Багатофакторний конвергенційно-націлений оператор для генетичного алгоритму

Oksana Shadura, Anatoly I. Petrenko, Sergiy Ya. Svistunov

Анотація


Cкладні пакети моделювання транспорту частинок можна оптимізувати за допомогою генетичних алгоритмів, що дає змогу застосовувати для таких задач підходи статистичного навчання та методи оптимізації декількох цільових функцій. Поєднання генетичного алгоритму та неконтрольованого машинного навчання значно підвищує збіжність алгоритму до істинного парето-фронту. У межах багатофакторного аналізу запропоновано додатковий оператор, який може бути застосований для задач оптимізації багатоцільових функцій, що потребують великого обсягу ресурсів та часу, зокрема для пришвидшення збіжності задачі оптимізації "чорного ящика". Отримані результати показують, що запропонований підхід можна використовувати для генетичного алгоритму будь-якого типу, а додатковий оператор розглядати як окремий генетичний оператор.

Ключові слова


машинне навчання; генетичний алгоритм; Парето фронт; аналіз основних компонентів; моделювання транспорту частинок

Повний текст:

PDF (English)

Посилання


Amadio G. GeantV: from CPU to accelerators / G. Amadio, A. Ananya, J. Apostolakis, A. Arora, M. Bandieramonte, A. Bhattacharyya, C. Bianchini, R. Brun, P. Canal, F. Carminati, L. Duhem, D. Elvira, A. Gheata, M. Gheata, I. Goulas, R. Iope, S. Jun, G. Lima, A. Mohanty, T. Nikitina, M. Novak, W. Pokorski, A. Ribon, R. Sehgal, O. Shadura, S. Vallecorsa, S. Wenzel, Y. Zhang // Journal of Physics: Conference Series. — 2016. — Vol. 762, N 1. — P. 012019.

Allison J. Geant4 developments and applications / J. Allison, K. Amako, J. Apostolakis, H. Araujo, P. Arce Dubois, M. Asai, G. Barrand, R. Capra and others // IEEE Transactions on Nuclear Science. — 2006. — Vol. 53, N 1. — P. 270–278.

Amadio G. The GeantV project: preparing the future of simulation / G. Amadio, J. Apostolakis, M.Bandieramonte, A. Bhattacharyya, C. Bianchini, R. Brun and others // Journal of Physics: Conference Series. — 2015. — Vol. 664, N 7. — P. 072006.

Apostolakis J. Towards a high performance geometry library for particle-detector simulations / J.Apostolakis, M.Bandieramonte, G. Bitzes, R. Brun, P. Canal, F. Carminati and others // Journal of Physics: Conference Series. — 2015. — Vol. 608, N 1. — P. 012023.

Apostolakis J. Adaptive track scheduling to optimize concurrency and vectorization in GeantV / J.Apostolakis, M.Bandieramonte, G. Bitzes, R. Brun, P. Canal, F Carminati and others // Journal of Physics: Conference Series. — 2015. — Vol. 608, N 1. — P. 012003.

Deb K. Scalable Test Problems for Evolutionary Multi-Objective Optimization, Evolutionary Multiobjective Optimization: Theoretical Advances and Applications / K. Deb, L. Thiele, M. Laumanns, E. Zitzler // Advanced Information and Knowledge Processing - Evolutionary Multiobjective Optimization - Springer London. — 2015. — P. 105–145.

Vose M. The Simple Genetic Algorithm: Foundations and Theory / M. Vose // MIT Press. Cambridge. — 1999. — 251 p.

Rowe J.E. Genetic algorithm theory / J.E. Rowe // Proceedings of the 14th Annual Conference Companion on Genetic and Evolutionary Computation (GECCO2012). — New York, USA. — 2012. — P. 917–940.

Rudolph G. Convergence properties of evolutionary algorithms / G. Rudolph // Kovac, Hamburg. — 1997. — 286 p.

Schmitt F. On the Importance of the Second Largest Eigenvalue on the Convergence Rate of Genetic Algorithms / F. Schmitt, F. Rothlauf // Proceedings of the 14th Symposium on Reliable Distributed Systems. — 2001. — P. 559–564.

Cadima J. On Relationships between Uncentered and Column-centered Principal Component Analysis / J. Cadima, I. Jolliffe // Pakistan Journal of Statistics. — 2009. — Vol. 25(4). — P. 473–503.

Honeine P. An eigenanalysis of data centering in machine learning / P. Honeine // Preprint ArXiV ID: 1407.2904. — 2014. — 14 p.

Baker K. Singular value decomposition tutorial / K. Baker. — Available at: https://datajobs.com/data-science-repo/SVD-Tutorial-%5BKirk-Baker%5D.pdf

Deb K. A fast and elitist multiobjective genetic algorithm: NSGA-II / K. Deb, A. Pratap, S. Agarwal, T. Meyarivan // IEEE Transactions on Evolutionary Computation. — 2002. — Vol. 6. — P.182–197.

Haitham S. U-NSGA-III: A unified evolutionary algorithm for single, multiple, and many-objective optimization / S. Haitham, K. Deb // Lecture Notes in Computer Science. — 2015. — Vol. 6019. — P. 34–49.

