Коэволюционный самонастраивающийся алгоритм оптимизации

Ключевые слова: коэволюционный алгоритм, глобальный оптимум, агент, «жертва–хищник», паттерн поведения, преждевременная сходимость, разнообразие решений, тестовая функция, критерий Уилкоксона

Аннотация

В статье предложен коэволюционный самонастраивающийся алгоритм для решения задач глобальной оптимизации. Алгоритм моделирует эгоистичное поведение особей стада травоядных, подвергающихся нападению стаи хищников. Поисковые агенты управляются набором аттрактивных операторов поиска на основе паттернов индивидуального и коллективного поведения агентов, а также механизмов популяционного отбора в системе «жертва–хищник». Агенты перемещаются в пространстве решений задачи оптимизации, используя набор операторов, имитирующих различные виды поведения, в том числе эгоистичного. В отличие от большинства конкурирующих алгоритмов предлагаемый коэволюционный самонастраивающийся алгоритм позволяет не только моделировать различные виды эгоистичного поведения. Он включает вычислительные механизмы для сохранения баланса между скоростью сходимости алгоритма и диверсификацией пространства поиска решений. Результативность алгоритма анализируется с помощью серии экспериментов для задач поиска глобального минимума в наборе из 5 известных тестовых функций. Результаты сравнивались с 7 конкурирующими биоэвристиками по таким показателям, как среднее лучшее на данный момент решение, медианное лучшее на данный момент решение и стандартное отклонение от лучшего на данный момент решения. Точность предлагаемого алгоритма оказалась выше, нежели у конкурирующих алгоритмов. Непараметрическое доказательство статистической значимости полученных результатов с использованием Т-критерия Уилкоксона позволяет утверждать, что результаты коэволюционного самонастраивающегося алгоритма являются статистически значимыми.

Скачивания

Данные скачивания пока не доступны.

Биография автора

Сергей Иванович Родзин, Южный федеральный университет

профессор кафедры программной инженерии

Литература

1. Родзин, С.И. Биоэвристики: теория, алгоритмы и приложения: монография / С. И. Родзин, Ю. А. Скобцов, С. А. Эль-Хатиб. – Чебоксары : ИД «Среда», 2019. – 224 с.
2. Wang H. [et. al.] (2013) Diversity enhanced particle swarm optimization with neighborhood search. Journal of Information Science. Vol. 223. P. 119–135.
3. Hamilton W. (1971) Geometry for the selfish herd. Journal of Theoretical Biology. No 31(2). P. 295–311.
4. Orpwood J. [et. al.] (2008) Minnows and the selfish herd: effects of predation risk on shoaling behavior are dependent on habitat complexity. Animal Behavior. Vol. 76(1). P. 143–152.
5. Karaboga D. and Akay B. (2009) A comparative study of artificial bee colony algorithm. Applied Mathematics and Computation. Vol. 214(1). P. 108–132.
6. Сергиенко, А. Б. Тестовые функции для глобальной оптимизации / А. Б. Сергиенко. – Красноярск: СГАУ, 2015. – 112 с.
7. Karaboga D. and Basturk B. (2008) On the performance of artificial bee colony (ABC) algorithm. Applied Mathematics and Computation. No 8(1). P. 687–697.
8. Yang X. (2012) Flower Pollination Algorithm for Global Optimization. Lecture Notes in Computer Science. Vol. 7445 LNCS. P. 240–249.
9. Storn R. and Price K. (1997) Differential evolution – a simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization. No 11(4). P. 341–359.
10. Mitchell M. (1996) An Introduction to Genetic Algorithms. Cambridge : MIT Press. 162 p.
11. Askarzadeh A. (2016) A novel metaheuristic method for solving constrained engineering optimization problems: crow search algorithm. Journal Computers & Structures. Vol. 169. P. 1–12.
12. Mirjalili S. (2015) Moth-flame optimization algorithm: a novel nature-inspired heuristic paradigm. Journal Knowledge-based Systems. Vol. 89. P. 228–249.
13. Shengqi J. [et. al.] (2018) Elite Opposition-Based Selfish Herd Optimizer. International Conference on Intelligent Information Processing. P. 89–98.
14. Fausto F. [et. al.] (2017) A global optimization algorithm inspired in the behavior of selfish herds. Journal BioSystems. Vol. 160. P. 39–55.
15. Wilcoxon F. (2006) Individual comparisons by ranking methods Frank Wilcoxon. Biometrics Bulletin. Vol. 1(6). P. 80–83.
Опубликован
2023-05-12
Как цитировать
Родзин, С. И. (2023). Коэволюционный самонастраивающийся алгоритм оптимизации. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (1), 16-27. https://doi.org/10.17308/sait/1995-5499/2023/1/16-27
Раздел
Математические методы системного анализа, управления и моделирования