Науковий вісник НГУ

Застосування саморегульованого динамічного нішевого генетичного алгоритму в завданнях глобальної багатомодальної оптимізації

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Інформаційні технології, системний аналіз та керування

Останнє оновлення: 02 квітня 2016

Опубліковано: 02 квітня 2016

Перегляди: 4941

Автори:

Чжаньшень Фен, Сюйчанський університет, м. Сюйчан, провінція Хенань, КНР

Янь Юй, Сюйчанський університет, м. Сюйчан, провінція Хенань, КНР

Реферат:

Мета. Генетичний алгоритм − це, свого роду, метод випадкового пошуку, створений на основі механізмів генетики, він має хорошу стійкість та оптимізаційну здатність. Проте багато вчених вказує на те, що стандартні генетичні алгоритми мають безліч недоліків і обмежень при використанні у глобальній багатомодальній оптимізації, оскільки вони схильні до передчасної конвергенції, мають високу складність обчислення та слабкі можливості локального пошуку. Метою роботи є подолання вка-заних недоліків шляхом створення нового алгоритму вирішення завдань глобальної мультимодальної оптимізації − самоналагоджувального динамічного генетичного алгоритму з використанням нішевої технології (SDNGA).

Методика. У ході вивчення оптимізації за допомогою генетичного алгоритму й теорії ніш, у традиційному генетичному алгоритмі, що використовується у глобальній мультимодальній оптимізації, були об'єднані мультигрупи та метод ніш. Запропонований алгоритм перевірявся на тестових функціях з метою підтвердження його ефективності та доцільності використання.

Результати. Нішева технологія була застосована для розділення генерації (покоління) однієї групи на декілька підгруп, із подальшим вибором кращого індивіда від кожної підгрупи в якості її представника. Потім проводилася гібридизація й мутація задля здобуття нових генерацій (поколінь) усередині однієї популяції та між різними популяціями, завдяки чому досягалося покращення оптимізаційної здатності алгоритму та підвищення швидкості конвергенції.

Наукова новизна. Вивчені можливості застосування генетичного алгоритму й теорії ніш задля вирішення завдань глобальної мультимодальної оптимізації. Розглянуті ідея й кроки (етапи виконання) запропонованого алгоритму, проведений якісний аналіз його пошукової здатності й швидкості конвергенції. Дослідження даного аспекту раніше не проводилися.

Практична значимість. Запропонований самоналагоджувальний динамічний генетичний алгоритм з використанням нішевої технології, що може застосовуватися в завданнях глобальної мультимодальної оптимізації. Результати експериментального тестування показали, що SDNGA-алгоритм має хороші пошукові здібності, високу продуктивність і стійкість, що дозволяє знаходити кращі рішення.

Список літератури / References:

1. Ras, M.N., Wilke, D.N., Groenwold, A.A. and Kok, S., 2014. On rotationally invariant continuous-parameter genetic algorithms. Advances in Engineering Software, vol.78, no.12, pp. 52−59.

2. Rahmani, A. and Mirhassani, S.A., 2014. A hybrid firefly-genetic algorithm for the capacitated facility location problem. Information Sciences, vol.283, no.1, pp. 70−78.

3. Basu, M., 2014. Fuel constrained economic emission dispatch using nondominated sorting genetic algorithm-II. Energy, vol.78, no.15, pp. 649−664.

4. Jafar Ramadhan Mohammed, 2012. A study on the suitability of genetic algorithm for adaptive channel equalization. International Journal of Electrical and Computer Engineering, vol.2, no.3, pp. 285−292.

5. Saeed Soltanali, Rouein Halladj, Shokoufe Tayyebi and Alimorad Rashidi, 2014. Neural network and genetic algorithm for modeling and optimization of effective parameters on synthesized ZSM-5 particle size. Materials Letters, vol.136, no.1, pp. 138−140.

6. Rômulo Alves de Oliveira, Manoel Firmino de Medeiros Júnior and Roberto Felipe Andrade Menezes, 2014. Application of genetic algorithm for optimization on projects of public illumination. Electric Power Systems Research, vol. 117, no.12, pp. 84−93.

7. Pourvaziri, H. and Naderi, B., 2014. A hybrid multi-population genetic algorithm for the dynamic facility layout problem. Applied Soft Computing, vol.24, no.11, pp. 457−469.

8. Y. Volkan Pehlivanoglu, 2013. Direct and indirect design prediction in genetic algorithm for inverse design problems. Applied Soft Computing, vol.24, no.11, pp. 781−793.

9. Jafar Ramadhan Mohammed, 2012. Comparative performance investigations of stochastic and genetic algorithms under fast dynamically changing environment in smart antennas. International Journal of Electrical and Computer Engineering, vol.2, no.1, pp. 98−105.

10. Mostafa Z. Ali and Noor H. Awad, 2014. A novel class of niche hybrid cultural algorithms for continuous engineering optimization, Information Sciences, vol.267, no.20, pp. 158− 190.

2016_01_feng
2016-04-02  642.35 KB  973

• < Попередня
• Наступна >