Использование разнообразности начальной популяции в многопопуляционном генетическом алгоритме

• Published in: Компьютерная математика
• Date: 2019
• Main Authors: Лукьянов, И.О., Литвиненко, Ф.А., Криковлюк, Е.А.
• Format: Article
• Language: Russian
• Published: Інститут кібернетики ім. В.М. Глушкова НАН України 2019
• Subjects: Математические модели в биологии и медицине
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/161941
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Использование разнообразности начальной популяции в многопопуляционном генетическом алгоритме / И.О. Лукьянов, Ф.А. Литвиненко, Е.А. Криковлюк // Компьютерная математика. — 2019. — № 1. — С. 116-123. — Бібліогр.: 8 назв. — рос.

Рассмотрены некоторые особенности генерации начальной популяции при параллельной реализации многопопуляционного генетического алгоритма, а также некоторые подходы к ее оптимальному использованию. Реализованы некоторые модификации генетического алгоритма, рассмотренного в предыдущих работах, для уменьшения использования операции мутации для конкретной задачи. В результате удалось исключить операции мутации до достижения 98 % от оптимума, при сравнительно низком количестве рассмотренных вариантов решения (альтернатив). Розглянуті деякі особливості генерації початкової популяції в паралельній реалізації багатопопуляціонного генетичного алгоритму, а також підходи до її оптимального використання. Реалізовані деякі модифікації генетичного алгоритму розглянутого в попередніх роботах, з метою зменшення використання операції мутації для конкретної задачі. Як результат вдалося виключити операції мутації поки не було досягнуто 98% від оптимуму, з порівняно низькою кількістю розглянутих варіантів рішення (альтернатив). We consider some features of generation the initial population in parallel implementation of the multi-population genetic algorithm, as well as approaches to its optimal use. Some modifications of the genetic algorithm considered in previous works are implemented to reduce the use of the mutation operation for a specific problem. As a result, it was possible to exclude mutation operations to achieve 98% of the optimum, with a relatively low number of considered solution options (alternatives).