НОВЫЙ МЕТОД ГРУППИРОВКИ ПЕРЕМЕННЫХ ДЛЯ ЗАДАЧ ПАРАМЕТРИЧЕСКОЙ ОПТИМИЗАЦИИ БОЛЬШОЙ РАЗМЕРНОСТИ : научное издание

Описание

Перевод названия: A NEW METHOD OF GROUPING VARIABLES FOR LARGE-SCALE GLOBAL OPTIMIZATION PROBLEMS

Тип публикации: статья из журнала

Год издания: 2018

Идентификатор DOI: 10.31772/2587-6066-2018-19-3-386-395

Ключевые слова: оптимизация, большая размерность, эволюционные алгоритмы, кооперативная коэволюция, optimization, large-scale, Evolution algorithms, Cooperative coevolution

Аннотация: Сложность и размерность прикладных задач глобальной параметрической оптимизации стремительно увеличиваются с каждым годом. Стоит отметить, что практические задачи оптимизации являются слож- ными и зачастую рассматриваются как модель «черного ящика» по причине того, что исчерпывающий анализ проблемы затруднен или невозможен, а частиПоказать полностьючная информация о проблеме редко является полезной. Эффек- тивным инструментом для решения задач оптимизации типа «черный ящик» являются эвристические алгоритмы прямого поиска. В последние десятилетия исследователи разработали множество эвристических алгоритмов для решения задач глобальной оптимизации большой размерности. Предложен новый подход, который получил название DECC-RAG. Алгоритм DECC-RAG базируется на ори- гинальном методе группировки переменных (случайная адаптивная группировка) для применения метода кооперативной коэволюции. В основе предложенного метода группировки переменных лежит следующая идея: после заданного количества вычислений целевой функции, применяя структуру кооперативной коэволюции для алгоритма SaNSDE, находится половина субкомпонентов с худшими значениями пригодностей, в данных суб- компонентах происходит случайное перемешивание индексов переменных. Эффективность алгоритма DECC-RAG проверялась на 20 эталонных тестовых задачах из набора LSGO CEC’2010 и 15 задачах из набора LSGO CEC’2013. Размерность задач равнялась 1000. Результаты численных экспериментов показывают, что предложенный алгоритм (DECC-RAG) превосходит некоторые другие со- временные эволюционные алгоритмы на задачах глобальной оптимизации большой размерности из LSGO CEC’2010 и LSGO CEC’2013. Complexity and dimensionality of real-world optimization problems are rapidly increasing year by year. A lot of real-world optimization problems are complex, thus researchers consider these problems as ‘black box’ models due to the fact that the analysis of the problem is complicated or completely impossible, and partial information about the problem is rarely useful. Heuristic search algorithms have become an effective tool for solving such ‘black box’ optimi- zation problems. In recent decades, many researchers have designed a lot of heuristic algorithms for solving large- scale global optimization (LSGO) problems. In this paper, we proposed an innovative approach, which is called DECC-RAG. The approach is based on an original method of grouping variables (random adaptive grouping (RAG)) for cooperative cooperation framework. The RAG method uses the following idea: after a specified number of fitness evaluation in the cooperative coevolution with the SaNSDE algorithm, we choose a half of subcomponents with the worst fitness values and randomly mix indices of variables in these subcomponents. We have evaluated the DECC-RAG algorithm with 20 LSGO benchmark problems from the IEEE CEC’2010 and on 15 LSGO benchmark problems from the IEEE CEC’2013 competitions. The dimensionality of benchmark problems was equal to 1000. The experimental results have shown that the proposed method of optimization (DECC-RAG) outper- forms some well-known algorithms on the large-scale global optimization problems from LSGO CEC’2010 and LSGO CEC’2013.

Ссылки на полный текст

Издание

Журнал: Сибирский журнал науки и технологий

Выпуск журнала: Т. 19, 3

Номера страниц: 386-395

ISSN журнала: 25876066

Место издания: Красноярск

Издатель: Федеральное государственное бюджетное образовательное учреждение высшего образования Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева

Персоны

  • Вахнин А.В. (Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева)
  • Сопов Е.А. (Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева)

Вхождение в базы данных