Тестирование алгоритмов многомерной оптимизации

Для тестирования алгоритмов многомерной оптимизации, основанных как на методах эволюционного моделирования, так и на любых других следует использовать специальные тестовые функции. Ниже приведён перечень некоторых из них, указаны рекомендуемые интервалы изменения переменных и глобальные оптимальные значения.

1. Модель сферы. Тестирование алгоритмов многомерной оптимизации

Здесь и далее – вектор оптимизируемых переменных, n – количество оптимизируемых переменных.

Рекомендуемый интервал поиска оптимального решения по каждой переменной (–10; 10). Функция имеет глобальный минимум, равный 0, при .

2. Шаговая функция. Тестирование алгоритмов многомерной оптимизации

,

где где Int(xi) – функция, возвращающая целую часть аргумента.

(2) ,

Рекомендуемый интервал поиска оптимального решения по каждой переменной (–10; 10). Функция имеет глобальный минимум, равный 0, при .

3. Функция Экли. Тестирование алгоритмов многомерной оптимизации

Рекомендуемый интервал поиска оптимального решения по каждой переменной (–10; 10). Функция имеет глобальный минимум, равный 0, при .

4. Функция Розенброка. Тестирование алгоритмов многомерной оптимизации

Рекомендуемый интервал поиска оптимального решения по каждой переменной (–5; 5). Функция имеет глобальный минимум, равный 0, при .

5. Функция Растригина. Тестирование алгоритмов многомерной оптимизации

Рекомендуемый интервал поиска оптимального решения по каждой переменной (–5; 5). Функция имеет глобальный минимум, равный 0, при .

6. Функция Швефеля. Тестирование алгоритмов многомерной оптимизации

Следует использовать интервал поиска оптимального решения по каждой переменной (–500; 500), на котором функция имеет глобальный минимум, равный –418,98289, при .

7. Функция Гривонка. Тестирование алгоритмов многомерной оптимизации

Рекомендуемый интервал поиска оптимального решения по каждой переменной (–600; 600), на котором функция имеет глобальный минимум, равный 0, при

Перечисленные функции имеют различный рельеф многомерной поверхности, как правило, сложный, отличающийся овражностью и наличием большого количества локальных оптимумов. Эффективность настроек генетического алгоритма целесообразно проверять на нескольких различных функциях, для различного количества оптимизируемых переменных, повторяя попытку поиска оптимального решения несколько раз.

По материалам учебного пособия:
Дударов С. П. Математические основы генетических алгоритмов: учеб. пособие/ С. П. Дударов. – М.: РХТУ им. Д. И. Менделеева, 2012. – 56 с.;


Если у вас есть статья, заметка или обзор, которыми вы хотите поделиться с аудиторией нашего сайта, присылайте информацию на: neuronus.com@yandex.ru.
Гость, оставишь комментарий?
Имя:*
E-Mail:


Последние комментарии
Дрон-камикадзе и ракеты с искусственным интеллектом: как в России создали умные боеприпасы и планируют применять в деле
Современная микроэлектроника, включая микроконтроллеры и процессоры для современных ПК, является продуктом высокотехнологического производства и
Как работает Любовь? Квантовая связь нейронной активности Людей
ребят,вот вам смешно,а квантовая связь влюбленных то существует.и я не шучу. мой парень видел глюки и в этих глюках присутствовала я.(если что,в
Почему космос не имеет начала и конца: комментарии учёных
Земля находится трёх слонах, которые стоят на черепахе
Судьба ледокола «Арктика» остается неопределенной после повреждения одного из двигателей
Народ теперь что бы накачать мышцы и убрать лишний жир можно без спорта и диет, просто надел и забыл. Опробовал лично и результат удивил уже через
Сообщение о покупке водородной яхты Билом Гейтсом оказалось ложным
Народ теперь что бы накачать мышцы и убрать лишний жир можно без спорта и диет, просто надел и забыл. Опробовал лично и результат удивил уже через
Мы в социальных сетях
Статистика
0  
Всего статей 2562
0  
Всего комментариев 1031
0  
Пользователей 264