The 54 references with contexts in paper A. Karpenko P., M. Sakharov K., А. Карпенко П., М. Сахаров К. (2016) “Меметические алгоритмы для решения задачи глобальной нелинейной оптимизации. Обзор // Memetic Algorithms to Solve a Global Nonlinear Optimization Problem. A Review” / spz:neicon:technomag:y:2015:i:2:p:119-142

1
Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. М.: Изд-во МГТУ им. Н.Э. Баумана, 2014. 446 с.
Total in-text references: 5
  1. In-text reference with the coordinate start=2367
    Prefix
    Например, в задачах с большим числом локальных оптимумов, традиционные методы оптимизации обычно не справляются с поиском глобального оптимума. Для решения такого рода задач используют различные стохастические методы, в частности, так называемые популяционные алгоритмы, являющиеся разновидностью ЭА
    Exact
    [1-3]
    Suffix
    . Данный класс методов включает в себя различные метаэвристические алгоритмы поисковой оптимизации. Они зарекомендовали себя как эффективное средство решения задач глобальной нелинейной оптимизации.

  2. In-text reference with the coordinate start=5806
    Prefix
    Задана область , (2) в которой отыскивается решение задачи (1). Заметим, что в вычислительной практике задачу глобальной условной оптимизации обычно сводят к задаче безусловной оптимизации, например, методом штрафных функций
    Exact
    [1]
    Suffix
    . 2. Концепция меметических алгоритмов Первоначально меметические алгоритмы были предложены как один из способов повышения эффективности генетических алгоритмов [9, 10]. Однако схема комбинации глобального и локального поиска, использованная в МА, может быть применена для построения поисковых алгоритмов также на основе других популяционных алгоритмов.

  3. In-text reference with the coordinate start=9341
    Prefix
    Важным шагом при МА-гибридизации является определение метода передачи информации между компонентами алгоритма. Необходимо задать порядок и время передачи информации, а также то, из чего состоят сами данные. По одной из классификаций
    Exact
    [1]
    Suffix
    , гибридные алгоритмы могут быть коллективными (collaborative) и интеграционными (integrative). Коллективные алгоритмы, в свою очередь, делят на последовательные (sequential) и комбинированные (intertwined).

  4. In-text reference with the coordinate start=14861
    Prefix
    Также для контроля разнообразия, в работе [13] использованы нечеткие множества и системы. Наконец, возможна модификация оператора отбора или локального поиска с использованием адаптивного метода Больцмана [22], схожего по своей идеи с методом имитации отжига
    Exact
    [1]
    Suffix
    . Еще один метод, предложенный в работе [33], позволяет включать в новое поколение менее успешных индивидов с некоторой ненулевой вероятностью. Причем эта вероятность возрастает экспоненциально с уменьшением разнообразия в популяции: Здесь – коэффициент нормализации; ; min,ffavg - среднее и минимальное достигнутые значения целевой функции с

  5. In-text reference with the coordinate start=18365
    Prefix
    Основной задачей конструирования таких алгоритмов является задача выбора целесообразной стратегии использования того или иного мема из роя доступных мемов . Данная задача относится к классу задач мета-оптимизации
    Exact
    [1]
    Suffix
    . Выбор мемов может происходить в зависимости от значений их некоторых характеристик и/или исследуемого в данный момент фрагмента области поиска [36]. Из результатов исследований [35, 39, 40] следует, что если алгоритм не получает какой-либо априорной информации о решаемой задаче, то МА может показать результат не только не лучше, но и даже хуже, чем обычные ЭА.

2
Карпенко А.П., Сахаров М.К. Мультимемеевая глобальная оптимизация на основе алгоритма эволюции разума // Информационные технологии. 2014. No 7. С. 23-30.
Total in-text references: 3
  1. In-text reference with the coordinate start=2367
    Prefix
    Например, в задачах с большим числом локальных оптимумов, традиционные методы оптимизации обычно не справляются с поиском глобального оптимума. Для решения такого рода задач используют различные стохастические методы, в частности, так называемые популяционные алгоритмы, являющиеся разновидностью ЭА
    Exact
    [1-3]
    Suffix
    . Данный класс методов включает в себя различные метаэвристические алгоритмы поисковой оптимизации. Они зарекомендовали себя как эффективное средство решения задач глобальной нелинейной оптимизации.

  2. In-text reference with the coordinate start=10373
    Prefix
    Однако существует альтернативный малораспространенный вариант интеграции эволюционного алгоритма в локальный поиск. 3. Общая схема меметических алгоритмов Рассмотрим общую схему МА для решения задачи глобальной безусловной минимизации в общей постановке, когда фитнесс-функция также подлежит минимизации
    Exact
    [2]
    Suffix
    . 1) Полагаем номер итерации и инициализируем начальную популяцию . 2) Для текущего положения каждого из агентов вычисляем соответствующее значение фитнесс-функции . 3) Исходя из значений , формируем промежуточную популяцию , включающую в себя лучших индивидов текущей популяции . 4) Применяем ко всем аге

  3. In-text reference with the coordinate start=19252
    Prefix
    тому, какую конфигурацию МА рекомендуется использовать для решения black-box задач оптимизации, многие исследователи склоняются именно к адаптивным алгоритмам, которые в процессе поиска самостоятельно подбирают наиболее эффективные методы локальной оптимизации для определённых областей пространства поиска. Схему обобщенного мультимемеевого алгоритма описывает следующая последовательность шагов
    Exact
    [2, 5]
    Suffix
    . 1) Полагаем и инициализируем популяцию . 2) Для текущего положения каждого из агентов вычисляем соответствующее значение фитнесс-функции . 3) Исходя из значений формируем промежуточную популяцию , включающую в себя лучших индивидов текущей популяции . 4) Применяем ко всем агентам популяции операторы ра

3
Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley, 1989. P. 372.
Total in-text references: 1
  1. In-text reference with the coordinate start=2367
    Prefix
    Например, в задачах с большим числом локальных оптимумов, традиционные методы оптимизации обычно не справляются с поиском глобального оптимума. Для решения такого рода задач используют различные стохастические методы, в частности, так называемые популяционные алгоритмы, являющиеся разновидностью ЭА
    Exact
    [1-3]
    Suffix
    . Данный класс методов включает в себя различные метаэвристические алгоритмы поисковой оптимизации. Они зарекомендовали себя как эффективное средство решения задач глобальной нелинейной оптимизации.

4
Dawkins R. The Selfish Gene. Oxford University Press, 1976. P. 224.
Total in-text references: 1
  1. In-text reference with the coordinate start=3822
    Prefix
    Они представляют собой популяционные метаэвристические методы поисковой оптимизации, основанные на нео-дарвиновском принципе эволюции и концепции мема (meme), предложенной Р. Докинзом в 1976 году
    Exact
    [4]
    Suffix
    . Мем – единица передачи культурной информации, распространяемая от одного человека к другому, посредством имитации, научения и др. В контексте МА, мем является реализацией какого-либо метода локальной оптимизации, уточняющий решение в процессе поиска.

5
Sakharov M.K., Karpenko A.P., Velisevich Ya.I. Multi-Memetic Mind Evolutionary Computation Algorithm for Loosely Coupled Systems of Desktop Computers // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2015. No 10. С. 438-452. DOI: 10.7463/1015.0814435
Total in-text references: 3
  1. In-text reference with the coordinate start=4543
    Prefix
    Однако, как у всех ЭА, для эффективной работы МА необходимо проводить настройку свободных параметров, например, управлять процедурой выбора мемов, отвечающих специфике конкретной задачи. Как показали исследования
    Exact
    [5-7]
    Suffix
    , выбор мемов оказывает очень большое влияние на производительность МА. Концепция меметических алгоритмов предоставляет широкие возможности для разработки различных модификаций этих алгоритмов, которые могут отличаться частотой выполнения локального поиска, условиями его окончания и так далее [8].

  2. In-text reference with the coordinate start=17415
    Prefix
    Несмотря на их высокую эффективность, они имеют весьма ограниченное применение, так как при решении большинства практически значимых задач исследователи не обладают априорной информацией о том, какой мем является наиболее оптимальным для данной задачи. Для преодоления указанного недостатка были предложены, так называемые, мультимемеевые (multi-memes) адаптивные алгоритмы
    Exact
    [5]
    Suffix
    . 4. Мультимемеевые алгоритмы Мультимемеевые алгоритмы (ММА) были впервые предложены для решения комбинаторных задач оптимизации [36]. Сегодня эти алгоритмы успешно используются для решения различных задач непрерывной оптимизации [6, 37, 38].

