MATLAB ортасындағы оңтаиландыру титмдтлтгтне генетикалық алгоритм параметрлертнтң әсертн талдау

Мақалада MATLAB Optimization Toolbox көмегімен күрделі сызықтық емес функцияларды оңтайландыру тиімділігіне генетикалық алгоритм (ГА) параметрлерінің әсерін талдау ұсынылған. Зерттеу нысаны ретінде күрделі құрылымымен және көптеген жергілікті минимумдарымен танымал Растригин функциясы таңдалды. Га-ның негізгі параметрлері, соның ішінде популяция мөлшері, мутация және кроссовер ықтималдығы және тоқтату шарттары қарастырылады. Жүргізілген эксперименттер алгоритмнің параметрлерін дұрыс реттеу оның ғаламдық минимумды табу қабілетін едәуір арттыратынын және мерзімінен бұрын конвергенция ықтималдығын төмендететінін көрсетті. Нәтижелер параметрлерді нақты міндеттерге бейімдеудің маңыздылығын көрсетеді және инженерлік және ғылыми қосымшаларда ГА қолдану әлеуетін көрсетеді. Қорытындыда әдістің шектеулері талқыланады және гибридті тәсілдерді әзірлеуді қоса алғанда, қосымша зерттеулерге бағыттар ұсынылады.

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