Библиографическое описание:SelfCSHAGA: самоконфигурируемый генетический алгоритм оптимизации с адаптацией на основе истории успеха : научное издание / П. А. Шерстнев, Е. С. Семенкин. - Текст : непосредственный // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия Приборостроение. - 2025. - № 2. - С. 122-139. - Работа выполнена при поддержке Минобрнауки России в рамках государственного задания в сфере науки (проект № FEFE-2023-0004). - ISSN 0236-3933. - ISSN 2687-0614.
Аннотация:Рассмотрена проблема повышения эффективности генетических алгоритмов оптимизации за счет применения методов самонастройки, которые изменяют параметры и поведение алгоритма в процессе поиска решения. Приведен обзор актуальных и наиболее эффективных методов самонастройки и адаптации, в рамках которого выделены их преимущества и недостатки. Предложен новый алгоритм, позволяющий объединить лучшие стороны отдельных методов. Он представляет собой расширенную версию SHAGA с усовершенствованной процедурой скрещивания, которая позволяет адаптировать его интенсивность, применять селективное давление на данном этапе и использовать многородительское скрещивание. Предложены различные варианты оператора скрещивания и метод самоконфигурирования генетических операторов на основе SelfCEA, который динамически корректирует вероятности их применения в зависимости от успешности. Предложенный алгоритм протестирован с применением статистических критериев для проверки значимости различий результатов и сравнения с другими подходами в задачах оптимизации с вещественными и булевыми переменными. В результате тестирования новый генетический алгоритм продемонстрировал более высокую эффективность и значительное улучшение надежности в большинстве тестовых задач
The paper considers a problem of increasing the genetic optimization algorithm efficiency by using the self-tuning methods that change the algorithm parameters and behavior in finding a solution. It presents an overview of the current and most efficient self-tuning and adaptation methods, their advantages and disadvantages are highlighted. The paper proposes a new algorithm that allows combining best aspects of the separate methods, and is an extended version of the SHAGA method with the improved crossover procedure making it possible to adapt its intensity, apply selective pressure at this stage and use the multi-parent crossover. Within the algorithm framework, the paper proposes various options of the crossover operator and a self-configuration method for the genetic operators based on the SelfCEA approach, which dynamically adjusts probabilities of application depending on their success. The proposed algorithm is tested using the statistical criteria to verify significance of differences in the results and compare with other approaches in the optimization problems with the real and Boolean variables. The testing results of the new genetic algorithm are demonstrating higher efficiency and significant reliability improvement in most test problems
