Експериментальне дослідження модифікованого еволюційного алгоритму

Бічна панель сторінки статті

pdf (Русский)
Опубліковано: тра 31, 2010
DOI: https://doi.org/10.20535/2312-1807.2010.15.1.313014
Ключові слова:
еволюційний алгоритм, гібридизація еволюційного алгоритму, завдання оптимізації, генетичні оператори (відбір, кросовер, мутація), оптимальна комбінація генетичних операторів, фронт Парето, основа правил

Основний зміст сторінки статті

О.Б. Хруставка

Анотація

Досліджується вплив різних комбінацій генетичних операторів на якість розв'язання оптимізаційних завдань за допомогою гібридного еволюційного алгоритму Наведено результати дослідження, отриманого на безлічі тестових завдань, включає багатоекстремальні та багатокритеріальні завдання оптимізації

Блок інформації про статтю

Як цитувати
Хруставка, О. . (2010). Експериментальне дослідження модифікованого еволюційного алгоритму. Електроніка та Зв’язок, 15(1), 70–79. https://doi.org/10.20535/2312-1807.2010.15.1.313014
Номер
Том 15 № 1 (2010)
Розділ
Інформаційні системи та технологіі
Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).

Посилання

Y. Kalnibolotsky, O. Khrustava, and A. Karev, “Modifications of genetic operators in evolutionary algorithms”, Electronics and communications, vol. 38, no. 3, pp. 68–81, 2007.

Y. Kalnibolotskiy and O. Khrustava, “Modifications of genetic algorithms”, Electronics and communications, vol. 46, no. 5, pp. 54–61, 2008.

O. Khrustava, “Rule base for selection of combination of genetic operators for hybrid evolutionary algorithm”, in International scientific conference "Intellectual analysis of information IAI-2009", Kyiv, 2009, pp. 401–408.

K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, “A fast and elitist multiobjective genetic algorithm: NSGA-II”, IEEE Transactions on Evolutionary Computation, vol. 6, no. 2, pp. 182–197, Apr. 2002. DOI:10.1109/4235.996017

Y. Wang and C. Dang, “An Evolutionary Algorithm for Global Optimization Based on Level-Set Evolution and Latin Squares”, IEEE Transactions on Evolutionary Computation, vol. 11, no. 5, pp. 579–595, Oct. 2007. DOI:10.1109/TEVC.2006.886802

J. Brest, S. Greiner, B. Boskovic, M. Mernik, and V. Zumer, “Self-Adapting Control Parameters in Differential Evolution: A Comparative Study on Numerical Benchmark Problems”, IEEE Transactions on Evolutionary Computation, vol. 10, no. 6, pp. 646–657, Dec. 2006. DOI:10.1109/TEVC.2006.872133

F. di Pierro, S.-T. Khu, and D. A. Savi, “An Investigation on Preference Order Ranking Scheme for Multiobjective Evolutionary Optimization”, IEEE Transactions on Evolutionary Computation, vol. 11, no. 1, pp. 17–45, Feb. 2007. DOI:10.1109/TEVC.2006.876362

J. Hadley, Nonlinear and dynamic programming, Moscow: Mir, 1967, p. 506.

D. Himmelblau, Applied nonlinear programming, Moscow: Mir, 1975, p. 536.

D. Rutkovskaya, M. Pilinsky, and L. Rutkovsky, Neural networks, genetic algorithms and fuzzy systems, Moscow: Goryachaya Liniya - Telecom, 2004, p. 452.

S. Kazarlis, S. Papadakis, J. Theocharis, and V. Petridis, “Microgenetic algorithms as generalized hill-climbing operators for GA optimization”, IEEE Transactions on Evolutionary Computation, vol. 5, no. 3, pp. 204–217, Jun. 2001. DOI:10.1109/4235.930311

H. Ishibuchi, T. Yoshida, and T. Murata, “Balance between genetic search and local search in memetic algorithms for multiobjective permutation flowshop scheduling”, IEEE Transactions on Evolutionary Computation, vol. 7, no. 2, pp. 204–223, Apr. 2003. DOI:10.1109/TEVC.2003.810752

S. Tomioka, S. Nisiyama, and T. Enoto, “Nonlinear Least Square Regression by Adaptive Domain Method With Multiple Genetic Algorithms”, IEEE Transactions on Evolutionary Computation, vol. 11, no. 1, pp. 1–16, Feb. 2007. DOI:10.1109/TEVC.2006.876363

S. Khaikin, Neural networks: a complete course, Moscow: Williams Publishing House, 2006, p. 1104.