Проблема оптимального принятия решения во множестве прикладных областей сводится к задачам дискретной оптимизации, для решения которых широко применяются эволюционные алгоритмы. Несмотря на их эффективность, эти алгоритмы требуют точной настройки параметров под конкретную задачу и, как правило, исследуются изолированно, без учета возможностей взаимной работы и динамического переключения. При этом существующие работы ограничивались сравнительно небольшими размерностями, что не позволило оценить масштабируемость алгоритмов в реальных крупных задачах (до нескольких тысяч переменных). В связи с этим, данная статья направлена на уточнение перечня эффективных конфигураций эволюционных алгоритмов в целях оптимизации работы разрабатываемой интеллектуальной системы переключения алгоритмов. В работе проведен сравнительный анализ конфигураций четырех классов эволюционных алгоритмов: генетического, муравьиного, пчелиного и имитации отжига. Эксперименты выполнялись на тестовых задачах большой размерности (до 20000 точек). Основными методами исследования стали метод сравнения и группировки результатов, а также анализ серий вычислительных экспериментов для оценки масштабируемости и устойчивости алгоритмов к «проклятию размерности». В проведенных ранее экспериментах с задачами малой размерности различия конфигураций одного алгоритма практически незаметны, тогда как на задачах высокой размерности выявляются значимые различия в производительности. В результате были определены оптимальные конфигурации каждого класса алгоритмов. Полученные результаты имеют практическую ценность для разработки автоматизированных систем поддержки принятия решений в области логистики, производства и других инженерных приложений, где требуется надежный и масштабируемый инструмент оптимизации.
1. Саймон Д. Алгоритмы эволюционной оптимизации. Москва: ДМК-Пресс; 2020. 940 с.
2. Баранов Д.А. Сравнительный анализ методов эволюционного проектирования в программном обеспечении для решения многокритериальных задач оптимизации. Моделирование, оптимизация и информационные технологии. 2025;13(2). https://doi.org/10.26102/2310-6018/2025.49.2.008
3. Белых М.А., Баранов Д.А., Барабанов В.Ф. Сравнительный анализ эволюционных алгоритмов при решении многокритериальной транспортной задачи с временными ограничениями. Системы управления и информационные технологии. 2024;(4):61–66.
4. You F., Grossmann I.E. Mixed-Integer Nonlinear Programming Models and Algorithms for Large-Scale Supply Chain Design with Stochastic Inventory Management. Industrial & Engineering Chemistry Research. 2008;47(20):7802–7817. https://doi.org/10.1021/ie800257x
5. Taillard E. Benchmarks for Basic Scheduling Problems. European Journal of Operational Research. 1993;64(2):278–285. https://doi.org/10.1016/0377-2217(93)90182-M
6. Beasley J.E., Cao B. A Tree Search Algorithm for the Crew Scheduling Problem. European Journal of Operational Research. 1996;94(3):517–526. https://doi.org/10.1016/0377-2217(95)00093-3
7. Hamdan A., Nah Sz.S., Leng G.S., Leng Ch.K., King T.W. Recent Evolutionary Algorithm Variants for Combinatorial Optimization Problem. Applications of Modelling and Simulation. 2023;7:214–238.
8. Сальникова К.В. Анализ массива данных с помощью инструмента визуализации «Ящик с усами». Universum: экономика и юриспруденция. 2021;(6):11–17.
9. Коваленко В.Н. Способ минимизации числа состояний недоопределенного конечного автомата. Вестник Уральского государственного университета путей сообщения. 2024;(2):15–22. https://doi.org/10.20291/2079-0392-2024-2-15-22
10. Drake J.H., Kheiri A., Özcan E., Burke E.K. Recent Advances in Selection Hyper-Heuristics. European Journal of Operational Research. 2020;285(2):405–428. https://doi.org/10.1016/j.ejor.2019.07.073
Баранов Дмитрий Алексеевич
Воронежский государственный технический университет
Воронеж, Российская Федерация
