Удосконалення Методу Виявлення Та Кластерізації Джерел Неправдивої Інформації

Abstract

Основною метою еволюційної оптимізації є пошук такого поєднання параметрів (незалежних змінних), яке сприяло б максимізації або мінімізації якісних, кількісних і ймовірнісних характеристик розв'язуваного завдання. Останнім часом широкого поширення набули інтегровані методи оптимізації, які запозичують основні засади своєї роботи з живої природи. Основною особливістю методів оптимізації на базі колективного інтелекту є їх біонічна природа, тобто вони основані на моделюванні діяльності тварин, поведінка яких має колективний характер. Така поведінка дає змогу цим тваринам максимально ефективно вирішувати різні важливі практичні завдання у природі, що свідчить про високу ефективність роботи цих методів при вирішенні практичних комплексних задач оптимізації. У роботи розглядається удосконалення методу виявлення джерел неправдивої інформації за рахунок інтеграції існуючих методів непереривної оптимізації. Удосконалення поліноміальних евристичних алгоритмів для вирішення оптимізаційних завдань у дослідження операцій виявлення неправдивої інформації. Це завдання на скінченних множинах. Однак навіть у цьому випадку, не говорячи вже про пошук розв'язку в нескінченних просторах, виникають проблеми із застосуванням точних методів, що визначає актуальність розробки приближених алгоритмів комбінаторної оптимізації. Розглянуті два підходи до інтеграції. Підвищення ефективності гібридного алгоритму можна добитися шляхом використання єдиної структури даних при представленні рішення у вигляді позиції в просторі пошуку в методі бджолиної колонії і у вигляді хромосоми в генетичному алгоритмі. Проведені експериментальні дослідження порівняння результатів гібридного ройового методу з алгоритмами, реалізованими на основі одного з методів, - генетичним або бджолиним показали, що в цілому гібридним методом імовірність отримання оптимального рішення склала 0,9, що на 5% кращі за рішення існуючими методами знаходження оптимального рішення для поставленого завдання.

Удосконалення Методу Виявлення Неправдивої Інформації За Допомогою Байесовского Класифікатора

“…Кластеризація передбачає розбиття множини елементів на кластери, кількість яких визначається локалізацією елементів заданої множини в околицях деяких природних центрів кластерів. Реалізація задачі класифікації спочатку повинна описуватися на задані постулати, основні з яких -апріорна інформація про первинній множині об'єктів і міра близькості елементів та класів [2,3].…”

“…У роботі [2] автори розглядають один з методів вирішення задачi обробки даних за допомогою наївного та дереводоповненого байесiвський класифiкаторiв. Дається визначення класифікаторів, а саме наївний та дереводоповнений байесiвськi класифiкатори -це ймовiрнiснi графiчнi моделi, що використовуються для моделювання великих масивів даних, які мають багато невизначеностей серед своїх взаємозалежних наборів характеристик.…”