Обсуждение статьи "Популяционные алгоритмы оптимизации: Устойчивость к застреванию в локальных экстремумах (Часть II)"

[MetaQuotes]

Опубликована статья Популяционные алгоритмы оптимизации: Устойчивость к застреванию в локальных экстремумах (Часть II):

Продолжение эксперимента, цель которого - исследовать поведение популяционных алгоритмов оптимизации в контексте их способности эффективно покидать локальные минимумы при низком разнообразии в популяции и достигать глобальных максимумов. Результаты исследования.

Оптимизация стаей серых волков, GWO

C_AO_GWO:50;10
=============================
5 Hilly's; Func runs: 10000; result: 0.5385541648909985
25 Hilly's; Func runs: 10000; result: 0.33060651191769963
500 Hilly's; Func runs: 10000; result: 0.25796885816873344
=============================
5 Forest's; Func runs: 10000; result: 0.33256641908450685
25 Forest's; Func runs: 10000; result: 0.2040563379483599
500 Forest's; Func runs: 10000; result: 0.15278428644972566
=============================
5 Megacity's; Func runs: 10000; result: 0.2784615384615384
25 Megacity's; Func runs: 10000; result: 0.1587692307692308
500 Megacity's; Func runs: 10000; result: 0.133153846153847
=============================
All score: 2.38692

По бескрайним просторам виртуального мира мчится стая волков алгоритма GWO, стремительно распространяясь во всех направлениях на различных тестовых функциях. Это свойство можно эффективно использовать на начальных итерациях, особенно если алгоритм работает в паре с другим методом, который может улучшить и дополнить найденные решения. Великолепные исследовательские способности стаи говорят об их потенциале, но, к сожалению, точность в определении областей остается их слабым местом. Интересно отметить, что алгоритм волчьей стаи продемонстрировал даже результат лучше, чем при обычном тестировании с равномерным распределением агентов.

Автор: Andrey Dik