Basic properties of real practical optimization problems, existence of many criteria of significant limitations, different-scale variables and algorithmic assignment of functions make it impossible to use traditional methods. Way out of this situation is the use of adaptive stochastic algorithms, successfully overcoming these difficulties. To solve these problems it is proposed to develop a hybrid evolutionary algorithm that combines the use of the modified genetic operators (GO), selection schemes and architectures of genetic search.
genetic algorithm, evolutionary methods, test objectives, quality assessment
Генетические алгоритмы (ГА) выражают эволюцию популяции хромосом в направлении от начального поколения к окрестностям экстремума. Обоснование этого положения содержится в основной теореме генетического подхода - теореме схем (иначе называемой schemata theorem или теорема шаблонов) [1].
Ранее в работах [2, 3] рассматривался разработанный гибридный модифицированный эволюционный алгоритм и перспективы его применения для решения задач многокритериальной оптимизации. В этой статье приведены результаты экспериментов по оценке эффективности многоточечности и полигамности, составляющими основу предложенного смешанного эволюционного метода, в сравнении с известными генетическими методами. Для исследования эффективности ГА предложено несколько вариантов тестовых функций. Известен набор тестовых функций К. Де-Джонга, в котором имеются одно- и многоэкстремальные функции с различным рельефом, а также ряд других наборов [4].
В процессе управления сложными техническими и организационно-техническими системами необходимо постоянно принимать непростые решения, связанные с учетом многих критериев качества и ограничений на ресурсы. Если такие решения принимать с использованием только интуиции и опыта руководителя, то будет достаточно сложно сделать оптимальный выбор. В этой связи необходимо разрабатывать и внедрять формализованные методы поддержки принятия решений.
Формальные математические модели принятия решений в настоящее время все более полно отражают сложность реальных практических проблем, что, с одной стороны, делают их более адекватными реальным системам, а с другой - приводит к необходимости решать все более сложные задачи оптимизации. Основные свойства реальных практических задач оптимизации - наличие многих критериев, существенных ограничений, разношкальных переменных и алгоритмическое задание функций - делают невозможным применение традиционных методов. Выходом из такой ситуации является использование адаптивных стохастических алгоритмов, успешно преодолевающих указанные трудности.
Одним из наиболее часто применяемых в такой ситуации подходов являются эволюционные алгоритмы, представляющие собой стохастические оптимизационные процедуры, имитирующие процессы естественной эволюции, в частности - ГА. Алгоритмическое задание функций и разнош-кальность переменных не представляют дополнительных трудностей для ГА которые работают с бинаризованными представле-
1. Norenkov I.P., Arutyunyan N.M. Evolyutsionnye metody v zadachakh vybora proektnykh resheniy. Nauka i obrazovanie. 2007. № 9. [Elektronnyy resurs]. URL: http://technomag.bmstu.ru/doc/68376. html (data obrashcheniya 22.10.2013).
2. Yakovlev K.A., Muratov A.V. Razrabotka modifitsirovannogo evolyutsionnogo algoritma resheniya zadach mnogokriterial´noy optimizatsii na vsekh etapakh zhiznennogo tsikla parka transportno-tekhno-logicheskikh mashin. Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta. 2010. T. 6. № 7. S. 33-38.
3. Sushkov S.I., Yakovlev K.A., Sushkov A.S. Razrabotka avtomatizirovannoy sistemy podderzhki zhiznennogo tsikla parka transportno-tekhnologicheskikh mashin. Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta. 2010. T. 6. № 10. S. 179-182.
4. Genetic Algorithms (Evolutionary Algorithms): Repository of Test Functions. [Elektronnyy resurs]. URL: http://www.es. uwyo.edu/~wspears/functs.html (data obrashcheniya 21.10.2013).
5. Gladkov L.A., Kureychik V.V., Kureychik V.M. Geneticheskie algoritmy. - M.: Fizmatlit, 2006. 243 s.
6. Osyczka A., Kundu S. A new method to solve generalized multicriteria optimization problems using the simple genetic algorithm// Structural Optimization. 1995. Vol. 10. P. 94-99.
