«Автоматизация и информатизация ТЭК»

Использование генетического алгоритма для поиска оптимального состава реакционной смеси на основе кинетической модели процесса

УДК: 544.4:004.4
DOI: -

Авторы:

¹ МИРЭА - Российский технологический университет, Москва, Россия
² Уфимский университет науки и технологий, Уфа, Россия

Ключевые слова: генетический алгоритм, оптимизация, кинетика, программный модуль, информационная система

Аннотация:

В статье представлены основные этапы программной реализации генетического алгоритма для решения задачи оптимизации на базе кинетической модели процесса. Создание эффективных методов и алгоритмов, позволяющих гарантированно достигать глобального оптимума решения задачи, представляет собой одну из научных проблем, для решения которой проведена оценка эффективности различных численных подходов. На основании проведенной оценки для решения задачи выбран генетический алгоритм, позволяющий с использованием принципов стохастического поиска и глобальной оптимизации проводить наиболее эффективное исследование пространства решений независимо от числа параметров системы. Программная реализация данного алгоритма, написанная на языке Python, вошла в состав вычислительного ядра ранее разработанной информационной системы, направленной на комплексное исследование сложных физико-химических процессов. Для постановки задачи, определения кинетической схемы реакций и основных параметров алгоритма созданы отдельные диалоговые окна, определяющие наполнение веб-интерфейсной части данной системы. Для пользователя доступна возможность формирования модели кинетики химических превращений, определяемой схемой элементарных реакций. Запуск данной программы и других модулей, входящих в вычислительное ядро этой системы, организован в удаленном пространстве с использованием технологии Docker-контейнеризации, представляющей собой программную виртуализацию на уровне операционной системы. С целью демонстрации функционала и возможностей созданного цифрового продукта подробно представлены основные шаги исследования кинетики ферментативной реакции Михаэлиса – Ментен, которая широко используется в научных исследованиях и является одной из классических моделей в биохимической кинетике. Интеграция генетического алгоритма в состав существующей информационной системы расширяет ее возможности и позволяет успешно решать задачи оптимизации для задаваемого пользователем модельного описания с использованием удаленных сетевых ресурсов.

Список литературы:

