moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2026.53.2.001 2150 Анализ эффективности самоконфигурируемого бинарного генетического алгоритма с модифицированным методом динамической коррекции области поиска Efficiency analysis of a self-configuring binary genetic algorithm with a modified method of dynamic correction of the search space Малашин Иван Павлович Malashin Ivan Pavlovich ivan.p.malashin@gmail.com aff-1 0000-0003-4410-7996 Сопов Евгений Александрович Sopov Evgeni Alexandrovich evgenysopov@gmail.com aff-2 Московский государственный технический университет имени Н.Э. Баумана Bauman Moscow State Technical University Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнёва Reshetnyov Siberian State University of Science and Technology 01 01 2026 1 1 10.26102/2310-6018/2026.53.2.001 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В работе представлена модификация самонастраивающегося генетического алгоритма (SelfCGA), направленная на повышение эффективности поиска в задачах глобальной оптимизации. Предложенный подход основан на сочетании динамической коррекции области поиска с кластеризацией фенотипов текущей популяции, что позволяет более точно выявлять и адаптивно исследовать перспективные области пространства решений. Использование кластеризации способствует поддержанию популяционного разнообразия, а также снижает вероятность преждевременной сходимости алгоритма к локальным экстремумам. Для оценки эффективности предложенной модификации были проведены вычислительные эксперименты на стандартном тестовом наборе CEC2017 при размерностях пространства поиска 10, 30 и 50. Каждый из сравниваемых алгоритмов запускался 50 независимых раз, что обеспечило статистическую достоверность результатов. В ходе экспериментов анализировались средние и наилучшие значения функций пригодности, а также динамика сходимости в процессе эволюционного поиска. Полученные результаты показывают, что модифицированный алгоритм SelfCGA с динамической коррекцией области поиска достигает состояния стабилизации, при котором улучшения решений практически прекращаются, за меньшее число поколений для большинства тестовых функций, причем данное преимущество сохраняется при увеличении размерности задачи. Отсутствие необходимости ручной настройки параметров и сохранение базовой структуры SelfCGA делают предложенную модификацию удобной и перспективной для практического применения.

This paper presents a modification of the self-configuring genetic algorithm (SelfCGA) aimed at improving search efficiency in global optimization problems. The proposed approach combines dynamic correction of the search domain with phenotype clustering of the population, which makes it possible to identify promising regions of the solution space more effectively. The use of clustering helps maintain population diversity and reduces the risk of premature convergence to local optima. To evaluate the proposed modification, computational experiments were conducted using the CEC2017 benchmark suite with problem dimensions of 10, 30, and 50. Each algorithm was executed 50 independent times, ensuring statistical reliability of the results. The performance was assessed by comparing average and best fitness values, as well as by analyzing the convergence dynamics during the evolutionary process. The experimental results demonstrate that the modified SelfCGA with dynamic correction of the search domain reaches a stabilization state – where further improvements during the evolutionary search become negligible – in fewer generations for most benchmark functions. This advantage remains evident even as the dimensionality of the search space increases. The proposed modification does not require manual parameter tuning and does not increase the structural complexity of the base SelfCGA, which makes it well suited for practical applications.

 глобальная оптимизация самонастраивающиеся алгоритмы адаптация пространства поиска кластеризация популяции динамическая коррекция области поиска global optimization self-configuring algorithms search space adaptation population clustering dynamic correction of the search domain Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Хритоненко Д.И., Семенкин Е.С. Самоконфигурируемый эволюционный алгоритм автоматического проектирования рекуррентных нейронных сетей. В сборнике: Информационно-телекоммуникационные системы и технологии: Всероссийская научно-практическая конференция, 16–17 октября 2015 года, Кемерово, Россия. Кемерово: Кузбасский государственный технический университет имени Т.Ф. Горбачева; 2015. С. 220. Шерстнев П.А., Семенкин Е.С. SelfCSHAGA: самоконфигурируемый генетический алгоритм оптимизации с адаптацией на основе истории успеха. Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия: Приборостроение. 2025;(2):122–139. Semenkin E., Semenkina M. Self-configuring Genetic Algorithm with Modified Uniform Crossover Operator. In: Advances in Swarm Intelligence: Third International Conference, ICSI 2012: Proceedings: Part I, 17–20 June 2012, Shenzhen, China. Berlin, Heidelberg: Springer; 2012. P. 414–421. https://doi.org/10.1007/978-3-642-30976-2_50 Малашин И.П., Тынченко В.С. Применение методов кластерного анализа для динамической коррекции области поиска в генетическом алгоритме. Сибирский аэрокосмический журнал. 2025;26(3):318–333. https://doi.org/10.31772/2712-8970-2025-26-3-318-333 Малашин И.П. Процедура динамической модификации схемы бинарного кодирования индивидов в генетическом алгоритме. Моделирование, оптимизация и информационные технологии. 2025;13(3). https://doi.org/10.26102/2310-6018/2025.50.3.040 Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover. In: 2012 IEEE Congress on Evolutionary Computation, 10–15 June 2012, Brisbane, QLD, Australia. IEEE; 2012. P. 1–6. https://doi.org/10.1109/CEC.2012.6256587 Осипова Ю.А., Лавров Д.Н. Применение кластерного анализа методом k-средних для классификации текстов научной направленности. Математические структуры и моделирование. 2017;(3):108–121. https://doi.org/10.24147/2222-8772.2017.3.108-121 Stanovov V., Akhmedova Sh., Semenkin E. LSHADE Algorithm with Rank-Based Selective Pressure Strategy for Solving CEC 2017 Benchmark Problems. In: 2018 IEEE Congress on Evolutionary Computation (CEC), 08–13 July 2018, Rio de Janeiro, Brazil. IEEE; 2018. P. 1–8. https://doi.org/10.1109/CEC.2018.8477977 Miller B.L., Goldberg D.E. Genetic Algorithms, Tournament Selection, and the Effects of Noise. Complex Systems. 1995;9(3):193–212. Ahn Ch.W., Ramakrishna R.S. Elitism-based compact genetic algorithms. IEEE Transactions on Evolutionary Computation. 2003;7(4):367–385. https://doi.org/10.1109/TEVC.2003.814633

The authors declare that there are no conflicts of interest present.