Гибридный алгоритм смешанной многокритериальной оптимизации «кукушкин поиск» с генетическим оператором скрещивания

Обложка

Цитировать

Полный текст

Аннотация

В статье предлагается многокритериальный алгоритм смешанной оптимизации, основанный на метаэвристике «кукушкин поиск» и генетическом операторе скрещивания. Поиск в дискретном пространстве осуществляется с помощью генетического оператора, а в непрерывном пространстве - с помощью стратегии метаэвристики. Работоспособность оценивалась на модифицированных тестах ZDT и DTLZ со смешанными переменными. Результаты эксперимента показали высокую эффективность предлагаемого алгоритма на комплексных оценках сходимости и многообразия.

Об авторах

Константин Сергеевич Сарин

Томский государственный университет систем управления и радиоэлектроники

Автор, ответственный за переписку.
Email: sarin.konstantin@mail.ru

кандидат технических наук, доцент, старший научный сотрудник

Россия, Томск

Список литературы

  1. Shrestha A.K., Mahmood A. Review of deep learning algorithms and architectures // IEEE Access. 2019. V. 7. P. 53040-53065.
  2. Alzubaidi L., Zhang J., Humaidi A.J., Al-Dujaili A. et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions // Journal of Big Data. 2021. V. 8. No 53. P. 1-74.
  3. Сарин К.С. Нечеткий классификатор типа Min-Max: обзор // Доклады ТУСУР. 2023. Т. 26. № 1. С. 65-75.
  4. Ходашинский И.А., Сарин К.С. Методика построения компактных и точных нечетких систем типа Такаги-Сугено // Доклады ТУСУР. 2016. Т. 19. № 1. С. 50-56.
  5. Бардамова М.Б., Буймов А.Г., Тарасенко В.Ф. Способы адаптации алгоритма прыгающих лягушек к бинарному пространству поиска при решении задачи отбора признаков // Доклады ТУСУР. 2020. Т. 23. № 4. С. 57-62.
  6. Cerulli M., Pelegrin M., Cafieri S., D’Ambrosio C., Rey D. Aircraft Conflict Resolution // Encyclopedia of Optimization. Ed. by P.M. Pardalos, O.A. Prokopyev. Cham: Springer, 2023. P. 1-8.
  7. Characklis G., Kirsch B., Ramsey J., Dillard K., Kelley C. Developing portfolios of water supply transfers // Water Resources Research. 2006. V. 42. No 5. P. 1-14.
  8. Chen X., Chen X., Kelley C., Xu F., Zhang Z. A smoothing direct search method for Monte Carlo-based bound constrained composite nonsmooth optimization // SIAM Journal on Scientific Computing. 2018. V. 40. No 4. P. A2174- A2199.
  9. Habib M., Aljarah I., Faris H., Mirjalili S. Multi-objective particle swarm optimization: theory, literature review, and application in feature Selection for medical diagnosis // Evolutionary Machine Learning Techniques, Mirjalili S., Faris H., Aljarah I. (eds). Algorithms for Intelligent Systems. Springer, Singapore. 2020. P. 175-201.
  10. Rani J.A.E., Kirubakaran E., Juliet S., Zoraida B.S.E. Supervised hybrid particle swarm optimization with entropy (PSO-ER) for feature selection in health care domain // International Conference on Innovative Computing and Communications. Advances in Intelligent Systems and Computing. Springer, Singapore. 2022. V. 1387. P. 797-805.
  11. Burachik R.S., Kaya C.Y., Rizvi M.M. Algorithms for generating Pareto fronts of multi-objective integer and mixedinteger programming problems // Engineering optimization. 2022. V. 54. No 8. P. 1413-1425.
  12. Wang F., Zhang H., Zhou A. A particle swarm optimization algorithm for mixed-variable optimization problems // Swarm and evolutionary computation. 2021. V. 60. P. 100808.
  13. Ходашинский И.А. Методы повышения эффективности роевых алгоритмов оптимизации // Автоматика и телемеханика. 2021. № 6. С. 3-45.
  14. Handbook of methaheuristics. Ed. by M. Gendreau, J.-Yv. Potvin // International Series in Operations Research & Management Science, 272. Cham: Springer, 2019. P. 604.
  15. Eichfelder G., Stein O., Warnow L. A Solver for multiobjective mixed-integer convex and nonconvex optimization // Journal of optimization theory and applications. 2023. V. 200. P. 1-31.
  16. Black box optimization, machine learning, and no-free lunch theorems. Ed. by P.M. Pardalos, V. Rasskazova, M.N. Vrahatis. Springer optimization and its applications,170. Cham: Springer, 2021. P. 388.
  17. Deb K., Agrawal S., Pratap A., Meyarivan T. A fast and elitist multiobjective genetic algorithm: NSGA-II // IEEE Transactions on Evolutionary Computation. 2002. V. 6. P. 182-197.
