Научная электронная библиотека ULRICH'S Periodicals Directory

Сибирский государственный университет
науки и технологий имени академика М.Ф. Решетнева

Сибирский аэрокосмический журнал
ISSN 2712-8970 (Print) ISSN 2782-5760 (on-line)

Сведения об образовательной организации

UDK 519.6 Doi: 10.31772/2587-6066-2019-20-4-436-442
СРАВНЕНИЕ СПОСОБОВ ИНИЦИАЛИЗАЦИИ НАЧАЛЬНЫХ ТОЧЕК НА ГЕНЕТИЧЕСКОМ АЛГОРИТМЕ ОПТИМИЗАЦИИ
Павленко А. А.
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева; Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31. E-mail: saaprepod@mail.ru
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. Они формируются напрямую, с помощью случайных последовательностей (с равномерным законом распределения) или с помощью случайных последовательностей (с равномерным законом распределения) в пространстве вещественных чисел, а потом преобразуются 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 – неслучайный способ формирования начальных точек – ЛП 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: ЛП 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: генетический алгоритм оптимизации, способы инициализации точек.
References

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. Akhmedova S., Stanovov V., Semenkin E. Success-History Based Position Adaptation in Co-operation of Biology Related Algorithms // International Conference on Swarm Intelligence. Springer, Cham. 2019. P. 39–49.

10. 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.

11. 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.

12. 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.

13. On a restart metaheuristic for real-valued multi-objective evolutionary algorithms / C. Brester et al. // Proceedings of the Genetic and Evolutionary Computation Conference Companion. ACM, 2019. P. 197–198.

14. Zinc oxide nanorod loaded activated carbon for ultrasound 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.

15. 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.


Павленко Александр Александрович – старший преподаватель кафедры информационных экономических систем; Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева, инженерно-экономический институт. E-mail: saaprepod@mail.ru.


  СРАВНЕНИЕ СПОСОБОВ ИНИЦИАЛИЗАЦИИ НАЧАЛЬНЫХ ТОЧЕК НА ГЕНЕТИЧЕСКОМ АЛГОРИТМЕ ОПТИМИЗАЦИИ