Multivariate convergence-targeted operator for the genetic algorithm

Скорочена інформація про документ
dc.contributor.authorShadura, Oksana
dc.contributor.authorPetrenko, Anatoly I.
dc.contributor.authorSvistunov, Sergiy Ya.
dc.contributor.authorШадура, Оксана
dc.contributor.authorПетренко, Анатолій Іванович
dc.contributor.authorСвістунов, Сергій Якович
dc.contributor.authorШадура, Оксана
dc.contributor.authorПетренко, Анатолий Иванович
dc.contributor.authorСвистунов, Сергей Яковлевич
dc.date.accessioned2017-07-07T13:29:36Z
dc.date.available2017-07-07T13:29:36Z
dc.date.issued2017
dc.description.abstractenOptimization of complex particle transport simulation packages could be managed using genetic algorithms as a tuning instrument for learning statistics and behavior of multi-objective optimisation functions. Combination of genetic algorithm and unsupervised machine learning could significantly increase convergence of algorithm to true Pareto Front (PF). We tried to apply specific multivariate analysis operator that can be used in case of expensive fitness function evaluations, in order to speed-up the convergence of the "black-box" optimization problem. The results delivered in the article shows that current approach could be used for any type of genetic algorithm and deployed as a separate genetic operator.uk
dc.description.abstractruСложные пакеты моделирования транспорта частиц можно оптимизировать с помощью генетических алгоритмов, что позволяет применять для таких задач подходы статистического обучения и методы оптимизации нескольких целевых функций. Сочетание генетического алгоритма и неконтролируемого машинного обучения может значительно повышает сходимость алгоритма к истинному парето-фронта. В рамках многофакторного анализа предложен дополнительный оператор, который может быть применен для задач оптимизации многоцелевых функций, требующих большого объема ресурсов и времени, в частности для ускорения сходимости задачи оптимизации "черного ящика". Полученные результаты показывают, что предложенный подход можно использовать для генетического алгоритма любого типа, а дополнительный оператор рассматривать как отдельный генетический оператор.uk
dc.description.abstractukCкладні пакети моделювання транспорту частинок можна оптимізувати за допомогою генетичних алгоритмів, що дає змогу застосовувати для таких задач підходи статистичного навчання та методи оптимізації декількох цільових функцій. Поєднання генетичного алгоритму та неконтрольованого машинного навчання значно підвищує збіжність алгоритму до істинного парето-фронту. У межах багатофакторного аналізу запропоновано додатковий оператор, який може бути застосований для задач оптимізації багатоцільових функцій, що потребують великого обсягу ресурсів та часу, зокрема для пришвидшення збіжності задачі оптимізації "чорного ящика". Отримані результати показують, що запропонований підхід можна використовувати для генетичного алгоритму будь-якого типу, а додатковий оператор розглядати як окремий генетичний оператор.uk
dc.format.pagerangeС. 126-140uk
dc.identifier.citationShadura O. Multivariate convergence-targeted operator for the genetic algorithm / O. Shadura, A. Petrenko, S. Svistunov // Системні дослідження та інформаційні технології : міжнародний науково-технічний журнал. – 2017. – № 1. – С. 126–140. – Бібліогр.: 17 назв.uk
dc.identifier.doihttps://doi.org/10.20535/SRIT.2308-8893.2017.4.10
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/20000
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceСистемні дослідження та інформаційні технології : міжнародний науково-технічний журнал, № 1uk
dc.status.pubpublisheduk
dc.subjectmachine learninguk
dc.subjectgenetic algorithmuk
dc.subjectPareto Frontuk
dc.subjectprinciple component analysisuk
dc.subjecttransport particle simulationsuk
dc.subjectмашинне навчанняuk
dc.subjectгенетичний алгоритмuk
dc.subjectПарето фронтuk
dc.subjectаналіз основних компонентівuk
dc.subjectмоделювання транспорту частинокuk
dc.subjectмашинное обучениеuk
dc.subjectгенетический алгоритмuk
dc.subjectПарето фронтuk
dc.subjectанализ главных компонентовuk
dc.subjectмоделирования транспорта частицuk
dc.subject.udc519.85, 539.3uk
dc.titleMultivariate convergence-targeted operator for the genetic algorithmuk
dc.title.alternativeБагатофакторний конвергенційно-націлений оператор для генетичного алгоритмуuk
dc.title.alternativeМногофакторный конвергенционо-нацеленный оператор для генетического алгоритмаuk
dc.typeArticleuk
thesis.degree.levelmasteruk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
GM_10Shadura_Petrenko_Svistunov_N1_2017.pdf
Розмір:
363.66 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
7.8 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Системні дослідження та інформаційні технології: міжнародний науково-технічний журнал, № 1