1. Spivak S.I., Asadullin R.M. Methods of elimination and the problem of nonuniqueness of inverse problem solutions in models of non-stationary chemical kinetics // Studies in Surface Science and Catalysis. – 1997. – Vol. 109. – P. 577–586. – DOI: 10.1016/S0167-2991(97)80448-X
2. Application of gradient optimization methods in defining neural dynamics / P.S. Stanimirović, N. Tešić, D. Gerontitis [et al.] // Axioms. – 2024. – Vol. 13, No. 1. – P. 49. – DOI: 10.3390/axioms13010049
3. Panteleev A., Lobanov A. Gradient Optimization Methods in Machine Learning for the Identification of Dynamic Systems Parameters // Modelling and Data Analysis. – 2019. – Vol. 9, No. 4. – P. 88–99. – DOI: 10.17759/mda.2019090407
4. Takenaga S., Ozaki Y., Onishi M. Practical initialization of the Nelder-Mead method for computationally expensive optimization problems // Optimization Letters. – 2023. – Vol. 17. – P. 283–297. – DOI: 10.1007/s11590-022-01953-y
5. Tian Yingjie, Zhang Yuqi, Zhang Haibin. Recent Advances in Stochastic Gradient Descent in Deep Learning // Mathematics. – 2023. – Vol. 11, No. 3. – P. 682. – DOI: 10.3390/math11030682
6. Reyad M., Sarhan A.M., Arafa M. A modified Adam algorithm for deep neural network optimization // Neural Computing and Applications. – 2023. – Vol. 35. – P. 17095–17112. – DOI: 10.1007/s00521-023-08568-z
7. Пантелеев А.В., Скавинская Д.В., Алёшина Е.А. Метаэвристические алгоритмы поиска оптимального программного управления. – М.: Инфра-М, 2024. – 396 с.
8. Антипина Е.В., Мустафина С.А., Антипин А.Ф. Поиск оптимального управления нефтехимическим процессом с терминальными ограничениями на основе метода дифференциальной эволюции // Автоматизация и информатизация ТЭК. – 2023. – № 2(595). – С. 31–36. – DOI: 10.33285/2782-604X-2023-2(595)-31-36
9. Gad A.G. Particle Swarm Optimization Algorithm and Its Applications: A Systematic Review // Archives of Computational Methods in Engineering. – 2022. – Vol. 29, Issue 5. – P. 2531–2561. – DOI: 10.1007/s11831-021-09694-4
10. Grabusts P., Musatovs J., Golenkov V. The application of simulated annealing method for optimal route detection between objects // Procedia Computer Science. – 2019. – Vol. 149. – P. 95–101. – DOI: 10.1016/j.procs.2019.01.112
11. Katoch S., Chauhan S.S., Kumar V. A Review on Genetic Algorithm: Past, Present, and Future // Multimedia Tools and Applications. – 2021. – Vol. 80, Issue 5. – P. 8091–8126. – DOI: 10.1007/s11042-020-10139-6
12. Developing Methods and Algorithms for Cloud Computing Management Systems in Industrial Polymer Synthesis Processes / Miftakhov E., Mustafina S., Akimov A. [et al.] // Emerging Science J. – 2021. – Vol. 5, No. 6. – P. 964–973. – DOI: 10.28991/esj-2021-01324
13. Xu Delei, Xu Haoming. Application of genetic algorithm in model music composition innovation // Applied Mathematics and Nonlinear Sciences. – 2024. – Vol. 9, Issue 1. – P. 1–15. – DOI: 10.2478/amns.2023.2.00070
14. A Multifactorial Cellular Genetic Algorithm for Multimodal Multitask Optimization / E. Osaba, J. Del Ser, A.D. Martinez, J.L. Lobo // 2022 IEEE Congress on Evolutionary Computation (CEC), Padua, Italy, July 18–23, 2022. – P. 1–8. – DOI: 10.1109/CEC55065.2022.9870324
15. Aladdin A.M., Rashid T.A. A New Lagrangian Problem Crossover – A Systematic Review and Meta-Analysis of Crossover Standards // Systems. – 2023. – Vol. 11, No. 3. – P. 144. – DOI: 10.3390/systems11030144
16. Свидетельство о гос. регистрации программы для ЭВМ 2023669318 Рос. Федерация. Исследование физико-химических процессов с применением облачных технологий / Э.Н. Мифтахов, С.А. Мустафина; правообладатель ФГБОУ ВО "Уфимский ун-т науки и технологий". – № 2023668618; заявл. 08.09.2023; опубл. 13.09.2023, Бюл. № 9.
17. Blazor for ASP.NET Web Forms Developers / D. Roth, J. Fritz, T. Southwick [et al.]. – Version 6.0. – Redmond, Washington: Microsoft Corporation, 2023. – IV, 92 p.
18. Ljungdahl V. Performance comparison of distributed MySQL and MongoDB in a cloud environment: Independent thesis Basic level (degree of Bachelor). – Karlskrona, Sweden: Blekinge Institute of Technology, 2023. – 46 p.
19. Kane S.P., Matthias K. Docker: Up & Running. – 3rd Edition. – O'Reilly Media, 2023. – 416 p.
20. Hangos K.M., Szederkényi G. Mass action realizations of reaction kinetic system models on various time scales // J. of Physics: Conf. Series. – 2011. – Vol. 268. 5th Int. Workshop on Multi-Rate Processes and Hysteresis (MURPHYS 2010), Pécs, Hungary, May 31 – June 3, 2010. – P. 012009. – DOI: 10.1088/1742-6596/268/1/012009