  3. In-text reference with the coordinate start=19252
    Prefix
    тому, какую конфигурацию МА рекомендуется использовать для решения black-box задач оптимизации, многие исследователи склоняются именно к адаптивным алгоритмам, которые в процессе поиска самостоятельно подбирают наиболее эффективные методы локальной оптимизации для определённых областей пространства поиска. Схему обобщенного мультимемеевого алгоритма описывает следующая последовательность шагов
    Exact
    [2, 5]
    Suffix
    . 1) Полагаем и инициализируем популяцию . 2) Для текущего положения каждого из агентов вычисляем соответствующее значение фитнесс-функции . 3) Исходя из значений формируем промежуточную популяцию , включающую в себя лучших индивидов текущей популяции . 4) Применяем ко всем агентам популяции операторы ра

6
Krasnogor N., Blackburne B., Hirst J.D., Burke E.K. Multimeme Algorithms for the Structure Prediction and Structure Comparison of Proteins // In book: Parallel Problem Solving from Nature – PPSN VII / ed. by J.J.M. Guervos et al. Springer Berlin Heidelberg, 2002. P.
Total in-text references: 3
  1. In-text reference with the coordinate start=4543
    Prefix
    Однако, как у всех ЭА, для эффективной работы МА необходимо проводить настройку свободных параметров, например, управлять процедурой выбора мемов, отвечающих специфике конкретной задачи. Как показали исследования
    Exact
    [5-7]
    Suffix
    , выбор мемов оказывает очень большое влияние на производительность МА. Концепция меметических алгоритмов предоставляет широкие возможности для разработки различных модификаций этих алгоритмов, которые могут отличаться частотой выполнения локального поиска, условиями его окончания и так далее [8].

  2. In-text reference with the coordinate start=17645
    Prefix
    Мультимемеевые алгоритмы Мультимемеевые алгоритмы (ММА) были впервые предложены для решения комбинаторных задач оптимизации [36]. Сегодня эти алгоритмы успешно используются для решения различных задач непрерывной оптимизации
    Exact
    [6, 37, 38]
    Suffix
    . Отличительной чертой данного класса методов является использование нескольких мемов в процессе поиска оптимума. Решение об использовании того или иного мема для конкретного индивида в популяции, зачастую, принимается динамически.

  3. In-text reference with the coordinate start=21384
    Prefix
    ; Рассмотрим эти виды взаимодействий. 4.1 Гиперэвристические ММА Теримин гиперэвристика (hyperheuristic) был введен при решении задач комбинаторной оптимизации для описания идеи слияния нескольких мемов, так что мем, применяемый на каждом шаге решения, может быть различным [36]. Идея использования мульти-мемов (multi-memes) и их адаптивного выбора была предложена группой исследователей
    Exact
    [6, 9]
    Suffix
    , которые активно использовали ее при решении комбинаторных задач. Однако выбор мемов в задачах непрерывной оптимизации также имеет большое значение. Выбор мемов происходит в зависимости от их характеристик и рассматриваемой в данный момент области решения.

7
9-778. DOI: 10.1007/3-540-45712-7_74 (Ser. Lecture Notes in Computer Science; vol. 2439.). 7. Ong Y.S., Keane A.J. Meta-Lamarckian learning in memetic algorithms // IEEE Transactions on Evolutionary Computation. 2004. Vol. 8, no. 2. P. 99-110. DOI: 10.1109/TEVC.2003.819944
Total in-text references: 2
  1. In-text reference with the coordinate start=4543
    Prefix
    Однако, как у всех ЭА, для эффективной работы МА необходимо проводить настройку свободных параметров, например, управлять процедурой выбора мемов, отвечающих специфике конкретной задачи. Как показали исследования
    Exact
    [5-7]
    Suffix
    , выбор мемов оказывает очень большое влияние на производительность МА. Концепция меметических алгоритмов предоставляет широкие возможности для разработки различных модификаций этих алгоритмов, которые могут отличаться частотой выполнения локального поиска, условиями его окончания и так далее [8].

  2. In-text reference with the coordinate start=26450
    Prefix
    При выборе подходящего мема такие гиперэвристики использует информацию, накопленную в процессе решения задачи об эффективности каждого из мемов роя на данном участке области поиска. В результате, для каждого из этих участков применяют специализированный мем, что, как правило, значительно повышает эффективность поиска. 4.2 Мета-обучение Ламарка Работа
    Exact
    [7]
    Suffix
    посвящена изучению мета-обучения Ламарка в непрерывных задачах оптимизации. Термин «мета-обучение Ламарка» (meta-Lamarckian learning) был введен для описания идеи адаптивного выбора нескольких мемов в процессе решения задачи оптимизации.

8
Ong Y.S. Artificial Intelligence Technologies in Complex Engineering Design: Ph.D. Thesis. School of Engineering Science, University of Southampton, United Kingdom, 2002.
Total in-text references: 1
  1. In-text reference with the coordinate start=4841
    Prefix
    Концепция меметических алгоритмов предоставляет широкие возможности для разработки различных модификаций этих алгоритмов, которые могут отличаться частотой выполнения локального поиска, условиями его окончания и так далее
    Exact
    [8]
    Suffix
    . Практически значимые модификации меметических алгоритмов предполагают одновременное использование различных мемов. Такие алгоритмы называют мультимемеевыми. В работе дана постановка задачи нелинейной глобальной безусловной оптимизации, описаны наиболее перспективные направления модификации МА, включая гибридизацию и мета-оптимизацию.

9
Krasnogor N. Studies on the Theory and Design Space of Memetic Algorithms: Ph.D. Thesis. Faculty of Computing, Mathematics and Engineering, University of the West of England, Bristol, U.K., 2002.
Total in-text references: 4
  1. In-text reference with the coordinate start=5967
    Prefix
    Заметим, что в вычислительной практике задачу глобальной условной оптимизации обычно сводят к задаче безусловной оптимизации, например, методом штрафных функций [1]. 2. Концепция меметических алгоритмов Первоначально меметические алгоритмы были предложены как один из способов повышения эффективности генетических алгоритмов
    Exact
    [9, 10]
    Suffix
    . Однако схема комбинации глобального и локального поиска, использованная в МА, может быть применена для построения поисковых алгоритмов также на основе других популяционных алгоритмов. Термин меметических алгоритмов был впервые предложен Маскато (P.

  2. In-text reference with the coordinate start=6824
    Prefix
    На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации [12-21]. В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие
    Exact
    [9, 10, 22]
    Suffix
    . Меметические алгоритмы дали начало принципиально новому подходу, так как они по своей сути не являются алгоритмами, но определяют целый класс методов. Долгое время было распространено мнение, что, в отличии от классических популяционных алгоритмов и других эволюционных методов, концепция меметических алгоритмов не обладает естественной природной аналогией.

  3. In-text reference with the coordinate start=21384
    Prefix
    ; Рассмотрим эти виды взаимодействий. 4.1 Гиперэвристические ММА Теримин гиперэвристика (hyperheuristic) был введен при решении задач комбинаторной оптимизации для описания идеи слияния нескольких мемов, так что мем, применяемый на каждом шаге решения, может быть различным [36]. Идея использования мульти-мемов (multi-memes) и их адаптивного выбора была предложена группой исследователей
    Exact
    [6, 9]
    Suffix
    , которые активно использовали ее при решении комбинаторных задач. Однако выбор мемов в задачах непрерывной оптимизации также имеет большое значение. Выбор мемов происходит в зависимости от их характеристик и рассматриваемой в данный момент области решения.

  4. In-text reference with the coordinate start=33560
    Prefix
    К стратегиям глобального уровня относятся методы прямого выбора, оценочного выбора, методы рулетки и смещенной рулетки, метод декомпонентного выбора и табупоиска. Эти стратегии при выборе мемов используют все знания об их прошлом. 4.6 Некоторые дополнительные аспекты проектирования ММА В работах
    Exact
    [9, 22, 28]
    Suffix
    рассмотрены некоторые дополнительные аспекты проектирования мультимемеевых алгоритмов. В частности, были проведены исследования влияния размера пула мемов на эффективность поиска, какие методы локального поиска следует включать в пул, влияет ли экспертное мнение по составу мемов на эффективность поиска.

