Параллельный генетический алгоритм с нечетким оператором миграции
Развитие вычислительной техники способствовало развитию методов параллельных вычислений при решении оптимизационных задач. Генетические алгоритмы – эффективное средство решения различных оптимизационных задач. В этой связи необходимы стратегии применения параллельных вычислений в генетических ал...
Saved in:
| Published in: | Штучний інтелект |
|---|---|
| Date: | 2010 |
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2010
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/56169 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Параллельный генетический алгоритм с нечетким оператором миграции / Д.С. Кныш, В.М. Курейчик // Штучний інтелект. — 2010. — № 3. — С. 73-80. — Бібліогр.: 16 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860241654199353344 |
|---|---|
| author | Кныш, Д.С. Курейчик, В.М. |
| author_facet | Кныш, Д.С. Курейчик, В.М. |
| citation_txt | Параллельный генетический алгоритм с нечетким оператором миграции / Д.С. Кныш, В.М. Курейчик // Штучний інтелект. — 2010. — № 3. — С. 73-80. — Бібліогр.: 16 назв. — рос. |
| collection | DSpace DC |
| container_title | Штучний інтелект |
| description | Развитие вычислительной техники способствовало развитию методов параллельных вычислений при решении оптимизационных задач. Генетические алгоритмы – эффективное средство решения различных оптимизационных задач. В этой связи необходимы стратегии применения параллельных вычислений в генетических алгоритмах. По аналогии с эволюционными процессами за основу параллельных вычислений в генетических алгоритмах взят механизм миграции. Авторами предлагается реализация оператора миграции с использованием аппарата нечеткой логики. Проведенные испытания разработанной модели показали ее эффективность.
Розвиток обчислювальної техніки сприяв розвитку методів паралельних обчислень при розв’язанні оптимізаційних задач. Генетичні алгоритми – ефективний засіб розв’язання різних оптимізаційних задач. У зв’язку з цим необхідні стратегії застосування паралельних обчислень в генетичних алгоритмах. За аналогією з еволюційними процесами за основу паралельних обчислень у генетичних алгоритмах взято механізм міграції. Авторами пропонується реалізація оператора міграції з використанням апарату нечіткої логіки. Проведені випробування розробленої моделі показали її ефективність.
The computing engineering developing has assisted necessity of research applications of distributed computing methods for optimization tasks. The genetic algorithm is effective instruments for different optimization tasks solving. Thereupon methods of application distributed computing are required by genetic algorithms. The parallel computing in genetic algorithms based on migration operator by analogy with evolutionary process in nature. The mechanism of migration with fuzzy logic using is suggested. Test of migration operator has showed it effectiveness.
|
| first_indexed | 2025-12-07T18:30:09Z |
| format | Article |
| fulltext |
«Штучний інтелект» 3’2010 73
2К
УДК 658.325
Д.С. Кныш, В.М. Курейчик
ТИ ЮФУ в г. Таганроге, Российская Федерация
wiseman33@yandex.ru, kur@tsure.ru
Параллельный генетический алгоритм
с нечетким оператором миграции
Развитие вычислительной техники способствовало развитию методов параллельных вычислений при
решении оптимизационных задач. Генетические алгоритмы – эффективное средство решения различных
оптимизационных задач. В этой связи необходимы стратегии применения параллельных вычислений
в генетических алгоритмах. По аналогии с эволюционными процессами за основу параллельных
вычислений в генетических алгоритмах взят механизм миграции. Авторами предлагается реализация
оператора миграции с использованием аппарата нечеткой логики. Проведенные испытания разработанной
модели показали ее эффективность.
Введение
В настоящее время вычислительные возможности компьютеров возросли за
счет использования многоядерных процессоров. В связи с этим необходимо активно
использовать механизмы распараллеливания для эффективного освоения потенциала
вычислительных средств. Разработкой методов параллельных вычислений занима-
ется междисциплинарное направление в науке – распределенные вычисления. В этой
области проводятся исследования эффективности параллельных вычислений, фор-
мируются стратегии распараллеливания и разрабатываются методы их реализации.
