Числове дослідження стохастичних методів безперервної глобальної оптимізації

Глобальна оптимізація як спосіб розв’язання складних задач все частіше використовується у фізиці, техніці, біології, економіці та інших галузях людської діяльності. За допомогою розробленої комп’ютерної програми здійснено перевірку дієздатності та ефективності сучасних методів глобальної оптимізації, таких як метод проб з покращенням, метод імітаційного відпалу, генетичний алгоритм, модифікований метод диференційної еволюції та метод електромагнетизму. Порівняльні статистичні дослідження цих методів, проведені з однаковими умовами завершення процедури пошуку на серії з 50 тестових функцій різної складності та розмірністю до 20, показали, що найбільш потужним і ефективним методом глобальної оптимізації є модифікований метод диференціальної еволюції, що запропонований М. Алі і Б. Забінським у 2009 р. В цілому для знаходження глобального оптимуму він потребує найменшого обсягу обчислень та має найвищий відсоток знайдених правильних розв’язків порівняно з іншими розглянутими методами.

Рік видання: 
2012
Номер: 
1
УДК: 
519.6
С. 81—88. Іл. 4. Табл. 3. Бібліогр.: 16 назв.
Література: 

1. Haupt R., Haupt S. Practical Genetic Algorithms // Wiley-Interscience, 2004. — 254 p.
2. Weise T. Global Optimization Algorithms. Theory and Application. — Self-published, 2009. — 820 p. — http://www.it-weise.de/projects/book.pdf
3. Ali М., Zabinsky B. A numerical Evaluation of Several Stochastic Algorithms on Selected Continuous Global Optimization Test Problems // J. of Global Optimization. — 2005. — 31. — Р. 635—672.
4. Storn R., Price K. Differential evolution — a simple and efficient heuristic for global optimization over continuous spaces // Ibid. — 1997. — 11. — P. 341—359.
5. Fan H., Lampinen J. A Trigonometric Mutation Operation to Differential Evolution // Ibid. — 2003. — 27. — P. 105—129.
6. Draa A., Meshoul S. A Quantum-Inspired Differential Evolution Algorithm for Solving the N-Queens Problem // The Int. Arab J. of Information Technology. — 2010. — 7. — P. 21—27.
7. Locatelli М. Simulated Annealing Algorithms for Continuous Global Optimization: Convergence Conditions // J. of Optimization Theory and Applications. — 2000. — 104. — P. 121—133.
8. Dervis K. A Simple and GO Algorithm for Engineering Problems — DE Algorithm // Turkish J. of Electrical Engineering and Computer Sciences. — 2004. — 12. — Р. 53—55.
9. Advances in Differential Evolution / Ed. Uday Ch. // Studies in Computational Intelligence. — Berlin: Springer, 2009. — P. 15—19.
10. Chunjiang Zhang. Electromagnetism-like Mechanism For Fuzzy Flow Shop Scheduling Problems Algorithm // J. of Global Optimization. — 2003. — 25. — P. 263—282.
11. Субботин С.А., Олейник А.А. Сравнительный анализ методов эволюционного поиска // Искусственный интеллект. — 2008. — № 6. — C. 125—129.
12. Aluffi-Pentini F., Parisi V., Zirilli F. Global optimization and stochastic differential equations // J. of optimization theory and applications. — 1985. — 47, Is. 1. — Р. 1—16.
13. Ali М., Storey С. Application of some stochastic global optimization algorithms to practical problems // Ibid. — 2004. — P. 545—563.
14. Тихомиров А.С. О быстрых алгоритмах метода отжига // Вестник Новгородского гос. ун-та. — 2009. — № 9. — C. 111—113.
15. Kaelo P., Ali M. Differential evolution algorithms using hybrid mutation // Computational Optimization and Applications. — 2007. — 37. — P. 231—246.
16. Huang Z., Wang Ch. A Robust Archived Differential Evolution Algorithm for Global Optimization Problems // J. of Computers. — 2009. — 4. — P. 160—167.

Текст статтіРозмір
2012-1-11.pdf292.57 КБ