10
Davis L., ed. Handbook of genetic algorithms. Van Nostrand Reinhold, New York, 1991. 385 p.
Total in-text references: 2
  1. In-text reference with the coordinate start=5967
    Prefix
    Заметим, что в вычислительной практике задачу глобальной условной оптимизации обычно сводят к задаче безусловной оптимизации, например, методом штрафных функций [1]. 2. Концепция меметических алгоритмов Первоначально меметические алгоритмы были предложены как один из способов повышения эффективности генетических алгоритмов
    Exact
    [9, 10]
    Suffix
    . Однако схема комбинации глобального и локального поиска, использованная в МА, может быть применена для построения поисковых алгоритмов также на основе других популяционных алгоритмов. Термин меметических алгоритмов был впервые предложен Маскато (P.

  2. In-text reference with the coordinate start=6824
    Prefix
    На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации [12-21]. В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие
    Exact
    [9, 10, 22]
    Suffix
    . Меметические алгоритмы дали начало принципиально новому подходу, так как они по своей сути не являются алгоритмами, но определяют целый класс методов. Долгое время было распространено мнение, что, в отличии от классических популяционных алгоритмов и других эволюционных методов, концепция меметических алгоритмов не обладает естественной природной аналогией.

11
Moscato P. On Evolution, Search, Optimization, Genetic Algorithms and Martial Arts: Towards Memetic Algorithms. Caltech Concurrent Computation Program 158-79, California Institute of Technology, Pasadena, California, USA. 1989. 67 p.
Total in-text references: 1
  1. In-text reference with the coordinate start=6243
    Prefix
    Однако схема комбинации глобального и локального поиска, использованная в МА, может быть применена для построения поисковых алгоритмов также на основе других популяционных алгоритмов. Термин меметических алгоритмов был впервые предложен Маскато (P. Moscato) в 1989 году
    Exact
    [11]
    Suffix
    для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска.

12
Zhu N., Ong Y.S., Wong K.W., Seow K.T. Using memetic algorithms for fuzzy modeling // Australian Journal of Intelligent Information Processing Systems. 2004. Vol. 8, no. 3. P. 147-154.
Total in-text references: 1
  1. In-text reference with the coordinate start=6633
    Prefix
    [11] для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска. На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации
    Exact
    [12-21]
    Suffix
    . В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие [9, 10, 22].

13
Burke E.K., Kendall G., Soubeiga E. A Tabu-Search Hyperheuristic for Timetabling and Rostering // Journal of Heuristics. 2003. Vol. 9, no. 6. P. 451-470. DOI: 10.1023/B:HEUR.0000012446.94732.b6
Total in-text references: 2
  1. In-text reference with the coordinate start=6633
    Prefix
    [11] для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска. На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации
    Exact
    [12-21]
    Suffix
    . В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие [9, 10, 22].

  2. In-text reference with the coordinate start=14643
    Prefix
    В частности, было предложено использовать несколько различных локальных методов в разных областях поиска, что позволяет избежать одних и тех же локальных оптимумов. Также для контроля разнообразия, в работе
    Exact
    [13]
    Suffix
    использованы нечеткие множества и системы. Наконец, возможна модификация оператора отбора или локального поиска с использованием адаптивного метода Больцмана [22], схожего по своей идеи с методом имитации отжига [1].

14
Bin Li, Zheng Zhou, Weixia Zou, Dejian Li. Quantum Memetic Evolutionary AlgorithmBased Low-Complexity Signal Detection for Underwater Acoustic Sensor Networks // IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews. 2012. Vol. 42, no. 5. P. 626-640. DOI: 10.1109/TSMCC.2011.2176486
Total in-text references: 2
  1. In-text reference with the coordinate start=6633
    Prefix
    [11] для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска. На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации
    Exact
    [12-21]
    Suffix
    . В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие [9, 10, 22].

  2. In-text reference with the coordinate start=25742
    Prefix
    Известна также стратегия выбора с запретами (tabu-search choice), в которой на основе функции выбора сначала рой мемов сужают до роя путем формирования в каждой точке принятия решения списка запрещенных мемов (tabu-list). Затем из роя выбирают мем по схеме стратегии декомпозиционного выбора
    Exact
    [14]
    Suffix
    . Гиперэвристики могут строиться также на основе идеи декомпозиции на подзадачи (sub-problem decomposition) [36]. Эта идея предполагает а) динамическое разбиение области решения на подобласти, а самой задачи оптимизации – на соответствующие подзадачи, б) выбор наиболее подходящего мема для каждой из этих подзадач.

15
Maolin Tang, Xin Yao. A Memetic Algorithm for VLSI Floorplanning // IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics. 2007. Vol. 37, no. 1. P. 62-69. DOI: 10.1109/TSMCB.2006.883268
Total in-text references: 1
  1. In-text reference with the coordinate start=6633
    Prefix
    [11] для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска. На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации
    Exact
    [12-21]
    Suffix
    . В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие [9, 10, 22].

16
Molina D., Lozano M., Herrera F. Memetic algorithm with local search chaining for continuous optimization problems: A scalability test. In ISDA // Proceedings of the 2009 Ninth International Conference on Intelligent Systems Design and Applications (ISDA’09). IEEE Publ., 2009. P. 1068-1073. DOI: 10.1109/ISDA.2009.143
Total in-text references: 1
  1. In-text reference with the coordinate start=6633
    Prefix
    [11] для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска. На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации
    Exact
    [12-21]
    Suffix
    . В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие [9, 10, 22].

17
Ang J.H., Tan K.S., Mamun A.A. An evolutionary memetic algorithm for rule extraction // Expert Systems with Applications. 2010. Vol. 37, is. 2. P. 1302-1315. DOI: 10.1016/j.eswa.2009.06.028
Total in-text references: 1
  1. In-text reference with the coordinate start=6633
    Prefix
    [11] для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска. На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации
    Exact
    [12-21]
    Suffix
    . В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие [9, 10, 22].

18
Bhowmik P., Rakshit P., Konar A., Nagar A.K., Kim E. DETDQL: an adaptive memetic algorithm // 2012 IEEE Congress on Evolutionary Computation (CEC). IEEE Publ., 2012. P. 1-8. DOI: 10.1109/CEC.2012.6256573
Total in-text references: 1
  1. In-text reference with the coordinate start=6633
    Prefix
    [11] для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска. На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации
    Exact
    [12-21]
    Suffix
    . В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие [9, 10, 22].

19
Qin K., Suganthan P.N. Self-adaptive differential evolution algorithm for numerical optimization // Proceedings of the 2005 IEEE Congress on Evolutionary Computation. Vol. 2. IEEE Publ., 2005. P. 1785-1791. DOI: 10.1109/CEC.2005.1554904
Total in-text references: 1
  1. In-text reference with the coordinate start=6633
    Prefix
    [11] для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска. На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации
    Exact
    [12-21]
    Suffix
    . В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие [9, 10, 22].

20
Knowles J., Corne D., Wu A. A comparison of diverse approaches to memetic multiobjective combinatorial optimization // Proceedings of the 2000 Genetic and Evolutionary Computation Conference. 1st Workshop Memetic Algorithms. San Francisco: Morgan Kaufmann Publishers, 2000. P.103-108.
Total in-text references: 1
  1. In-text reference with the coordinate start=6633
    Prefix
    [11] для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска. На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации
    Exact
    [12-21]
    Suffix
    . В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие [9, 10, 22].

21
Moscato P. Memetic algorithms for molecular conformation and other optimization problems // International Union of Crystallography, Newsletter of the Commission for Powder Diffraction. 1998. No. 20. P. 32-33.
Total in-text references: 1
  1. In-text reference with the coordinate start=6633
    Prefix
    [11] для обозначения класса стохастических методов глобального поиска, которые объединяют в себе сильные стороны методов локального поиска, «заточенных» под конкретные практические задачи, и популяционных методов глобального поиска. На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации
    Exact
    [12-21]
    Suffix
    . В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие [9, 10, 22].

22
Neri F., Cotta C., Moscato P. Handbook of Memetic Algorithms. Springer Berlin Heidelberg, 2011. 368 p. DOI: 10.1007/978-3-642-23247-3 (Ser. Studies in Computational Intelligence; vol. 379).
Total in-text references: 9
  1. In-text reference with the coordinate start=6824
    Prefix
    На сегодняшний день методы данного класса успешно используются для решения задач комбинаторной, непрерывной, динамической и многокритериальной оптимизации [12-21]. В конце 1980-х большинство исследований были направлены на разработку некоторого универсального алгоритма оптимизации, который бы превосходил по своим характеристикам уже существующие
    Exact
    [9, 10, 22]
    Suffix
    . Меметические алгоритмы дали начало принципиально новому подходу, так как они по своей сути не являются алгоритмами, но определяют целый класс методов. Долгое время было распространено мнение, что, в отличии от классических популяционных алгоритмов и других эволюционных методов, концепция меметических алгоритмов не обладает естественной природной аналогией.

