 |
Digital economy in the video game industry
|
|
|
|
DIGITAL ECONOMY IN THE VIDEO GAME INDUSTRY
Petukhov Evgeny Alexeevich, Poryadina Olga Victorovna
Volga State University of Technology
The digital economy’s influence in the video game industry in the modern society are presented.
Keywords: digital economy, video game industry, video games, donation system, digital security.
УДК 378. 147. 39: 004
ЭВОЛЮЦИОННАЯ МОДЕЛЬ СОСТАВЛЕНИЯ РАСПИСАНИЯ УЧЕБНЫХ ЗАНЯТИЙ
Подбойкин Андрей Владимирович, Уразаева Татьяна Альфредовна
ФГБОУ ВО «Поволжский государственный
технологический университет», Россия, Йошкар-Ола
zero2046@mail. ru
В статье представлена математическая модель построения оптимального расписания учебных занятий. В целях значительного улучшения качества составляемого расписания предложен генетический алгоритм для составления расписания занятий.
Ключевые слова: эволюционная модель, расписание занятий, генетический алгоритм.
Современные технические средства позволяют организовывать и планировать учебный процесс с использованием моделей, методов и алгоритмов искусственного интеллекта. В последние годы особое распространение получили исследования методов эволюционного поиска. В системе качества образования одним из основных критериев выступает оптимальность расписаний занятий и других составляющих учебного процесса. [1]
Применение методов эволюционного поиска приводит к получению хороших результатов, однако имеет место высокая вычислительная трудоёмкость и относительная неэффективность на заключительных этапах эволюции. На данную модель учебного расписания, как правило, может быть наложено множество требований и ограничений. Обязательными ограничениями являются: отсутствие накладок различного характера во время учебного процесса, отсутствие учебных окон, соответствие вида проводимого занятия типу аудитории проведения, ограничение на объем ежедневно-проводимых занятий, обязательное проведение всех занятий по учебному плану. Желательные требования: соблюдение комфортных условий обучения; рекомендации преподавателей; равномерность нагрузки студентов в течение учебного времени.
|
|
|
Исходя из рассмотренных требований, строится целевая функция на основе минимизации штрафных показателей. Любое нарушение ограничения или требования увеличивает значение целевой функции в соответствии с коэффициентом значимости требования. Таким образом, целевая функция в общем виде описывается следующей формулой:
где K – значение критерия потери качества.
Критерий качества основывается на желательных (неосновных) требованиях и имеет следующий вид:
где 
– оценка невыполнения i-го требования.
Далее производится реализация эволюционного поиска оптимального расписания с использованием генетического алгоритма.
В общем виде генетический алгоритм состоит из следующих шагов [2]:
1) задание целевой функции (приспособленности) для особей популяции;
2) инициализация, или выбор исходной популяции хромосом;
3) проверка условия остановки алгоритма;
4) селекция хромосом;
5) применение генетических операторов;
6) формирование новой популяции;
7) выбор «наилучшей» хромосомы.
Наиболее характерная ошибка применения генетических алгоритмов состоит в выборе генов. Часто в качестве генов выбирают просто само решение. Выбор генов является самым нетривиальным и творческим элементом при создании генетического алгоритма. При этом выбор генов должен удовлетворять следующим основным требованиям: по набору генов решение искомой задачи должно строиться быстро и однозначно; при скрещивании потомок должен наследовать характерные черты родителей; набор генов должен давать весь набор (возможно оптимальных) решений задачи.
|
|
|
Предлагается использовать в качестве генов настроечные коэффициенты 
алгоритма составления расписания. В результате мутаций будут получены новые наборы настроечных коэффициентов и как следствие – результаты работы алгоритма будут различны. При этом оценку качества составленного расписания следует проводить с использованием значений заданных диспетчером. Таким образом, учитывается возможность генерации расписания, наиболее удовлетворяющего оценкам качества с точки зрения диспетчера, при использовании несколько измененных оценок качества в процессе его генерации [3].
Хромосома такого генетического алгоритма будет представлять собой набор действительных чисел:
,
где 
– гены хромосомы, настроечные коэффициенты алгоритма cоставления расписания;
m – количество настроечных коэффициентов алгоритма.
Целью работы генетического алгоритма является достижение максимума функционала [4]:
где 
– качество расположения i-го занятия на l-й позиции в расписании;
– значение, полученное по j-му критерию оценки качества расположения занятия на l-й позиции в расписании;
– весовой коэффициент j-го критерия оценки качества;
m – количество критериев оценки качества;
l – возможная позиция i-го занятия в расписании;
– качество расположения i-го занятия в расписании;
h – количество возможных вариантов расположения занятия в расписании;
R – качество составленного расписания.
Список литературы
1. Астахова, И. Ф. Разработка информационной системы построения расписания / И. Ф. Астахова, Т. В. Курченкова. – М.: Прогресс-Традиция, 2013. – С. 287-290.
2. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский: Горячая линия – Телеком, 2006. 452 с.
3. Береговых, Ю. В. Алгоритм составления расписаний занятий / Ю. В. Береговых, Б. А. Васильев, Н. А. Володин: Искусственный интеллект, 2009. – С. 50-56.
4. Гладков, Л. А. Генетические алгоритмы: учебное пособие / Л. А. Гладков, В. В. Курейчик, В. М. Курейчик. –М. : Физматлит, 2004. – 407 с.
|
|
|