Из всего разнообразия алгоритмов решения оптимизационных задач генетические
алгоритмы, по аналогии с эволюционными процессами в природе, должны использо-
вать параллельные вычисления для эффективного решения задач оптимизации [1-3],
[4]. На протяжении вот уже двадцати лет продолжаются исследования использова-
ния параллельных вычислений в генетических алгоритмах [5].
Генетические алгоритмы (ГА) базируются на модели биологической эволюции
и методах случайного поиска [2], [3], [5-10]. ГА работают с популяцией индивидов
(особей или хромосом), или альтернативных решений задачи [10]. Популяция разви-
вается за счет применения механизма рекомбинации (объединение двух и более ро-
дителей для получения потомков) и мутации (случайное изменение индивида). ГА
эффективно применяются для решения задач оптимизации. Оптимизационную зада-
чу можно описать следующим кортежем: <X, D, Q>, где Х является множеством
всех решений (индивидов) для данной задачи, D – ограничения, накладываемые на
множество X, для получения допустимых решений и Q – целевая функция, с по-
мощью которой можно определить наилучшее (оптимальное) решение.
Целью данной работы является разработка нового оператора миграции на ос-
нове аппарата нечеткой логики для параллельного асинхронного генетического алго-
ритма оптимизации многокритериальной функции.
Статья построена следующим образом. В разделе 1 приведены основные меха-
низмы распределения вычислений в ГА и их краткое описание. В разделе 2 представ-
лена модифицированная модель параллельного генетического алгоритма. В разделе 3
описывается нечеткий оператор миграции. В разделе 4 проведены исследования эф-
Кныш Д.С., Курейчик В.М.
«Искусственный интеллект» 3’2010 74
2К
фективности работы модифицированного параллельного генетического алгоритма, ко-
торые показали эффективность предложенного механизма распределения вычисле-
ний в генетических алгоритмах.
1 Распределенные вычисления в генетических алгоритмах
Существует три основных стратегии использования распределенных вычислений
в генетических алгоритмах [11]:
− модель «мастер – раб» (master-slave GAs). Особенность подхода состоит в син-
хронной работе популяций. Популяции обладают общим адресным пространством.
Мастер или управляющий процесс осуществляет развитие популяции, а подчинен-
ные занимаются расчетом целевой функции;
− модель «мелкоструктурного подчинения» (fine-grained GAs). Имеется управ-
ляющий процесс и подчиненные сильно от него зависят, но работают в асинхронном
режиме, при использовании общих ресурсов. В этой связи необходимо решать воп-
росы синхронизации;
− модель «сетевого взаимодействия» (coarse-grained GAs). Каждый процесс мо-
делирует свою популяцию, используя собственное адресное пространство. Взаимо-
действие с другими популяциями определяется из описания связей (топологии сети
взаимодействия).
Главное достоинство первой стратегии – это простота реализации, потому что
распараллеливание происходит лишь на уровне вычисления ЦФ. Недостаток – низкая
эффективность распараллеливания, большая нагрузка на управляющий процесс и
сильная зависимость от него.
Рассмотрим вторую стратегию на примере. В отличие от модели «мастер – раб»
здесь появляется оператор миграции (обмен хромосомами между популяциями).
Мелкоструктурное подчинение подразумевает миграцию хромосом только с соседни-
ми популяциями (4 популяции для миграции). На первой итерации каждая популяция
генерируется случайным образом, и ЦФ отличается от всех остальных популяций.
В процессе работы ГА образуются области популяций со схожим значением ЦФ. По
мере работы алгоритма эти области растут и конкурируют между собой. Такой меха-
низм позволяет распространять «хорошие» индивиды на всей распределенной попу-
ляции. Из недостатков второй стратегии можно выделить необходимость синхрони-
зации, из-за асинхронного режима работы и общего адресного пространства.