  2. In-text reference with the coordinate start=7272
    Prefix
    Долгое время было распространено мнение, что, в отличии от классических популяционных алгоритмов и других эволюционных методов, концепция меметических алгоритмов не обладает естественной природной аналогией. Из-за этого практически 10 лет большинство исследователей относились к ним скептически
    Exact
    [22, 23]
    Suffix
    . На ранних стадиях развития эволюционных алгоритмов, эмпирические исследования говорили о том, что общие традиционные алгоритмы не могут соперничать с методами, «заточенными» под конкретные задачи.

  3. In-text reference with the coordinate start=8017
    Prefix
    Из этих исследований следует, что эволюционные алгоритмы следует модернизировать посредством гибридизации с «заточенными» под конкретную задачу методами локального поиска – как детерминированными, так и эвристическими. Дальнейшие теоретические работы показали, что идея эффективного алгоритма для решения так называемых black-box задач оптимизации является бесперспективной
    Exact
    [22, 27]
    Suffix
    . В результате, различные методы локального уточнения решений стали активно внедряться в эволюционные алгоритмы путем введения специальных операторов кроссовера и мутаций, различных представлений индивидов, сложных механизмов инициализации популяций и методов локальной оптимизации.

  4. In-text reference with the coordinate start=8635
    Prefix
    Несмотря на большое число различных модификаций МА, общей чертой всех алгоритмов является достижение баланса между глобальной и локальной стратегиями поиска. Существует несколько причин, по которым гибридизация эволюционных алгоритмов с методами локального поиска является перспективной
    Exact
    [22, 28, 29]
    Suffix
    .  Сложные задачи можно разбить на подзадачи, каждая из которых может решаться с различной эффективностью различными локальными методами.  Комбинации локальных методов и эволюционных алгоритмов позволяют реализовать баланс между диверсификацией и интенсификацией поиска.

  5. In-text reference with the coordinate start=14060
    Prefix
    Например, если операция инициализации является эвристической, то только небольшое число индивидов должно обладать дополнительной информацией о решаемой задаче. Другим вариантом является выполнение локального поиска не над всеми индивидами, а лишь над небольшим их числом. В работах
    Exact
    [22, 33-35]
    Suffix
    представлено несколько методов, позволяющих поддерживать разнообразие в популяции выше некоторого минимального уровня. Одним из таких способов является модификация операции отбора, которая позволяет сохранять несколько копий индивидов.

  6. In-text reference with the coordinate start=14806
    Prefix
    Также для контроля разнообразия, в работе [13] использованы нечеткие множества и системы. Наконец, возможна модификация оператора отбора или локального поиска с использованием адаптивного метода Больцмана
    Exact
    [22]
    Suffix
    , схожего по своей идеи с методом имитации отжига [1]. Еще один метод, предложенный в работе [33], позволяет включать в новое поколение менее успешных индивидов с некоторой ненулевой вероятностью.

  7. In-text reference with the coordinate start=29129
    Prefix
    Если оценки эффективности мемов родителей , одинаковы, то потомок получает один из этих мемов, выбранный случайным образом. 4.4 Динамическая диверсификация Данный класс методов использует показатель разнообразия популяции для активации тех или иных мемов. В работе
    Exact
    [22]
    Suffix
    мемы активируют в зависимости от значения параметра диверсификации в популяции или ее части. Некоторые мемы ориентированы на интенсификацию поиска в области предполагаемого оптимума, другие мемы, наоборот, более широко исследуют окрестность области поиска.

  8. In-text reference with the coordinate start=33560
    Prefix
    К стратегиям глобального уровня относятся методы прямого выбора, оценочного выбора, методы рулетки и смещенной рулетки, метод декомпонентного выбора и табупоиска. Эти стратегии при выборе мемов используют все знания об их прошлом. 4.6 Некоторые дополнительные аспекты проектирования ММА В работах
    Exact
    [9, 22, 28]
    Suffix
    рассмотрены некоторые дополнительные аспекты проектирования мультимемеевых алгоритмов. В частности, были проведены исследования влияния размера пула мемов на эффективность поиска, какие методы локального поиска следует включать в пул, влияет ли экспертное мнение по составу мемов на эффективность поиска.

  9. In-text reference with the coordinate start=34099
    Prefix
    Очевидно, что чем меньше число мемов, тем лучше для экономии вычислительных ресурсов, поскольку меньше ресурсов необходимо для исследования пространства поиска. Результаты вычислительных экспериментов, представленные в работе
    Exact
    [22]
    Suffix
    , показали, что пороговым значением является двадцать пять мемов в пуле. Наиболее оптимальные результаты были получены при использовании, в среднем, десяти мемов. При отсутствие какой-либо априорной информации о задаче, выбор эффективных мемов усложняется.

23
Moscato P., Corne D., Glover F., Dorigo M. Memetic algorithms: A short introduction // In book: New Ideas in Optimization. McGraw-Hill, 1999. P. 219-234.
Total in-text references: 1
  1. In-text reference with the coordinate start=7272
    Prefix
    Долгое время было распространено мнение, что, в отличии от классических популяционных алгоритмов и других эволюционных методов, концепция меметических алгоритмов не обладает естественной природной аналогией. Из-за этого практически 10 лет большинство исследователей относились к ним скептически
    Exact
    [22, 23]
    Suffix
    . На ранних стадиях развития эволюционных алгоритмов, эмпирические исследования говорили о том, что общие традиционные алгоритмы не могут соперничать с методами, «заточенными» под конкретные задачи.

25
Liang K., Yao X., Newton C. Lamarckian evolution in global optimization // Proc. of the
Total in-text references: 2
  1. In-text reference with the coordinate start=7641
    Prefix
    На ранних стадиях развития эволюционных алгоритмов, эмпирические исследования говорили о том, что общие традиционные алгоритмы не могут соперничать с методами, «заточенными» под конкретные задачи. Эти наблюдения соотносились с теоретическими исследованиями, посвященными использованию моделей эволюции Болдвина (Baldwin) и Ламарка (Lamarck) в контексте задач оптимизации
    Exact
    [25, 26]
    Suffix
    . Из этих исследований следует, что эволюционные алгоритмы следует модернизировать посредством гибридизации с «заточенными» под конкретную задачу методами локального поиска – как детерминированными, так и эвристическими.

  2. In-text reference with the coordinate start=12836
    Prefix
    Во втором варианте информация сохраняется, но значение фитнес-функции в этой точке меняется на улучшенное значение. Первая модель эволюции в МА была названа моделью Ламарка, вторая – моделью Болдвина. В некоторых работах было показано некоторое преимущества подхода Болдвина
    Exact
    [25, 26]
    Suffix
    , однако последние исследования демонстрируют, что наиболее эффективным являются либо использование только модели Ламарка, либо стохастическая комбинация двух указанных моделей. Безусловно, нельзя сказать, что какой-то из подходов лучше во всех случаях.

26
h Annual Conference of the IEEE Industrial Electronics Society (IECON 2000). Vol. 4. IEEE Publ., 2000. P. 2975-2980. DOI: 10.1109/IECON.2000.972471 26. Houck C., Joines J. Kay M. Utilizing Lamarckian Evolution and the Baldwin Effect in Hybrid Genetic Algorithms. NCSU-IE Technical Report 96-01. Meta-Heuristic Research and Applications Group, Department of Industrial Engineering, North Carolina State University, 1996. P. 96-101.
Total in-text references: 3
  1. In-text reference with the coordinate start=7641
    Prefix
    На ранних стадиях развития эволюционных алгоритмов, эмпирические исследования говорили о том, что общие традиционные алгоритмы не могут соперничать с методами, «заточенными» под конкретные задачи. Эти наблюдения соотносились с теоретическими исследованиями, посвященными использованию моделей эволюции Болдвина (Baldwin) и Ламарка (Lamarck) в контексте задач оптимизации
    Exact
    [25, 26]
    Suffix
    . Из этих исследований следует, что эволюционные алгоритмы следует модернизировать посредством гибридизации с «заточенными» под конкретную задачу методами локального поиска – как детерминированными, так и эвристическими.

