Роевые и муравьиные алгоритмы

11.6. Сравнение роевых и генетических алгоритмов

Сила генетических алгоритмов, прежде всего, в параллельной природе поиска решений. В ГА реализована псевдослучайная форма поиска решения, которая сохраняет кратные решения, уничтожает неперспективные и дает приемлемые решения. Генетические операторы позволяют даже слабым решениям оставаться в числе потенциальных решений и генерировать из них приемлемые. Использование генетических операторов обеспечивает успех поиска хорошего решения. Все ГА используют некоторую форму рекомбинации, позволяющую порождать новые решения, которые сохраняют хорошие качества родителей и с большой вероятностью показывают хорошие характеристики. Кроссинговер является основным оператором ГА, в то время как мутация используется намного реже.

Большинство эволюционных методов используют следующую схему:

1. Случайная генерация начальной популяции.
2. Вычисление значения фитнесс-функции для каждой особи, определяющего ее близость к оптимуму.
3. Репродукция популяции на основе полученных значений фитнесс-функции.
4. Конец при выполнении условий останова. В противном случае переход на 2.

Из этой схемы видно, что РА имеет много общего с ГА. Оба алгоритма стартуют из случайно генерированной популяции и используют оценку значений фитнесс-функции. В обоих алгоритмах эволюция популяции и соответственно поиск решения основаны на случайных методах. Оба не гарантируют успех в поиске решения. Однако РА не имеет генетических операторов, подобных кроссинговеру и мутации. Здесь потенциальные решения-частицы взаимодействуют и изменяют свои скорости. Частицы имеют память, что очень важно для алгоритма. Механизмы передачи информации в РА и ГА совершенно различны. В ГА хромосомы обмениваются информацией друг с другом. Поэтому вся популяция движется как единая группа в область оптимума. В РА только глобальная (локальная) лучшая позиция передается другим частицам. Это единственный механизм передачи информации. В процессе эволюции ведется поиск лучшего решения. По сравнению с ГА все частицы в большинстве случаев стремятся к лучшему решению быстрее. РА имеет много общего с эволюционными вычислениями в общем и с ГА в частности. Все три метода стартуют из случайно генерированной начальной популяции и используют оценку значений фитнесс-функции. Преимущество РА также в том, что они, как правило, проще в реализации и имеют меньше параметров управления.

В настоящее время РА применяются при решении задач численной и комбинаторной оптимизации (существует дискретный вариант РА), обучении искусственных нейронных сетей, построении нечетких контроллеров и т.д. в различных областях науки техники:

• управление энергетическими системами;
• решение NP-трудных комбинаторных проблем;
• задачи календарного планирования;
• оптимизация в мобильной связи;
• оптимизация процессов пакетной обработки;
• оптимизация многокритериальных задач;
• обработка изображений;
• распознавание образов;
• кластеризация данных;
• биоинформатика;
• проектирование сложных технических систем и т.д.