МОДИФИКАЦИЯ ГЕНЕТИЧЕСКОГО АЛГОРИТМА С АДАПТИВНЫМ ПЕРЕКЛЮЧЕНИЕМ КРОССОВЕРА

Целью данной работы является разработка модификации адаптивного генетического алгоритма, основанной на переключении кроссовера в соответствии со степенью элитарности индивидуумов популяции. Несмотря на большое число исследований, произведенных в области эволюционных исчислений за последнее время, алгоритмы данного класса и сегодня имеют высокую перспективу модификации. Основной целью исследований является улучшение скорости сходимости алгоритмов (для получения высокопроизводительных методов оптимизации) и увеличение точности полученных решений. В статье для адаптивной настройки оператора кроссовера используются понятия дискретной и непрерывной степени элитарности индивидуумов. Кроме того, оценка элитарности применяется для настройки вероятности мутации. Рассмотренная модификация имеет превосходство на тестовых задачах, которые традиционно используются для анализа эффективности генетических алгоритмов. В качестве тестового набора были использованы квадратичная функция с тремя переменными, функция Розенброка, ступенчатая функция, сложная функция четвертого порядка с шумом и функция Шекеля. Представлены результаты сравнения классических генетических алгоритмов с алгоритмами, использующими рассмотренные стратегии настройки кроссовера и мутации. Проведён анализ результатов вычислительного эксперимента.

1. Hatta K, Matsuda K, Wakabayashi S, Koide T. On-the-fly crossover adaptation of genetic algorithms. Proc IEE/IEEE Genetic Algorithms in Engineering Systems: Innovations and Applications. 1997:197-202.

2. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы: учебное пособие. М.: Физматлит. 2006.

3. Белецкая С.Ю., Боковая Н.В. Технология оптимального проектирования развивающихся производственных систем. Системы управления и информационные технологии. 2008;2-2(32):223-226.

4. Liles W.C., Wiegand R.P. Introduction to Schema Theory: A survey lecture of pessimistic & exact schema theory. Computer Science Department, George Mason University. 2002.

5. Hatta K. Adaptive choice of crossover type in genetic algorithms. 1998:900-909.

6. Coello Carlos. An updated survey of GA-based multiobjective optimization techniques. ACM Computing Surveys. 2000;32(2):109-143.

7. Alshraideh М., Mahafzah В. A MultiplePopulation Genetic Algorithm for Branch Coverage Test Data Generation. Software Quality Control. 2011;19(3):489-513.

8. Rashedi E., Nezamabadi-pour H., Saryazdi S. GSA: A Gravitational Search Algorithm. 2009;179(13):2232-2248.

9. Zhang C. and Wang H.-P., Mixed-discrete nonlinear optimization with simulated annealing. Engineering Optimization. 1993;21(4):277-291.

10. Xue C, Dong L, Li G. An Improved Immune Genetic Algorithm for the Optimization of Enterprise Information System based on Time Property[J]. Journal of Software. 2011;6(3):436-443.