  2. In-text reference with the coordinate start=12836
    Prefix
    Во втором варианте информация сохраняется, но значение фитнес-функции в этой точке меняется на улучшенное значение. Первая модель эволюции в МА была названа моделью Ламарка, вторая – моделью Болдвина. В некоторых работах было показано некоторое преимущества подхода Болдвина
    Exact
    [25, 26]
    Suffix
    , однако последние исследования демонстрируют, что наиболее эффективным являются либо использование только модели Ламарка, либо стохастическая комбинация двух указанных моделей. Безусловно, нельзя сказать, что какой-то из подходов лучше во всех случаях.

  3. In-text reference with the coordinate start=13370
    Prefix
    Модель Ламарка позволяет, зачастую, ускорить процесс эволюции, что в ряде случаев приводит к преждевременной сходимости. Модель Болдвина менее опасна с точки зрения преждевременной сходимости, однако сама эволюция существенно замедляется
    Exact
    [26]
    Suffix
    . 3.2 Механизмы сохранения диверсификации в популяции При использовании слишком агрессивных локальных методов может возникнуть ряд проблем, основной из которых является потеря разнообразия в популяции.

27
Wolpert D., Macready W. No free lunch theorems for optimization // IEEE Transactions on Evolutionary Computation. 1997. Vol. 1, no. 1. P. 67-82. DOI: 10.1109/4235.585893
Total in-text references: 1
  1. In-text reference with the coordinate start=8017
    Prefix
    Из этих исследований следует, что эволюционные алгоритмы следует модернизировать посредством гибридизации с «заточенными» под конкретную задачу методами локального поиска – как детерминированными, так и эвристическими. Дальнейшие теоретические работы показали, что идея эффективного алгоритма для решения так называемых black-box задач оптимизации является бесперспективной
    Exact
    [22, 27]
    Suffix
    . В результате, различные методы локального уточнения решений стали активно внедряться в эволюционные алгоритмы путем введения специальных операторов кроссовера и мутаций, различных представлений индивидов, сложных механизмов инициализации популяций и методов локальной оптимизации.

28
Krasnogor N., Smith J. A tutorial for competent memetic algorithms: model, taxonomy, and design issues // IEEE Transactions on Evolutionary Computation. 2005. Vol. 9, is. 5. P. 474488. DOI: 10.1109/TEVC.2005.850260
Total in-text references: 2
  1. In-text reference with the coordinate start=8635
    Prefix
    Несмотря на большое число различных модификаций МА, общей чертой всех алгоритмов является достижение баланса между глобальной и локальной стратегиями поиска. Существует несколько причин, по которым гибридизация эволюционных алгоритмов с методами локального поиска является перспективной
    Exact
    [22, 28, 29]
    Suffix
    .  Сложные задачи можно разбить на подзадачи, каждая из которых может решаться с различной эффективностью различными локальными методами.  Комбинации локальных методов и эволюционных алгоритмов позволяют реализовать баланс между диверсификацией и интенсификацией поиска.

  2. In-text reference with the coordinate start=33560
    Prefix
    К стратегиям глобального уровня относятся методы прямого выбора, оценочного выбора, методы рулетки и смещенной рулетки, метод декомпонентного выбора и табупоиска. Эти стратегии при выборе мемов используют все знания об их прошлом. 4.6 Некоторые дополнительные аспекты проектирования ММА В работах
    Exact
    [9, 22, 28]
    Suffix
    рассмотрены некоторые дополнительные аспекты проектирования мультимемеевых алгоритмов. В частности, были проведены исследования влияния размера пула мемов на эффективность поиска, какие методы локального поиска следует включать в пул, влияет ли экспертное мнение по составу мемов на эффективность поиска.

29
Yi Mei, Ke Tang, Xin Yao. Decomposition-Based Memetic Algorithm for Multiobjective Capacitated Arc Routing Problem // IEEE Transactions on Evolutionary Computation. 2011. Vol. 15, is. 2. P. 151-165. DOI: 10.1109/TEVC.2010.2051446
Total in-text references: 1
  1. In-text reference with the coordinate start=8635
    Prefix
    Несмотря на большое число различных модификаций МА, общей чертой всех алгоритмов является достижение баланса между глобальной и локальной стратегиями поиска. Существует несколько причин, по которым гибридизация эволюционных алгоритмов с методами локального поиска является перспективной
    Exact
    [22, 28, 29]
    Suffix
    .  Сложные задачи можно разбить на подзадачи, каждая из которых может решаться с различной эффективностью различными локальными методами.  Комбинации локальных методов и эволюционных алгоритмов позволяют реализовать баланс между диверсификацией и интенсификацией поиска.

30
Miller J.A., Potter W.D., Gandham R.V., Lapena C.N. An evaluation of local improvement operators for genetic algorithms // IEEE Transactions on Systems, Man and Cybernetics. 1993. Vol. 23, is. 5. P. 1340-1351. DOI: 10.1109/21.260665
Total in-text references: 1
  1. In-text reference with the coordinate start=11783
    Prefix
    Операции локального поиска могут применяться на любых промежуточных стадиях. Эмпирические исследования показывают, что чем больше информации о задаче заложено в алгоритм, тем эффективнее он функционирует
    Exact
    [30-32]
    Suffix
    . Наиболее популярной формой гибридизации является применение локального поиска на основе некоторого вероятностного параметра к различным индивидам. В процессе разработки меметического алгоритма исследователям необходимо ответить на несколько основных вопросов: какую модель эволюции в контексте МА использовать – Ламарка или Болдвина; выбрать механизм сохранения разнообразия индивидов в популяци

31
Ishibuchi H., Yoshida T., Murata T. Balance between genetic search and local search in memetic algorithms for multiobjective permutation flowshop scheduling // IEEE Transactions on Evolutionary Computation. 2003. Vol. 7, is. 2. P. 204-223. DOI: 10.1109/TEVC.2003.810752
Total in-text references: 1
  1. In-text reference with the coordinate start=11783
    Prefix
    Операции локального поиска могут применяться на любых промежуточных стадиях. Эмпирические исследования показывают, что чем больше информации о задаче заложено в алгоритм, тем эффективнее он функционирует
    Exact
    [30-32]
    Suffix
    . Наиболее популярной формой гибридизации является применение локального поиска на основе некоторого вероятностного параметра к различным индивидам. В процессе разработки меметического алгоритма исследователям необходимо ответить на несколько основных вопросов: какую модель эволюции в контексте МА использовать – Ламарка или Болдвина; выбрать механизм сохранения разнообразия индивидов в популяци

32
Bambha N.K., Bhattacharyya S.S., Teich J., Zitzler E. Systematic integration of parameterized local search into evolutionary algorithms // IEEE Transactions on Evolutionary Computation. 2004. Vol. 8, is. 2. P. 137-154. DOI: 10.1109/TEVC.2004.823471
Total in-text references: 1
  1. In-text reference with the coordinate start=11783
    Prefix
    Операции локального поиска могут применяться на любых промежуточных стадиях. Эмпирические исследования показывают, что чем больше информации о задаче заложено в алгоритм, тем эффективнее он функционирует
    Exact
    [30-32]
    Suffix
    . Наиболее популярной формой гибридизации является применение локального поиска на основе некоторого вероятностного параметра к различным индивидам. В процессе разработки меметического алгоритма исследователям необходимо ответить на несколько основных вопросов: какую модель эволюции в контексте МА использовать – Ламарка или Болдвина; выбрать механизм сохранения разнообразия индивидов в популяци

33
Tang J., Lim M.H., Ong Y.S. Diversity-Adaptive Parallel Memetic Algorithm for Solving Large Scale Combinatorial Optimization Problems // Soft Computing: A Fusion of Foundations, Methodologies and Applications. 2007. Vol. 11, is. 9. P. 873-888. DOI: 10.1007/s00500-006-0139-6
Total in-text references: 3
  1. In-text reference with the coordinate start=14060
    Prefix
    Например, если операция инициализации является эвристической, то только небольшое число индивидов должно обладать дополнительной информацией о решаемой задаче. Другим вариантом является выполнение локального поиска не над всеми индивидами, а лишь над небольшим их числом. В работах
    Exact
    [22, 33-35]
    Suffix
    представлено несколько методов, позволяющих поддерживать разнообразие в популяции выше некоторого минимального уровня. Одним из таких способов является модификация операции отбора, которая позволяет сохранять несколько копий индивидов.

