Библиографическое описание:Using Island Model to Solve Optimal Problems in Genetic Algorithms : научное издание / Z. Z. Guo [et al.]. - Текст : непосредственный // Перспективы науки. - 2024. - № 4. - P. 52-55. - ISSN 2077-6810.
Аннотация:This article aims to examine the impact of crossover operators on the performance of genetic algorithms, and then incorporate an island model for algorithm adaptation. GA is typically when you have a dataset, you use a computer to model this dataset and transform it into a process of genetic variability, selection, and chromosome crossing in the problem-solving process. This process is similar to the evolution process of organisms according to various changes in chromosome genes. It is assumed that when we face a more complex and cumbersome optimization task, GA demonstrates its advantages over other GAs, and its advantage lies in the fact that data processing results can be optimized. GA plays an important role in many areas. General scientific research methods were used in the study. In this article, fixed choice operators and mutations were used to compare and analyze different crossover operators. The first stage of this work is the implementation of a standard genetic algorithm and using a target equation for comparing crossover operators. In the second stage, an island module was added for independent tuning of the genetic algorithm results to achieve greater efficiency and effectiveness.
Целью этой статьи является изучение влияния операторов кроссовера на производительность генетических алгоритмов, а затем использование островной модели для адаптации алгоритма. Генетический алгоритм обычно предполагает использование компьютера для моделирования набора данных и его преобразования в процесс генетической изменчивости, отбора и скрещивания хромосом в процессе решения проблемы. Этот процесс аналогичен процессу эволюции организмов по различным изменениям хромосомных генов. Предполагается, что, когда мы сталкиваемся с более сложной и громоздкой задачей оптимизации, генетический алгоритм демонстрирует свои преимущества перед другими генетическими алгоритмами, причем его преимущество заключается в том, что результаты обработки данных его можно оптимизировать. Генетический алгоритм играет важную роль во многих областях. В исследовании использовались общенаучные методы исследования. Операторы фиксированного выбора и мутации использовались для сравнения и анализа различных операторов скрещивания. Первым этапом данной работы является реализация стандартного генетического алгоритма и использование целевого уравнения для сравнения операторов кроссовера. На втором этапе был добавлен островной модуль для независимой настройки результатов генетического алгоритма для достижения большей эффективности и результативности.
