Евразийский журнал математической теории и компьютерных наук

Curious students who begin learning modern programming languages with the, regardless of the language, inevitably become acquainted with graphics libraries. The following article provides information on the graphical tools of Borland C++ Builder, as well as tips and instructions for creating multi-form applications.

This article examines new algorithmic solutions and their underlying mathematical foundations. It analyzes complex mathematical principles necessary for understanding and developing advanced algorithms in areas such as machine learning, quantum computing, blockchain technology, optimization, and graph theory. The article highlights the role of linear algebra, calculus, probability theory, and information theory in modern algorithms. It also discusses mathematical approaches to pressing issues such as algorithmic fairness and interpretability. By synthesizing existing research and conceptual ideas, the article demonstrates the inseparable connection between abstract mathematical theory and practical algorithmic innovations, and outlines future research and application directions.

В данной научной статье исследуется проблема автоматической оптимизации гиперпараметров искусственных нейронных сетей. Традиционные методы оптимизации гиперпараметров (ручная настройка, поиск по сетке) часто являются неэффективными и ресурсозатратными процессами. В исследовании предложен метод автоматического выбора и оптимизации гиперпараметров нейронных сетей (скорость обучения, количество слоев, количество нейронов, функция активации, размер пакета и т.д.) с использованием генетических алгоритмов. Популяция генетического алгоритма представляет набор гиперпараметров через каждую особь (хромосому), а в качестве функции приспособленности используется точность на валидационной выборке. С помощью операторов отбора, кроссовера и мутации в процессе смены поколений определяется наилучшая комбинация гиперпараметров. Эксперименты, проведенные на наборах данных MNIST, CIFAR-10 и Iris, показали, что предложенный метод позволяет выполнять оптимизацию на 15-25% быстрее и точнее по сравнению с традиционными методами (поиск по сетке, случайный поиск). Кроме того, доказано, что данный метод повышает производительность нейронных сетей в среднем на 3-8%.