Multivariate convergence-targeted operator for the genetic algorithm
Optimization of complex particle transport simulation packages could be managed using genetic algorithms as a tuning instrument for learning statistics and behavior of multi-objective optimisation functions. Combination of genetic algorithm and unsupervised machine learning could significantly incre...
Збережено в:
| Дата: | 2017 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
2017
|
| Назва видання: | Системні дослідження та інформаційні технології |
| Теми: | |
| Онлайн доступ: | http://dspace.nbuv.gov.ua/handle/123456789/151069 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Multivariate convergence-targeted operator for the genetic algorithm / O. Shadura, A. Petrenko, S. Svistunov // Системні дослідження та інформаційні технології. — 2017. — № 1. — С. 126-140. — Бібліогр.: 17 назв. — англ. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-151069 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-1510692019-04-24T01:25:36Z Multivariate convergence-targeted operator for the genetic algorithm Shadura, O. Petrenko, A. Svistunov, S. Методи аналізу та управління системами в умовах ризику і невизначеності Optimization of complex particle transport simulation packages could be managed using genetic algorithms as a tuning instrument for learning statistics and behavior of multi-objective optimisation functions. Combination of genetic algorithm and unsupervised machine learning could significantly increase convergence of algorithm to true Pareto Front (PF). We tried to apply specific multivariate analysis operator that can be used in case of expensive fitness function evaluations, in order to speed-up the convergence of the "black-box" optimization problem. The results delivered in the article shows that current approach could be used for any type of genetic algorithm and deployed as a separate genetic operator. Cкладні пакети моделювання транспорту частинок можна оптимізувати за допомогою генетичних алгоритмів, що дає змогу застосовувати для таких задач підходи статистичного навчання та методи оптимізації декількох цільових функцій. Поєднання генетичного алгоритму та неконтрольованого машинного навчання значно підвищує збіжність алгоритму до істинного парето-фронту. У межах багатофакторного аналізу запропоновано додатковий оператор, який може бути застосований для задач оптимізації багатоцільових функцій, що потребують великого обсягу ресурсів та часу, зокрема для пришвидшення збіжності задачі оптимізації "чорного ящика". Отримані результати показують, що запропонований підхід можна використовувати для генетичного алгоритму будь-якого типу, а додатковий оператор розглядати як окремий генетичний оператор. Сложные пакеты моделирования транспорта частиц можно оптимизировать с помощью генетических алгоритмов, что позволяет применять для таких задач подходы статистического обучения и методы оптимизации нескольких целевых функций. Сочетание генетического алгоритма и неконтролируемого машинного обучения может значительно повышает сходимость алгоритма к истинному парето-фронта. В рамках многофакторного анализа предложен дополнительный оператор, который может быть применен для задач оптимизации многоцелевых функций, требующих большого объема ресурсов и времени, в частности для ускорения сходимости задачи оптимизации "черного ящика". Полученные результаты показывают, что предложенный подход можно использовать для генетического алгоритма любого типа, а дополнительный оператор рассматривать как отдельный генетический оператор. 2017 Article Multivariate convergence-targeted operator for the genetic algorithm / O. Shadura, A. Petrenko, S. Svistunov // Системні дослідження та інформаційні технології. — 2017. — № 1. — С. 126-140. — Бібліогр.: 17 назв. — англ. 1681–6048 DOI: https://doi.org/10.20535/SRIT.2308-8893.2017.4.10 http://dspace.nbuv.gov.ua/handle/123456789/151069 519.85, 539.3 en Системні дослідження та інформаційні технології Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
English |
| topic |
Методи аналізу та управління системами в умовах ризику і невизначеності Методи аналізу та управління системами в умовах ризику і невизначеності |
| spellingShingle |
Методи аналізу та управління системами в умовах ризику і невизначеності Методи аналізу та управління системами в умовах ризику і невизначеності Shadura, O. Petrenko, A. Svistunov, S. Multivariate convergence-targeted operator for the genetic algorithm Системні дослідження та інформаційні технології |
| description |
Optimization of complex particle transport simulation packages could be managed using genetic algorithms as a tuning instrument for learning statistics and behavior of multi-objective optimisation functions. Combination of genetic algorithm and unsupervised machine learning could significantly increase convergence of algorithm to true Pareto Front (PF). We tried to apply specific multivariate analysis operator that can be used in case of expensive fitness function evaluations, in order to speed-up the convergence of the "black-box" optimization problem. The results delivered in the article shows that current approach could be used for any type of genetic algorithm and deployed as a separate genetic operator. |
| format |
Article |
| author |
Shadura, O. Petrenko, A. Svistunov, S. |
| author_facet |
Shadura, O. Petrenko, A. Svistunov, S. |
| author_sort |
Shadura, O. |
| title |
Multivariate convergence-targeted operator for the genetic algorithm |
| title_short |
Multivariate convergence-targeted operator for the genetic algorithm |
| title_full |
Multivariate convergence-targeted operator for the genetic algorithm |
| title_fullStr |
Multivariate convergence-targeted operator for the genetic algorithm |
| title_full_unstemmed |
Multivariate convergence-targeted operator for the genetic algorithm |
| title_sort |
multivariate convergence-targeted operator for the genetic algorithm |
| publisher |
Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України |
| publishDate |
2017 |
| topic_facet |
Методи аналізу та управління системами в умовах ризику і невизначеності |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/151069 |
| citation_txt |
Multivariate convergence-targeted operator for the genetic algorithm / O. Shadura, A. Petrenko, S. Svistunov // Системні дослідження та інформаційні технології. — 2017. — № 1. — С. 126-140. — Бібліогр.: 17 назв. — англ. |
| series |
Системні дослідження та інформаційні технології |
| work_keys_str_mv |
AT shadurao multivariateconvergencetargetedoperatorforthegeneticalgorithm AT petrenkoa multivariateconvergencetargetedoperatorforthegeneticalgorithm AT svistunovs multivariateconvergencetargetedoperatorforthegeneticalgorithm |
| first_indexed |
2023-05-20T17:36:07Z |
| last_indexed |
2023-05-20T17:36:07Z |
| _version_ |
1796153665746108416 |