9087085433

1. Wstęp

zakodowanego na liczbach dziesiętnych z metodą lokalnej zbieżności. Algorytm genetyczny wykrywa najbardziej odpowiednie strefy w przestrzeni parametrów, natomiast metoda lokalnej zbieżności szybko ustala względne minimum w strefie.

Artykuł Orantka i współautora [Ora2006] jest poświęcony zastosowaniu obliczeń ewolucyjnych w zagadnieniach optymalizacji i identyfikacji w niepewnych warunkach losowych. Algorytm jest oparty na stochastycznej reprezentacji danych. Chromosomy są reprezentowane przez wielowymiarowe wektory losowe składające się z losowych genów w postaci niezależnych losowych zmiennych z funkcją gęstości prawdopodobieństwa Gaussa.

1.2.3 Zastosowanie algorytmów hybrydowych w optymalizacji

W literaturze występują również metody łączenia ze sobą algorytmów, które nazywamy algorytmami hybrydowymi. Przykład połączenia algorytmu Neldera-Meada z algorytmem genetycznym został zaprezentowany przez Masę [Mas2009], który wykorzystał tą metodę do optymalizacji warunku brzegowego zapisanego w postaci operatora p-Laplacea. Obliczenia zostały wykonane przy użyciu metody elementów skończonych, a wyniki porównano z innymi metodami obliczeniowymi.

W artykule Burczyńskiego i współautora [Bur 1999] zaproponowano połączenie algorytmów genetycznych z gradientowymi w jeden algorytm hybrydowy, a wyniki badań porównano z wynikami dla algorytmu genetycznego. Testy obliczeniowe wykazały, że zaproponowany algorytm jest zbieżny do optimum globalnego w bardzo szybki sposób dzięki operatorowi gradientowemu, a otrzymane wyniki są dokładniejsze.

Połączenie algorytmu genetycznego (GA) z algorytmem roju cząstek (PSO) omówiono w pracy Kaoa i współautora [Kao2008]. Dzięki tej technice nowe pokolenie jest generowane nie tylko za pomocą operacji krzyżowania i mutacji, typowych dla algorytmów genetycznych, ale także przy wykorzystaniu metody roju cząstek. Wyniki zostały porównane z wynikami uzyskanymi za pomocą czterech innych metod obliczeniowych, co wykazało, że połączenie GA z PSO daje lepsze rezultaty.

Algorytmy ewolucji różnicowej (DE) również są stosowane do optymalizacji funkcji wielu zmiennych. Przykład zastosowania został omówiony w publikacji Nienartowicz i współautora [Nie2012a], Za pomocą algorytmu zminimalizowano

18