Hägusate geneetiliste algoritmide läbivaatamine: reeglite loomine ja vahemällu salvestatud lähima naabri strateegia
Nimi
Oleksandr Syzonov
Kokkuvõte
Geneetilised algoritmid (GA) võivad olla abiks globaalsete miinimumide/maksimumide leidmisel rohkem kui muud meetodid, nagu gradiendi laskumine või juhuslik otsing, eriti mittediferentseeruvate funktsioonide puhul, millel on palju kohalikke miinimume ja maksimume. Üks standardsete GA-meetodite puudusi on see, et tuleb määrata palju hüperparameetreid ja valikusurvet rakendatakse keerukate reeglite alusel, mitte intuitiivsematel ähmastel reeglitel. Geneetikaalgoritmide variandid, mis kohandavad selliseid parameetreid hägusloogika abil, et muuta parameetrite värskendamise põhimõtted paremini tõlgendatavaks, moodustavad hägusate geneetiliste algoritmide (FGA) klassi.
Selles lõputöös pakutakse välja kahe suhteliselt hiljutise N-termini ja automaatselt genereeritud reeglitega fuzzy genetic algoritmi (FGA) modifikatsioonid koos arvutusliku optimeerimisega, mille eesmärk on parandada simulatsiooni käitusaega. Modifikatsioone hinnatakse võrdlusfunktsioonidel (Ackley, Griewank, Rastrigin ja Schwefel) ning iga muudetud meetodi jaoks valitakse parim seade (st liikmelisuse funktsioonid, terminite arv, t-norm ja t-konorm). Tulemust võrreldakse standardse GA ja osakeste sülemi optimeerimisega (PSO). Tulemused näitasid, et FGA meetodeid saab optimeerida vahemällu salvestamise ja lähima naabri meetodite abil, kaotamata seejuures täpsust ja konvergentsi. Näidati, et mõlemad modifitseeritud (ja modifitseerimata) meetodid toimisid statistiliselt oluliselt halvemini kui algtaseme meetodid. Selle tulemusena oleme pakkunud välja kaks olemasoleva kahe algoritmi optimeerimist: ekstrapoleerimise reegli genereerimisega ja lähima naabri hinnangu koos vahemällu salvestamisega ning testinud nende toimivust.
Selles lõputöös pakutakse välja kahe suhteliselt hiljutise N-termini ja automaatselt genereeritud reeglitega fuzzy genetic algoritmi (FGA) modifikatsioonid koos arvutusliku optimeerimisega, mille eesmärk on parandada simulatsiooni käitusaega. Modifikatsioone hinnatakse võrdlusfunktsioonidel (Ackley, Griewank, Rastrigin ja Schwefel) ning iga muudetud meetodi jaoks valitakse parim seade (st liikmelisuse funktsioonid, terminite arv, t-norm ja t-konorm). Tulemust võrreldakse standardse GA ja osakeste sülemi optimeerimisega (PSO). Tulemused näitasid, et FGA meetodeid saab optimeerida vahemällu salvestamise ja lähima naabri meetodite abil, kaotamata seejuures täpsust ja konvergentsi. Näidati, et mõlemad modifitseeritud (ja modifitseerimata) meetodid toimisid statistiliselt oluliselt halvemini kui algtaseme meetodid. Selle tulemusena oleme pakkunud välja kaks olemasoleva kahe algoritmi optimeerimist: ekstrapoleerimise reegli genereerimisega ja lähima naabri hinnangu koos vahemällu salvestamisega ning testinud nende toimivust.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Stefania Tomasiello
Kaitsmise aasta
2023