиболее эффективного использования доступных вычислительных ресурсов предполагается использование протокола mpi.
Доступ к ОКОГУ исполнителя	True
Количество связанных РИД	0
Количество завершенных ИКРБС	0
Сумма бюджета	3000.0
Дата начала	2025-03-03
Дата окончания	2026-12-31
Номер контракта	25-21-00375
Дата контракта	2025-03-03
Количество отчетов	2
УДК	517.958:530.145
Количество просмотров	3
Руководитель работы	Чесалин Денис Дмитриевич
Руководитель организации	Рубцов Александр Михайлович
Исполнитель	ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИМЕНИ М.В.ЛОМОНОСОВА"
Заказчик	Российский научный фонд
Федеральная программа	Отсутствует
Госпрограмма	—
Основание НИОКТР	Грант
Последний статус	2025-09-18 09:05:19 UTC, 2025-09-18 09:05:19 UTC
ОКПД	Нет
Отраслевой сегмент	—
Минздрав	—
Межгосударственная целевая программа	—
Ключевые слова	машинное обучение; искусственный интеллект; анализ данных; дифференциальная эволюция; тестовые математические функции; квантовое моделирование; глобальный оптимум; оптимизационные алгоритмы
Соисполнители	—
Типы НИОКТР	Фундаментальное исследование
Приоритетные направления	—
Критические технологии	—
Рубрикатор	27.35.57 - Математические модели квантовой физики
OECD	—
OESR	Компьютерные, информационные науки и биоинформатика (разработка аппаратного обеспечения относится к разделу 2.2, социальный аспект относится к разделу 5.8); Прикладная математика; Общая математика ; Статистика и теория вероятностей (Сюда входят исследования по статистическим методологиям, но исключаются исследования по прикладной статистике,которые должны быть отнесены к соответствующей области применения
Приоритеты научно-технического развития	а) переход к передовым технологиям проектирования и создания высокотехнологичной продукции, основанным на применении интеллектуальных производственных решений, роботизированных и высокопроизводительных вычислительных систем, новых материалов и химических соединений, результатов обработки больших объемов данных, технологий машинного обучения и искусственного интеллекта;
Регистрационные номера	—