Про одне узагальнення еволюційних алгоритмів

• Опубліковано в: : Проблеми керування та інформатики
• Дата: 2023
• Автор: Літвінчук, Ю.А.
• Формат: Стаття
• Мова: Українська
• Опубліковано: Інститут кібернетики ім. В.М. Глушкова НАН України 2023
• Теми: Чисельні методи в екстремальних задачах, методи наближення функцій
• Онлайн доступ: https://nasplib.isofts.kiev.ua/handle/123456789/211068
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Про одне узагальнення еволюційних алгоритмів / Ю.А. Літвінчук // Проблеми керування та інформатики. — 2023. — № 6. — С. 64-75. — Бібліогр.: 38 назв. — укр.

У запропонованій роботі розглянуто сукупність методів оцінки оптимальних параметрів тренувальних функцій з використанням еволюційних та генетичних алгоритмів пошуку в порівнянні з розширеним CMA-ES-алгоритмом. Проаналізовано метаевристичні алгоритми оптимізації ALO, ABCO, GA, PSO та класичний CMA-ES, які ґрунтуються на поведінці живих організмів в реальних природних середовищах. Для аналізу використано метод Монте–Карло, який дає можливість зробити висновки про розподіл кількості обчислень цільової функції. В роботi також запропоновано розширення алгоритму CMA-ES з використанням сумiшей нормальних розподiлiв з невизначеною величиною розмірності суміші та з відомим базовим розподілом для оцінки оптимальних значень відомих тестових функцій. This work discusses a set of methods for evaluating optimal parameters of training functions using evolutionary and genetic search algorithms in comparison with the extended CMA-ES algorithm. Metaheuristic optimization algorithms ALO, ABCO, GA, PSO, and the classical CMA-ES, based on the behavior of living organisms in real natural environments, are analyzed. The Monte Carlo method is used for analysis, allowing conclusions to be drawn about the distribution of the number of objective function evaluations. The work also proposes an extension of the CMA-ES algorithm using mixtures of normal distributions with an undefined mixture dimensionality and a known base distribution for evaluating optimal values of known test functions.