Эта публикация цитируется в 1 статье

On using the decision trees to identify the local extrema in parallel global optimization algorithm

[Об использовании деревьев решений для выявления областей притяжения локальных минимумов в параллельном алгоритме глобальной оптимизации]

K. A. Barkalov, I. G. Lebedev, D. I. Silenko

Lobachevsky State University of Nizhny Novgorod (pr. Gagarina 23, Nizhny Novgorod, 603022 Russia)

Аннотация: В работе рассматривается решение многомерных задач многоэкстремальной оптимизации с использованием деревьев решений для выявления областей притяжения локальных минимумов. Целевая функция представлена как «черный ящик», она может быть недифференцируемой, многоэкстремальной и вычислительно трудоемкой. Для функции предполагается, что она удовлетворяет условию Липшица с априори неизвестной константой. Для решения поставленной задачи многоэкстремальной оптимизации применятся алгоритм глобального поиска. Хорошо известно, что сложность решения существенно зависит от наличия нескольких локальных экстремумов. В данной работе предложена модификация алгоритма, в которой определяются окрестности локальных минимумов целевой функции на основе анализа накопленной поисковой информации. Проведение такого анализа с использованием методов машинного обучения позволяет принять решение о запуске локального метода, что может ускорить сходимость алгоритма. Данный подход был подтвержден результатами численных экспериментов, демонстрирующих ускорение при решении набора тестовых задач.

Ключевые слова: глобальная оптимизация, многоэкстремальные функции, параллельные вычисления, машинное обучение, дерево решений.

УДК: 519.853.4

Поступила в редакцию: 31.07.2023

Язык публикации: английский

DOI: 10.14529/cmse230301