Коэволюционный алгоритм решения сложных задач оптимизации

• Автор: Жукова, Марина Николаевна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Красноярск
• Количество страниц: 124 с. : ил.

Оглавление
Глава I. Разработка и исследование эффективности коэволюиионного алгоритма решения стационарных задач оптимизации

1.1. Исследование эффективности стандартного генетического

алгоритма

1.1.1. Множество тестовых функций для исследования

эффективности ГА..

1.1.2. Исследование эффективности стандартного ГА на множестве

тестовых функций.

1.2. Обоснование коэволюционного алгоритма.

1.3. Исследование эффективности коэволюционного алгоритма

1.4. Исследование зависимости свойств коэволюционного алгоритма

от выбора его параметров.
Выводы.
Глава II. Разработка и исследование эффективности коэволюционного алгоритма решения нестационарных задач оптимизации
2.1. Адаптация генетического алгоритма в условиях
нестационарности целевой функции.
2.2. Обоснование коэволюционного алгоритма.
2.3. Исследование эффективности коэволюционного алгоритма
2.4. Исследование зависимости свойств коэволюционного алгоритма
от выбора его параметров.
Выводы.
Глава III. Программная реализация коэволюционного алгоритма решения сложных задач оптимизации
3.1. Описание программной системы.
3.2. Описание работы с программной системой.
3.3. Описание системы цифрового радиовещания в формате ОИМ
3.4. Постановка задачи оптимизации параметров канала с
многолучевым распространением для цифрового радио.
3.5. Решение задачи оптимизации параметров канала цифрового
радио стандартным генетическим алгоритмом.
3.6. Решение задачи оптимизации параметров канала цифрового
радио коэволюционным алгоритмом.
Выводы
Заключение
Список литературы


По теме диссертации опубликовано тринадцать печатных работ, список которых приведен в конце автореферата [-]. Апробация работы. Основные положения и отдельные результаты диссертации докладывались и обсуждались на Всероссийских конференциях "Решетневские чтения” (- гг. Красноярский край - освоение, развитие, перспективы” (), Красноярской краевой выставке технических идей и разработок (), Красноярской конференции молодых ученых “Информатика и информационные технологии” (), международной научно-практической конференции “Системный анализ в проектировании и управлении” (Санкт-Петербург, ), межрегиональной научно-практической конференции “Интеллект -”, а также на научно-техническом семинаре Института автоматизации управления Высшей специальной школы г. Ульм (ГНи, Германия, ), научных семинарах экспериментальной лаборатории интеллектуальных технологий и адаптации и кафедры САИО в СибГАУ (- гг. Красноярского госуниверситета (, ). Структура и объем работы. Диссертация содержит 9 страниц основного текста, состоит из введения, трех глав, заключения, списка литературы из 5 наименований и приложения. Глава I. N) и х*€[а, Ь] 1={1, 2. Цх) - максимизируемая (минимизируемая) целевая функция, имеющая один глобальный экстремум. Предполагается, что о функции Дх) известно лишь то, что она определена в любой точке области поиска. Любая дополнительная информация о характере функции и ее свойствах (дифференцируемость, непрерывность, свойства Липшица и т. Под решением задачи (1) будем понимать вектор х - (х|, х2,. Оптимальным решением задачи (1) будем считать вектор х*, при котором целевая функция 1(х) принимает максимальное (минимальное) значение. Как мы уже говорили ранее, практически всегда оптимизируемая функция обладает каким-либо свойством (свойствами): многоэкстремальность, алгоритмическое задание, сложная конфигурация допустимой области, наличие нескольких типов переменных []. Это приводит к необходимости применения специализированных методов, к которым и относятся эволюционные и генетические алгоритмы, хорошо зарекомендовавшие себя в ситуациях, когда применение стандартных методов оптимизации крайне затруднено. Согласованность и эффективность работы элементов биологических организмов наводит на мысль о возможности использования принципов биологической эволюции с целью оптимизации практически важных для человека систем. В нескольких модификациях подобные идеи возникали у ряда авторов. В году Л. Фогель, А. Оуэнс, М. Уолш [] предложили схему эволюции логических автоматов, решающих задачи прогноза. В г. Дж. Холланда “Адаптация в естественных и искусственных системах” [], в которой был предложен генетический алгоритм, исследованный в дальнейшем учениками и коллегами Дж. Холланда в Мичиганском университете. Термин "генетические алгоритмы" ввел в г. Д. Голдберг []. Его книга содержит детальное обсуждение как теоретических аспектов генетических алгоритмов, так и возможных областей их применения и в настоящее время является общепризнанным учебником. Д. Голдберг возглавляет один из крупнейших центров по исследованию генетических алгоритмов - лабораторию IlliGAL в Университете Urbana Champaign штата Иллинойс. Примерно в это же время группа немецких ученых (И. Рехенберг, Г. П. Швефель и др. Эти работы заложили основы прикладного эволюционного моделирования или эволюционных алгоритмов. В нашей стране исследования по прикладному эволюционному моделированию, идейно близкие к работам Л. Фогеля с сотрудниками, были разносторонне развиты в работах Л. А. Растригина [], а также И. Л. Букатовой [5]. Основные принципы генетического алгоритма были сформулированы Голландом (Holland, ) []. В отличие от эволюции, происходящей в природе, генетический алгоритм только моделирует те процессы в популяции, которые являются существенными для развития. Генетические алгоритмы используют прямую аналогию с механизмом «естественного» отбора. Они работают с совокупностью "особей" -популяцией, каждая из которых представляет возможное решение данной проблемы. Каждая особь оценивается мерой ее "приспособленности" согласно тому, насколько "хорошо" соответствующее ей решение задачи.