Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації
Мета роботи. Показати, що генетичні алгоритми, зазвичай класифіковані як метаевристичні, популяційні, імітаційні тощо, по суті є стохастичними чисельними методами прямого пошуку. Результати. Наведено варіанти постановки задачі оптимізації, дано огляд класифікацій оптимізаційних задач із зазначенням...
Gespeichert in:
| Veröffentlicht in: | Кібернетика та комп’ютерні технології |
|---|---|
| Datum: | 2021 |
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Ukrainian |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2021
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/181346 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації / Н.М. Гулаєва, В.П. Шило, М.М. Глибовець // Кібернетика та комп’ютерні технології: Зб. наук. пр. — 2021. — № 3. — С. 5-14. — Бібліогр.: 12 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-181346 |
|---|---|
| record_format |
dspace |
| spelling |
Гулаєва, Н.М. Шило, В.П. 2021-11-12T14:47:29Z 2021-11-12T14:47:29Z 2021 Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації / Н.М. Гулаєва, В.П. Шило, М.М. Глибовець // Кібернетика та комп’ютерні технології: Зб. наук. пр. — 2021. — № 3. — С. 5-14. — Бібліогр.: 12 назв. — укр. 2707-4501 DOI: https://doi.org/10.34229/2707-451X.21.3.1 https://nasplib.isofts.kiev.ua/handle/123456789/181346 519.854:004.023 Мета роботи. Показати, що генетичні алгоритми, зазвичай класифіковані як метаевристичні, популяційні, імітаційні тощо, по суті є стохастичними чисельними методами прямого пошуку. Результати. Наведено варіанти постановки задачі оптимізації, дано огляд класифікацій оптимізаційних задач із зазначенням основних методів їх розв’язування. Описано суть класифікації методів оптимізації на аналітичні та чисельні та показано, що схема генетичного алгоритму може бути подана як схема чисельного методу прямого пошуку. Дано спосіб зведення заданої оптимізаційної задачі до задачі, розв’язуваної за допомогою генетичного алгоритму, та окреслено клас задач, які можуть бути розв’язані за допомогою генетичних алгоритмів. Цель работы. Показать, что генетические алгоритмы, обычно классифицируемые как метаэвристические, популяционные, имитационные и т. д., в действительности являются стохастическими численными методами прямого поиска. Результаты. Приведены варианты постановки задачи оптимизации, дан обзор классификаций оптимизационных задач с указанием основных методов их решения. Описана суть классификации методов оптимизации на аналитические и численные и показано, что схема генетического алгоритма может быть представлена как схема численного метода прямого поиска. Дан способ сведения заданной оптимизационной задачи к задаче, решаемой с помощью генетического алгоритма, и очерчен класс задач, которые могут быть решены с помощью генетических алгоритмов. The purpose is to show that genetic algorithms, usually classified as metaheuristic, population-based, simulation, etc., are inherently the stochastic numerical methods of direct search. Results. Alternative statements of optimization problem are given. An overview of existing classifications of optimization problems and basic methods to solve them is provided. The heart of optimization method classification into symbolic (analytical) and numerical ones is described. It is shown that a genetic algorithm scheme can be represented as a scheme of numerical method of direct search. A method to reduce a given optimization problem to a problem solvable by a genetic algorithm is described, and the class of problems that can be solved by genetic algorithms is outlined. uk Інститут кібернетики ім. В.М. Глушкова НАН України Кібернетика та комп’ютерні технології Методи оптимізації та екстремальні задачі Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації Генетические алгоритмы как вычислительные методы конечномерной оптимизации Genetic Algorithms as Computational Methods for Finite-Dimensional Optimization Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації |
| spellingShingle |
Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації Гулаєва, Н.М. Шило, В.П. Методи оптимізації та екстремальні задачі |
