Multiple Optima Identification Using Multi-strategy Multimodal Genetic Algorithm
Скачать файл:
URI (для ссылок/цитирований):
https://elib.sfu-kras.ru/handle/2311/20249Автор:
Sopov, Evgenii A.
Сопов, Евгений А.
Дата:
2016-06Аннотация:
Multimodal optimization (MMO) is the problem of finding many or all global and local optima. In
this study, a novel approach based on a metaheuristic for designing multi-strategy genetic algorithm is
proposed. The approach controls the interactions of many search techniques (different genetic algorithms
for MMO) and leads to the self-configuring solving of problems with a priori unknown structure. The
results of numerical experiments for classical benchmark problems and benchmark problems from the
IEEE CEC competition on MMO are presented. The proposed approach has demonstrated efficiency
better than standard niching techniques and comparable to advanced algorithms. The main feature of
the approach is that it does not require the participation of the human-expert, because it operates in an
automated, self-configuring way Задача мультимодальной оптимизации заключается в нахождении множества всех глобаль-
ных и локальных оптимумов или аппроксимации этого множества. В данной работе предложен
новый подход, основанный на метаэвристике для построения генетического алгоритма, включа-
ющего многие стратегии поиска. Предложенный подход позволяет управлять взаимодействием
нескольких поисковых алгоритмов (разных генетических алгоритмов для мультимодальной оп-
тимизации) и обеспечивает самоконфигурируемое решение задачи с априори неизвестной струк-
турой. В статье представлены результаты численных экспериментов и сравнение с другими
известными подходами на множестве традиционных тестовых задач мультимодальной опти-
мизации и задачах, предложенных на конкурсе по мультимодальной оптимизации в рамках кон-
ференции IEEE CEC. Предложенный подход демонстрирует лучшую эффективность, чем стан-
дартные подходы, основанные на идее ниш, и сравнимую с современными усовершенствованными
алгоритмами. Особенностью и преимуществом предложенного подхода является то, что он не
требует привлечения дополнительных экспертных знаний, так как работает в автоматизиро-
ванном, самоконфигурируемом режиме