Сравнение способов инициализации начальных точек на генетическом алгоритме оптимизации
- Авторы: Павленко А.А.1
-
Учреждения:
- Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева
- Выпуск: Том 20, № 4 (2019)
- Страницы: 436-442
- Раздел: Раздел 1. Информатика, вычислительная техника и управление
- URL: https://journals.eco-vector.com/2712-8970/article/view/567890
- DOI: https://doi.org/10.31772/2587-6066-2019-20-4-436-442
- ID: 567890
Цитировать
Полный текст
Аннотация
Способ инициализации начальных точек для алгоритмов оптимизации является одним из главных параметров. Сегодня используются способы инициализации начальных точек, основанные на стохастических алгоритмах разброса точек. В генетическом алгоритме точки представляют собой булевые строки. Эти строки формируются по-разному: напрямую с помощью случайных последовательностей (с равномерным законом распределения) или с помощью случайных последовательностей (с равномерным законом распределения) в пространстве вещественных чисел, а потом преобразуют вещественные числа в булевые. Спроектированы шесть алгоритмов построения многомерных точек для алгоритмов глобальной оптимизации – булевых строк, основанные как на стохастических, так и на неслучайных алгоритмах разброса точек. В первых четырех способах инициализации булевых строк использовался случайный закон распределения, а в четвертом и пятом способе инициализации использовался неслучайный способ формирования начальных точек – ЛПt последовательность. Применялось большое количество повторных запусков алгоритмов оптимизации. Использовалась достаточно высокая точность вычислений. Исследования проводились на генетическом алгоритме глобальной оптимизации. Использовались функция Акли, функция Растригина, функция Шекеля, функция Гриванка и функция Розенброка. Исследования проводились с использованием трех алгоритмов разброса начальных точек: ЛПt последовательность, UDC последовательность, равномерный случайный разброс. В работе использовались лучшие параметры генетического алгоритма глобальной оптимизации. На выходе получены массивы математических ожиданий и среднеквадратических отклонений качества решения для разных функции и оптимизационных алгоритмов. Цель анализа способов инициализации начальных точек для генетического оптимизационного алгоритма заключалась в нахождении экстремума одновременно быстро, точно, дешево и надёжно. Способы инициализации сравнивались между собой по математическому ожиданию и среднеквадратическому отклонению. Под качеством решения понимается среднестатистическая ошибка нахождения экстремума. Выявлен лучший способ инициализации начальных точек для генетического алгоритма оптимизации на данных тестовых функциях.
Ключевые слова
Об авторах
Александр Александрович Павленко
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева
Автор, ответственный за переписку.
Email: saaprepod@mail.ru
старший преподаватель кафедры информационных экономических систем
Россия, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31Список литературы
- Zaloga A. N., Yakimov I. S., Dubinin P. S. Multipopulation Genetic Algorithm for Determining Crystal Structures Using Powder Diffraction Data // Journal of Surface Investigation: X-ray, Synchrotron and Neutron Techniques. 2018. Vol. 12, No. 1. P. 128–134.
- Stanovov V., Akhmedova S., Semenkin E. Automatic Design of Fuzzy Controller for Rotary Inverted Pendulum with Success-History Adaptive Genetic Algorithm // 2019 International Conference on Information Technologies (InfoTech). IEEE, 2019. P. 1–4.
- Genetic Algorithm for Automated X-Ray Diffraction Full-Profile Analysis of Electrolyte Composition on Aluminium Smelters / A. Zaloga et al. // Informatics in Control, Automation and Robotics 12th International Conference, ICINCO 2015 Colmar, France, July 21–23, 2015 Revised Selected Papers. Springer, Cham, 2016. P. 79–93.
- Genetic algorithm optimized non-destructive prediction on property of mechanically injured peaches during postharvest storage by portable visible/shortwave near-infrared spectroscopy / X. Du et al. // Scientia Horticulturae. 2019. Vol. 249. P. 240–249.
- Akhmedova S., Stanovov V., Semenkin E. Soft Island Model for Population-Based Optimization Algorithms // International Conference on Swarm Intelligence. Springer, Cham, 2018. P. 68–77.
- Application of Evolutionary Rietveld Method Based XRD Phase Analysis and a Self-Configuring Genetic Algorithm to the Inspection of Electrolyte Composition in Aluminum Electrolysis Baths / I. Yakimov et al. // Crystals. 2018. Vol. 8, No. 11. P. 402.
- Applying population-based evolutionary algorithms and a neuro-fuzzy system for modeling landslide susceptibility / W. Chen et al. // Catena. 2019. Vol. 172. P. 212–231.
- Semi-Empirical Method for Evaluation of a Xenon Operating Hall Thruster Erosion Rate Through Analysis of its Emission Spectra / G. Karabadzhak et al. // Spacecraft Propulsion. 2000. Vol. 465. P. 909.
- Akhmedova S., Stanovov V., Semenkin E. Success-History Based Position Adaptation in Cooperation of Biology Related Algorithms // International Conference on Swarm Intelligence. Springer, Cham. 2019. P. 39–49.
- Application of Evolutionary Rietveld Method Based XRD Phase Analysis and a Self-Configuring Genetic Algorithm to the Inspection of Electrolyte Composition in Aluminum Electrolysis Baths / I. Yakimov, A. Zaloga, P. Dubinin et al. // Crystals. 2018. Vol. 8, No. 11. P. 402.
- Evolutionary methods for variable selection in the epidemiological modeling of cardiovascular diseases / C. Brester, M. Rönkkö, M. Kolehmainen et al. // BioData Mining. 2018. Vol. 11, No. 18.
- Evolutionary Algorithms for the Design of Neural Network Classifiers for the Classification of Pain Intensity / D. Mamontov et al. // IAPR Workshop on Multimodal Pattern Recognition of Social Signals in Human-Computer Interaction. Springer, Cham, 2018. P. 84–100.
- On a restart metaheuristic for realvalued multi-objective evolutionary algorithms / C. Brester et al. // Proceedings of the Genetic and Evolutionary Computation Conference Companion. ACM, 2019. P. 197–198.
- Zinc oxide nanorod loaded activated carbon for ultra-sound assisted adsorption of safranin O: Central composite design and genetic algorithm optimization / E. Sharifpour et al. // Applied Organometallic Chemistry. 2018. Vol. 32, No. 2. P. e4099.
- Penenko A. V. Newton–Kantorovich method for solving inverse problems of source identification in product–destruction models with time series data // Siberian J. of computational mathematics. 2019. No. 1. P. 57–79.
Дополнительные файлы
![](/img/style/loading.gif)