  18. Murata T., Ishibuchi H., Tanaka H. Multi-objective genetic algorithm and its applications to flowshop scheduling // Computers and industrial engineering. 1996. V. 30. No 4. P. 957-968.
  19. Wang W., Li K., Jalil H., Wang H. An improved estimation of distribution algorithm for multi-objective optimization problems with mixed-variable // Neural Computing and Applications. 2022. V. 34. P. 19703-19721.
  20. Estimation of distribution algorithms: genetic algorithms and evolutionary computation. Ed. by P. Larranaga, J. A. Lozano. A new tool for evolutionary computation, 2. New York: Springer, 2002. P. 383.
  21. Bengoetxea E. Estimation of distribution algorithms: A new evolutionary computation approach for graph matching problems // Energy minimization methods in computer vision and pattern recognition. Ed. by M. Figueiredo, J. Zerubia, A.K. Jain. Lecture notes in computer science, 2134. Berlin: Springer, 2001. P. 454-469.
  22. Zhang Q., Li H. MOEA/D: A multiobjective evolutionary algorithm based on decomposition // IEEE Transactions on evolutionary computation. 2007. V. 11. No 6. P. 712-731.
  23. Tong W., Chowdhury S., Messac A. A multi-objective mixed-discrete particle swarm optimization with multi-domain diversity preservation // Structural and multidisciplinary optimization. 2016. V. 53. P. 471-488.
  24. Chowdhury S., Tong W., Messac A., Zhang J. A mixeddiscrete particle swarm optimization algorithm with explicit diversity-preservation // Structural and multidisciplinary optimization. 2013. V. 47. P. 367-388.
  25. Mokarram V., Banan M.R. A new PSO-based algorithm for multi-objective optimization with continuous and discrete design variables // Structural and multidisciplinary optimization. 2018. V. 57. P. 509-533.
  26. Coello Coello C.A., Lechuga M.S. MOPSO: A proposal for multiple objective particle swarm optimization // Proceedings of the 2002 Congress on Evolutionary Computation, CEC IEEE. 2002. P. 1051-1056.
  27. Kennedy J., Eberhart R.C. A discrete binary version of the particle swarm algorithm. // International Conference on Systems, Man, and Cybernetics. Computational Cybernetics and Simulation. IEEE. 1997. P. 4104-4108.
  28. Yang X.-S., Deb S. Engineering optimisation by cuckoo search // International Journal Mathematical Modelling and Numerical Optimisation. 2010. V. 1. No 4. P. 330-343.
  29. Yang X.-S., Deb S. Cuckoo search: recent advances and applications // Neural Computing and Applications. 2014. V. 24. No 1. P. 169-174.
  30. Tang J., Liu G., Pan Q.T. A review on representative swarm intelligence algorithms for solving optimization problems: Applications and trends // IEEE/CAA Journal of Automatica Sinica. 2021. V. 8. No 10. P. 1627-1643.
  31. Viswanathan G., Afanasyev V., Buldyrev S., Havlin S. et al. Levy flights in random searches // Physica A: Statistical Mechanics and its Applications. 2000. V. 282. P. 1-12.
  32. Viswanathan G., Bartumeus F., Buldyrev S., Catalan J. et al. Levy flight random searches in biological phenomena // Physica A: Statistical Mechanics and its Applications. 2002. V. 314. P. 208-213.
  33. Mantegna R.N. Fast, accurate algorithm for numerical simulation of Levy stable stochastic processes // Physical Review E. 1994. V. 49. No 5. P. 4677-4683.
  34. Yang X.-S. Genetic Algorithms // Nature-Inspired Optimization Algorithms (Second Edition). Academic Press, 2021. P. 91-100.
  35. Zitzler E., Deb K., Thiele L. Comparison of multiobjective evolutionary algorithms: empirical results // Evolutionary Computation. 2000. V. 2. P. 173-195.
  36. Deb K., Thiele L., Laumanns M., Zitzler E. Scalable test problems for evolutionary multiobjective optimization // Evolutionary Multiobjective Optimization, Theoretical Advances and Applications. Ed. by Abraham A., Jain L., Goldberg. Advanced Information and Knowledge Processing. London: Springer, 2005. P. 105-145.
  37. Zhang Q., Zhou A., Jin Y. RM-MEDA: A regularity modelbased multiobjective estimation of distribution algorithm // IEEE Transactions on Evolutionary Computation. 2008. V. 12. No 1. P. 41-63.
  38. Herrera F., Lozano M., Verdegay J.L. Tackling real-coded genetic algorithms: operators and tools for behavioural analysis // Artificial Intelligence Review. 1998. V. 12. P. 265-312.
  39. Гланц С. Медико-биологическая статистика. Пер с англ. М.: Практика, 1998. 459с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».