Russian Federation
This paper presents the general advantages and disadvantages of the classical deterministic and stochastic search algorithms optimization. An example of a hybrid algorithm, its organizing principle and benefits.
hybrid algorithm, global optimization, function, differentiability, convergence.
УДК: 519.6
МНОГОМЕРНАЯ ОПТИМИЗАЦИЯ СОВРЕМЕННЫЙ ЭТАП
MULTIDIMENSIONALOPTIMIZATIONMODERNSTAGE
Золотухин С.И., адъюнкт
Синёв М.Ю., к.т.н., доцент
ВУНЦ ВВС «Военно-воздушная академия им. проф. Н.Е. Жуковского и Ю.А. Гагарина»
г. Воронеж, Россия
DOI: 10.12737/16001
Аннотация: В статье представлены общие преимущества и недостатки классических детерминированных и стохастических поисковых алгоритмов оптимизации. Рассмотренпримергибридногоалгоритма, егопринципорганизацииипреимущества.
Summary: This paper presents the general advantages and disadvantages of the classical deterministic and stochastic search algorithms optimization. An example of a hybrid algorithm, its organizing principle and benefits.
Ключевые слова: гибридный алгоритм, глобальная оптимизация, функция, дифференцируемость, сходимость.
Keywords: hybrid algorithm, global optimization, function, differentiability, convergence.
Введение
В процессе проектирования интеллектуальных систем часто возникает задача определения наилучших значений параметров или структуры объектов. Такая задача называется оптимизационной. Многие научные и инженерные проблемы в современном обществе решаются по средствам моделирования изучаемых объектов, с дальнейшей оптимизаций, структуры и (или) параметров применительно к соответствующей задаче. Разработка модели с имеющимся на сегодняшний день математическим аппаратом и прикладным программным обеспечением не составляет особо больших затруднений. Вопрос оптимизации стоял и стоит особняком. Возрастающая сложность оптимизируемых объектов, наблюдаемая в последние десятилетия, приводит к усложнению их математических моделей, что значительно затрудняет решение соответствующих экстремальных задач.
1. Sulimov V. D., Shkapov P. M., Nosachev S. K. Lokal´nyy poisk metodom Khuka-Dzhivsa v gibridnom algoritme global´noy optimizatsii/ M.: Nauka i Obrazovanie, 2014g.
2. Lera D., Sergeev Ya.D. Acceleration of univariate global optimization algorithms working with Lipschitz functions and Lipschitz first derivatives. SIAM Journal on Optimization. 2013. Vol. 23, no. 1. P. 508-529. DOI:https://doi.org/10.1137/110859129
3. Birgin E.G., Martínez J.M., Prudente L.F. Augmented Lagrangians with possible infeasibil-ity and finite termination for global nonlinear programming. Journal of Global Optimiza-tion. 2014. Vol. 58, no. 2. P. 207-242. DOI:https://doi.org/10.1007/s10898-013-0039-0
4. Karpenko A. P., Shurov D. L. Gibridnyy metod global´noy optimizatsii na osnove iskusstvennoy immunnoy sistemy/ M.: Nauka i Obrazovanie, 2012g.
5. Voglis C., Parsopoulos K.E., Papageorgiou D.G., Lagaris I.E., Vrahatis M.N. MEMPSODE: A global optimization software based on hybridization of population-based algorithms and local searches. Computer Physics Communications. 2012. Vol. 183, no. 2. P. 1139-1154. DOI:https://doi.org/10.1016/j.cpc.2012.01.010
6. Źilinskas A., Źilinskas J. A hybrid global optimization algorithm for non-linear least squares regression. Journal of Global Optimization. 2013. Vol. 56, no. 2. P. 265-277. DOI:https://doi.org/10.1007/s10898-011-9840-9
7. Luz E.F.P., Becceneri J.C., de Campos Velho H.F. A new multi-particle collision algorithm for optimization in a high performance environment. Journal of Computational Interdisci-plinary Sciences. 2008. Vol. 1, no. 1. P. 3-10. DOI:https://doi.org/10.6062/jcis.2008.01.01.0001
8. Rios-Coelho A.C., Sacco W.F., Henderson N. A Metropolis algorithm combined with Hooke-Jeeves local search method applied to global optimization. Applied Mathematics and Computation. 2010. Vol. 217, no. 2. P. 843-853. DOI:https://doi.org/10.1016/j.amc.2010.06.027
