Анализ особенностей генетических алгоритмов

В настоящее время не существует универсального метода оптимизации, который позволил бы решить любую
задачу и при этом однозначно был бы лучшим среди других методов по точности решения. В отличие от
традиционных методов многопараметрической оптимизации, многие из которых часто характеризуются резким
ростом вычислительных затрат при увеличении числа варьируемых параметров, генетические алгоритмы
хорошо зарекомендовали себя на задачах большой размерности. В статье исследуются отличительные
особенности генетических алгоритмов и обсуждается проблема современных методов оптимизации. Показано,
что оптимизация методами имитационного моделирования позволяет достигать существенно лучших
показателей, чем аналитические методы. Приведено описание модифицированной версии генетического
алгоритма для решения задач многоэкстремальной оптимизации. Алгоритм испытан на тестовых задачах.
Предлагаемый алгоритм найдет применение у исследователей в решении прикладных многоэкстремальных
задач, в которых вычисление функции цели требует больших вычислительных ресурсов.
 

Currently there is no universal method of optimization, which would allow to solve any problem and uniquely identified
as the best among the other methods on the accuracy of the solution. Unlike traditional methods, multivariable
optimization, many of which are often characterized by a sharp increase in computational cost as the number of variable
parameters, genetic algorithms are well established in large-scale problems. The paper deals with features of genetic
algorithms and discusses the problem of modern optimization methods. It is shown that optimization by simulation
methods allows to achieve significantly better performance than analytical methods. Describes a modified version of the
genetic algorithm to solve problems of multiextremal optimization. Algorithm is tested on the test tasks. The proposed
algorithm will be applied researchers in solving applied multiextremal problems where the computation of the objective
function requires large computational resources.

Bugungi kunda har qanday masalani yecha oladigan va bir paytning o’zida yechim aniqligi bo’yicha boshqa usullar
orasida eng yaxshi hisoblangan optimallashtirishning univеrsal usuli mavjud emas. O’zgaruvchan paramеtrlar sonining
ortishi bilan hisoblash xarajatlari jadal sur`atlar bilan ortib kеtish xususiyatlariga ega bo’lgan ko’p paramеtrli
optimizatsiyaning an`anaviy usullaridan farqli o’laroq gеnеtik algoritmlar katta o’lchamli masalalarni yechishda o’zini
ijobiy tomondan namoyon etdi. Maqolada gеnеtik algorimtlarning xususiyatlari o’rganildi hamda zamonaviy
muqobillashtirish usullari muammosi muhokama qilindi. Imitatsion modеllashtirish usullarini qo’llash yordamida
muqobillashtirish analitik usullarga qaraganda yaxshiroq ko’rsatkichlarga erishishga imkon bеradi. Ko’p ekstrеmal
muqobillashtirish masalasini yechish maqsadida gеnеtik algoritmlarning takomillashgan vеrsiyasiga ta`rif bеriladi.
Algoritm tеst masalalarda sinalgan. Maqsad funksiyasini hisoblash katta hisoblash rеsurslarini talab qiladigan amaliy
ko’p ekstrеmal masalalarni yechishda taklif etilayotgan algoritm kеng tadbiq etiladi.