1. SCSIT
  2. Всі випуски
  3. Випуск 732, 2012
  4. Аналіз ефективності багатокритеріальних генетичних алгоритмів в задачах прийняття рішень

Аналіз ефективності багатокритеріальних генетичних алгоритмів в задачах прийняття рішень

SCSIT.
2012;
Випуск 732
: cc. 247 - 259
Authors: 

О. Гожий, О. Маленовський

Чорноморський державнинй університет ім. Петра Могили, кафедра інформаційних технологій і програмних систем

Розглянуто питання використання багатокритеріальних генетичних алгоритмів в задачах прийняття рішень. Були детально досліджені алгоритми: NSGA-II, AMGA-2 та ε-MOEA. На тестовому прикладі було розглянуто обчислювальну складність алгоритмів та визначені переваги і недоліки іх використання.

The article deals with the use of genetic multi-objective algorithms in problems of decision making. Were investigated algorithms: NSGA-II, AMGA-2 and ε-MOEA. In the test case was considered computational complexity of algorithms and identified advantages and disadvantages of their use.

багатокритеритеріальні генетичні алгоритми
задачі прийняття рішень
  1. Субботін С. О., Олійник А. О., Олійник О. О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологіних і нейромережних моделей: Монографія. – Запоріжжя: ЗНТУ, 2009. – 375 с.
  2. A. Konak, D. W. Coit, A. E. Smith. Multi-objective optimization using genetic algorithms: A tutorial. Reliability Engineering and System Safety 91 (2006) 992-1007.
  3. Holland J. Adaptation in natural and artificial systems. Ann Arbor: University of Michigan Press; 1975.
  4. Goldberg D. Genetic algorithms in search, optimization, and machine learning. Reading, MA: Addison-Wesley; 1989.
  5. Schaffer J. Multiple objective optimization with vector evaluated genetic algorithms. In: Proceedings of the international conference on genetic algorithm and their applications, 1985.
  6. E. Zitzler, L. Thiele. Multi-objective evolutionary algorithms: a comparative case study and the strength Pareto approach. IEEE Trans Evol Comput1999; 3(4): 257–71.
  7. H. Lu, G. Yen. Rank-density-based multi-objective genetic algorithm and benchmark test function study. IEEE Trans Evol Comput 2003; 7(4): 325–43.
  8. D. Goldberg, J. Richardson. Genetic algorithms with sharing for multimodal function optimization. In: Genetic algorithms and their applications: proceedings of the second international conference on genetic algorithms, 28–31 July, 1987. Cambridge, MA, USA: Lawrence Erlbaum Associates; 1987.
  9. C. Fonseca, P. Fleming. Multiobjective genetic algorithms. In: IEE colloquium on ‘Genetic Algorithms for Control Systems Engineering’ (Digest No. 1993/130), 28 May 1993. London, UK: IEE; 1993.
  10. E. Zitzler, M. Laumanns, L. Thiele. SPEA2: improving the strength Pareto evolutionary algorithm. Swiss Federal Institute Techonology: Zurich, Switzerland; 2001.
  11. K. Deb, A. Pratap, S. Agarwal, T. Meyarivan. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans Evol Comput 2002; 6(2): 182–97.
  12. H. Lu, G. Yen. Rank-density-based multiobjective genetic algorithm and benchmark test function study. IEEE Trans Evol Comput 2003; 7(4): 325–43.
  13. J. Morse. Reducing the size of the non-dominated set: pruning by clustering. Comput Oper Res 1980; 7(1–2): 55–66.
  14. K. Deb, S. Agrawal, A. Pratap, T. Meyarivan. A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II. Kanpur genetic algorithms laboratory report number 200001: Indian institute of technology Kanpur.
  15. N. Srinivas, and K. Deb. (1995) Multi-Objective function optimization using non-dominated sorting genetic algorithms, Evolutionary Computation, 2(3): 221–248.
  16. E. Zitzler, K. Deb, and L. Thiele. Comparison of multiobjective evolutionary algorithms: Empirical results. Evolutionary Computation.
  17. E. Zitzler, and Thiele, L. (1998) Multiobjective optimization using evolutionary algorithms— A comparative case study. In Eiben, A. E., Back, T., Schoenauer, M., and Schwefel, H.-P., editors, Parallel Problem Solving from Nature, V, pages 292–301, Springer, Berlin, Germany.
  18. J. Knowles, and D. Corne. (1999) The Pareto archived evolution strategy: A new baseline algorithm for multiobjective optimisation. Proceedings of the 1999 Congress on EvolutionaryComputation, Piscatway: New Jersey: IEEE Service Center, 98–105.
  19. Rudolph, G. (1999) Evolutionary search under partially ordered sets. Technical Report No. CI-67/99, Dortmund: Department of Computer Science/LS11, University of Dortmund, Germany.
  20. S. Tiwari, P. Koch, G. Fadel, K. Deb. AMGA: An archive-based micro genetic algorithm for multi-objective optimization. GECCO’08, July 12-16, 2008, Atlanta, Georgia, USA.
  21. R. Ooka and G. Kayo, Development of Optimal Design Method for Distributed Energy System (Part. 3) Sensitivity Analysis with GA Parameters, SHASE Annual Meeting, 2008.