Сибирский федеральный университет

Тип публикации: статья из журнала

Год издания: 2023

Идентификатор DOI: 10.18698/0236-3933-2023-2-51-73

Ключевые слова: large-scale global optimization, self-tuning evolutionary algorithm, differential evolution, cooperative coevolution, оптимизация сверхбольшой размерности, самонастраивающийся эволюционный алгоритм, дифференциальная эволюция, кооперативная коэволюция

Аннотация: При решении прикладных задач различных сфер человеческой деятельности возникает необходимость в поиске наилучшего набора параметров по заданному критерию. Обычно такую задачу формулируют в виде задачи параметрической оптимизации. Рассмотрены задачи оптимизации, представленные моделью типа черного ящика. С ростом размерности таких задач для многих традиционных подходов оптимизации сложно найти удовлетворительное решение даже при значительном увеличении числа вычислений целевой функции. Предложен новый гибридный эволюционный метод координации самонастраивающихся алгоритмов кооперативной коэволюции с локальным поиском COSACC-LS1 для решения задач глобальной вещественной оптимизации сверхбольшой размерности. В основе COSACC-LS1 лежит идея автоматического распределения вычислительных ресурсов между группой самонастраивающихся алгоритмов дифференциальной эволюции, основанных на кооперативной коэволюции, и алгоритмом локального поиска. Оценка эффективности предложенного алгоритма выполнена на 15 эталонных тестовых задачах из набора LSGO CEC 2013. Результаты работы алгоритма на основе COSACC-LS1 сравнивали с современными метаэвристическими алгоритмами, которые разработаны специально для решения задач оптимизации сверхбольшой размерности и являются победителями и призерами соревнований по оптимизации в рамках конференций IEEE CEC. С помощью численных экспериментов продемонстрировано, что по критерию средней точности найденного решения предложенный алгоритм лучше большинства других популярных алгоритмов When solving applied problems in various areas of human activity, the need appears to find the best set of parameters according to the given criterion. Usually such a problem is being formulated as a parametric optimization problem. The paper considers optimization problems represented by the black-box model. As such problems dimension grows, it becomes difficult to find a satisfactory solution for many traditional optimization approaches even with a significant increase in the number of objective function calculations. A new hybrid evolutionary method in coordinating the self-adjusting coevolution algorithms with the COSACC-LS1 local search is proposed to solve the problems of global material optimization of the extra-large dimension. COSACC-LS1 is based on the idea of the computing resources automatic allocation between a group of self-tuning differential evolution algorithms based on coevolution and local search algorithm. Effectiveness of the proposed algorithm was evaluated on 15 reference test problems from the LSGO CE 2013 set. Results of the COSACC-LS1-based algorithm were compared with a number of modern metaheuristic algorithms that were designed specifically for solving the very large-scale optimization problems and were the winners and prize-winners in the optimization competitions conducted within the framework of the IEEE CEC. With the help of numerical experiments, it is demonstrated that the proposed algorithm is better than most other popular algorithms according to the average accuracy criterion of the solution found

Журнал: Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия Приборостроение

Выпуск журнала: №2

Номера страниц: 51-73

ISSN журнала: 02363933

Место издания: Москва

Издатель: Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет)

• Вахнин А.В. (СибГУ им. М.Ф. Решетнева)
• Сопов Е.А. (СФУ)
• Рурич М.А. (СФУ)

• Ядро РИНЦ (eLIBRARY.RU)
• Список ВАК