Анализ эффективности самоконфигурируемого бинарного генетического алгоритма с модифицированным методом динамической коррекции области поиска

В работе представлена модификация самонастраивающегося генетического алгоритма (SelfCGA), направленная на повышение эффективности поиска в задачах глобальной оптимизации. Предложенный подход основан на сочетании динамической коррекции области поиска с кластеризацией фенотипов текущей популяции, что позволяет более точно выявлять и адаптивно исследовать перспективные области пространства решений. Использование кластеризации способствует поддержанию популяционного разнообразия, а также снижает вероятность преждевременной сходимости алгоритма к локальным экстремумам. Для оценки эффективности предложенной модификации были проведены вычислительные эксперименты на стандартном тестовом наборе CEC2017 при размерностях пространства поиска 10, 30 и 50. Каждый из сравниваемых алгоритмов запускался 50 независимых раз, что обеспечило статистическую достоверность результатов. В ходе экспериментов анализировались средние и наилучшие значения функций пригодности, а также динамика сходимости в процессе эволюционного поиска. Полученные результаты показывают, что модифицированный алгоритм SelfCGA с динамической коррекцией области поиска достигает состояния стабилизации, при котором улучшения решений практически прекращаются, за меньшее число поколений для большинства тестовых функций, причем данное преимущество сохраняется при увеличении размерности задачи. Отсутствие необходимости ручной настройки параметров и сохранение базовой структуры SelfCGA делают предложенную модификацию удобной и перспективной для практического применения.

1. Хритоненко Д.И., Семенкин Е.С. Самоконфигурируемый эволюционный алгоритм автоматического проектирования рекуррентных нейронных сетей. В сборнике: Информационно-телекоммуникационные системы и технологии: Всероссийская научно-практическая конференция, 16–17 октября 2015 года, Кемерово, Россия. Кемерово: Кузбасский государственный технический университет имени Т.Ф. Горбачева; 2015. С. 220.

2. Шерстнев П.А., Семенкин Е.С. SelfCSHAGA: самоконфигурируемый генетический алгоритм оптимизации с адаптацией на основе истории успеха. Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия: Приборостроение. 2025;(2):122–139.

3. Semenkin E., Semenkina M. Self-configuring Genetic Algorithm with Modified Uniform Crossover Operator. In: Advances in Swarm Intelligence: Third International Conference, ICSI 2012: Proceedings: Part I, 17–20 June 2012, Shenzhen, China. Berlin, Heidelberg: Springer; 2012. P. 414–421. https://doi.org/10.1007/978-3-642-30976-2_50

4. Малашин И.П., Тынченко В.С. Применение методов кластерного анализа для динамической коррекции области поиска в генетическом алгоритме. Сибирский аэрокосмический журнал. 2025;26(3):318–333. https://doi.org/10.31772/2712-8970-2025-26-3-318-333

5. Малашин И.П. Процедура динамической модификации схемы бинарного кодирования индивидов в генетическом алгоритме. Моделирование, оптимизация и информационные технологии. 2025;13(3). https://doi.org/10.26102/2310-6018/2025.50.3.040

6. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover. In: 2012 IEEE Congress on Evolutionary Computation, 10–15 June 2012, Brisbane, QLD, Australia. IEEE; 2012. P. 1–6. https://doi.org/10.1109/CEC.2012.6256587

7. Осипова Ю.А., Лавров Д.Н. Применение кластерного анализа методом k-средних для классификации текстов научной направленности. Математические структуры и моделирование. 2017;(3):108–121. https://doi.org/10.24147/2222-8772.2017.3.108-121

8. Stanovov V., Akhmedova Sh., Semenkin E. LSHADE Algorithm with Rank-Based Selective Pressure Strategy for Solving CEC 2017 Benchmark Problems. In: 2018 IEEE Congress on Evolutionary Computation (CEC), 08–13 July 2018, Rio de Janeiro, Brazil. IEEE; 2018. P. 1–8. https://doi.org/10.1109/CEC.2018.8477977

9. Miller B.L., Goldberg D.E. Genetic Algorithms, Tournament Selection, and the Effects of Noise. Complex Systems. 1995;9(3):193–212.

10. Ahn Ch.W., Ramakrishna R.S. Elitism-based compact genetic algorithms. IEEE Transactions on Evolutionary Computation. 2003;7(4):367–385. https://doi.org/10.1109/TEVC.2003.814633