Pāragras konverģences mazināšana ģenētiskajos algoritmos

Abstract

Ģenētiskie algoritmi tiek plaši izmantoti optimizācijā, pateicoties to spējai izpētīt sarežģītas risinājumu telpas. Tomēr galvenais ģenētisko algoritmu ierobežojums ir pāragra konverģence, kad algoritms zaudē daudzveidību un iestrēgst suboptimālos risinājumos, tādējādi samazinot kopējo efektivitāti. Šajā darbā tika pētīti pāragras konverģences cēloņi, tostarp pārmērīga selekcijas ietekme, ģenētiskās daudzveidības zudums un nepareiza parametru iestatīšana. Tika analizētas ģenētiskajos algoritmos biežāk izmantoto atlases, krustošanās, mutāciju un papildus metožu sniegums pāragras konverģences mazināšanā. Metožu efektivitāte tika novērtēta, veicot eksperimentālo rezultātu salīdzināšanu. Iegūtie rezultāti sniedz ieskatu metožu efektivitātē mazināt pāragru konverģenci.

Genetic algorithms are widely used in optimisation due to their ability to explore complex solution spaces. However, the main limitation of genetic algorithms is premature convergence, where the algorithm loses diversity and gets stuck in suboptimal solutions, thus reducing overall efficiency. In this work, the causes of premature convergence were investigated, including the effects of selection pressure, loss of genetic diversity and incorrect parameter setting. The performance of selection, crossover, mutation and additional methods commonly used in genetic algorithms to reduce premature convergence were analysed. The effectiveness of the methods was evaluated by comparing the experimental results. The results provide insights into the effectiveness of the methods in reducing premature convergence.