Численное исследование стохастических методов непрерывной глобальной оптимизации

Глобальная оптимизация как способ решения сложных задач все чаще используется в физике, технике, биологии, экономике и других отраслях человеческой деятельности. С помощью разработанной компьютерной программы осуществлена проверка работоспособности и эффективности современных методов глобальной оптимизации, таких как метод проб с улучшением, метод имитационного отжига, генетический алгоритм, модифицированный метод дифференциальной эволюции и метод электромагнетизма. Сравнительные статистические исследования этих методов, проведенные с одинаковыми условиями завершения процедуры поиска на серии из 50 тестовых функций разной сложности и размерностью до 20, показали, что наиболее мощным и эффективным методом глобальной оптимизации является модифицированный метод дифференциальной эволюции, предложенный М. Али и Б. Забинским в 2009 г. В целом для нахождения глобального оптимума он требует наименьшего объема вычислений и имеет наивысший процент найденных верных решений по сравнению с другими рассмотренными методами.

Год издания: 
2012
Номер: 
1
УДК: 
519.6
С. 81—88. Іл. 4. Табл. 3. Бібліогр.: 16 назв.
Литература: 

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.

Полнотекстовый документSize
2012-1-11.pdf292.57 KB