Extreme rainfall in upstream watersheds often results in the rise of river water levels, leading to severe flood disasters in the downstream catchment. Therefore, monitoring river water levels and flow is crucial for flood forecasting in early warning systems and disaster risk reduction.
Робота присвячена дослідженню ефективності використання методу розташування сенсорних вузлів на основі генетичного алгоритму для випадкової топології. Основна мета полягає у визначенні конфігурації вузлів, яка мінімізує кількість «сліпих зон» та забезпечує максимально ефективне покриття заданої області. Для випадкового розміщення вузлів характерна можливість для кожного вузла мати зв'язки з іншими вузлами, що створює складний простір пошуку. Для цього випадку у роботі досліджувались 25 вузлів із однаковим радіусом дії.
Поєднання згорткових нейронних мереж (CNN) та генетичних алгоритмів (GA), створює перспективний підхід для топологічної оптимізації складних гратчастих структур. Гратчасті структури використовуються, як основа для комплексних метаматеріалів. Розглядається здатність методу генерувати оптимальні гратчасті структури при мінімальному використанні матеріалу. Згорткова нейронна мережа використовується, як інструмент аналізу, що може оцінювати та прогнозувати ключові параметри згенерованих гратчастих структур.
Стаття присвячена вирішенню задачі побудови оптимальних маршрутів при плануванні індивідуальних подорожей в умовах впливу багатьох факторів і можливих змін вхідних параметрів (погодних умов, заторів на дорогах тощо). Проаналізовано чотири класи алгоритмів для розв'язання задачі комівояжера та оцінено їхню доцільність для використання у мобільному туристичному застосунку. Форма мобільного застосунку продиктована тим, що туристи переважно не беруть у мандри техніку, важчу за смартфон.
Робота присвячена застосуванню генетичного алгоритму для визначення оптимального марушруту у безпровідній сенсорній мережі. Наведено класифікацію стратегій маршрутизації даних на основі: способу визначення маршрутів, структури мережі, мережевих операцій, організатора комунікацій. Генетичний алгоритм віднесено до багатошляхової маршрутизації, оскільки його використання дозволяє отримати множину маршрутів. Відповідно, коли передача даних по найкращому маршруту неможлива, доступною є інформація із множини маршрутів, що дозволяє отримати альтернативні рішення у випадку виходу з ладу основного.
Стаття присвячена оцінці обчислювальної складності генетичного алгоритму як одного із ключових засобів для розв’язання оптимізаційних задач. Розглянуто теоретичні аспекти обчислювальної складності алгоритмів та взаємозв'язок елементів генетичного алгоритму. Описано основні види обчислювальної складності алгоритмів: часову, просторову та асимптотичну. Наведено п’ять основних правил для розрахунку асимптотичної складності.
Наведено метод апроксимації функцій поліномами з дійсними степенями, в якому підбір степеня здійснюється за допомогою генетичного алгоритму.
The method of approximation of functions by polynomials with real powers, which is the power of selection with a genetic algorithm.
In this paper, we are interested in modifying inconsistent pairwise comparison matrix which is a critical step in the AHP methodology, where decision makers have to improve the consistency by revising the process. To this end, we propose an improved genetic algorithm (GA) to allow decision makers to find an appropriate matrix and adjust the consistency of their judgment without loss of original comparison matrix. Numerical results with different dimensions of matrices taken randomly show the effectiveness of these strategy to improve and identify the consistency of pa
Стаття присвячена особливостям використання генетичного алгоритму (ГА) для розв’язання оптимізаційних задач. Наведено класифікацію оптимізаційних задач. Детально описано структурні елементи ГА та їх роль для розв’язання задачі комівояжера. Для оцінки впливу параметрів ГА на ефективність його застосування здійснено дослідження впливу розміру популяції на довжину маршруту комівояжера. На основі отриманих результатів показано, що розмір популяції впливає на довжину маршруту, а оптимальне значення розміру популяції для даної задачі становить 150.
The evolution scheme phase, in which the genetic algorithms select individuals that will form the new population, had an important impact on these algorithms. Many approaches exist in the literature. However, these approaches consider only the value of the fitness function to differenciate best solutions from the worst ones. This article introduces the parenting fitness, a novel parameter, that defines the capacity of an individual to produce fittest offsprings. Combining the standard fitness function and the parenting fitness helps the genetic algorithm to be more efficient, hence, pro