Багатофакторний конвергенційно-націлений оператор для генетичного алгоритму
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...
Gespeichert in:
| Datum: | 2017 |
|---|---|
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | Englisch |
| Veröffentlicht: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2017
|
| Schlagworte: | |
| Online Zugang: | http://journal.iasa.kpi.ua/article/view/101845 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | System research and information technologies |
Institution
System research and information technologies| _version_ | 1856543220487421952 |
|---|---|
| author | Shadura, Oksana Petrenko, Anatoly I. Svistunov, Sergiy Ya. |
| author_facet | Shadura, Oksana Petrenko, Anatoly I. Svistunov, Sergiy Ya. |
| author_sort | Shadura, Oksana |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2018-03-30T15:25:34Z |
| 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. |
| first_indexed | 2025-07-17T10:21:00Z |
| format | Article |
| id | journaliasakpiua-article-101845 |
| institution | System research and information technologies |
| language | English |
| last_indexed | 2025-07-17T10:21:00Z |
| publishDate | 2017 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| spelling | journaliasakpiua-article-1018452018-03-30T15:25:34Z Multivariate convergence-targeted operator for the genetic algorithm Многофакторный конвергенционо-нацеленный оператор для генетического алгоритма Багатофакторний конвергенційно-націлений оператор для генетичного алгоритму Shadura, Oksana Petrenko, Anatoly I. Svistunov, Sergiy Ya. machine learning genetic algorithm Pareto Front principle component analysis transport particle simulations машинное обучение генетический алгоритм Парето фронт анализ главных компонентов моделирования транспорта частиц машинне навчання генетичний алгоритм Парето фронт аналіз основних компонентів моделювання транспорту частинок 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. 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. 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. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2017-03-21 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/101845 10.20535/SRIT.2308-8893.2017.4.10 System research and information technologies; No. 1 (2017); 126-140 Системные исследования и информационные технологии; № 1 (2017); 126-140 Системні дослідження та інформаційні технології; № 1 (2017); 126-140 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/101845/97045 Copyright (c) 2021 System research and information technologies |
| spellingShingle | машинне навчання генетичний алгоритм Парето фронт аналіз основних компонентів моделювання транспорту частинок Shadura, Oksana Petrenko, Anatoly I. Svistunov, Sergiy Ya. Багатофакторний конвергенційно-націлений оператор для генетичного алгоритму |
| title | Багатофакторний конвергенційно-націлений оператор для генетичного алгоритму |
| title_alt | Multivariate convergence-targeted operator for the genetic algorithm Многофакторный конвергенционо-нацеленный оператор для генетического алгоритма |
| title_full | Багатофакторний конвергенційно-націлений оператор для генетичного алгоритму |
| title_fullStr | Багатофакторний конвергенційно-націлений оператор для генетичного алгоритму |
| title_full_unstemmed | Багатофакторний конвергенційно-націлений оператор для генетичного алгоритму |
| title_short | Багатофакторний конвергенційно-націлений оператор для генетичного алгоритму |
| title_sort | багатофакторний конвергенційно-націлений оператор для генетичного алгоритму |
| topic | машинне навчання генетичний алгоритм Парето фронт аналіз основних компонентів моделювання транспорту частинок |
| topic_facet | machine learning genetic algorithm Pareto Front principle component analysis transport particle simulations машинное обучение генетический алгоритм Парето фронт анализ главных компонентов моделирования транспорта частиц машинне навчання генетичний алгоритм Парето фронт аналіз основних компонентів моделювання транспорту частинок |
| url | http://journal.iasa.kpi.ua/article/view/101845 |
| work_keys_str_mv | AT shaduraoksana multivariateconvergencetargetedoperatorforthegeneticalgorithm AT petrenkoanatolyi multivariateconvergencetargetedoperatorforthegeneticalgorithm AT svistunovsergiyya multivariateconvergencetargetedoperatorforthegeneticalgorithm AT shaduraoksana mnogofaktornyjkonvergenciononacelennyjoperatordlâgenetičeskogoalgoritma AT petrenkoanatolyi mnogofaktornyjkonvergenciononacelennyjoperatordlâgenetičeskogoalgoritma AT svistunovsergiyya mnogofaktornyjkonvergenciononacelennyjoperatordlâgenetičeskogoalgoritma AT shaduraoksana bagatofaktornijkonvergencíjnonacílenijoperatordlâgenetičnogoalgoritmu AT petrenkoanatolyi bagatofaktornijkonvergencíjnonacílenijoperatordlâgenetičnogoalgoritmu AT svistunovsergiyya bagatofaktornijkonvergencíjnonacílenijoperatordlâgenetičnogoalgoritmu |