| title_short |
Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації |
| title_full |
Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації |
| title_fullStr |
Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації |
| title_full_unstemmed |
Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації |
| title_sort |
генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації |
| author |
Гулаєва, Н.М. Шило, В.П. |
| author_facet |
Гулаєва, Н.М. Шило, В.П. |
| topic |
Методи оптимізації та екстремальні задачі |
| topic_facet |
Методи оптимізації та екстремальні задачі |
| publishDate |
2021 |
| language |
Ukrainian |
| container_title |
Кібернетика та комп’ютерні технології |
| publisher |
Інститут кібернетики ім. В.М. Глушкова НАН України |
| format |
Article |
| title_alt |
Генетические алгоритмы как вычислительные методы конечномерной оптимизации Genetic Algorithms as Computational Methods for Finite-Dimensional Optimization |
| description |
Мета роботи. Показати, що генетичні алгоритми, зазвичай класифіковані як метаевристичні, популяційні, імітаційні тощо, по суті є стохастичними чисельними методами прямого пошуку. Результати. Наведено варіанти постановки задачі оптимізації, дано огляд класифікацій оптимізаційних задач із зазначенням основних методів їх розв’язування. Описано суть класифікації методів оптимізації на аналітичні та чисельні та показано, що схема генетичного алгоритму може бути подана як схема чисельного методу прямого пошуку. Дано спосіб зведення заданої оптимізаційної задачі до задачі, розв’язуваної за допомогою генетичного алгоритму, та окреслено клас задач, які можуть бути розв’язані за допомогою генетичних алгоритмів.
Цель работы. Показать, что генетические алгоритмы, обычно классифицируемые как метаэвристические, популяционные, имитационные и т. д., в действительности являются стохастическими численными методами прямого поиска. Результаты. Приведены варианты постановки задачи оптимизации, дан обзор классификаций оптимизационных задач с указанием основных методов их решения. Описана суть классификации методов оптимизации на аналитические и численные и показано, что схема генетического алгоритма может быть представлена как схема численного метода прямого поиска. Дан способ сведения заданной оптимизационной задачи к задаче, решаемой с помощью генетического алгоритма, и очерчен класс задач, которые могут быть решены с помощью генетических алгоритмов.
The purpose is to show that genetic algorithms, usually classified as metaheuristic, population-based, simulation, etc., are inherently the stochastic numerical methods of direct search. Results. Alternative statements of optimization problem are given. An overview of existing classifications of optimization problems and basic methods to solve them is provided. The heart of optimization method classification into symbolic (analytical) and numerical ones is described. It is shown that a genetic algorithm scheme can be represented as a scheme of numerical method of direct search. A method to reduce a given optimization problem to a problem solvable by a genetic algorithm is described, and the class of problems that can be solved by genetic algorithms is outlined.
|
| issn |
2707-4501 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/181346 |
| citation_txt |
Генетичні алгоритми як обчислювальні методи скінченновимірної оптимізації / Н.М. Гулаєва, В.П. Шило, М.М. Глибовець // Кібернетика та комп’ютерні технології: Зб. наук. пр. — 2021. — № 3. — С. 5-14. — Бібліогр.: 12 назв. — укр. |
| work_keys_str_mv |
AT gulaêvanm genetičníalgoritmiâkobčislûvalʹnímetodiskínčennovimírnoíoptimízacíí AT šilovp genetičníalgoritmiâkobčislûvalʹnímetodiskínčennovimírnoíoptimízacíí AT gulaêvanm genetičeskiealgoritmykakvyčislitelʹnyemetodykonečnomernoioptimizacii AT šilovp genetičeskiealgoritmykakvyčislitelʹnyemetodykonečnomernoioptimizacii AT gulaêvanm geneticalgorithmsascomputationalmethodsforfinitedimensionaloptimization AT šilovp geneticalgorithmsascomputationalmethodsforfinitedimensionaloptimization |
| first_indexed |
2025-12-07T20:18:02Z |
| last_indexed |
2025-12-07T20:18:02Z |
| _version_ |
1850882059468275712 |