Optymalizacja nieciągłych funkcji wielomodalnych z wykorzystaniem kooperacyjnego algorytmu koewolucyjnego

• Autorzy: Kuczkowski Ł. , Śmierzchalski R.

Warianty tytułu

EN

Optimization of discontinuous and multimodal functions using cooperative coevolutionry algorithm

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono algorytmy koewolucyjne, heurystyczną metodę rozwiązywania złożonych obliczeniowo problemów opartą na zasadzie korelacji oraz darwinowskiej teorii ewolucji. Opisano zalety algorytmu, możliwe zastosowania, sposób działania oraz niektóre z dotychczasowych implementacji. Następnie wybrano trzy wielomodalne lub nieciągłe funkcje testowe: Rosenbrocka, Styblinskiego-Tanga oraz Schaffer’a. Dokonano dekompozycji problemu wyznaczenia minimum globalnego funkcji i przeprowadzono optymalizację wykorzystując kooperacyjny algorytm koewolucyjny. Uzyskane wyniki pozwoliły na ocenę jakości działania algorytmu. Przeprowadzone testy i ich rezultaty są wstępem do szerszych badań nad algorytmami koewolucyjnymi.

EN

In this paper a brief study of coevolutionary algorithm is presented. The coevolutionary algorithm (CA) is an evolutionary algorithm (or collection of evolutionary algorithms) in which the fitness of an individual depends on the relationship between that individual and other individuals. CA can be divided into two fundamental sub-types. In cooperative algorithms, individuals are rewarded when they work well with other individuals and punished when they perform poorly. In competitive algorithms, however, individuals are rewarded at the expense of those with which they interact. The principle of operation of CA is quite similar to traditional evolutionary algorithm. The main deference lies in a fact that CA operate on multi-populations and evaluate individual based on its collaboration with individuals (collaborators) from other populations. Applying CA requires decomposition of the problem into components and assigning each component to a population. This article presents an optimization of discontinuous and multimodal functions using cooperative coevolutionry algorithm. The modified testing functions: Rosenbrocka, Styblinskiego-Tanga and Schaffer’a are decomposed and minimize using coevolutionary algorithm. Obtained results allow to evaluate the quality of the algorithm and will be used for further research on the topic.

Słowa kluczowe

PL

algorytmy ewolucyjne; koewolucja; optymalizacja

EN

evolutionary algorithms; coevolution; optimization

• Wydawca: Wydział Elektrotechniki i Automatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
• Rocznik: 2015
• Tom: Nr 47
• Strony: 103--106
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Kuczkowski Ł.

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki tel.: [phone]

autor

Śmierzchalski R.

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki tel.: [phone]
• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki tel.: [phone]

Bibliografia

• 1. Wong K. C., Leung K. S., Wong M. H.: Protein structure prediction on a lattice model via multimodal optimization techniques, Proceedings of the 12th annual conference on Genetic and evolutionary computation, Nowy Jork, USA, 2010, s. 155-162.
• 2. Corn M., Atanasijević-Kunc M.: Designing model and control system using evolutionary algorithms, IFACPapersOnLine, Tom 48, Nr 1, 2015, s. 526-531.
• 3. Corno F., Prinetto P., Rebaudengo M., Sonza Reorda M.: Exploiting competing subpopulations for automatic generation of test sequences for digital circuits, Applications Of Evolutionary Computation Evolutionary Computation In Electrical, Electronics, And Communications Engineering, LNCS Tom 1141, 2005, s. 791-800.
• 4. Kuczkowski Ł., Śmierzchalski R.: Impact of Initial Population on Evolutionary Path Planning Algorithm, Aktualne problemy automatyki i robotyki, Monografie Komitetu Automatyki i Robotyki Polskiej Akademii Nauk, Tom 20, 2014, s. 806 – 814.
• 5. Yang Z.Y., Tanga K., Yao X.: Large scale evolutionary optimization using cooperative coevolution, Information Sciences, Vol. 178, Issue: 15, 2008, s. 2985-2999.
• 6. Kouchmeshky B., Aquino W., Bongard J.C., Lipson H.: Co-evolutionary algorithm for structural damage identification using minimal physical testing, International Journal for Numerical Methods in Engineering, Vol. 69, Issue: 5, 2007, s. 1085-1107.
• 7. Chen H.Y., Wang X.F.: Cooperative Coevolutionary Algorithm for unit commitment, IEEE Transactions On Power Systems, Vol. 17, Issue: 1, 2002, s. 128-133.
• 8. Gu J.W., Gu M.Z., Cao C.W., Gu X.S.: A novel competitive co-evolutionary quantum genetic algorithm for stochastic job shop scheduling problem, Computers & Operations Research, Vol. 37, Issue: 5, 2010, s. 927-937.
• 9. Bongard J.C., Lipson H.: Nonlinear system identification using coevolution of models and tests, IEEE Transactions on Evolutionary Computation, Vol. 9, Issue: 4, 2005, s. 361-384.
• 10. Garcia-Pedrajas N., Hervas-Martinez U., Ortiz-Boyer D.: Cooperative coevolution of artificial neural network ensembles for pattern classification, IEEE Transactions on Evolutionary Computation, Vol. 9, Issue: 3, 2005, s. 271-302.
• 11. Pena-Reyes C.A., Sipper M.: Fuzzy CoCo: A cooperative-coevolutionary approach to fuzzy modeling, IEEE Transactions on Fuzzy Systems, Vol. 9, Issue: 5, 2001, s. 727-737.
• 12. Li X.D., Yao X.: Cooperatively Coevolving Particle Swarms for Large Scale Optimization, IEEE Transactions on Evolutionary Computation, Vol. 16, Issue: 2, 2012, s. 210-224.
• 13. Bäck T.: Evolutionary algorithms in theory and practice: evolution strategies, evolutionary programming, genetic algorithms, Oxford University Press, Oxford 1995, s. 328.
• 14. Haupt R. L., Haupt, S. E.: Practical genetic algorithms with DC-Rom, Wiley, New York 2004. 15. Oldenhuis R.: Many test functions for global optimizers, Mathworks 2012.