Введение.Основы генетических алгоритмов

1.7. Параметры генетических алгоритмов

Эффективность ГА зависит от ряда параметров, к которым относятся: мощность популяции, структура представления решения, вид генетических операторов кроссинговера и мутации, вероятности кроссинговера и мутации и и т.п..

Мощность популяции является важнейшим параметром ГА, который критичен во многих приложениях. Чем больше , тем больше разнообразие потенциальных решений (при хорошейсхеме инициализации, обеспечивающей однородное распределение частиц). Большое число особей позволяет покрыть большую часть пространства поиска за одну итерацию. С другой стороны, большое число особей повышает вычислительную сложность итерации и при этом ГА может выродиться в случайный параллельный поиск. Если мало, то ГА работает быстро, но при этом увеличивается опасность преждевременной сходимости к локальному экстремуму. Большая мощность популяции увеличивает генофонд, но процесс поиска замедляется. Обычно полагают .

На разных этапах работы ГА оптимальное значение может быть различным. На начальном этапе должно быть большим, а на заключительном можно уменьшить. Большую роль играют также вид генетических операторов, которые представлены в следующем разделе. Кроме этого, не менее важны значения вероятностей кроссинговера и мутации и .

Для оптимизации, особенно мультимодальных функций, наиболее существенными являются две характеристики ГА:

• способность сходиться к оптимуму (локальному или глобальному) после нахождения области, содержащей этот оптимум;
• способность находить новые области в пространстве решений в поисках глобального оптимума.

Баланс между этими характеристиками ГА в значительной степени определяется значениями вероятности и , типом используемых генетических операторов (прежде всего кроссинговера). Увеличение значений и ведет к расширению пространства поиска. Обычно используют следующие значения вероятностей: и . В адаптивных генетических алгоритмах изменяются, прежде всего, вероятности кроссинговера и мутации и .