Проблема оптимального принятия решения во множестве прикладных областей сводится к задачам дискретной оптимизации, для решения которых широко применяются эволюционные алгоритмы. Несмотря на их эффективность, эти алгоритмы требуют точной настройки параметров под конкретную задачу и, как правило, исследуются изолированно, без учета возможностей взаимной работы и динамического переключения. При этом существующие работы ограничивались сравнительно небольшими размерностями, что не позволило оценить масштабируемость алгоритмов в реальных крупных задачах (до нескольких тысяч переменных). В связи с этим, данная статья направлена на уточнение перечня эффективных конфигураций эволюционных алгоритмов в целях оптимизации работы разрабатываемой интеллектуальной системы переключения алгоритмов. В работе проведен сравнительный анализ конфигураций четырех классов эволюционных алгоритмов: генетического, муравьиного, пчелиного и имитации отжига. Эксперименты выполнялись на тестовых задачах большой размерности (до 20000 точек). Основными методами исследования стали метод сравнения и группировки результатов, а также анализ серий вычислительных экспериментов для оценки масштабируемости и устойчивости алгоритмов к «проклятию размерности». В проведенных ранее экспериментах с задачами малой размерности различия конфигураций одного алгоритма практически незаметны, тогда как на задачах высокой размерности выявляются значимые различия в производительности. В результате были определены оптимальные конфигурации каждого класса алгоритмов. Полученные результаты имеют практическую ценность для разработки автоматизированных систем поддержки принятия решений в области логистики, производства и других инженерных приложений, где требуется надежный и масштабируемый инструмент оптимизации.
In many applied fields, the challenge of making optimal decisions is frequently transformed into discrete optimization problems. A common approach to solving such problems involves the use of evolutionary algorithms. While these methods have proven to be effective, they demand careful adjustment of parameters for each particular task and are usually examined separately, without exploring possibilities for their cooperative use or dynamic interchange. Moreover, existing studies have been limited to relatively low-dimensional problems, which has hindered the evaluation of algorithm scalability in real-world large-scale tasks (involving up to thousands of variables). This article aims to refine the set of effective configurations for evolutionary algorithms to optimize the performance of a developed intelligent algorithm-switching system. A comparative analysis of configurations for four classes of evolutionary algorithms – genetic, ant colony, bee colony, and simulated annealing – was conducted. Experiments were performed on high-dimensional test problems (up to 20000 points). The primary research methods included comparison and grouping of results, as well as analysis of computational experiment series to assess algorithm scalability and robustness against the "curse of dimensionality". In prior experiments with low-dimensional problems, differences in algorithm configurations were barely noticeable, whereas significant performance disparities emerged in high-dimensional tasks. As a result, optimal configurations for each algorithm class were identified. The findings hold practical value for developing automated decision-support systems in logistics, manufacturing, and other engineering applications requiring reliable and scalable optimization tools.
The authors declare that there are no conflicts of interest present.