Génsebészet mint optimalizálási paradigma

Genetic engineering as an optimization paradigm

Iclănzan, David

Bitay, Enikő

Erdélyi Múzeum-Egyesület

2011-06-09T20:02:25Z

2011-06-09T20:02:25Z

2006

Abstract Genetic algorithms (GA) have several important key features, like parallel processing, the ability to work with highly nonlinear, noisy systems, tolerance for imprecision, uncertainty and partial truth etc. that makes them a useful tool when it comes to solve “real life” optimization problems, found in many technological areas. But they suffer from a tendency to converge prematurely or stagnate without fitness progress for highly dimensioned complex optimization problems which leads to an excessively long run-time that is needed to deliver satisfactory results. This may be due to the loss of the capability to discover new genetic material before the increased selection pressure has limited the algorithm’s ability to search widely. In this paper the Genetic Engineering Algorithm (GEA) is proposed, where the selection pressure is deliberately loosened to induce an enhanced exploratory power. On the other hand good individuals are strongly exploited by performing local search in their vicinity and by introduction of a deterministic crossover operator. We show that by maintaining a low selection pressure while fostering the exploitation of high-fitness individuals, the new method is able to significantly outperform GA and other heuristic methods on benchmark tests. Összefoglalás A Genetikus Algoritmusoknak (GA) számos olyan előnye van (többpontos, párhuzamos keresést tesz lehetővé; erősen nemlineáris rendszerekkel, bizonytalan, pontatlan és hiányos ismeretekkel szemben is robusztusan viselkedik stb.), amely ezt a lágy számítási módszert alkalmassá teszi a műszaki tudományok által felvetett nehéz optimalizálási feladatok megoldására. De sokszor e módszereknek a konvergencia kimondottan lassú magas dimenziójú komplex optimalizálási feladatok esetén. Ez talán annak nyilvánítható, hogy a túl gyorsan megnőtt szelekciós nyomás nem engedi meg új értékes génállományok felkutatását, így a módszer korai konvergenciáját, szuboptimális pontokban - hosszú ideig - való leragadását eredményezi. A dolgozatban egy új módszert tagolok, a Génsebészeti Algoritmust (GSA), melyben a megfelelő felfedező hatást a szelekciós nyomás lényeges csökkentése biztosítja. A gyors konvergenciát a jó egyedek potenciáljának intenzív kiaknázásával éri el, lokális keresést végezve szomszédságukban és alávetve őket egy új determinisztikus, keresztezési operátornak. A teszt eredmények arra utalnak, hogy alacsony szelekciós nyomást alkalmazva és a legjobb egyedek potenciálját maximálisan kihasználva az új módszer képes egyértelműen felülmúlni a GA-t és más optimalizálási eljárásokat.

161-164

magyar

angol

Article

Adobe PDF

application/pdf

973-8231-50-7

http://hdl.handle.net/10598/15039

Erdélyi Múzeum-Egyesület

Fiatal Műszaki Tudományos Ülésszaka 11

© Erdélyi Múzeum-Egyesület