Модель сетевого взаимодействия часто сравнивают с сетью островов, которая
рассматривает относительно изолированные общины, поэтому их называют «остров-
ными» параллельными ГА [12]. Рассмотрим модель островов на примере. Пусть у
нас есть 16 процессов и 1600 хромосом. Разобьем их на 16 отдельных популяций по
100 особей. Каждая их них будет развиваться отдельно с помощью генетического
алгоритма. Таким образом, можно сказать, что мы распределили особи по 16 изоли-
рованным островам. Далее в зависимости от взаимосвязей островов осуществляется
миграция. Оператор миграции можно выполнять как периодически, так и при на-
ступлении определенного события (например, сходимости популяции к локальному
оптимуму). Важно правильно подобрать частоту миграции (интервал времени между
миграциями) и количество особей, участвующих в миграции. Частая миграция (как и
миграция большого числа хромосом) приведет к смешению всех популяций и преж-
девременной сходимости ГА. Редкая миграция также не сможет предотвратить преж-
девременного схождения популяций. Островная модель позволяет каждому острову
развиваться самостоятельно. Различные стратегии островов позволяют комбини-
ровать различные архитектуры ГА и проводить исследования их взаимодействия. Из
Параллельный генетический алгоритм с нечетким оператором миграции
«Штучний інтелект» 3’2010 75
2К
недостатков можно выделить сложность реализации, из-за необходимости разработки
механизмов взаимодействия отдельных островов (популяций). Стратегия сложна для
понимания в силу того, что эффекты миграции не полностью понятны. Для расчета
числа представителей схемы в одной из популяций необходимо определить модель
оператора миграции. Если миграция будет происходить каждую итерацию (что слиш-
ком часто, это приведет к вырождению популяций), то расчет можно вести по той же
формуле, что и для модели мелкоструктурного подчинения. Если же миграция осу-
ществляется по событию, то в формулу надо внести изменения, связанные с вероят-
ностью наступления этого события:
( ) ( ) ( )( , 1) ( , ) 1 ( ) ( ) ( )
1
f H P M L Hm H t m H t P OK L H P OM
K Lf
+ > × × × − × − × ′ −
, (1)
где P(M) – это вероятность миграции, а K – число связных островов. Все это означает,
что разработка моделей стратегии островов и их исследование – актуальная задача.
В островной стратегии использования параллельных вычислений в генетических
алгоритмах стратегии качество решения зависит от структуры связей, схемы миграции
и многих других факторов. Островная модель мало изучена, особенно важное влияние
на результаты имеет механизм миграции и подбор его параметров. В этой связи стра-
тегия островов интересна для исследования и разработки различных модификаций.
2 Нечеткий оператор миграции
Работа М. Голубя и Д. Джакобовича подтверждает влияние частоты миграции
на работу РГА [13]. Слишком частая миграция приводит к вырождению популяций и
попаданию в локальный оптимум [14]. Для регулирования частоты миграции приме-
няются различные методы, которые можно разбить на два типа: адаптивные и собы-
тийные. В первом используются методы адаптации для настройки частоты миграции
в процессе работы алгоритма. Во втором применяются событийные методы (мигра-
ция осуществляется при наступлении определенных событий). Событием может быть
уменьшение разнообразия в популяции ниже порогового значения или же низкая
динамика поиска по сравнению с другими процессами.
x
XA ⊆′ NkB ,...,1, =′
)(B′
y
Рисунок 1 – Нечеткий контроллер для работы оператора миграции
Кныш Д.С., Курейчик В.М.
