Про одне узагальнення еволюційних алгоритмів
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...
Збережено в:
| Опубліковано в: : | Проблеми керування та інформатики |
|---|---|
| Дата: | 2023 |
| Автор: | |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2023
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/211068 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| 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. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862735321129549824 |
|---|---|
| author | Літвінчук, Ю.А. |
| author_facet | Літвінчук, Ю.А. |
| citation_txt | Про одне узагальнення еволюційних алгоритмів / Ю.А. Літвінчук // Проблеми керування та інформатики. — 2023. — № 6. — С. 64-75. — Бібліогр.: 38 назв. — укр. |
| collection | DSpace DC |
| container_title | Проблеми керування та інформатики |
| description | 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.
|
| first_indexed | 2026-04-17T16:20:34Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-211068 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Ukrainian |
| last_indexed | 2026-04-17T16:20:34Z |
| publishDate | 2023 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Літвінчук, Ю.А. 2025-12-23T12:40:29Z 2023 Про одне узагальнення еволюційних алгоритмів / Ю.А. Літвінчук // Проблеми керування та інформатики. — 2023. — № 6. — С. 64-75. — Бібліогр.: 38 назв. — укр. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/211068 519.712, 519.245 004.032.26 10.34229/1028-0979-2023-6-4 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. uk Інститут кібернетики ім. В.М. Глушкова НАН України Проблеми керування та інформатики Чисельні методи в екстремальних задачах, методи наближення функцій Про одне узагальнення еволюційних алгоритмів On a Generalization of Evolutionary Algorithms Article published earlier |
| spellingShingle | Про одне узагальнення еволюційних алгоритмів Літвінчук, Ю.А. Чисельні методи в екстремальних задачах, методи наближення функцій |
| title | Про одне узагальнення еволюційних алгоритмів |
| title_alt | On a Generalization of Evolutionary Algorithms |
| title_full | Про одне узагальнення еволюційних алгоритмів |
| title_fullStr | Про одне узагальнення еволюційних алгоритмів |
| title_full_unstemmed | Про одне узагальнення еволюційних алгоритмів |
| title_short | Про одне узагальнення еволюційних алгоритмів |
| title_sort | про одне узагальнення еволюційних алгоритмів |
| topic | Чисельні методи в екстремальних задачах, методи наближення функцій |
| topic_facet | Чисельні методи в екстремальних задачах, методи наближення функцій |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/211068 |
| work_keys_str_mv | AT lítvínčukûa proodneuzagalʹnennâevolûcíinihalgoritmív AT lítvínčukûa onageneralizationofevolutionaryalgorithms |