Особенности реализации параллельной версии многопопуляционного генетического алгоритма

• Veröffentlicht in: Компьютерная математика
• Datum: 2018
• Hauptverfasser: Лукьянов, И.О., Литвиненко, Ф.А., Криковлюк, Е.А.
• Format: Artikel
• Sprache: Russisch
• Veröffentlicht: Інститут кібернетики ім. В.М. Глушкова НАН України 2018
• Schlagworte: Математическое моделирование
• Online Zugang: https://nasplib.isofts.kiev.ua/handle/123456789/161882
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Zitieren: Особенности реализации параллельной версии многопопуляционного генетического алгоритма / И.О. Лукьянов, Ф.А. Литвиненко, Е.А. Криковлюк // Компьютерная математика. — 2018. — № 2. — С. 21-29. — Бібліогр.: 8 назв. — рос.

Рассмотрены некоторые особенности параллельной реализации многопопуляционного генетического алгоритма, а также некоторые подходы к его оптимизации. Проведена экспериментальная оценка принципиально разных стратегий миграции хромосом-решений между популяциями, а также выбора вероятностей операций кроссовера и мутации в зависимости от близости к оптимальному решению. В результате достигнуто значительное (до 25 %) уменьшение количества рассмотренных вариантов решения (альтернатив). Розглянуті деякі особливості паралельної реалізації багатопопуляційного генетичного алгоритму, а також деякі підходи до його оптимізації. Проведена експериментальна оцінка принципово різних стратегій міграції хромосом-рішеннь між популяціями, а також вибору ймовірностей операцій кросоверу і мутації, в залежності від наближення до оптимального рішення. В результаті досягнуто значне (до 25 %) зменшення кількості розглянутих варіантів рішення (альтерантив). Features of the parallel implementation of a multi-population genetic algorithm and approaches to its optimization are considered. An experimental assessment of fundamentally different strategies of migration of chromosome-solutions between populations and the choice of probabilities of operations of crossover and mutation depending on the proximity to the optimal solution is carried out. As a result, a significant (up to 25%) reduction in the number of considered solution options (alternatives) is achieved.