«Искусственный интеллект» 3’2010 76
2К
Кратко опишем идею работы нечеткого оператора миграции: предлагается ис-
пользовать показатель разнообразия в популяции и его сравнение с показателем раз-
нообразия среди всех популяций. Для этого вводится нечеткое понятие «степень раз-
нообразия популяции», представляемое нечетким множеством M = {низкая степень,
высокая степень}. Далее формируется база правил, например, «если степень разно-
образия низкая, то необходима миграция с 3 островами». На каждой итерации рас-
считывается значение разнообразия, которое поступает в нечеткий логический конт-
роллер, на выходе которого управляющее воздействие выполняет миграцию и если
да, то с каким числом популяций (рис. 1). Преимущество метода заключается в воз-
можности учета различных параметров популяции (кроме степени разнообразия).
Отличие от других методов в том, что это не адаптация параметров работы алго-
ритма, а реальная оценка эволюции в популяции.
Степень разнообразия в популяции определяется как генотипическое расстоя-
ние между всеми хромосомами. Если популяция стремится к вырождению (низкая
степень разнообразия), то для предотвращения вырождения нужен оператор мигра-
ции. Степень разнообразия будем рассчитывать по формуле:
∑
∑∑
=
+= =
−
=
N
i
N
ij
n
l
l
j
l
i
dif N
xx
S
1
1 1 , (2)
где N – количество хромосом в популяции в ЦФ, n – число генов в хромосоме,
l
j
l
i xx − – разница значения генов двух хромосом. Если хромосомы (альтернативные
решения проблемы) в популяции отличаются друг от друга, значит, степень разнооб-
разия в популяции достаточная для дальнейшей оптимизации. Кроме степени разно-
образия в популяции надо учитывать уровень развития популяции, другими словами,
отличие ЦФ в популяции от лучшего значения среди всех популяций. Обозначим
этот критерий миграции как уровень развития и будем рассчитывать по формуле:
),...,,max(
),...,,max(
21
21
K
N
dev FFF
fffS = , (3)
где fN – это ЦФ хромосомы в популяции, а FK – лучшее значение ЦФ среди всех
популяций. Уровень развития представим нечетким множеством {низкий уровень
развития, высокий уровень развития}. Составим базу правил (табл. 1).
Таблица 1 – Нечеткие правила
Уровень развития
низкий высокий
низкая Необходима
миграция,
мигрирует
25% от
популяции
Необходима
миграция,
мигрирует 10%
от популяции
С
те
пе
нь
р
аз
но
об
ра
зи
я
высокая Необходима
миграция,
мигрирует
5% от
популяции
Нет
необходимости
в миграции
Параллельный генетический алгоритм с нечетким оператором миграции
«Штучний інтелект» 3’2010 77
2К
3 Экспериментальные исследования
Для исследования проведем эксперименты по оптимизации следующих функ-
ций [16]:
– максимизации функции Растригина [6]:
( )2
1 10( , , ) 10cos(2 ) 100 ,i i
i
F x x x xπ= − −∑K (4)
– минимизации функции Растригина (рис. 2):
( )2
1 10( , , ) 10cos(2 ) 10 ,i i
i
F x x x xπ= − +∑K (5)
в функциях Растригина переменная xi принимает значения в интервале [-5.12; 5.12];
– минимизации функции сферы (рис. 3):
( ) 2
1 10
1
,
n
i
i
F x x x
=
= ∑K (6)
– минимизации функции Гриванкса (рис. 4):
2
1 10
1 1
1( ,..., ) cos 1,
400
nn
i
i
i i
xF x x x
i= =
= − +
∑ ∏ (7)
где xi принимает значения в интервале [-600.0: 600.0].
Рисунок 2 – Двумерная функция
Растригина
Рисунок 3 – Двумерная функция сферы
Рисунок 4 – Двумерная функция Гриванкса
Это сложные многоэкстремальные функции большой размерности (десять пе-
ременных). Хромосома представляет собой вектор длины 10, содержащий значение
переменных x1…xi.
Кныш Д.С., Курейчик В.М.
