moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 349 ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ ГЕНЕТИЧЕСКОГО АЛГОРИТМА С РАЗЛИЧНЫМИ МЕТОДАМИ СЕЛЕКЦИИ, ТИПАМИ КРОССОВЕРА И СТРАТЕГИЯМИ ФОРМИРОВАНИЯ ПОКОЛЕНИЙ ПРИ ПОИСКЕ ЭКСТРЕМУМОВ ФУНКЦИЙ RESEARCH OF THE EFFICIENCY OF THE GENETIC ALGORITHM WITH VARIOUS METHODS OF SELECTION, CROSSOVER TYPES AND STRATEGIES OF FORMATION OF GENERATIONS IN SEARCHING OF EXTREMUMS OF TEST FUNCTIONS Мараев Вячеслав Сергеевич Maraev Vyacheslav Sergeevich aff-1 Беззубенко Е. А. Bezzubenko E. A. aff-2 Черкашин Д. А. Cherkashin D. A. aff-3 Михалев Антон Сергеевич Mikhalev Anton Sergeevich asmikhalev@sfu-kras.ru aff-4 Сибирский Федеральный Университет, Институт Космических и Информационных технологий (ИКИТ СФУ) Siberian Federal University, The Institute of Space and Information Technology Сибирский Федеральный Университет, Институт Космических и Информационных технологий (ИКИТ СФУ) Siberian Federal University, The Institute of Space and Information Technology Сибирский Федеральный Университет, Институт Космических и Информационных технологий (ИКИТ СФУ) Siberian Federal University, The Institute of Space and Information Technology Сибирский Федеральный Университет, Институт Космических и Информационных технологий (ИКИТ СФУ) Siberian Federal University, The Institute of Space and Information Technology 01 01 2026 1 1 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В данной статье проводится анализ материалов по генетическим алгоритмам. Рассмотрены основные идеи и принципы, лежащие в основе работы генетических алгоритмов. Детально проанализированы базовые этапы работы классического генетического алгоритма. Выполнен обзор наиболее часто встречаемых методов селекции (рулеточный и турнирный), типов кроссовера (одноточечный и равномерный) и стратегий формирования поколений (классическая и элитарная). На тестовых функциях проведено исследование генетического алгоритма с различными методами селекции, типами кроссовера и стратегиями формирования поколений для поиска глобального минимума. Для каждого вида алгоритма найдена оценка вероятности нахождения истинного решения. Полученные результаты экспериментов тщательно проанализированы. Выявлены достоинства и недостатки различных методов селекции, типов кроссовера, стратегий формирования поколений. Изложены рекомендации по целесообразности применения генетических алгоритмов в различных ситуациях. Определены возможные направления дальнейших исследований.

In this article the analysis of materials on genetic algorithms is carried out. The main ideas and principles underlying work of genetic algorithms are considered. The basic stages of the classical genetic algorithm work are analyzed in detail. The review of the most common methods of selection (roulette and tournament), types of crossover (single-point and uniform) and strategies of formation of generations (classical and elitist) is executed. On test functions the research of genetic algorithm with different methods of selection, types of crossover and strategy of formation of generations is carried out. For each type of algorithm, an estimate of the probability of finding a true solution is given. The received results of the experiments are carefully analyzed. The advantages and disadvantages of different methods of selection, types of crossover, strategy of formation of generations are revealed. The recommendations on the expediency of using genetic algorithms in various situations are stated. The possible directions for further research are defined.

 генетический алгоритм глобальный экстремум популяция поколение селекция кроссовер функция де джонг genetic algorithm global extremum population generation selection crossover de jong’s function Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References John R. Koza, Genetic Programming: On the Programming of Computers by Means of Natural Selection - MIT Press, 1992. Vol. 2, No. 2, pp.78-84. Darrel Whitley, A Genetic Algorithm Tutorial – Statistics and Computing, 1994. Vol. 4, pp. 65-85. Herrera F., Losano M., Sanches A.M., Hybrid Crossover Operators for Real-Coded Genetic Algorithms: An Experimental Study. Yang X.-S., Deb S., Engineering optimization by cuckoo search. - Int. J. Math. Modelling Num. Optimisation, 2010. Vol. 1, No. 4, pp. 330 - 343. Rosenbrock H.H., An automatic method for finding the greatest or least value of a function». - The Computer Journal 3, 1960. pp. 175–184. Rastrigin L. A., Systems of Extremal Control - Nauka, Moscow, 1974. Mikhalev A.S., Rouban A.I. Global optimization on set of mixed variables: continuous and discrete with unordered possible values // IOP Conf. Series: Materials Science and Engineering, 2016, Vol. 22, Issue 1: 19th International Scientific Conference Reshetnev Readings 2015. Хант Э. Искусственный интеллект / Пер. с англ. – М.: Изд-во «МИР», 1978. – 281 с. Хайкин С. Нейронные сети: полный курс, 2-е изд. / Пер. с англ. – М.: Изд. дом «Вильямс», 2006. – 1104 с. Вахрушева М.Ю., Глебов М.П. Применение технологии Data Mining в решении демографических проблем// Труды Братского государственного университета. Серия: Экономика и управление. 2013. Т. 1. С. 255-258. Харитонова П.В. Применение IT-технологий при принятии управленческих решений в малом и среднем бизнесе / Труды Братского государственного университета. Серия: Экономика и управление. 2015. Т. 1. С. 266-269. Евдокимов И.В. Кадровое обеспечение внедрения SCADA-систем на предприятиях//Труды Братского государственного университета. Серия: Экономика и управление. 2005. Т. 1. С. 116-119. Вахрушева М.Ю., Евдокимов И.В. Разработка программного обеспечения аналитических информационных систем//Труды Братского государственного университета. Серия: Экономика и управление. 2014. Т. 1. № 1. С. 196-199.

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