koz"Вестник Северо-Казахстанского университета имени Манаша Козыбаева"Bulletin of Manash Kozybayev North Kazakhstan University2958-003X2958-0048М. Қозыбаев атындағы СҚУ10.54596/2958-0048-2025-1-207-214koz-1963Research ArticleИНФОРМАЦИОННО-КОММУНИКАЦИОННЫЕ ТЕХНОЛОГИИINFORMATION AND COMMUNICATION TECHNOLOGIESАнализ влияния параметров генетических алгоритмов на эффективность оптимизации в среде MATLABAnalysis of the impact of genetic algorithm parameters on optimization efficiency in MATLABhttps://orcid.org/0000-0002-0074-2966АстапенкоН. В.AstapenkoN. V.

Доцент кафедры "Информационно-коммуникационные технологии", доктор phd

Петропавловск 

Astapenko N.V. - corresponding author, Associate Professor of the Information and Communication Technologies, PhD

Petrolpavlovsk

astankin@mail.ruНАО "Северо-Казахстанский университет имени Манаша Козыбаева"Казахстан«Manash Kozybayev North Kazakhstan University» NPLCKazakhstan20253003202501 (65)207214Copyright © Астапенко Н.В., 20252025Астапенко Н.В.Astapenko N.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.ku.edu.kz/jour/article/view/1963

В статье представлен анализ влияния параметров генетических алгоритмов (ГА) на эффективность оптимизации сложных нелинейных функций с использованием MATLAB Optimization Toolbox. В качестве объекта исследования выбрана функция Растригина, известная своей сложной структурой и множеством локальных минимумов. Рассматриваются ключевые параметры ГА, включая размер популяции, вероятность мутации и кроссовера, а также условия остановки. Проведенные эксперименты показали, что корректная настройка параметров алгоритма значительно повышает его способность к нахождению глобального минимума и снижает вероятность преждевременной сходимости. Полученные результаты подчеркивают важность адаптации параметров под конкретные задачи и демонстрируют потенциал применения ГА в инженерных и научных приложениях. В заключении обсуждаются ограничения метода и предлагаются направления для дальнейших исследований, включая разработку гибридных подходов.

This paper presents an analysis of the impact of genetic algorithm (GA) parameters on the efficiency of optimizing complex nonlinear functions using the MATLAB Optimization Toolbox. The study focuses on the Rastrigin function, known for its complex structure and multiple local minima. Key GA parameters, including population size, mutation and crossover probabilities, and stopping conditions, are considered. Experimental results demonstrate that proper parameter tuning significantly enhances the algorithm's ability to find the global minimum while reducing the likelihood of premature convergence. The findings highlight the importance of adapting GA parameters to specific optimization tasks and demonstrate the potential of GA applications in engineering and scientific domains. Limitations of the method are discussed, and future research directions, including the development of hybrid approaches, are proposed.

генетические алгоритмыоптимизацияпараметры алгоритмаMATLABфункция Растригинаgenetic algorithmsoptimizationalgorithm parametersMATLABRastrigin functionglobal minimumnonlinear functionshybrid optimizationReferencesHaupt R.L., Haupt S.E. Practical Genetic Algorithms. – Wiley, 2004. - p. 253.Haupt R.L., Haupt S.E. Practical Genetic Algorithms. – Wiley, 2004. - p. 253.Simon D. Evolutionary Optimization Algorithms. – Wiley, 2017. - p. 776.Simon D. Evolutionary Optimization Algorithms. – Wiley, 2017. - p. 776.Dai Q., Liu N. Alleviating the problem of local minima in Backpropagation through competitive learning. Neurocomputing. - 2012. - 94(1). - P. 152–158. DOI: 10.1016/j.neucom.2012.03.011Dai Q., Liu N. Alleviating the problem of local minima in Backpropagation through competitive learning. Neurocomputing. - 2012. - 94(1). - P. 152–158. DOI: 10.1016/j.neucom.2012.03.011Shad R., Doris L. Optimization techniques in machine learning: develop and analyze optimization algorithms for machine learning, such as stochastic gradient descent, convex optimization, and non-convex optimization. – Mathematics, 2024. - p. 19.Shad R., Doris L. Optimization techniques in machine learning: develop and analyze optimization algorithms for machine learning, such as stochastic gradient descent, convex optimization, and non-convex optimization. – Mathematics, 2024. - p. 19.Kramer O. Genetic Algorithm Essentials. – Springer, 2017. - p. 94.Kramer O. Genetic Algorithm Essentials. – Springer, 2017. - p. 94.Deb K. Optimization for Engineering Design: Algorithms and Examples. PHI Learning. - 2012. - p. 440.Deb K. Optimization for Engineering Design: Algorithms and Examples. PHI Learning. - 2012. - p. 440.MathWorks. MATLAB Optimization Toolbox Documentation. 2024. URL: https://www.mathworks.com/help/optim/index.htmlMathWorks. MATLAB Optimization Toolbox Documentation. 2024. URL: https://www.mathworks.com/help/optim/index.html

The authors declare that there are no conflicts of interest present.