«Искусственный интеллект» 3’2010 78
2К
Параметры ГА следующие:
− размер популяции – 15;
− число итераций – 3000;
− вероятность кроссинговера – 75;
− вероятность мутации – 5;
− число процессов – 8.
Для исследования эффективности работы нечеткого оператора миграции прове-
дем его сравнение с простым оператором миграции. Под простым оператором мигра-
ции понимается миграция через каждые n итераций по две хромосомы. Для наглядного
исследования возьмем n равным 5, 10, 15, 20 и 25 итераций. Результат сравнения для
задачи максимизации функции Растригина показан на графике (рис. 5). Для задачи
минимизации функции Растригина – на рис. 6, и для задач минимизации функции
сферы и функции Гриванкса на рис. 7 и 8 соответственно.
Стратегии миграции
-10 -8 -6 -4 -2 0
-15
м
иг
ра
ци
я
Целевая функция
нечеткая
25 итераций
20 итераций
15 итераций
10 итераций
5 итераций
Рисунок 5 – График сравнения результатов работы алгоритма с различными
моделями оператора миграции для задачи максимизации функции Растригина
Рисунок 6 – График сравнения результатов работы алгоритма с различными
моделями оператора миграции для задачи минимизации функции Растригина
Рисунок 7 – График сравнения результатов работы алгоритма с различными
моделями оператора миграции для задачи минимизации функции сферы
Параллельный генетический алгоритм с нечетким оператором миграции
«Штучний інтелект» 3’2010 79
2К
Рисунок 8 – График сравнения результатов работы алгоритма с различными
моделями оператора миграции для задачи минимизации функции Гриванкса
Все исследования проводились в асинхронном режиме, на компьютере с дву-
ядерным процессором фирмы AMD, с объемом оперативной памяти в 1Гб, под управ-
лением операционной системы Windows XP. Результаты исследований показали
возможность эффективного использования РГА на многоядерных процессорах.
Исследования показали, что с увеличением размера буфера хромосом решение улуч-
шается, но наблюдается так называемая точка насыщения, когда дальнейшее увели-
чение объема буфера будет не целесообразно. В этой связи предложенная модель по-
зволяет проводить исследования механизма миграции как одной из основных состав-
ляющих распределенных вычислений в ГА. Исследования показали, что необходимо
использовать динамические связи между популяциями. Гибридный оператор мигра-
ции позволяет проводить миграцию только когда это необходимо, например, при
угрозе преждевременной сходимости.
Выводы
В настоящий момент доступны крупные вычислительные центры, так называемые
мейнфреймы. Все они работают в многопоточном режиме. В этой связи разработка
моделей использования параллельных вычислений в многопоточной среде – актуаль-
ная задача, т.к. развитие многопроцессорных вычислительных машин продолжается, и
для их эффективного использования необходимы алгоритмы распределенных вычи-
слений.
Предложенная модель позволила отойти от жестко заданных связей между про-
цессами и показала эффективность динамических связей между ними. Модифициро-
ванная модель доказала важность оператора миграции и влияние механизма опера-
тора миграции на работу РГА. Для развития РГА необходима разработка нового
механизма миграции, использующего динамические связи процессов.
Литература
1. Курейчик В.М. Решение задачи покрытия на основе эволюционного моделирования / В.М. Ку-
рейчик, Б.К. Лебедев, О.Б. Лебедев // Изв. РАН. ТиСУ. – 2009. – № 1. – С. 119-134.
2. Родзин С.И. Организация параллельных эволюционных вычислений при поиске и оптимизации
проектных решений / С.И. Родзин // Известия ЮФУ. – 2009. – № 4. – С. 39-45.
3. Кныш Д.С. Генетический алгоритм трассировки коммутационных блоков / Д.С. Кныш, В.М. Курейчик
// Известия вузов. Электроника. Схемотехника и проектирование. – 2009. – № 5(79). – С. 28-34.
