moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2021.33.2.031 984 Исследование эффективности алгоритма глобальной оптимизации, вдохновленного некоторыми аспектами поведения тараканов Effectiveness research of a global optimization algorithm inspired by some aspects of cockroach behaviour Дубровкин Дмитрий Станиславович Dubrovkin Dmitry Stanislavjvich dmitry.dim-2011@yandex.ru aff-1 0000-0001-7904-5057 Карпенко Анатолий Павлович Karpenko Anatoly Pavlovich apkarpenko@mail.ru aff-2 Пивоварова Наталья Владимировна Pivovarova Natalia Vladimirovna pivovarova.natasha2013@yandex.ru aff-3 Московский государственный технический университет имени Н.Э. Баумана Bauman Moscow State Technical University Московский государственный технический университет имени Н.Э. Баумана, Bauman Moscow State Technical University Московский государственный технический университет имени Н.Э. Баумана Bauman Moscow State Technical University 01 01 2026 1 1 10.26102/2310-6018/2021.33.2.031 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Рассматриваем оптимизационный алгоритм нашествия тараканов (Roach Infestation Optimization, RIO), который относится к классу популяционных алгоритмов, вдохновленных живой природой. Алгоритм RIO предложен в 2008 г. и его можно считать глубокой модификацией широко известного и одного из наиболее эффективных оптимизационных алгоритмов роя частиц (Particle swarm optimization, PSO). Интерес к алгоритму RIO обусловлен тем, что в силу высокой эффективности алгоритма PSO для широкого круга задач глобальной оптимизации, особый интерес представляет исследование модификации этого алгоритма, которую представляет алгоритм RIO. Цель работы состоит в программной реализации и исследовании эффективности алгоритма RIO для известных сложных мультимодальных тестовых функций Ратригина и Экли. Особенностью исследования является поиск глобального экстремума (минимума) указанных функций в широкой области пространства поиска, в которой число локальных минимумов этих функций чрезвычайно велико. Представляем постановку рассматриваемой задачи глобальной оптимизации. Приводим описание алгоритма RIO, отличительным признаком которого является использование не оригинальных обозначений авторов этого алгоритма, но унифицированных обозначений, используемых нами при рассмотрении других популяционных алгоритмов. Описываем программное обеспечение, реализующее алгоритм, и организацию вычислительных экспериментов по исследованию его эффективности. Представляем результаты исследований, показывающие высокую перспективность алгоритма RIO для решения задач глобальной оптимизации.

Consider the Roach Infestation Optimization (RIO) algorithm, which belongs to the class of population-based algorithms inspired by wildlife. The RIO algorithm was proposed in 2008 and can be considered a deep modification of the well-known and one of the most effective particle swarm optimization (PSO) algorithms. The interest in the RIO algorithm is due to the fact that, due to the high efficiency of the PSO algorithm for a wide range of global optimization problems, the study of the modification of this algorithm, which is represented by the RIO algorithm, is of particular interest. The purpose of the work is to implement software and study the efficiency of the RIO algorithm for the well-known complex multimodal test functions of Ratrigin and Ackley. A feature of the study is the search for a global extremum (minimum) of these functions in a wide region of the search space, in which the number of local minima of these functions is extremely large. We present the formulation of the considered global optimization problem, as well as a description of the RIO algorithm, a distinctive feature of which is the use not of the original designations of the authors of this algorithm, but of the unified designations that we use when considering other population algorithms. We describe the software that implements the algorithm and the organization of computational experiments to study its effectiveness. Finally, the article presents the research results showing the high prospects of the RIO algorithm for solving global optimization problems.

 глобальная безусловная оптимизация популяционный алгоритм алгоритм оптимизации роем частиц функция Растригина функция Экли global unconstrained optimization population based algorithm particle swarm optimization algorithm Rastrigin function Ackley function Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References 1. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы вдохновленные природой. Москва: Издательство МГТУ им. Н.Э. Баумана; 2014. 2. Havens T.C. et al. Roach infestation optimization. In: Proceedings of the 2008 IEEE Swarm Intelligence Symposium, St. Louis, MO, USA. 2008:21–23. 3. Bo Xing, Wen-Jing Gao. Innovative Computational Intelligence: A Rough Guide to 134 Clever Algorithms. Springer International Publishing Switzerland; 2014. 4. Jeanson R. et al. Selforganized aggregation in cockroaches. Animal Behaviour. 2005;69:169–180. 5. Halloy J. et al. Social integration of robots into groups of cockroaches to control self-organizined choices. Science. 2007;318(5853):1155-1158. 6. Ame J. at al. Collegial decision making based on social amplification leads to optimal group formation. Proc. Natl. Acad. Sci. 2006;103(15):5835–5840. 7. Garnier S. et al. Collective decision-making by a group of cockroach-like robots. Proc. 2005 IEEE Swarm Intelligence Symposium (SIS 2005). Pasadena, CA, USA. 2005;233-240. 8. Watanabe H., Mizunami M. Pavolv’s cockroach: Classical conditioning of salivation in an insect. PLoS ONE. 2007;2(6):529. 9. Kennedy J., Eberhardt R. Particle swarm optimization. Proceedings of the IEEE Int. Conf. on Neural Networks, Piscataway, NJ. 1995;1942–1948. 10. Clerc M. Particle Swarm Optimization. Newport Beach, CA: ISTE USA, 2006.

The authors declare that there are no conflicts of interest present.