НАСТРОЙКА ПАРАМЕТРОВ ГЕНЕТИЧЕСКОГО АЛГОРИТМА ПРИ ПОМОЩИ АНАЛИЗА ЛАНДШАФТА ФУНКЦИИ ПРИСПОСОБЛЕННОСТИ И МАШИННОГО ОБУЧЕНИЯ

Аннотация

Выбор значений параметров в эволюционных алгоритмах сильно влияет на их производи- тельность. Многие популярные методы настройки параметров ограничены максимальным числом вычислений целевой функции для поиска хорошего набора значений параметров. Недавно был пред- ложен подход к выбору алгоритмов для решения оптимизационных задач, использующий анализ ландшафта функции приспособленности и машинное обучение для выбора оптимального алго- ритма решения задачи на основе особенностей ее ландшафта. Подобное применение анализа ландшафта функции приспособленности мотивирует на дальнейшие исследования, в частности, применительно к настройке параметров эволюционных алгоритмов. Использование признаков ландшафта функции приспособленности позволяет выявлять похожие задачи и использовать данные о настройке параметров, полученные при тестировании на эталоных задачах, что значи- тельно снижает число необходимых вычислений целевой функции при настройке. В этой работе на примере генетического алгоритма рассматривается подход к автоматическому выбору параметров с использованием анализа ландшафта целевой функции и машинного обучения. В предлагаемом решении оцениваются особенности ландшафта целевой функции поставленной задачи оптимизации и предлагаются оптимальные значения параметров алгоритма с помощью нейронной сети. Данная сеть была обучена на наборе данных об особенностях ландшафта, вы- раженных в виде числовых признаков и соответствующих им оптимальных наборов параметров алгоритма. В отличие от подходов к автоматическому выбору алгоритмов оптимизации для кон- кретной задачи, в данной работе рассматривается задача регрессии параметров алгоритма вме- сто проблемы классификации наиболее подходящего алгоритма из заданного набора. Результаты экспериментов на различных конфигурациях задачи W-model, а также на задачае MAX-3SAT пока- зывают, что предлагаемый подход к автоматическому выбору параметров с учетом ландшафта целевой функции может помочь определить подходящие значения статических параметров гене- тического алгоритма , так как алгоритм с предложенными значениями параметров превосходит другие рассмотренные варианты , в среднем требуя меньше вычисле- ний целевой функции для нахождения оптимума, чем остальные рассмотренные алгоритмы.