Анализ влияния параметров генетических алгоритмов на эффективность оптимизации в среде MATLAB

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.

1. Haupt R.L., Haupt S.E. Practical Genetic Algorithms. – Wiley, 2004. - p. 253.

2. Simon D. Evolutionary Optimization Algorithms. – Wiley, 2017. - p. 776.

3. 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.2012.03.011

4. 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.

5. Kramer O. Genetic Algorithm Essentials. – Springer, 2017. - p. 94.

6. Deb K. Optimization for Engineering Design: Algorithms and Examples. PHI Learning. - 2012. - p. 440.

7. MathWorks. MATLAB Optimization Toolbox Documentation. 2024. URL: https://www.mathworks.com/help/optim/index.html