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. Для решения указанных проблем предлагается разработать гибридный эволюционный алгоритм, сочетающий в себе применение модифицированных генетических операторов (ГО), схем селекции и архитектур генетического поиска.
генетический алгоритм, эволюционные методы, тестовые задачи, оценка качества
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. Норенков И.П., Арутюнян Н.М. Эволюционные методы в задачах выбора проектных решений // Наука и образование. 2007. № 9. [Электронный ресурс]. URL: http://technomag.bmstu.ru/doc/68376. html (дата обращения 22.10.2013).
2. Яковлев К.А., Муратов А.В. Разработка модифицированного эволюционного алгоритма решения задач многокритериальной оптимизации на всех этапах жизненного цикла парка транспортно-техно-логических машин // Вестник Воронежского государственного технического университета. 2010. Т. 6. № 7. С. 33-38.
3. Сушков С.И., Яковлев К.А., Сушков А.С. Разработка автоматизированной системы поддержки жизненного цикла парка транспортно-технологических машин // Вестник Воронежского государственного технического университета. 2010. Т. 6. № 10. С. 179-182.
4. Genetic Algorithms (Evolutionary Algorithms): Repository of Test Functions. [Электронный ресурс]. URL: http://www.es. uwyo.edu/~wspears/functs.html (дата обращения 21.10.2013).
5. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы. - М.: Физматлит, 2006. 243 с.
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.
