Previous Page  8 / 14 Next Page
Information
Show Menu
Previous Page 8 / 14 Next Page
Page Background

при весьма больших размерах области поиска метод редукции оказы-

вается недостаточно эффективным. Гибридный алгоритм M-PCASFC

обеспечивает сужение области поиска, что повышает вычислитель-

ную эффективность метода. Для решения задачи липшицевой мини-

мизации исходная многомерная задача редуцируется к эквивалентной

одномерной с использованием кривой Пеано, построение которой про-

водится по схеме Гильберта. Следует отметить, что построенная чи-

сленными методами кривая аппроксимирует теоретическую кривую

Пеано – Гильберта с точностью, определяемой заданной плотностью

развертки [19]. Метод редукции многомерных задач обладает таки-

ми важными свойствами, как непрерывность и сохранение равномер-

ной ограниченности разностей функций при ограниченной вариации

аргумента. К недостаткам метода следует отнести потерю части ин-

формации о близости точек в исходном многомерном пространстве.

Предложенный метод не требует вычисления производных критери-

альных функций по переменным модели, что позволяет расширить

применение гибридного алгоритма на класс задач глобальной недиф-

ференцируемой оптимизации.

Результирующие гибридные алгоритмы реализованы в виде при-

кладного программного обеспечения. Фрагмент псевдокода гибридно-

го алгоритма M-PCASFC приведен ниже:

1. Generate an initial solution

Old_Config

Best_Fitness

= Fitness

(Old_Config)

Update Blackboard

For

n

= 0

to # of particles

For

n

= 0

to # of iterations

Update Blackboard

Perturbation ( )

If Fitness

(New_Config)

>

Fitness

(Old_Config)

If Fitness

(New_Config)

>

Best_Fitness

Best_Fitness

:= Fitness

(New_Config)

End If

Old_Config

:=

New_Config

Exploration ( )

Else

Scattering ( )

End If

End For

End For

2. Exploration ( )

For

n

= 0

to # of iterations

72

ISSN 1812-3368. Вестник МГТУ им. Н.Э. Баумана. Сер. “Естественные науки”. 2016. № 2