Annadurai S. Fundamentals of digital image processing / S. Annadurai // Pearson Education India. — 2007. — 440 p.

Hansen N. COCO: A platform for Comparing Continuous Optimizers in a Black-Box Setting / N. Hansen, A. Auger, O. Mersmann, T. Tuar, D. Brockhoff // Preprint ArXiV ID: 1603.08785. — 2016. — 10 p.


Пристатейна бібліографія ГОСТ


1. Amadio G. GeantV: from CPU to accelerators / G. Amadio, A. Ananya, J. Apostolakis, A. Arora, M. Bandieramonte, A. Bhattacharyya, C. Bianchini, R. Brun, P. Canal, F. Carminati, L. Duhem, D. Elvira, A. Gheata, M. Gheata, I. Goulas, R. Iope, S. Jun, G. Lima, A. Mohanty, T. Nikitina, M. Novak, W. Pokorski, A. Ribon, R. Sehgal, O. Shadura, S. Vallecorsa, S. Wenzel, Y. Zhang // Journal of Physics: Conference Series. — 2016. — Vol. 762, N 1. — P. 012019.

2. Allison J. Geant4 developments and applications / J. Allison, K. Amako, J. Apostolakis, H. Araujo, P. Arce Dubois, M. Asai, G. Barrand, R. Capra and others // IEEE Transactions on Nuclear Science. — 2006. — Vol. 53, N 1. — P. 270–278.

3. Amadio G. The GeantV project: preparing the future of simulation / G. Amadio, J. Apostolakis, M.Bandieramonte, A. Bhattacharyya, C. Bianchini, R. Brun and others // Journal of Physics: Conference Series. — 2015. — Vol. 664, N 7. — P. 072006.

4. Apostolakis J. Towards a high performance geometry library for particle-detector simulations / J.Apostolakis, M.Bandieramonte, G. Bitzes, R. Brun, P. Canal, F. Carminati and others // Journal of Physics: Conference Series. — 2015. — Vol. 608, N 1. — P. 012023.

5. Apostolakis J. Adaptive track scheduling to optimize concurrency and vectorization in GeantV / J.Apostolakis, M.Bandieramonte, G. Bitzes, R. Brun, P. Canal, F Carminati and others // Journal of Physics: Conference Series. — 2015. — Vol. 608, N 1. — P. 012003.

6. Deb K. Scalable Test Problems for Evolutionary Multi-Objective Optimization, Evolutionary Multiobjective Optimization: Theoretical Advances and Applications / K. Deb, L. Thiele, M. Laumanns, E. Zitzler // Advanced Information and Knowledge Processing - Evolutionary Multiobjective Optimization - Springer London. — 2015. — P. 105–145.

7. Vose M. The Simple Genetic Algorithm: Foundations and Theory / M. Vose // MIT Press. Cambridge. — 1999. — 251 p.

8. Rowe J.E. Genetic algorithm theory / J.E. Rowe // Proceedings of the 14th Annual Conference Companion on Genetic and Evolutionary Computation (GECCO2012). — New York, USA. — 2012. — P. 917–940.

9. Rudolph G. Convergence properties of evolutionary algorithms / G. Rudolph // Kovac, Hamburg. — 1997. — 286 p.

10. Schmitt F. On the Importance of the Second Largest Eigenvalue on the Convergence Rate of Genetic Algorithms / F. Schmitt, F. Rothlauf // Proceedings of the 14th Symposium on Reliable Distributed Systems. — 2001. — P. 559–564.

11. Cadima J. On Relationships between Uncentered and Column-centered Principal Component Analysis / J. Cadima, I. Jolliffe // Pakistan Journal of Statistics. — 2009. — Vol. 25(4). — P. 473–503.

12. Honeine P. An eigenanalysis of data centering in machine learning / P. Honeine // Preprint ArXiV ID: 1407.2904. — 2014. — 14 p.

13. Baker K. Singular value decomposition tutorial / K. Baker. — Available at: https://datajobs.com/data-science-repo/SVD-Tutorial-%5BKirk-Baker%5D.pdf

14. Deb K. A fast and elitist multiobjective genetic algorithm: NSGA-II / K. Deb, A. Pratap, S. Agarwal, T. Meyarivan // IEEE Transactions on Evolutionary Computation. — 2002. — Vol. 6. — P.182–197.

15. Haitham S. U-NSGA-III: A unified evolutionary algorithm for single, multiple, and many-objective optimization / S. Haitham, K. Deb // Lecture Notes in Computer Science. — 2015. — Vol. 6019. — P. 34–49.

16. Annadurai S. Fundamentals of digital image processing / S. Annadurai // Pearson Education India. — 2007. — 440 p.

17. Hansen N. COCO: A platform for Comparing Continuous Optimizers in a Black-Box Setting / N. Hansen, A. Auger, O. Mersmann, T. Tuar, D. Brockhoff // Preprint ArXiV ID: 1603.08785. — 2016. — 10 p.





DOI: https://doi.org/10.20535/SRIT.2308-8893.2017.4.10

Посилання

  • Поки немає зовнішніх посилань.