  2. In-text reference with the coordinate start=14903
    Prefix
    Наконец, возможна модификация оператора отбора или локального поиска с использованием адаптивного метода Больцмана [22], схожего по своей идеи с методом имитации отжига [1]. Еще один метод, предложенный в работе
    Exact
    [33]
    Suffix
    , позволяет включать в новое поколение менее успешных индивидов с некоторой ненулевой вероятностью. Причем эта вероятность возрастает экспоненциально с уменьшением разнообразия в популяции: Здесь – коэффициент нормализации; ; min,ffavg - среднее и минимальное достигнутые значения целевой функции соответственно.

  3. In-text reference with the coordinate start=29407
    Prefix
    В работе [22] мемы активируют в зависимости от значения параметра диверсификации в популяции или ее части. Некоторые мемы ориентированы на интенсификацию поиска в области предполагаемого оптимума, другие мемы, наоборот, более широко исследуют окрестность области поиска. В работе
    Exact
    [33]
    Suffix
    в качестве мема использовался метод Монте-Карло. При высоком значении параметра метод использовался как алгоритм локального поиска, при малом значении метода менял значения своих свободных параметров и играл роль метода глобальной оптимизации, повышая разнообразие индивидов в популяции. 4.5 Классификация ММА по типу и уровню адаптации В данном разделе приведена классификация ММА по

34
Merz P., Freisleben B. et al. Fitness landscapes and memetic algorithm design // In book: New Ideas in Optimization / ed. by D. Corne et al. New York: McGraw-Hill, 1999. P. 245260.
Total in-text references: 1
  1. In-text reference with the coordinate start=14060
    Prefix
    Например, если операция инициализации является эвристической, то только небольшое число индивидов должно обладать дополнительной информацией о решаемой задаче. Другим вариантом является выполнение локального поиска не над всеми индивидами, а лишь над небольшим их числом. В работах
    Exact
    [22, 33-35]
    Suffix
    представлено несколько методов, позволяющих поддерживать разнообразие в популяции выше некоторого минимального уровня. Одним из таких способов является модификация операции отбора, которая позволяет сохранять несколько копий индивидов.

35
Ong Y.S., Keane A.J. A domain knowledge based search advisor for design problem solving environments // Engineering Applications of Artificial Intelligence. 2002. Vol. 15, no. 1. P. 105-116. DOI: 10.1016/S0952-1976(02)00016-7
Total in-text references: 2
  1. In-text reference with the coordinate start=14060
    Prefix
    Например, если операция инициализации является эвристической, то только небольшое число индивидов должно обладать дополнительной информацией о решаемой задаче. Другим вариантом является выполнение локального поиска не над всеми индивидами, а лишь над небольшим их числом. В работах
    Exact
    [22, 33-35]
    Suffix
    представлено несколько методов, позволяющих поддерживать разнообразие в популяции выше некоторого минимального уровня. Одним из таких способов является модификация операции отбора, которая позволяет сохранять несколько копий индивидов.

  2. In-text reference with the coordinate start=18592
    Prefix
    Данная задача относится к классу задач мета-оптимизации [1]. Выбор мемов может происходить в зависимости от значений их некоторых характеристик и/или исследуемого в данный момент фрагмента области поиска [36]. Из результатов исследований
    Exact
    [35, 39, 40]
    Suffix
    следует, что если алгоритм не получает какой-либо априорной информации о решаемой задаче, то МА может показать результат не только не лучше, но и даже хуже, чем обычные ЭА. Поскольку существует относительно немного теоретических исследований, посвященных тому, какую конфигурацию МА рекомендуется использовать для решения black-box задач оптимизации, многие исследователи склоняются именно к адапт

36
Ong Y.S., Lim M.H., Zhu N., Wong K.W. Classification of adaptive memetic algorithms: A comparative study // IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics. 2006. Vol. 36, is. 1. P. 141-152. DOI: 10.1109/TSMCB.2005.856143
Total in-text references: 7
  1. In-text reference with the coordinate start=17545
    Prefix
    Для преодоления указанного недостатка были предложены, так называемые, мультимемеевые (multi-memes) адаптивные алгоритмы [5]. 4. Мультимемеевые алгоритмы Мультимемеевые алгоритмы (ММА) были впервые предложены для решения комбинаторных задач оптимизации
    Exact
    [36]
    Suffix
    . Сегодня эти алгоритмы успешно используются для решения различных задач непрерывной оптимизации [6, 37, 38]. Отличительной чертой данного класса методов является использование нескольких мемов в процессе поиска оптимума.

  2. In-text reference with the coordinate start=18514
    Prefix
    Данная задача относится к классу задач мета-оптимизации [1]. Выбор мемов может происходить в зависимости от значений их некоторых характеристик и/или исследуемого в данный момент фрагмента области поиска
    Exact
    [36]
    Suffix
    . Из результатов исследований [35, 39, 40] следует, что если алгоритм не получает какой-либо априорной информации о решаемой задаче, то МА может показать результат не только не лучше, но и даже хуже, чем обычные ЭА.

  3. In-text reference with the coordinate start=20808
    Prefix
    В качестве используемой для принятия решения метрики можно выбрать эффективность, с которой мем производит локальные улучшения. После локальных улучшений алгоритм продолжает работу по схеме используемого популяционного метода. На сегодняшний день выделяют четыре вида взаимодействия мемов внутри ММА
    Exact
    [36]
    Suffix
    :  взаимодействие на основе гиперэвристик;  мета-обучение Ламарка;  самоадаптирующиеся стратегии;  стратегии динамической диверсификации популяций; Рассмотрим эти виды взаимодействий. 4.1 Гиперэвристические ММА Теримин гиперэвристика (hyperheuristic) был введен при решении задач комбинаторной оптимизации для описания идеи слияния нескольких мемов, так что мем, применяемый на каждом шаге

  4. In-text reference with the coordinate start=21267
    Prefix
    ;  мета-обучение Ламарка;  самоадаптирующиеся стратегии;  стратегии динамической диверсификации популяций; Рассмотрим эти виды взаимодействий. 4.1 Гиперэвристические ММА Теримин гиперэвристика (hyperheuristic) был введен при решении задач комбинаторной оптимизации для описания идеи слияния нескольких мемов, так что мем, применяемый на каждом шаге решения, может быть различным
    Exact
    [36]
    Suffix
    . Идея использования мульти-мемов (multi-memes) и их адаптивного выбора была предложена группой исследователей [6, 9], которые активно использовали ее при решении комбинаторных задач. Однако выбор мемов в задачах непрерывной оптимизации также имеет большое значение.

  5. In-text reference with the coordinate start=25895
    Prefix
    запретами (tabu-search choice), в которой на основе функции выбора сначала рой мемов сужают до роя путем формирования в каждой точке принятия решения списка запрещенных мемов (tabu-list). Затем из роя выбирают мем по схеме стратегии декомпозиционного выбора [14]. Гиперэвристики могут строиться также на основе идеи декомпозиции на подзадачи (sub-problem decomposition)
    Exact
    [36]
    Suffix
    . Эта идея предполагает а) динамическое разбиение области решения на подобласти, а самой задачи оптимизации – на соответствующие подзадачи, б) выбор наиболее подходящего мема для каждой из этих подзадач.

  6. In-text reference with the coordinate start=27072
    Prefix
    В данном методе не используют адаптацию параметров, поэтому все доступные мемы являются равноправными кандидатами для осуществления локального уточнения решения в процессе работы алгоритма. Существует две адаптивные стратегии
    Exact
    [36]
    Suffix
    . Метод декомпозиции на подзадачи (subproblem decomposition) основан на идее динамического разбиения сложной задачи на подзадачи и выбора наиболее подходящего мема для каждой подзадачи. При выборе подходящего мема стратегия пользуется накопленными знаниями о способностях мемов уточнять решения на конкретном участке пространства поиска.

  7. In-text reference with the coordinate start=30157
    Prefix
    В частности, внимание уделяется тому, используется или нет обратная связь в механизме адаптации, если используется, то как. Выделяют три категории: статическая адаптация (static), динамическая адаптация (adaptive) и самоадаптация (self-adaptive)
    Exact
    [36]
    Suffix
    . Тип адаптации Уровень адаптации Внешний Локальный Глобальный Статическая Простое метаобучение Ламарка / простой случайный выбор Динамическая Качественная Случайный спуск / спуск по случайной перестановке Табу-поиск Количественная Декомпозиция на подпроблемы / жадные методы Прямой выбор / оценочный выбор / рулетка / декомпонентый выбор / утяжеленная рулетка / динамическая

37
Hart W., Krasnogor N., Smith J. Recent Advances in Memetic Algorithms. Springer Berlin Heidelberg, 2004. 410 p. DOI: 10.1007/3-540-32363-5
Total in-text references: 1
  1. In-text reference with the coordinate start=17645
    Prefix
    Мультимемеевые алгоритмы Мультимемеевые алгоритмы (ММА) были впервые предложены для решения комбинаторных задач оптимизации [36]. Сегодня эти алгоритмы успешно используются для решения различных задач непрерывной оптимизации
    Exact
    [6, 37, 38]
    Suffix
    . Отличительной чертой данного класса методов является использование нескольких мемов в процессе поиска оптимума. Решение об использовании того или иного мема для конкретного индивида в популяции, зачастую, принимается динамически.