4. Knysh D.S. Fuzzy methods for genetic algorithm switch-box routing / D.S. Knysh // CADSM’09. – 2009. –
P. 315-321.
5. Chrisila C.P. A theoretical Invetigation of Parallel Genetic Algorithm / C.P. Chrisila, M.R. Leuze //
Proceedings of the Тhird international conference on Genetic Algorithm. – 1989. – P. 398-405.
Кныш Д.С., Курейчик В.М.
«Искусственный интеллект» 3’2010 80
2К
6. Растригин Л.А. Статистические методы поиска / Растригин Л.А. – М. : Наука, 1968.
7. Гудман Э.Д. Эволюционные вычисления и генетические алгоритмы / Э.Д. Гудман, А.П. Кова-
ленко // Обозрение прикладной и промышленной математики. – 1966. – Т. 3, вып. 5.
8. Курейчик В.В. Анализ и обзор моделей эволюции / В.В. Курейчик, В.М. Курейчик, П.В. Соро-
колетов // Изв. РАН. ТиСУ. – 2007. – № 5. – С. 114-126.
9. Курейчик В.В. Концептуальная модель представления решений в генетических алгоритмах / В.В. Курей-
чик, П.В. Сороколетов // Известия ЮФУ. – 2008. – № 9. – С. 7-12.
10. Курейчик В.В. Концепция эволюционных вычислений, инспирированных природными системами /
В.В. Курейчик, В.М. Курейчик, С.И. Родзин // Известия ЮФУ. – 2009. – № 4. – С. 16-24.
11. Cantú-Paz E. A survey of parallel genetic algorithms / E. Cantú-Paz // Calculateurs Paralleles, Reseaux et
Systems Repartis. – 1998. – Vol. 10, № 2. – P. 141-171.
12. Hu J.J. The hierarchical fair competition (HFC) model for parallel evolutionary algorithms / J.J. Hu, E.D. Good-
man // Proc. Congress Evolutionary Computation. – 2002. – P. 49-54.
13. Golub M. A New Model of Global Parallel Genetic Algorithm / M. Golub, D. Jakobovic // 22nd
International Conference on Information Technology Interfaces IYI. – 2000. – P. 363-368.
14. Sefrioui M. А hierarchical genetic algorithm using multiple models for optimization / M. Sefrioui,
J. Périaoux // Parallel Problem Solving from Nature. – 2000. – P. 879-888.
15. Курейчик В.М. Об одной модели эволюции Шмальгаузена / В.М. Курейчик // Известия ЮФУ. –
2009. – № 4. – С. 7-16.
16. Problem definitions and evaluation criteria for the CEC 2005 special session on real-parameter
optimization / P.N. Suganthan, N. Hansen, J.J. Liang [и др.] // Technical Report 2005005, Nanyang
Technological University, Singapore and IIT Kanpur, India. – 2005.
Д.С. Книш, В.М. Курейчик
Паралельний генетичний алгоритм з нечітким оператором міграції
Розвиток обчислювальної техніки сприяв розвитку методів паралельних обчислень при розв’язанні
оптимізаційних задач. Генетичні алгоритми – ефективний засіб розв’язання різних оптимізаційних
задач. У зв’язку з цим необхідні стратегії застосування паралельних обчислень в генетичних алгоритмах.
За аналогією з еволюційними процесами за основу паралельних обчислень у генетичних алгоритмах
взято механізм міграції. Авторами пропонується реалізація оператора міграції з використанням апарату
нечіткої логіки. Проведені випробування розробленої моделі показали її ефективність.
D.S. Knysh, V.M. Kyreichik
The Distributed Genetic Algorithm with Fuzzy Migration Operator
The computing engineering developing has assisted necessity of research applications of distributed computing
methods for optimization tasks. The genetic algorithm is effective instruments for different optimization tasks
solving. Thereupon methods of application distributed computing are required by genetic algorithms. The
parallel computing in genetic algorithms based on migration operator by analogy with evolutionary process
in nature. The mechanism of migration with fuzzy logic using is suggested. Test of migration operator has
showed it effectiveness.
