Nowadays, due to the growing dimensionality of optimisation problems, numerous studies are dedicated to reduction of metaheuristics computational requirements. Reducing size of the population during optimisation process is one of the promising research trends in the field of Evolutionary Algorithms. The purpose of this paper is to clarify the subject in form of a survey of population size reduction methods already proposed and to present preliminary results of a new method based on the clustering technique. Introduced method was implemented in the framework of Differential Evolution algorithm and verified on a set of real-parameter benchmark functions.
PL
Obecnie, ze względu na ciągły wzrost wymiarowości problemów optymalizacyjnych, liczne prace poświęcone są zmniejszeniu zapotrzebowania metaheurystyk na zasoby obliczeniowe. Jednym z obiecujących kierunków badań w przypadku algorytmów ewolucyjnych jest redukcja liczności populacji w trakcie procesu optymalizacji. Niniejszy artykuł ma na celu przybliżenie tej tematyki w formie przeglądu dotychczas zaproponowanych metod oraz prezentację wstępnych wyników autorskiej metody opartej na technice klasteryzacji. Przedstawiona metoda została zaimplementowana w strukturę algorytmu ewolucji różnicowej i zweryfikowana za pomocą standardowego zestawu funkcji rzeczywistych wielu zmiennych.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.