Розроблено стратегію керування динамічною ймовірністю мутацій у генетичних алгоритмах (ГА) на основі показників згортання та різноманітності популяції. Механізм збільшує ймовірність мутації зі зростанням збіжності популяції та зниженням її різноманітності, стимулюючи пошук на ширшій області пошуку, тоді як зменшення ймовірності мутації застосовується у разі достатньої варіативності, запобігаючи зайвому порушенню еволюційно вже сформованих рішень. Виконано експерименти на прикладних функціях із різними функціями пристосованості, ураховуючи унімодальні, мультимодальні та оманливі функції, для перевірки ефективності запропонованого підходу. Введено узагальнений показник – композитний показник збіжності (CCS), що об’єднує найінформативніші метрики в нормалізований індикатор динаміки збіжності. Кореляційний аналіз та оцінювання на основі машинного навчання підтвердили, що CCS надійно визначає покоління, які наближаються до стагнації, а стратегія динамічної мутації, керована CCS, істотно підвищує продуктивність оптимізації порівняно з підходами зі статичною ймовірністю мутацією.
З’ясовано, що контроль мутації на основі CCS послідовно запобігає передчасній збіжності, підтримує вищий рівень різноманітності популяції протягом всього еволюційного процесу, пришвидшує збіжність до глобальних оптимумів та підвищує загальний відсоток успішного досягнення бажаних рішень. Підхід зменшує необхідність ручного налаштування параметрів мутації, оскільки CCS автоматично балансує пошук на ширшій та вужчій областях пошуку. Крім того, методологія дає змогу фреймворкам генетичних алгоритмів автоматично оновлювати еволюційні параметри.
Дослідження демонструє, що CCS може слугувати універсальним інструментом для адаптивного управління в еволюційних обчисленнях. Воно створює основу для подальшого розвитку самоналаштовуваних генетичних алгоритмів та може бути розширене на багатокритеріальні, багатовимірні або прикладні задачі оптимізації, зокрема інженерний дизайн, логістику, планування та пошук нейронних архітектур. Встановлено, що інтеграція кількісного моніторингу збіжності із динамічним регулюванням параметрів істотно підвищує надійність, стабільність та якість рішень ГА, відкриваючи великі можливості для розвитку як теоретичних, так і практичних аспектів еволюційної оптимізації.
1. Katoch, S., Chauhan, S. S., & Kumar, V. (2020). A review on genetic algorithm: past, present, and future. Multimedia Tools and Applications, 80(5), 8091–8126. https://doi.org/10.1007/ s11042-020-10139-6
2. Pandey, H. M., Chaudhary, A., & Mehrotra, D. (2014). A comparative review of approaches to prevent premature convergence in GA. Applied Soft Computing, 24, 1047–1077. https://doi.org/10.1016/j.asoc.2014.08.025
3. Friedrich, T., Oliveto, P. S., Sudholt, D., & Witt, C. (2009). Analysis of Diversity-Preserving Mechanisms for Global Exploration. Evolutionary Computation, 17(4), 455–476. ttps://doi.org/10.1162/evco.2009.17.4.17401
4. Vie, A., Kleinnijenhuis, A. M., & Farmer, D. J. (2020). Qualities, challenges and future of genetic algorithms: a literature review. arXiv.org. https://arxiv.org/abs/2011.05277
5. Leung, N. Y., Gao, N. Y., & Xu, N. Z. (1997). Degree of population diversity – a perspective on premature convergence in genetic algorithms and its Markov chain analysis. IEEE Transactions on Neural Networks, 8(5), 1165–1176. https:// doi.org/ 10.1109/72.623217
6. Cheng, J., Pan, Z., Liang, H., Gao, Z., & Gao, J. (2020). Differential evolution algorithm with fitness and diversity ranking-based mutation operator. Swarm and Evolutionary Computation, 61, 100816. https://doi.org/10.1016/j.swevo.2020. 100816
7. Meng, Z., & Yang, C. (2022). Two-stage differential evolution with novel parameter control. Information Sciences, 596, 321–342. https://doi.org/10.1016/j.ins.2022.03.043
8. Kahraman, H. T., Aras, S., & Gedikli, E. (2019). Fitness-distance balance (FDB): A new selection method for meta-heuristic search algorithms. Knowledge-Based Systems, 190, 105169. https://doi.org/10.1016/j.knosys.2019.105169
9. Zhang, G., Hu, Y., Sun, J., & Zhang, W. (2020). An improved genetic algorithm for the flexible job shop scheduling problem with multiple time constraints. Swarm and Evolutionary Computation, 54, 100664. https://doi.org/10.1016/j.swevo. 2020.100664
10. Pretsel, V., & Shuvar, R. (2024). The speciation in genetic algorithms for preserving population diversity and optimization of functions with suboptimal solutions. Electronics and Information Technologies, 28. https://doi.org/10.30970/eli.28.4
11. Hussain, A., & Cheema, S. A. (2020). A new selection operator for genetic algorithms that balances between premature convergence and population diversity. Croatian Operational Research Review, 11(1), 107–119. https://doi.org/10.17535/ crorr. 2020.0009