38
Smith J., Hart W., Krasnogor N. Editorial Introduction Special Issue on Memetic Algorithms // Evolutionary Computation. 2004. Vol. 12, no. 3. P. 273-353. DOI: 10.1162/1063656041775009
Total in-text references: 1
  1. In-text reference with the coordinate start=17645
    Prefix
    Мультимемеевые алгоритмы Мультимемеевые алгоритмы (ММА) были впервые предложены для решения комбинаторных задач оптимизации [36]. Сегодня эти алгоритмы успешно используются для решения различных задач непрерывной оптимизации
    Exact
    [6, 37, 38]
    Suffix
    . Отличительной чертой данного класса методов является использование нескольких мемов в процессе поиска оптимума. Решение об использовании того или иного мема для конкретного индивида в популяции, зачастую, принимается динамически.

39
Hart W.E. Adaptive Global Optimization with Local Search: PhD Thesis. University of California, San Diego, 1994. 135 p.
Total in-text references: 1
  1. In-text reference with the coordinate start=18592
    Prefix
    Данная задача относится к классу задач мета-оптимизации [1]. Выбор мемов может происходить в зависимости от значений их некоторых характеристик и/или исследуемого в данный момент фрагмента области поиска [36]. Из результатов исследований
    Exact
    [35, 39, 40]
    Suffix
    следует, что если алгоритм не получает какой-либо априорной информации о решаемой задаче, то МА может показать результат не только не лучше, но и даже хуже, чем обычные ЭА. Поскольку существует относительно немного теоретических исследований, посвященных тому, какую конфигурацию МА рекомендуется использовать для решения black-box задач оптимизации, многие исследователи склоняются именно к адапт

40
Hinterding R., Michalewicz Z., Eiben A.E. Adaptation in Evolutionary Computation: A Survey // IEEE International Conference on Evolutionary Computation. IEEE Press, 1997. P. 65-69. DOI: 10.1109/ICEC.1997.592270
Total in-text references: 1
  1. In-text reference with the coordinate start=18592
    Prefix
    Данная задача относится к классу задач мета-оптимизации [1]. Выбор мемов может происходить в зависимости от значений их некоторых характеристик и/или исследуемого в данный момент фрагмента области поиска [36]. Из результатов исследований
    Exact
    [35, 39, 40]
    Suffix
    следует, что если алгоритм не получает какой-либо априорной информации о решаемой задаче, то МА может показать результат не только не лучше, но и даже хуже, чем обычные ЭА. Поскольку существует относительно немного теоретических исследований, посвященных тому, какую конфигурацию МА рекомендуется использовать для решения black-box задач оптимизации, многие исследователи склоняются именно к адапт

41
Gutin G., Karapetyan D. A selection of useful theoretical tools for the design and analysis of optimization heuristics // Memetic Computing. 2009. Vol. 1, no. 1. P. 25-34. DOI: 10.1007/s12293-008-0001-8
Total in-text references: 1
  1. In-text reference with the coordinate start=21658
    Prefix
    Однако выбор мемов в задачах непрерывной оптимизации также имеет большое значение. Выбор мемов происходит в зависимости от их характеристик и рассматриваемой в данный момент области решения. В работах
    Exact
    [41-43]
    Suffix
    были предложены три категории гиперэвристик: случайная (random); жадная (greedy); с функцией выбора (choice-function). В первой категории гиперэвристик самым простым является метод простого случайного выбора (simple random choice), когда в каждой точке принятия решения мем выбирают случайным образом из роя мемов и вероятность выбора каждого из мемов не меняется в процессе итераций.

42
Kendall G., Cowling P., Soubeiga E. Choice function and random hyperheuristics // Proc. of the 4th Asia-Pacific Conference on Simulated Evolution and Learning (SEAL 2002), Singapore, Nov. 2002. P. 667-671.
Total in-text references: 1
  1. In-text reference with the coordinate start=21658
    Prefix
    Однако выбор мемов в задачах непрерывной оптимизации также имеет большое значение. Выбор мемов происходит в зависимости от их характеристик и рассматриваемой в данный момент области решения. В работах
    Exact
    [41-43]
    Suffix
    были предложены три категории гиперэвристик: случайная (random); жадная (greedy); с функцией выбора (choice-function). В первой категории гиперэвристик самым простым является метод простого случайного выбора (simple random choice), когда в каждой точке принятия решения мем выбирают случайным образом из роя мемов и вероятность выбора каждого из мемов не меняется в процессе итераций.

43
Smith J. Co-evolving Memetic Algorithms: Initial Investigations // In book: Parallel Problem Solving from Nature – PPSN VII / ed. by J.J.M. Guervos et al. Springer Berlin Heidelberg, 2002. P. 537-546. DOI: 10.1007/3-540-45712-7_52 (Ser. Lecture Notes in Computer Science; vol. 2439.).
Total in-text references: 1
  1. In-text reference with the coordinate start=21658
    Prefix
    Однако выбор мемов в задачах непрерывной оптимизации также имеет большое значение. Выбор мемов происходит в зависимости от их характеристик и рассматриваемой в данный момент области решения. В работах
    Exact
    [41-43]
    Suffix
    были предложены три категории гиперэвристик: случайная (random); жадная (greedy); с функцией выбора (choice-function). В первой категории гиперэвристик самым простым является метод простого случайного выбора (simple random choice), когда в каждой точке принятия решения мем выбирают случайным образом из роя мемов и вероятность выбора каждого из мемов не меняется в процессе итераций.

44
Qin K., Suganthan P.N. Self-adaptive differential evolution algorithm for numerical optimization // Proceedings of the 2005 IEEE Congress on Evolutionary Computation. Vol. 2. IEEE Publ., 2005. P. 1785-1791. DOI: 10.1109/CEC.2005.1554904
Total in-text references: 1
  1. In-text reference with the coordinate start=27759
    Prefix
    С другой стороны, существует стратегия утяжеленной рулетки (biased roulette wheel) близкая к методу рулетки, описанному в предыдущем пункте, и отличающаяся от последнего используемой функцией выбора. 4.3 Самоадаптирующиеся ММА В работах
    Exact
    [44-47]
    Suffix
    были предложены самоадаптирующиеся ММА. Данный класс методов представляет собой меметическую модификацию генетического алгоритма. Каждый агент , популяции в этом случае кодируют мультихромосомой , первая часть которой представляет собой соответствующее решение задачи, а вторая часть – мем, с помощью которого получено данное решении.

45
Smith J.E. Coevolving Memetic Algorithms: A Review and Progress Report // IEEE Transactions on Systems, Man, and Cybernetics, Part B. 2007. Vol. 37, is. 1. P. 6-17. DOI: 10.1109/TSMCB.2006.883273
Total in-text references: 1
  1. In-text reference with the coordinate start=27759
    Prefix
    С другой стороны, существует стратегия утяжеленной рулетки (biased roulette wheel) близкая к методу рулетки, описанному в предыдущем пункте, и отличающаяся от последнего используемой функцией выбора. 4.3 Самоадаптирующиеся ММА В работах
    Exact
    [44-47]
    Suffix
    были предложены самоадаптирующиеся ММА. Данный класс методов представляет собой меметическую модификацию генетического алгоритма. Каждый агент , популяции в этом случае кодируют мультихромосомой , первая часть которой представляет собой соответствующее решение задачи, а вторая часть – мем, с помощью которого получено данное решении.