Статья поступила в редакцию 15.07.2010.
|
| id | nasplib_isofts_kiev_ua-123456789-56169 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T18:30:09Z |
| publishDate | 2010 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Кныш, Д.С. Курейчик, В.М. 2014-02-13T00:15:35Z 2014-02-13T00:15:35Z 2010 Параллельный генетический алгоритм с нечетким оператором миграции / Д.С. Кныш, В.М. Курейчик // Штучний інтелект. — 2010. — № 3. — С. 73-80. — Бібліогр.: 16 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/56169 658.325 Развитие вычислительной техники способствовало развитию методов параллельных вычислений при решении оптимизационных задач. Генетические алгоритмы – эффективное средство решения различных оптимизационных задач. В этой связи необходимы стратегии применения параллельных вычислений в генетических алгоритмах. По аналогии с эволюционными процессами за основу параллельных вычислений в генетических алгоритмах взят механизм миграции. Авторами предлагается реализация оператора миграции с использованием аппарата нечеткой логики. Проведенные испытания разработанной модели показали ее эффективность. Розвиток обчислювальної техніки сприяв розвитку методів паралельних обчислень при розв’язанні оптимізаційних задач. Генетичні алгоритми – ефективний засіб розв’язання різних оптимізаційних задач. У зв’язку з цим необхідні стратегії застосування паралельних обчислень в генетичних алгоритмах. За аналогією з еволюційними процесами за основу паралельних обчислень у генетичних алгоритмах взято механізм міграції. Авторами пропонується реалізація оператора міграції з використанням апарату нечіткої логіки. Проведені випробування розробленої моделі показали її ефективність. The computing engineering developing has assisted necessity of research applications of distributed computing methods for optimization tasks. The genetic algorithm is effective instruments for different optimization tasks solving. Thereupon methods of application distributed computing are required by genetic algorithms. The parallel computing in genetic algorithms based on migration operator by analogy with evolutionary process in nature. The mechanism of migration with fuzzy logic using is suggested. Test of migration operator has showed it effectiveness. ru Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем Параллельный генетический алгоритм с нечетким оператором миграции Паралельний генетичний алгоритм з нечітким оператором міграції The Distributed Genetic Algorithm with Fuzzy Migration Operator Article published earlier |
| spellingShingle | Параллельный генетический алгоритм с нечетким оператором миграции Кныш, Д.С. Курейчик, В.М. Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем |
| title | Параллельный генетический алгоритм с нечетким оператором миграции |
| title_alt | Паралельний генетичний алгоритм з нечітким оператором міграції The Distributed Genetic Algorithm with Fuzzy Migration Operator |
| title_full | Параллельный генетический алгоритм с нечетким оператором миграции |
| title_fullStr | Параллельный генетический алгоритм с нечетким оператором миграции |
| title_full_unstemmed | Параллельный генетический алгоритм с нечетким оператором миграции |
| title_short | Параллельный генетический алгоритм с нечетким оператором миграции |
| title_sort | параллельный генетический алгоритм с нечетким оператором миграции |
| topic | Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем |
| topic_facet | Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/56169 |
| work_keys_str_mv | AT knyšds parallelʹnyigenetičeskiialgoritmsnečetkimoperatorommigracii AT kureičikvm parallelʹnyigenetičeskiialgoritmsnečetkimoperatorommigracii AT knyšds paralelʹniigenetičniialgoritmznečítkimoperatorommígracíí AT kureičikvm paralelʹniigenetičniialgoritmznečítkimoperatorommígracíí AT knyšds thedistributedgeneticalgorithmwithfuzzymigrationoperator AT kureičikvm thedistributedgeneticalgorithmwithfuzzymigrationoperator |