ИЗВЕСТИЯ ЮФУ. ТЕХНИЧЕСКИЕ НАУКИ
Архив статей журнала
Выбор значений параметров в эволюционных алгоритмах сильно влияет на их производительность. Многие популярные методы настройки параметров ограничены максимальным числом вычислений целевой функции для поиска хорошего набора значений параметров. Недавно был предложен подход к выбору алгоритмов для решения оптимизационных задач, использующий анализ ландшафта функции приспособленности и машинное обучение для выбора оптимального алгоритма решения задачи на основе особенностей ее ландшафта. Подобное применение анализа ландшафта функции приспособленности мотивирует на дальнейшие исследования, в частности, применительно к настройке параметров эволюционных алгоритмов. Использование признаков ландшафта функции приспособленности позволяет выявлять похожие задачи и использовать данные о настройке параметров, полученные при тестировании на эталоных задачах, что значительно снижает число необходимых вычислений целевой функции при настройке. В этой работе на примере генетического алгоритма (1+( λ, λ)) рассматривается подход к автоматическому выбору параметров с использованием анализа ландшафта целевой функции и машинного обучения. В предлагаемом решении оцениваются особенности ландшафта целевой функции поставленной задачи оптимизации и предлагаются оптимальные значения параметров алгоритма с помощью нейронной сети. Данная сеть была обучена на наборе данных об особенностях ландшафта, выраженных в виде числовых признаков и соответствующих им оптимальных наборов параметров алгоритма. В отличие от подходов к автоматическому выбору алгоритмов оптимизации для конкретной задачи, в данной работе рассматривается задача регрессии параметров алгоритма вместо проблемы классификации наиболее подходящего алгоритма из заданного набора. Результаты экспериментов на различных конфигурациях задачи W-model, а также на задачае MAX-3SAT показывают, что предлагаемый подход к автоматическому выбору параметров с учетом ландшафта целевой функции может помочь определить подходящие значения статических параметров генетического алгоритма (1+( λ, λ)) , так как алгоритм с предложенными значениями параметров превосходит другие рассмотренные варианты (1+( λ, λ)) GA , в среднем требуя меньше вычислений целевой функции для нахождения оптимума, чем остальные рассмотренные алгоритмы.