46
Smith J.E. Estimating meme fitness in adaptive memetic algorithms for combinatorial problems // Evolutionary Computation. 2012. Vol. 20, is. 2. P. 165-188. DOI: 10.1162/EVCO_a_00060
Total in-text references: 1
  1. In-text reference with the coordinate start=27759
    Prefix
    С другой стороны, существует стратегия утяжеленной рулетки (biased roulette wheel) близкая к методу рулетки, описанному в предыдущем пункте, и отличающаяся от последнего используемой функцией выбора. 4.3 Самоадаптирующиеся ММА В работах
    Exact
    [44-47]
    Suffix
    были предложены самоадаптирующиеся ММА. Данный класс методов представляет собой меметическую модификацию генетического алгоритма. Каждый агент , популяции в этом случае кодируют мультихромосомой , первая часть которой представляет собой соответствующее решение задачи, а вторая часть – мем, с помощью которого получено данное решении.

47
Krasnogor N., Gustafson S. A study on the use of self-generation in memetic algorithms // Natural Computing. 2004. Vol. 3, is. 1. P. 53-76. DOI: 10.1023/B:NACO.0000023419.83147.67
Total in-text references: 1
  1. In-text reference with the coordinate start=27759
    Prefix
    С другой стороны, существует стратегия утяжеленной рулетки (biased roulette wheel) близкая к методу рулетки, описанному в предыдущем пункте, и отличающаяся от последнего используемой функцией выбора. 4.3 Самоадаптирующиеся ММА В работах
    Exact
    [44-47]
    Suffix
    были предложены самоадаптирующиеся ММА. Данный класс методов представляет собой меметическую модификацию генетического алгоритма. Каждый агент , популяции в этом случае кодируют мультихромосомой , первая часть которой представляет собой соответствующее решение задачи, а вторая часть – мем, с помощью которого получено данное решении.

48
Smith J.E. Co-evolving memetic algorithms: A learning approach to robust scalable optimization // The 2003 Congress on Evolutionary Computation (CEC’03). Vol. 1. IEEE Press, 2003. P. 498-505. DOI: 10.1109/CEC.2003.1299617
Total in-text references: 1
  1. In-text reference with the coordinate start=28470
    Prefix
    Таким образом, данные алгоритмы реализуют метод самоадаптивного управления. Мутация мемеевой части мультихромосомы состоит в случайной замене по тому или иному правилу мема новым мемом из роя . В работах
    Exact
    [48, 49]
    Suffix
    описан простой механизм вертикального наследования, аналогичный таковому в классических генетических алгоритмах. Скрещивание мемеевых частей хромосом , , производят по следующей схеме.

49
Krasnogor N. Coevolution of genes and memes in memetic algorithms // Proceedings of the 1999 Genetic and Evolutionary Computation Conference Workshop Program / ed. by A. Wu. 1999. P. 371.
Total in-text references: 1
  1. In-text reference with the coordinate start=28470
    Prefix
    Таким образом, данные алгоритмы реализуют метод самоадаптивного управления. Мутация мемеевой части мультихромосомы состоит в случайной замене по тому или иному правилу мема новым мемом из роя . В работах
    Exact
    [48, 49]
    Suffix
    описан простой механизм вертикального наследования, аналогичный таковому в классических генетических алгоритмах. Скрещивание мемеевых частей хромосом , , производят по следующей схеме.

50
Meuth R., Lim M.H., Ong Y.S., Wunsch II D.C. A proposition on memes and meta-memes in computing for higher-order learning // Memetic Computing. 2009. Vol. 1, is. 2. P. 85-100. DOI: 10.1007/s12293-009-0011-1
Total in-text references: 1
  1. In-text reference with the coordinate start=34676
    Prefix
    Для включения экспертных знаний в пул мемов можно повышать вероятность выбора того или иного мема, если известно, что он с высокой вероятностью эффективно отработает на данной задаче. 5. Классификация меметических алгоритмов В работе
    Exact
    [50]
    Suffix
    представлена классификация МА, которая предполагает их разделение на три поколения. Первое поколение этих алгоритмов относится к классу гибридных алгоритмов, сочетающих некоторый популяционный алгоритм глобального поиска с некоторым методом локального уточнения решения.

51
Cao Y.J., Wu Q.H. Convergence analysis of adaptive genetic algorithm // Second International Conference on Genetic Algorithms in Engineering Systems: Innovations and Applications (GALESIA 97). (Conf. Publ. No. 446). IEEE Publ., 1997. P. 85-89. DOI: 10.1049/cp:19971160
Total in-text references: 1
  1. In-text reference with the coordinate start=37418
    Prefix
    Данный подход представляет собой «обучение» более высокого порядка, чем простой локальный поиск. МА четвертого поколения на сегодняшний день не существуют. Заключение Несмотря на успешные результаты применения различных меметических алгоритмов в большом числе практических исследований
    Exact
    [51-55]
    Suffix
    , существует большое число направлений для их модификации и изучения. Выделим наиболее многообещающие области для будущих исследований.  Более подробное изучение методов адаптации локального уровня, а также методов самоадаптации, поскольку из результатов эксперимента нельзя судить об однозначном преимуществе методов глобального уровня адапатции.

52
Knowles J., Corne D. M-PAES: A memetic algorithm for multiobjective optimization // Proceedings of the 2000 Congress on Evolutionary Computation (CEC2000). Vol. 1. IEEE Publ., 2000. P. 325-332. DOI: 10.1109/CEC.2000.870313
Total in-text references: 1
  1. In-text reference with the coordinate start=37418
    Prefix
    Данный подход представляет собой «обучение» более высокого порядка, чем простой локальный поиск. МА четвертого поколения на сегодняшний день не существуют. Заключение Несмотря на успешные результаты применения различных меметических алгоритмов в большом числе практических исследований
    Exact
    [51-55]
    Suffix
    , существует большое число направлений для их модификации и изучения. Выделим наиболее многообещающие области для будущих исследований.  Более подробное изучение методов адаптации локального уровня, а также методов самоадаптации, поскольку из результатов эксперимента нельзя судить об однозначном преимуществе методов глобального уровня адапатции.

53
Krasnogor N., Mocciola P., Pelta D., Ruiz G., Russo W. A runnable functional memetic algorithm framework // Proceedings of the Argentinian Congress on Computer Sciences. Universidad Nacional del Comahue, 1998. P. 525-536.
Total in-text references: 1
  1. In-text reference with the coordinate start=37418
    Prefix
    Данный подход представляет собой «обучение» более высокого порядка, чем простой локальный поиск. МА четвертого поколения на сегодняшний день не существуют. Заключение Несмотря на успешные результаты применения различных меметических алгоритмов в большом числе практических исследований
    Exact
    [51-55]
    Suffix
    , существует большое число направлений для их модификации и изучения. Выделим наиболее многообещающие области для будущих исследований.  Более подробное изучение методов адаптации локального уровня, а также методов самоадаптации, поскольку из результатов эксперимента нельзя судить об однозначном преимуществе методов глобального уровня адапатции.

54
Tang J., Lim M.H., Ong Y.S. Parallel Memetic Algorithm with Selective Local Search for Large Scale Quadratic Assignment // International Journal of Innovative Computing, Information and Control. 2006. Vol. 2, no. 6. P. 1399-1416.
Total in-text references: 1
  1. In-text reference with the coordinate start=37418
    Prefix
    Данный подход представляет собой «обучение» более высокого порядка, чем простой локальный поиск. МА четвертого поколения на сегодняшний день не существуют. Заключение Несмотря на успешные результаты применения различных меметических алгоритмов в большом числе практических исследований
    Exact
    [51-55]
    Suffix
    , существует большое число направлений для их модификации и изучения. Выделим наиболее многообещающие области для будущих исследований.  Более подробное изучение методов адаптации локального уровня, а также методов самоадаптации, поскольку из результатов эксперимента нельзя судить об однозначном преимуществе методов глобального уровня адапатции.

55
Hart W., Krasnogor N., Smith J.E. Memetic Evolutionary Algorithms // In book: Recent Advances in Memetic Algorithms. Springer Berlin Heidelberg, 2005. P. 3-27. DOI: 10.1007/3-540-32363-5_1 (Ser. Studies in Fuzziness and Soft Computing; vol. 166.).
Total in-text references: 1
  1. In-text reference with the coordinate start=37418
    Prefix
    Данный подход представляет собой «обучение» более высокого порядка, чем простой локальный поиск. МА четвертого поколения на сегодняшний день не существуют. Заключение Несмотря на успешные результаты применения различных меметических алгоритмов в большом числе практических исследований
    Exact
    [51-55]
    Suffix
    , существует большое число направлений для их модификации и изучения. Выделим наиболее многообещающие области для будущих исследований.  Более подробное изучение методов адаптации локального уровня, а также методов самоадаптации, поскольку из результатов эксперимента нельзя судить об однозначном преимуществе методов глобального уровня адапатции.