Отправить эту статью по почте COOMA: ОБЪЕКТНО-ОРИЕНТИРОВАННЫЙ СТОХАСТИЧЕСКИЙ АЛГОРИТМ ОПТИМИЗАЦИИ
Аннотация
Стохастические методы оптимизации такие как генетический алгоритм, алгоритм роя частиц и другие успешно применяются для решения оптимизационных задач. Они основаны на схожих идеях и требуют минимальной адаптации при применении. Но существует несколько факторов, затрудняющих использование стохастических методов оптимизации на практике: мультимодальность целевой функции, наличие системы ограничений, необходимость поиска наилучшей конфигурации параметров алгоритма, увеличение объема пространства поиска и др.
В статье предлагается новый Алгоритм каскадной оптимизации и модификации объектов (COOMA), который развивает лучшие идеи известных стохастических методов оптимизации и может применяться к широкому кругу задач, описанных в терминах объектно-ориентированного подхода с использованием практически любых типов параметров, переменных и связей между объектами. Объекты различных классов помещаются в пулы, которые формируют иерархическую структуру в соответствии со структурой связей между классами. Алгоритм также выполняется в соответствии с этой иерархией: методы пулов верхнего уровня перед изменением своих объектов вызывают аналогичные методы вложенных пулов. Алгоритм состоит из шага инициализации и серии итераций, на которых происходит модификация объектов до тех пор, пока не будут выполнены критерии остановки. Объекты модифицируются с использованием операций (инерционного) движения, репликации и мутации. Двухуровневая версия алгоритма реализует механизм автоматического подбора параметров оптимизации.
Результаты проведенных серий тестов демонстрируют возможность использования предлагаемого алгоритма для решения многоуровневых задач (с объектами нескольких взаимосвязанных классов), задач с мультимодальной целевой функцией и системами ограничений. Алгоритм реализован на языке Java, исходный код может быть предоставлен по запросу.
Ключевые слова
Полный текст:
>PDF
Литература
Brest J., Zumer V., and Maucec M.S. “Self-Adaptive Differential Evolution Algorithm in Constrained Real-Parameter Optimization”. 2006 IEEE International Conference on Evolutionary Computation (2006): 215-22. doi:10.1109/cec.2006.1688311.
Chehouri, Adam, Rafic Younes, Jean Perron, and Adrian Ilinca. “A Constraint-Handling Technique for Genetic Algorithms using a Violation Factor”. Journal of Computer Science 12, no. 7 (2016): 350-62. doi:10.3844/jcssp.2016.350.362.
Eberhart R., and Kennedy J. “A new optimizer using particle swarm theory.” MHS’95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science (1995): 39–43. doi:10.1109/mhs.1995.494215.
Gao, Qin, Yi Zhong, and Xinjuan Zheng. “Hierarchical particle swarm optimization algorithm for multimodal function optimization”. Metallurgical and Mining Industry, no. 9 (2015): 908-916.
Hall Matthew. “A Cumulative Multi-Niching Genetic Algorithm for Multimodal Function Optimization”. International Journal of Advanced Research in Artificial Intelligence 1, no. 9 (2012): 6-13. doi:10.14569/ijarai.2012.010902.
Holland, John H. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. Cambridge, Mass.: MIT Press, 2010.
Jiang, Zhong-Yang, Zi-Xing Cai, and Yong Wang. “Hybrid Self-Adaptive Orthogonal Genetic Algorithm for Solving Global Optimization Problems”. Journal of Software 21, no. 6 (2010): 1296-307. doi:10.3724/sp.j.1001.2010.03592.
Koziel, Slawomir, and Zbigniew Michalewicz. “Evolutionary Algorithms, Homomorphous Mappings, and Constrained Parameter Optimization”. Evolutionary Computation 7, no. 1 (1999): 19-44. doi:10.1162/evco.1999.7.1.19.
Li, Xiaodong. “Niching Without Niching Parameters: Particle Swarm Optimization Using a Ring Topology”. IEEE Transactions on Evolutionary Computation 14, no. 1 (2010): 150-69. doi:10.1109/tevc.2009.2026270.
Liang, Yong, and Kwong-Sak Leung. “Genetic Algorithm with adaptive elitist-population strategies for multimodal function optimization”. Applied Soft Computing 11, no. 2 (2011): 2017-034. doi:10.1016/j.asoc.2010.06.017.
Long, Qiang. “A constraint handling technique for constrained multi-objective genetic algorithm”. Swarm and Evolutionary Computation 15 (2014): 66-79. doi:10.1016/j.swevo.2013.12.002.
Martikainen, Jarno, and Seppo J. Ovaska. “Hierarchical Two-Population Genetic Algorithm”. International Journal of Computational Intelligence Research 2, no. 4 (2006): 367-80. doi:10.5019/j.ijcir.2006.74.
Mazhoud, Issam, Khaled Hadj-Hamou, Jean Bigeon, and Patrice Joyeux. “Particle swarm optimization for solving engineering problems: A new constraint-handling mechanism”. Engineering Applications of Artificial Intelligence 26, no. 4 (2013): 1263-273. doi:10.1016/j.engappai.2013.02.002.
Neoh, Siew Chin, Norhashimah Morad, Chee Peng Lim, and Zalina Abdul Aziz. “A Layered Matrix Cascade Genetic Algorithm and Particle Swarm Optimization Approach to Thermal Power Generation Scheduling”. Advances in Soft Computing Soft Computing in Industrial Applications 39 (2007): 241-50. doi:10.1007/978-3-540-70706-6_23.
Parsopoulos, K. E., and M. N. Vrahatis. “Recent approaches to global optimization problems through particle swarm optimization”. Natural Computing 1, no. 2/3 (2002): 235-306. doi:10.1023/a:1016568309421.
Storn, Rainer, and Kenneth Price. Differential evolution: a simple and efficient adaptive scheme for global optimization over continuous spaces. Berkeley, CA: ICSI, 1995.
Wolpert, D. H., and W. G. Macready. “No free lunch theorems for optimization”. IEEE Transactions on Evolutionary Computation 1, no. 1 (1997): 67-82. doi:10.1109/4235.585893.
Zou, Dexuan. “A Self-adaptive Global Particle Swarm Optimization Algorithm for Unconstrained Optimization Problems”. International Journal of Signal Processing, Image Processing and Pattern Recognition 7, no. 6 (2014): 183-200. doi:10.14257/ijsip.2014.7.6.15.
DOI: https://doi.org/10.12731/2227-930X-2017-2-26-47
Ссылки
- На текущий момент ссылки отсутствуют.
(c) 2017 Stanislav Alexandrovich Tavridovich
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
Контент доступен под лицензией Creative Commons Attribution-NonCommercial-NoDerivs 4.0.
ISSN 2328-1391 (print), ISSN 2227-930X (online)