Метод автоматизованого проєктування нейроеволюційних алгоритмів з використанням алгебри алгоритмів Глушкова

Abstract

Академік В.М. Глушков був зачинателем багатьох напрямків наукових досліджень, зокрема і напрямку автоматизації проєктування алгоритмів, а розроблена ним концепція алгебри алгоритмів стала основою для багатьох розробок інструментальних засобів у цій галузі. Автори пропонують налаштування раніше створеного алгебро-алгоритмічного інструментарію на автоматизоване проєктування та синтез програм, що використовують нейроеволюційні алгоритми. Нейроеволюція є сукупністю методів машинного навчання, що застосовують еволюційні алгоритми для полегшення вирішення складних завдань, що імітують процес природного відбору. Метод нейроеволюції наростаючих топологій (NEAT) призначений для зменшення розмірності простору пошуку параметрів нейромережі у вигляді поступового розвитку її структури у процесі еволюції. Процес починається з популяції дрібних, найпростіших геномів і поступово збільшує їхню складність з кожним новим поколінням. Кінцевим результатом нейроеволюції є оптимальна топологія мережі, яка робить модель більш енергоефективною та зручною для аналізу. Розроблений інструментарій проєктування програм забезпечує автоматизацію побудови високорівневих специфікацій алгоритмів, поданих у системах алгоритмічних алгебр Глушкова, та синтез відповідних програм на основі шаблонів реалізацій цільовою мовою програмування.

Academician V.M. Glushkov was the pioneer of many scientific research directions, including the automation of algorithm design, and his developed concept of the algebra of algorithms laid the foundation for many instrumental tools in this field. The authors propose the adaptation of the previously created algebraic-algorithmic toolkit for the automated design and synthesis of programs using neuroevolutionary algorithms. Neuroevolution is a set of machine learning methods that apply evolutionary algorithms to facilitate the solution of complex problems, simulating the process of natural selection. The Neuroevolution of Augmenting Topologies (NEAT) method is designed to reduce the dimensionality of the parameter search space of neural networks by gradually developing their structure during the evolutionary process. The process begins with a population of small, simple genomes and gradually increases their complexity with each new generation. The final result of neuroevolution is the optimal network topology, which makes the model more energy-efficient and easier to analyze. The developed design toolkit enables the automation of building high-level algorithm specifications presented in Glushkov's algorithmic algebra systems and the synthesis of corresponding programs based on implementation templates in the target programming language.