hrvatski

Unaprjeđenja algoritma diferencijalne evolucije podešavanjem parametara i izborom početne populacije

Potrebu ili težnju za stalnim poboljšavanjem različitih sustava ili modela moguće je susresti u mnogim vidovima inženjerstva i znanosti. U tu svrhu često je nužno suočiti se s različitim problemima optimizacije. Oni uobičajeno posjeduju mnoga svojstva koja ih čine vrlo zahtjevnima za rješavanje. Uz to, nerijetko su nalik crnim kutijama iz kojih je moguće dobiti samo odziv na danu pobudu, odnosno ulaz. Ukoliko se radi o problemima numeričke optimizacije, može se istaknuti diferencijalna evolucija (DE) kao predstavnik evolucijskih algoritama (EAs) koja je u središtu ove disertacije. Iako relativno jednostavna, dokazane je učinkovitosti, a u disertaciji su predložena tri njena unaprjeđenja. S obzirom na osjetljivost i problem određivanja prikladnih vrijednosti parametara algoritma, predložen je postupak samopodešavanja faktora skaliranja i stope križanja kao podskupa istih. On se ističe održavanjem zadanog broja prethodno uspješnih vrijednosti parametara za svakog člana populacije, a na temelju kojih se generiraju nove vrijednosti. Također, početna populacije može biti bitan čimbenik u učinkovitosti DE te je shodno tome predložena metoda za njenu inicijalizaciju, a zasnovana je na grupiranju podataka i Cauchyjevim slučajnim varijablama. Ključan element i glavna razlika DE u odnosu na druge uobičajene EAs je njena mutacija. U disertaciji je predložena mutacija koja obavlja odabir baznog vektora pomoću prilagodljive k- turnirske selekcije. Predložena unaprjeđenja opsežno su testirana na skupu odabranih standardnih testnih funkcija i na funkcijama pripremljenim za CEC 2014 natjecanje u numeričkoj optimizaciji. Analiza ostvarenih rezultata dovela je zaključka da predložena unaprjeđenja značajno pospješuju učinkovitost algoritma u koji su ugrađena te da su vrlo konkurentna u odnosu na neka srodna unaprjeđenja dostupna u literaturi. Na koncu, ispitani su ponašanje i učinkovitost standardnog algoritma DE pri izgradnji radijalnih mreža kao klasifikacijskih modela. Izgradnja tih mreža predstavlja složeni problem globalne optimizacije u prvom redu s gledišta broja parametara koje je nužno podesiti te zahtijevnog vrednovanja. Iako standardni algoritam predstavlja valjan izbor za rješavanje navedenog problema, testiranjem i analizom pokazano je da predložena unaprjeđenja i u ovom slučaju pospješuju njegovu učinkovitost.

Diferencijalna evolucija ; inicijalizacija populacije ; klasifikacija ; mutacija ; numerička optimizacija ; radijalne mreže ; samopodešavanje parametara

nije evidentirano